Aplicación de Expected Goals (Xg) como Métrica Predictiva en el Fútbol Brasileño

Caio Luiz Prates de Freitas; Maria Valeria Espinos Guerra Martins

DOI: 10.22167/2675-6528-202602750

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

Este estudio analizó los Expected Goals (xG) como métrica predictiva aplicada al fútbol brasileño, con foco en el Campeonato Brasileño Serie A, buscando evaluar su relación con el desempeño de los equipos y sus potencialidades y limitaciones en el contexto nacional, además de su integración con técnicas de aprendizaje automático. La investigación se desarrolló a partir de una base de datos construida con información pública de la plataforma FootyStats, abarcando cinco temporadas consecutivas (2021-2025), con datos agregados por equipo y temporada debido a la disponibilidad limitada de información detallada. Para el análisis predictivo, se desarrolló un modelo de clasificación utilizando el algoritmo Random Forest, con xG a favor y xG en contra como variables explicativas, y el desempeño de los equipos categorizado en tres clases (alto, medio y bajo) por medio de segmentación basada en cuantiles. El modelo fue evaluado por métricas de acuracidad, precisión, recall y F1-score, y comparado con un modelo baseline de regresión logística. Los resultados sugirieron una asociación consistente entre las métricas de xG y el desempeño de los equipos, destacándose el saldo de xG como indicador relevante. El Random Forest presentó una acuracidad de 0,50, superior a la regresión logística (0,40), indicando un desempeño moderado y mayor capacidad para identificar equipos de alto desempeño, aunque con limitaciones en la distinción entre clases media y baja. Se concluyó que el xG posee potencial como métrica complementaria para el análisis de desempeño en el fútbol brasileño, y su combinación con aprendizaje automático puede contribuir a análisis predictivos, a pesar de que la granularidad limitada de los datos y el número reducido de observaciones restrinjan la generalización de los resultados.

Palabras clave: análisis de datos; expected goals; fútbol; predicción; random forest.

1. Introducción

El fútbol, como deporte de alta complejidad, presenta resultados de partidos frecuentemente influenciados por una serie de factores aleatorios. Elementos como errores individuales, decisiones del arbitraje y la propia suerte pueden impactar significativamente el desenlace de un juego. Esta naturaleza impredecible del fútbol constituye un desafío considerable para el análisis objetivo del desempeño de los equipos (ARAUJO, 2017).

A diferencia de otras modalidades deportivas con alta puntuación, los goles en el fútbol son eventos relativamente raros. Esta característica implica que el marcador final de un partido no siempre refleja de manera justa la calidad del desempeño de un equipo. En consecuencia, los enfoques tradicionales de análisis, que se basan exclusivamente en los resultados de los partidos o en estadísticas básicas como la posesión del balón y el número de finalizaciones, demuestran limitaciones importantes en la comprensión profunda del rendimiento.

Para superar las lagunas de los análisis convencionales, la estadística aplicada al deporte ha evolucionado considerablemente en los últimos años. Entre las métricas más avanzadas, destaca el Expected Goals, o xG, que representa una medida estadística de la probabilidad de que un disparo resulte en gol. El cálculo del xG considera diversas características observables del disparo y del contexto de la jugada, como la distancia y el ángulo del disparo en relación con la portería, la parte del cuerpo utilizada y el tipo de asistencia (EGGELS, 2016).

Esta métrica asigna una probabilidad entre cero y uno a cada intento de gol, cuantificando la calidad de las oportunidades creadas por un equipo, independientemente del resultado efectivo de la jugada. Al proporcionar una visión más precisa sobre la calidad de las chances de gol, el xG permite una evaluación del desempeño de los equipos de forma más objetiva y menos susceptible al azar inherente al fútbol (EGGELS, 2016).

A pesar de su consolidación en ligas europeas y en la literatura académica internacional, la aplicación del xG en el fútbol brasileño aún es incipiente. Los campeonatos nacionales poseen características específicas, como el equilibrio competitivo entre los equipos, la diversidad de estilos de juego y las variaciones en las condiciones del césped y el clima. Tales particularidades resaltan la importancia de investigar la aplicabilidad y los beneficios de esta métrica en el contexto de Brasil.

