O que é expected goals (xG)? Um guia completo

Expected goals, quase sempre escrito como xG, é a estatística mais citada na análise moderna de futebol. Você a ouve nas transmissões, vê embaixo de todo mapa de chutes nas redes sociais e encontra em qualquer relatório pós-jogo sério. Mas o que ela realmente mede, de onde vem o número e o que significa um valor como “0,23 xG”? Este guia apresenta a ideia a partir do zero, com base na revisão bibliográfica do meu trabalho de conclusão de curso sobre modelos de xG, apresentado em 2024 na UFRJ.

O problema que o xG veio resolver

O futebol é um esporte de poucos gols. Um jogo inteiro pode virar por conta de um desvio, um afastamento mal feito ou uma bola na trave. Por isso, o placar muitas vezes não reflete qual time jogou melhor. Uma equipe pode dominar a posse, finalizar 25 vezes, acertar o travessão duas vezes e ainda assim perder por 1 a 0 para um adversário que converteu sua única chance real.

Estatísticas tradicionais — chutes, chutes a gol, porcentagem de posse — tratam cada tentativa como igual. Uma finalização tímida de 35 metros conta o mesmo que um cabeceio à queima-roupa de seis metros. O xG se apoia nesses dados brutos e responde a uma pergunta mais precisa: dado onde e em que condições esse chute foi feito, qual a probabilidade de ele virar gol?

Uma definição em linguagem simples

Expected goals é uma métrica estatística que estima a probabilidade de um chute resultar em gol, expressa como um número entre 0 e 1. Um xG de 0,30 significa que, historicamente, chutes em condições muito semelhantes foram convertidos em cerca de 30% das vezes. Some o xG de todas as finalizações de uma partida e você tem o xG total de uma equipe — uma medida de quantos gols a qualidade das suas chances costuma render.

Duas consequências imediatas:

• xG é sobre processo, não sobre resultado. Uma equipe com 2,3 xG que não marcou nenhum gol ainda criou ótimas oportunidades — apenas não converteu naquele dia.
• xG é descritivo, não determinístico. Um chute específico de 0,30 vai ou não entrar; o número expressa a frequência de longo prazo.

De onde vêm os números

Construir um modelo de xG é um problema de aprendizado de máquina supervisionado: parte-se de uma base histórica grande de chutes com o rótulo “virou gol” ou “não virou gol”, descreve-se cada chute com um conjunto de variáveis (coordenadas x/y, distância, ângulo, parte do corpo usada, posições dos defensores, técnica do chute, se foi de primeiro toque ou sob pressão) e treina-se um modelo para prever a probabilidade de gol a partir dessas variáveis.

A abordagem mais simples, usada por Rathke no artigo de 2017, divide o campo ofensivo em algumas zonas e reporta a taxa histórica de conversão em cada uma. A Zona 1, uma pequena área logo em frente à pequena área, tem taxa próxima de 40%; a Zona 6, perto da linha de fundo fora da grande área, fica abaixo de 3%. Já dá para construir intuição só com isso: um chute da linha da pequena área não é “dez vezes” melhor do que um de fora da área, pode ser treze vezes melhor.

Os modelos atuais são muito mais sofisticados. Usam regressão logística, árvores de decisão, random forests, gradient boosting, AdaBoost ou redes neurais convolucionais, e incorporam posições dos defensores, localização do goleiro, densidade de jogadores e até dados do próprio finalizador. A avaliação costuma ser feita com ROC-AUC, Brier score, precisão e recall e correlação com uma fonte de referência de xG, como a da StatsBomb.

Lendo o xG na prática

Imagine três chutes. Um tap-in de dois metros com o gol aberto pode valer cerca de 0,85 xG: muito difícil de errar, mas não impossível. Um cabeceio da marca do pênalti, com zagueiro na frente e goleiro posicionado, pode dar 0,15 xG. Uma bomba de 30 metros com três defensores no caminho pode valer apenas 0,02 xG.

Ao longo de uma temporada, a diferença entre os gols e o xG acumulado de um atacante indica se ele está acima da média (“finalizando” além do esperado, algo que costuma regredir) ou criando boas chances sem converter.

O que o xG não diz

O xG é poderoso, mas limitado. Sozinho, ele não consegue dizer se o finalizador tinha visão clara do gol, se o passe anterior chegou no alto ou no chão, ou se um defensor se esticou justo no momento do contato. Cada modelo captura uma quantidade diferente de contexto, e é exatamente por isso que este site permite comparar vários de uma vez. Nenhum número de xG é a “verdade” — cada um é uma opinião sobre a qualidade do chute, filtrada pelas variáveis que o modelo consegue observar.

Próximos passos

Use o simulador da página inicial: posicione um atacante em zonas diferentes, adicione e tire defensores, mova o goleiro e veja o xG de cada modelo mudar em tempo real. Quando quiser ir além, leia como os modelos de xG divergem, um passeio lado a lado pelos modelos acadêmicos implementados aqui, ou consulte o glossário de xG para o resto do vocabulário.