Expected Goals (xG) en la NHL: La Métrica que Redefine el Análisis de Hockey

Los Expected Goals miden la calidad, no la cantidad, de las oportunidades de gol. En un deporte donde solo el 7% de los tiros terminan en la red, esa distinción lo cambia todo. Un equipo que dispara 35 veces pero desde ángulos imposibles no genera las mismas oportunidades que uno que dispara 25 veces desde la zona de alta peligrosidad. El xG asigna a cada tiro una probabilidad de gol basada en múltiples variables —distancia, ángulo, tipo de disparo, situación de juego— y suma esas probabilidades para obtener una estimación de cuántos goles debería haber producido una secuencia de tiros.

La calidad del tiro importa más que la cantidad. Esa premisa es el fundamento del modelo xG, y su aplicación a las apuestas de la NHL transforma la forma de evaluar equipos. Un equipo que genera 3,2 xG por partido pero anota solo 2,5 probablemente está sufriendo mala suerte o un rendimiento inferior del portero rival —y la regresión a la media sugiere que sus resultados mejorarán. Un equipo que anota 3,0 pero solo genera 2,3 xG está sobrerindiendo, y el ajuste futuro irá en su contra.

Esta guía explica cómo se construye un modelo de xG, qué variables incorpora, y cómo aplicar el xGF% como indicador de dominio para identificar equipos infravalorados o sobrevalorados por el mercado. Los datos provienen de fuentes especializadas como Hockey Analysis y modelos públicos de referencia.

Cómo Se Construye un Modelo xG

Un modelo de Expected Goals toma cada tiro registrado en un partido de la NHL y le asigna una probabilidad de gol. Para hacerlo, analiza una serie de variables que determinan la peligrosidad del disparo. No todos los modelos son iguales —varían en complejidad, en las variables que incorporan y en los datos de entrenamiento que utilizan—, pero los principios fundamentales son comunes.

Variables principales

La distancia al arco es el factor más influyente. Un tiro desde 5 metros tiene una probabilidad de gol radicalmente mayor que uno desde 15. El ángulo de disparo es el segundo factor: un tiro desde el centro del hielo tiene un ángulo abierto hacia la portería, mientras que uno desde el lateral reduce el espacio disponible. Estas dos variables solas capturan una porción significativa de la varianza en probabilidad de gol.

Pero los modelos sofisticados añaden capas adicionales. El tipo de tiro (wrist shot, slap shot, backhand, deflection) influye en la probabilidad: las deflexiones frente al arco tienen tasas de conversión altas porque el portero tiene menos tiempo de reacción. La situación de juego (5-contra-5, power play, shorthanded) modifica la calidad del tiro: un disparo en power play, con más espacio y menos presión defensiva, tiene mayor probabilidad que uno en igualdad numérica. Y variables contextuales como si el tiro fue un rebound (segundo tiro después de una parada) o si provino de una jugada de rush (contraataque rápido) añaden precisión al modelo.

Los datos que alimentan estos modelos son masivos. En la temporada 2023-24, la NHL registró 117 179 tiros al arco (excluyendo los bloqueados), de los cuales solo 8 204 se convirtieron en gol — una tasa de conversión general del 7%. Cada uno de esos tiros está geolocalizado, categorizado por tipo y contextualizado por situación de juego, lo que permite entrenar modelos con muestras de cientos de miles de observaciones.

Modelos públicos vs propietarios

Existen modelos xG públicos —como los de Evolving Hockey, Natural Stat Trick y MoneyPuck— y modelos propietarios desarrollados por equipos de la NHL y empresas de datos como SportLogiq. La pregunta que surge naturalmente es: ¿son comparables? Los datos sugieren que sí, en gran medida. Un análisis publicado en Hockey Analysis demostró que el modelo público de Evolving Hockey alcanzó un coeficiente de determinación (R²) de 0,942 al compararlo con el modelo propietario de SportLogiq. Ese nivel de concordancia indica que los modelos públicos, aunque menos detallados en algunas variables, capturan la inmensa mayoría de la información relevante.

Para el apostador, esto es una buena noticia: no necesitas acceso a datos propietarios de $50 000 al año para trabajar con xG. Los modelos públicos gratuitos ofrecen una base analítica sólida. Lo que sí necesitas es saber interpretarlos correctamente, y ahí es donde entra el xGF%.

xGF% como Indicador de Dominio: Umbrales y Ejemplos

El xGF% (Expected Goals For Percentage) es la proporción de xG generados por un equipo respecto al total de xG del partido. Si un equipo genera 2,8 xG y concede 2,2, su xGF% es 2,8 / (2,8 + 2,2) = 56%. Es la métrica más directa para evaluar el dominio de un equipo en términos de calidad de oportunidades, y tiene umbrales claros que funcionan como referencia para el apostador.

Los umbrales de xGF%

Un xGF% superior al 50% indica que el equipo genera más peligro del que recibe — es decir, controla la calidad del juego. Equipos en el rango de 50-52% son competitivos pero no dominantes. A partir del 52-53%, un equipo entra en territorio de élite: genera significativamente más y mejores oportunidades que sus rivales de forma sostenida. Carolina Hurricanes, uno de los equipos analíticamente más avanzados de la liga, ha mantenido un xGF% cercano al 56% en 5-contra-5 en temporadas recientes — una cifra que los sitúa consistentemente entre los mejores equipos de la NHL por esta métrica.

Por debajo del 48%, un equipo depende sistemáticamente de su portero o de la suerte para ganar partidos. Un xGF% bajo sostenido predice una caída de resultados, porque la regresión a la media eventualmente erosiona los salvavidas puntuales.

Aplicación a las apuestas

El xGF% tiene una aplicación directa al mercado de apuestas: identificar equipos cuyo récord de victorias-derrotas no refleja su dominio subyacente. Un equipo con un récord de 15-12-5 pero un xGF% del 54% está rindiendo por debajo de lo esperado por sus oportunidades. La regresión sugiere que sus resultados mejorarán, lo que convierte sus cuotas futuras —todavía basadas en su récord real, no en su rendimiento analítico— en oportunidades de valor.

El proceso inverso también funciona: un equipo con récord de 18-8-3 pero xGF% del 48% está sobrerindiendo. Sus cuotas reflejan sus victorias, no la fragilidad subyacente de su juego. Apostar en su contra cuando las cuotas son bajas (cuotas de favorito fuerte) es una estrategia respaldada por la lógica del xGF%.

La ventana óptima para explotar estas discrepancias es el primer tercio de la temporada, cuando las muestras de xGF% empiezan a ser significativas (a partir de 15-20 partidos) pero el mercado aún pondera el récord de victorias-derrotas más que las métricas avanzadas. A medida que avanza la temporada, la regresión se materializa, los récords se ajustan al dominio subyacente y las cuotas se alinean con la realidad analítica. El apostador que se adelantó tres semanas captura una prima de valor que después desaparece.