Sin embargo, el uso de xG no está exento de críticas. Algunos analistas argumentan que la métrica puede no capturar integralmente el contexto complejo de las jugadas, como la presión defensiva, la calidad del pase que precede a la finalización o las condiciones del campo. Además, la dependencia de las variables utilizadas puede llevar a resultados divergentes entre diferentes modelos de xG, y en partidos de marcador ajustado, el xG agregado puede no predecir correctamente al ganador, dado que una única jugada puede ser decisiva.

Otro problema relevante para el escenario nacional reside en la disponibilidad limitada de datos públicos detallados de xG para el fútbol brasileño. A diferencia de las ligas europeas, donde plataformas especializadas ofrecen datos granulares a nivel de finalización, partido y equipo, las fuentes para el Campeonato Brasileño Serie A generalmente proporcionan solo información consolidada por equipo y por temporada. Esta restricción de granularidad de datos impone desafíos metodológicos y limita la capacidad de análisis más profundos.

Ante estas consideraciones, resulta fundamental investigar el potencial del xG como herramienta complementaria para el análisis de rendimiento en el fútbol brasileño, contribuyendo a diagnósticos técnicos más precisos y a la mejora de los procesos de planificación y entrenamiento de los equipos. La métrica ofrece una capacidad superior para representar la calidad de las oportunidades creadas en comparación con indicadores tradicionales, como el número de goles, según lo destacado por Eggels (2016). Así, este estudio se justifica por la necesidad de desarrollar una comprensión más robusta del rendimiento de los equipos en el Campeonato Brasileño Serie A.

En este contexto, el presente trabajo tiene como objetivo analizar el Expected Goals (xG) como métrica predictiva aplicada al fútbol brasileño, con foco en el Campeonato Brasileño Serie A, así como evaluar su integración con técnicas de aprendizaje automático en la modelización del rendimiento de los equipos.

2. Material y Métodos

El presente estudio se caracterizó como una investigación de naturaleza cuantitativa, con un enfoque metodológico centrado en el análisis predictivo del rendimiento de equipos de fútbol. El objetivo central fue investigar la aplicabilidad de la métrica Expected Goals (xG) en el Campeonato Brasileño Serie A y su integración con técnicas de aprendizaje automático. Para ello, se empleó una estrategia de investigación basada en la recopilación, organización y análisis de datos históricos, con el fin de construir y evaluar modelos predictivos.

La unidad de análisis consistió en los equipos participantes del Campeonato Brasileño Serie A. La base de datos se construyó a partir de información pública disponible en la plataforma FootyStats (FOOTYSTATS, 2025). El período cubierto por la recopilación de datos abarcó cinco temporadas consecutivas de la competición, de 2021 a 2025, buscando capturar patrones consistentes a lo largo del tiempo y aumentar la robustez del análisis.

Debido a la disponibilidad limitada de datos detallados para el fútbol brasileño, se optó por la utilización de información agregada por equipo y por temporada. La recolección de datos se realizó manualmente, extrayendo las métricas de interés directamente de las tablas disponibles en el entorno web de la plataforma FootyStats. Tras la extracción, los datos fueron convertidos al formato CSV (Comma-Separated Values), facilitando su manipulación e integración en herramientas de análisis. La inviabilidad de técnicas automatizadas de “web scraping” (MITCHELL, 2018) fue verificada debido a la estructura del sitio y a los mecanismos de protección.

Las variables recolectadas incluyeron los Expected Goals a favor (xG), los Expected Goals en contra (xGA), goles marcados, goles recibidos y el rendimiento general de los equipos a lo largo de la competición. Estas métricas fueron seleccionadas por su relevancia teórica en el análisis de rendimiento en el fútbol y por la consistencia de su disponibilidad en la fuente de datos. La métrica xG, según Eggels (2016), cuantifica la probabilidad de que un remate resulte en gol, considerando características como la distancia y el ángulo del tiro.

Tras la recopilación, los datos se sometieron a un riguroso proceso de preprocesamiento, que incluyó etapas de estandarización de variables, tratamiento de inconsistencias y verificación de integridad. Esta fase fue crucial para asegurar la calidad y fiabilidad de la base de datos final, según lo recomendado en proyectos de Data Science / Ciencia de datos (PROVOST; FAWCETT, 2013). Los datos se consolidaron en una única base estructurada, con aproximadamente 100 observaciones, correspondientes a veinte equipos por temporada a lo largo de las cinco temporadas.

