xG - A Métrica que Mudou a Análise de Futebol para Apostadores
A carregar...
Uma equipa remata 18 vezes à baliza, a adversária remata 4. O resultado final? 0 a 1. Quem olha apenas para o marcador julga que a equipa visitante dominou. Quem olha para o xG percebe que o visitado criou oportunidades equivalentes a 2.3 golos esperados, enquanto o visitante gerou 0.4. O jogo contou uma história muito diferente daquela que o placar sugere – e é exactamente neste tipo de distorção que o apostador encontra oportunidade.
Comecei a usar xG há cerca de seis anos, quando ainda era uma métrica restrita a analistas de dados e clubes europeus. Na altura, aplicar isto ao mercado brasileiro parecia exagero. Hoje, com a Sportradar a monitorizar mais de 8.200 partidas por temporada só no futebol brasileiro – masculino e feminino – , o volume de dados disponível transformou o xG numa ferramenta acessível para qualquer apostador que se disponha a ir além do palpite.
Como o xG É Calculado e O Que Ele Mede
O xG – expected goals, ou golos esperados – atribui a cada remate uma probabilidade de resultar em golo. Essa probabilidade provém de um modelo estatístico alimentado por milhares de remates anteriores, considerando variáveis como distância à baliza, ângulo do remate, parte do corpo utilizada, tipo de jogada que originou a oportunidade e posição do guarda-redes.
Um penálti, por exemplo, tem xG de aproximadamente 0.76 – historicamente, 76% dos penáltis resultam em golo. Um remate de fora da área, sem marcação, ronda os 0.03 a 0.06. Um cabeceamento dentro da pequena área após cruzamento pode chegar a 0.40. Cada oportunidade no jogo recebe o seu número, e a soma de todos os xG de uma equipa indica quantos golos ela “deveria” ter marcado com base na qualidade das oportunidades criadas.
O que o xG mede, no fundo, é processo. Uma equipa que cria consistentemente oportunidades de alto xG está a jogar bem ofensivamente, mesmo que o guarda-redes adversário faça defesas milagrosas ou a bola bata no poste três vezes. O resultado de um jogo individual é ruidoso – sorte, erros pontuais, brilho individual distorcem o marcador. O xG filtra esse ruído e mostra a tendência subjacente.
Existem variações do modelo. O xG “básico” considera posição e tipo de remate. Modelos mais sofisticados incorporam a sequência de passes que precedeu a finalização, a pressão defensiva, a velocidade da bola. Para o apostador comum, a diferença entre modelos não é crítica – o que importa é usar consistentemente a mesma fonte de dados para manter a base de comparação.
Usar xG para Avaliar Mercados de Over/Under e Resultado Final
Há três temporadas, passei um mês inteiro a comparar o xG acumulado das equipas do Brasileirão com os golos reais marcados. O resultado foi revelador: ao longo de 380 jogos, a diferença média entre golos reais e xG somado ficava abaixo de 5%. No curto prazo, a variância era enorme – equipas com xG alto que não marcavam, equipas com xG baixo que goleavam. Mas no acumulado de uma temporada, o xG aproximava-se da realidade com precisão notável.
Para o mercado de Over/Under, esta informação vale ouro. Se duas equipas que se defrontam acumulam, nas últimas dez jornadas, média de xG combinado de 3.1 por jogo, mas a média de golos reais está em 2.4, o mercado provavelmente está a precificar com base nos golos reais – que estão temporariamente abaixo da tendência. A expectativa é de regressão à média, o que torna o Over 2.5 mais atractivo do que o marcador recente sugere.
No mercado de resultado final, o xG ajuda a identificar equipas que estão a render acima ou abaixo do esperado. Uma equipa com cinco vitórias seguidas, mas xG médio de 0.9 por jogo e xGA (golos esperados contra) de 1.3, está a sobreviver com eficiência acima do sustentável. Apostar na continuidade dessa sequência é apostar contra a gravidade estatística.
A lógica inversa também funciona. Uma equipa em má fase, com três derrotas, mas xG consistentemente superior ao adversário em cada jogo, provavelmente está a ser punida pela variância. As odds para a sua vitória estarão inflacionadas – e é aí que o valor aparece. Já encontrei algumas das melhores value bets da minha carreira exactamente neste cenário: equipa “em crise” que, pelos números, estava a jogar melhor do que o marcador mostrava.
Uma aplicação prática: antes de apostares num mercado de golos, compara o xG dos últimos cinco jogos de cada equipa com os golos reais. Se o xG combinado supera os golos reais por uma margem consistente, a tendência é que os golos “apareçam” nos próximos jogos.
Limitações do xG – Quando a Métrica Engana
Seria cómodo dizer que o xG resolve tudo, mas não resolve. A primeira limitação é que o modelo não capta qualidade individual. Um remate de fora da área com xG 0.04, nas mãos de um especialista em livres directos, pode ter probabilidade real muito superior. O modelo trata todos os rematadores como “médios” – e no futebol, a excepção importa.
Segunda limitação: contexto táctico. Uma equipa que defende em bloco baixo e aposta em contra-ataques rápidos pode ter xG baixo por desenho, não por incompetência ofensiva. As poucas oportunidades que cria tendem a ser de alta qualidade – transições rápidas, situações de superioridade numérica – , mas o volume baixo de remates puxa o xG para baixo. Olhar só para o número bruto sem perceber o estilo de jogo leva a conclusões erradas.
Terceira: o xG descreve o que aconteceu dentro de campo, não o que estava em jogo fora dele. Motivação, pressão psicológica, mudanças de esquema ao intervalo, substituições que alteram a dinâmica – nada disto entra no modelo. Em jogos decisivos de eliminatórias, onde o comportamento táctico muda radicalmente dependendo do marcador, o xG da primeira parte pode ser irrelevante para prever a segunda.
Na minha experiência, o xG funciona melhor como filtro de longo prazo do que como ferramenta de decisão jogo a jogo. Se olho para o xG acumulado de uma equipa nas últimas 15 jornadas, tenho uma base sólida. Se olho apenas para o xG do último jogo, tenho ruído. O apostador que trata xG como oráculo por jogo vai frustrar-se. Quem o usa como camada adicional de análise – junto com contexto, odds e gestão de banca – ganha uma vantagem real.
E um alerta para quem está a começar: nem todos os sites de xG usam o mesmo modelo. Os números do FBref, do Understat e do Infogol podem divergir para o mesmo jogo. Escolhe uma fonte, mantém a consistência e não mistures dados de origens diferentes na mesma análise.