La estandarización de los nombres de las columnas se realizó para garantizar un formato único, eliminando espacios y uniformizando la nomenclatura. Las identificaciones de los equipos se estandarizaron mediante un diccionario de correspondencia manual, corrigiendo variaciones como abreviaturas o siglas. La información de temporada se incorporó explícitamente, y las bases se integraron utilizando el nombre estandarizado del equipo y la temporada como claves, con cruce interno para mantener solo observaciones presentes en ambas fuentes y eliminación de registros duplicados.

La variable dependiente, que representa el rendimiento de los equipos, se construyó a partir de la posición final en la tabla de clasificación de cada temporada. Para transformar esta variable continua en categórica, se utilizó la función `qcut` de la biblioteca pandas (MCKINNEY, 2017). Esta función permitió segmentar los equipos en tres grupos de tamaño similar, clasificados como de rendimiento “alto”, “medio” y “bajo”, basándose en cuantiles, garantizando equilibrio entre las clases y adaptando la segmentación a la distribución de los datos de cada temporada.

Para el análisis predictivo, se desarrolló un modelo de clasificación utilizando el algoritmo Random Forest, un método de aprendizaje automático supervisado (BREIMAN, 2001). Las variables explicativas empleadas fueron el xG a favor y el xG en contra. Los datos se dividieron en conjuntos de entrenamiento y prueba, utilizando la función `train_test_split` de la biblioteca Scikit-learn, con una proporción de 80% para entrenamiento y 20% para prueba (test_size = 0.2). El parámetro `random_state` se fijó en 42 para asegurar la reproducibilidad de los resultados.

Los hiperparámetros del algoritmo Random Forest se adoptaron en sus configuraciones predeterminadas, con la excepción de `random_state`. Con fines de evaluación comparativa, se implementó un modelo base de regresión logística (Logistic Regression), ampliamente utilizada en problemas de clasificación (JAMES et al., 2013). Este modelo se construyó con las mismas variables explicativas y la misma división entre conjuntos de entrenamiento y prueba, permitiendo una comparación directa con el rendimiento del Random Forest.

La evaluación del rendimiento de los modelos predictivos se realizó mediante métricas estándar en problemas de clasificación multiclase. Se incluyeron la exactitud (accuracy), que mide la proporción de predicciones correctas; la precisión (precision), que indica la proporción de predicciones positivas correctas entre todas las clasificaciones positivas; la sensibilidad (recall), que evalúa la capacidad del modelo para identificar correctamente los casos positivos reales; y la puntuación F1 (F1-score), que representa la media armónica entre precisión y sensibilidad (JAMES et al., 2013; BISHOP, 2006; MANNING; RAGHAVAN; SCHÜTZE, 2008).

3. Resultados y Discusión

La consolidación de la base de datos, que reunió información agregada por equipo y por temporada del Campeonato Brasileño Serie A entre 2021 y 2025, permitió el desarrollo y la evaluación del modelo predictivo propuesto. La base final, estructurada a partir de datos extraídos de la plataforma FootyStats y convertida a formato CSV, demostró consistencia e integridad adecuadas para la aplicación de técnicas de aprendizaje automático. No se identificaron inconsistencias críticas que pudieran comprometer el análisis subsiguiente, garantizando la fiabilidad de los datos utilizados en el estudio.

Aunque el uso de datos agregados por equipo y temporada representa una limitación en términos de granularidad, este enfoque ha demostrado ser eficaz para identificar patrones estructurales de rendimiento a lo largo del tiempo. Esta metodología permitió analizar tendencias más estables, mitigando la influencia de eventos puntuales inherentes al fútbol, como goles ocasionales o decisiones arbitrales aisladas. Dicha estrategia fue fundamental para la robustez del análisis, considerando la disponibilidad de datos para el contexto del fútbol brasileño.

El análisis exploratorio de los datos reveló patrones significativos en las métricas de rendimiento, particularmente en las variables relacionadas con los Expected Goals. Se observó una fuerte asociación entre el “xG” a favor y el rendimiento general de los equipos a lo largo de las temporadas. Este hallazgo indica que los equipos con mayor capacidad para generar volumen y calidad de oportunidades de gol tienden a lograr mejores resultados competitivos, reforzando la importancia de la creación de ocasiones claras en el fútbol.

Complementariamente, el “xG” en contra, o “xGA”, demostró una relación inversa con el rendimiento de los equipos. Los equipos que presentaron menores valores de “xGA”, es decir, que concedieron menos oportunidades de gol de alta calidad a los adversarios, generalmente exhibieron campañas más consistentes. Este comportamiento subraya la relevancia del equilibrio entre el rendimiento ofensivo y defensivo, sugiriendo que el éxito competitivo no depende solo de la capacidad de crear oportunidades, sino también de la habilidad de evitar ocasiones peligrosas del oponente.

El saldo de Goles Esperados, calculado como la diferencia entre “xG” a favor y “xG” en contra, emergió como un indicador particularmente relevante, sintetizando el rendimiento global de los equipos en una única métrica. A lo largo de las temporadas analizadas, se observó que los equipos con un saldo positivo consistente tendían a ocupar posiciones superiores en la tabla de clasificación. En contraste, los equipos con saldo negativo presentaban una mayor probabilidad de campañas inferiores, un resultado que se alinea con la literatura internacional y valida la aplicabilidad del “xG” como métrica eficaz de evaluación de rendimiento (EGGELS, 2016).

El análisis de la eficiencia ofensiva se realizó mediante la razón entre el número de goles marcados y los “Expected Goals” (“xG”), permitiendo evaluar el grado de aprovechamiento de las oportunidades creadas por los equipos. Esta métrica buscó capturar la relación entre el rendimiento observado y el rendimiento esperado, proporcionando una medida directa de la eficacia en la finalización. Los equipos que superan consistentemente su “xG” pueden considerarse más eficientes en la conversión de oportunidades, mientras que aquellos que quedan por debajo pueden indicar problemas en la finalización o en la toma de decisiones.

Con base en las variables seleccionadas, el modelo de clasificación se desarrolló utilizando el algoritmo Random Forest, con el objetivo de identificar patrones asociados al desempeño de los equipos a lo largo de las temporadas. La elección de este algoritmo resultó adecuada debido a su capacidad para manejar la naturaleza no lineal de las relaciones entre las variables y la presencia de interacciones complejas entre los indicadores de desempeño, características comunes en datos deportivos (JAMES et al., 2013).

La validación del modelo se realizó mediante la división de la base de datos en conjuntos de entrenamiento y prueba, asegurando la independencia de las observaciones. A pesar de las limitaciones derivadas del uso de datos agregados, el modelo demostró una capacidad moderada de generalización, como lo evidencian los resultados obtenidos en el conjunto de prueba. Este proceso de validación es crucial para garantizar que el modelo no esté excesivamente ajustado a los datos de entrenamiento, un fenómeno conocido como sobreajuste (BREIMAN, 2001).

En términos de rendimiento global, el modelo Random Forest presentó una precisión de 0,50, lo que indica que la mitad de las observaciones fueron clasificadas correctamente. Considerando la naturaleza multiclase del problema, este resultado representa un rendimiento superior al que se esperaría en una clasificación aleatoria, aunque aún revela limitaciones en la capacidad predictiva del modelo. La precisión, como medida general, ofrece una visión inicial de la eficacia del modelo en la predicción del rendimiento de los equipos.

El análisis de las métricas de rendimiento por clase reveló diferencias notables en el comportamiento del modelo. La clase de alto rendimiento obtuvo los mejores resultados, con una precisión de 0,70, un recall de 0,78 y una puntuación F1 de 0,74. Estos valores indican una alta capacidad del modelo para identificar correctamente a los equipos con rendimiento superior, demostrando su eficacia en el reconocimiento de los patrones asociados a los equipos de élite en el Campeonato Brasileño Serie A.

Por otro lado, la clase de bajo rendimiento presentó valores reducidos para las métricas de precisión, recall y F1-score, todas iguales a 0,25. Este resultado evidencia la dificultad del modelo en identificar correctamente a los equipos clasificados en la categoría de bajo rendimiento. La clase intermedia, por su parte, exhibió un rendimiento moderado, con F1-score de 0,31, reflejando una mayor superposición entre los patrones de rendimiento de los equipos en este rango, lo que dificultó la distinción precisa.

Las métricas agregadas reforzaron este patrón de comportamiento, con una media macro de F1-score de aproximadamente 0,43 y una media ponderada cercana a 0,49. Estos valores indican un rendimiento general moderado y relativamente equilibrado entre las clases, aunque las clases con mayor número de observaciones ejercieron una influencia más significativa en las medias ponderadas. La distribución de las clases, con aproximadamente 33 observaciones para “alto”, 33 para “bajo” y 34 para “medio”, muestra un equilibrio en la muestra utilizada para el entrenamiento y la prueba del modelo.

La matriz de confusión proporcionó un análisis detallado del comportamiento del modelo, revelando no solo la cantidad de aciertos, sino también los patrones específicos de error entre las clases. Se observó que el modelo demostró un mejor rendimiento en la clasificación de la clase “alto”, con siete clasificaciones correctas de un total de nueve observaciones reales. Esta alta tasa de acierto refuerza la capacidad del modelo para identificar consistentemente equipos con un rendimiento superior, un hallazgo relevante para el análisis deportivo.

Sin embargo, la matriz evidenció dificultades significativas en la clasificación de las clases “medio” y “bajo”. Para la clase “medio”, solo dos de las siete observaciones fueron clasificadas correctamente, mientras que la mayoría fue confundida con la clase “alto”. Esto sugiere una superposición considerable entre estas categorías en el espacio de características. En la clase “bajo”, el modelo presentó un desempeño limitado, con solo un acierto en cuatro observaciones, y los errores se distribuyeron entre las demás clases.

Este patrón de error indica una tendencia del modelo a sobreestimar el rendimiento de los equipos, clasificando con mayor frecuencia observaciones en las categorías superiores. Tal comportamiento puede atribuirse a la menor separación entre las variables explicativas de las clases intermedias e inferiores, así como a la reducida cantidad de observaciones en ciertas categorías. En el contexto del fútbol, donde pequeñas diferencias de rendimiento pueden llevar a clasificaciones distintas, esta dificultad en la distinción entre clases cercanas es consistente con la naturaleza del deporte.

En términos generales, el análisis de la matriz de confusión refuerza que el modelo es más eficiente en la identificación de patrones extremos de desempeño, mientras que presenta limitaciones en la clasificación de escenarios intermedios. Esta observación apunta a oportunidades de mejora del modelo, posiblemente mediante la incorporación de variables más detalladas que capturen matices específicos de cada equipo, como aspectos tácticos y situacionales, que los datos agregados por temporada no logran abarcar plenamente.

Como forma de evaluación comparativa, se implementó un modelo de referencia utilizando regresión logística. Ambos modelos fueron entrenados con las mismas variables explicativas (“xG” y “xGA”) y la misma división entre conjuntos de entrenamiento y prueba. El modelo de regresión logística obtuvo una precisión de 0,40, inferior a la precisión de 0,50 alcanzada por el modelo Random Forest. Este resultado indica que la utilización de un modelo no lineal, como el Random Forest, contribuye a una mejor captura de los patrones presentes en los datos, aunque la mejora en el rendimiento sea moderada.

La diferencia relativamente pequeña entre los modelos sugiere que parte de la relación entre las variables explicativas y el rendimiento de los equipos puede ser explicada por patrones lineales. Sin embargo, la superioridad del Random Forest evidencia la existencia de interacciones más complejas que son mejor representadas por métodos basados en ensembles. Esto corrobora la literatura que destaca la capacidad de los modelos de ensemble para manejar relaciones no lineales e interacciones complejas entre variables (JAMES et al., 2013).

Es fundamental interpretar los resultados obtenidos a la luz de las limitaciones de la base de datos utilizada. La ausencia de datos a nivel de partida y de evento restringe la capacidad del modelo de capturar dinámicas más detalladas del juego, lo que puede impactar su precisión predictiva. Sin embargo, incluso con esta limitación, el modelo demostró capacidad para identificar patrones estructurales relevantes, reforzando la utilidad del “xG” como métrica agregada para el análisis de rendimiento en el fútbol brasileño.

La utilización de múltiples temporadas para la construcción de la base de datos contribuyó a mitigar parte de las limitaciones de granularidad, aumentando la variabilidad de los datos y permitiendo un análisis más robusto. Este enfoque es consistente con las recomendaciones de la literatura en ciencia de datos para mejorar la capacidad de generalización de modelos predictivos (PROVOST; FAWCETT, 2013).

Los resultados de este estudio refuerzan la relevancia de los Expected Goals (“xG”) como métrica avanzada para el análisis de rendimiento en el fútbol, corroborando hallazgos de la literatura internacional. Según lo propuesto por Eggels (2016), el “xG” presenta una mayor capacidad para representar la calidad de las oportunidades creadas en comparación con métricas tradicionales, como el número absoluto de goles. Esta característica se evidenció tanto en el análisis descriptivo como en la modelización predictiva, donde las variables derivadas del “xG” destacaron como las más relevantes.

La importancia del saldo de “xG” observada en los resultados también está alineada con la literatura, que sugiere que el rendimiento en el fútbol se explica de forma más clara por indicadores que combinan aspectos ofensivos y defensivos. En este sentido, el hecho de que el “xG” en contra (“xGA”) presente una elevada relevancia en el modelo refuerza la idea de que la solidez defensiva ejerce un papel fundamental en el éxito de los equipos, siendo a menudo tan o más determinante que la capacidad ofensiva.

Adicionalmente, los resultados relacionados con la eficiencia ofensiva evidencian un aspecto ampliamente discutido en estudios sobre análisis de rendimiento deportivo: la existencia de variabilidad entre el rendimiento esperado y el rendimiento observado. Conforme discutido por Spearman et al. (2017), el fútbol es un sistema complejo, en el cual múltiples factores influyen en el resultado. En este contexto, el “xG” se muestra particularmente relevante por incorporar elementos probabilísticos, reduciendo la influencia del azar y proporcionando una visión más objetiva del rendimiento.

Los hallazgos del estudio presentan posibilidades de aplicación práctica en el contexto del fútbol profesional, especialmente en actividades relacionadas con el “scouting” y la evaluación de desempeño. Aunque el modelo fue construido con datos agregados por equipo y temporada, su aplicación demuestra cómo métricas de “Expected Goals” pueden complementar los análisis tradicionales basados exclusivamente en goles marcados, goles recibidos y posición en la tabla de clasificación.

Los departamentos de análisis de rendimiento y “scouting” de clubes profesionales pueden utilizar métricas de “xG” como indicadores adicionales para evaluar la calidad de las oportunidades creadas y concedidas por los equipos, contribuyendo a un análisis más profundo del rendimiento deportivo. Este enfoque permite identificar equipos que presentan un rendimiento superior o inferior al observado en sus resultados tradicionales, ayudando en la evaluación de adversarios, la planificación de partidos y la identificación de tendencias de rendimiento.

Otra posible aplicación, aunque dependiente de datos individualizados, está relacionada con el proceso de identificación y evaluación de jugadores. La comparación entre goles marcados y “xG” podría utilizarse para analizar la eficiencia de los atletas en la finalización. Los jugadores que presenten una producción de goles consistentemente superior a su “xG” podrían ser identificados como potenciales finalizadores eficientes, mientras que diferencias persistentes podrían indicar características de rendimiento que merecen una investigación más profunda para procesos de “scouting” y reclutamiento.

Sin embargo, es crucial destacar que el “xG” no debe ser utilizado de forma aislada para decisiones de contratación o evaluación de atletas. La eficiencia observada en relación con el “xG” puede ser influenciada por diversos factores, como la calidad de las oportunidades, las características de los adversarios y las variaciones asociadas al período analizado. De esta forma, la utilización práctica de la métrica debe ocurrir de manera complementaria a otras informaciones disponibles en los departamentos de análisis de rendimiento y “scouting”, integrándose a una visión holística del rendimiento.

Un aspecto central a ser considerado es el trade-off entre la complejidad del modelo y su capacidad de generalización. Aunque el algoritmo Random Forest presenta mecanismos que reducen el riesgo de overfitting, la utilización de una base de datos relativamente limitada en términos de número de observaciones puede restringir el potencial predictivo del modelo. En este sentido, la inclusión de múltiples temporadas contribuyó a aumentar la variabilidad de los datos y mejorar la robustez del análisis, conforme recomendado en la literatura de ciencia de datos (PROVOST; FAWCETT, 2013).

En resumen, los resultados obtenidos indican que los Expected Goals se configuran como una métrica relevante e informativa para el análisis y la predicción del rendimiento en el fútbol brasileño. Su asociación consistente con el rendimiento competitivo de los equipos, unida a la capacidad de identificar patrones extremos de performance, demuestra el potencial del “xG” como herramienta complementaria. La integración entre métricas probabilísticas y técnicas de aprendizaje automático, como el Random Forest, ha demostrado ser eficaz, abriendo camino para aplicaciones prácticas en análisis deportivo, scouting y toma de decisiones estratégicas, a pesar de las limitaciones de granularidad de los datos y la dificultad en distinguir clases de rendimiento intermedias y bajas.

4. Conclusión

El presente estudio buscó analizar los Expected Goals (xG) como métrica predictiva en el fútbol brasileño, con foco en el Campeonato Brasileño Serie A, y evaluar su integración con técnicas de aprendizaje automático en la modelización del rendimiento de los equipos. Se verificó una asociación consistente entre las métricas de xG y el rendimiento de los equipos a lo largo de las temporadas, destacándose el saldo de xG como un indicador relevante para el análisis. Para la predicción, se desarrolló un modelo de clasificación utilizando el algoritmo Random Forest, que presentó una precisión del 0,50, superando el modelo baseline de regresión logística, que obtuvo 0,40. Se observó que el Random Forest demostró mayor capacidad para identificar equipos de alto rendimiento, con una precisión del 0,70 y un recall del 0,78, aunque exhibió limitaciones en la distinción entre las clases de rendimiento medio y bajo. El análisis de la eficiencia ofensiva, por la razón entre goles marcados y xG, reforzó la utilidad de la métrica para identificar discrepancias entre el rendimiento esperado y el observado, contribuyendo a una comprensión más profunda de las dinámicas del juego. Estos hallazgos refuerzan la relevancia del xG como herramienta complementaria para el análisis de rendimiento en el fútbol profesional, ofreciendo soporte a actividades de scouting y planificación estratégica.

A pesar de las contribuciones, el estudio enfrentó limitaciones derivadas de la granularidad de los datos, que fueron agregados por equipo y temporada, restringiendo la capacidad del modelo para capturar matices tácticos y situacionales a nivel de partido. El número reducido de observaciones también impactó la generalización del modelo, especialmente en la distinción de clases de rendimiento intermedias e inferiores. Para investigaciones futuras, se sugiere la utilización de bases de datos más detalladas, a nivel de partido o evento, y la incorporación de variables adicionales, como métricas tácticas y contextuales. Se recomienda, además, la exploración de otros algoritmos de aprendizaje automático y técnicas de validación más robustas para mejorar la capacidad predictiva. En síntesis, la integración entre métricas probabilísticas como el xG y técnicas de aprendizaje automático demostró ser un camino prometedor para el desarrollo del análisis de rendimiento deportivo en el fútbol brasileño, ampliando la comprensión del juego y abriendo nuevas oportunidades para la toma de decisiones estratégicas.

Referencias Bibliográficas

ARAUJO, G. B. Uma caixinha de surpresas: como o componente aleatório afeta a tomada de decisões no futebol. Revista de Gestão e Negócios do Esporte (RGNE), São Paulo, v. 1, n. 1, p. 1-17, jan./jun. 2017.

BISHOP, 2006 [Referência completa não encontrada no documento original]

BREIMAN, L. Random Forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001.

EGGELS, H. G. H. Expected Goals in Soccer: Explaining Match Results using Predictive Analytics. Eindhoven: Eindhoven University of Technology, 2016.

FOOTYSTATS. Campeonato Brasileiro Série A – Expected Goals (xG). Disponível em: https://footystats.org/pt/brazil/serie-a/xg. Acesso em: 20 jan. 2026.

JAMES, Gareth; WITTEN, Daniela; HASTIE, Trevor; TIBSHIRANI, Robert. An Introduction to Statistical Learning: with Applications in R. New York: Springer, 2013.

MANNING, Christopher D.; RAGHAVAN, Prabhakar; SCHÜTZE, Hinrich. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2008.

MCKINNEY, 2017 [Referência completa não encontrada no documento original]

MITCHELL, Ryan. Web Scraping with Python: Collecting More Data from the Modern Web. 2. ed. Sebastopol: O’Reilly Media, 2018.

PROVOST, Foster; FAWCETT, Tom. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. Sebastopol: O’Reilly Media, 2013.

SPEARMAN, W.; BASYE, A.; DICK, G.; FOGARTY, J.; FOSSDAL, T. et al. Physics-based modeling of pass probabilities in soccer. Journal of Quantitative Analysis in Sports, v. 13, n. 3, p. 1–10, 2017.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy