Qué mide realmente el xG (goles esperados) en el fútbol

Un xG de 0.40 no sostiene que un jugador determinado tuviera un 40 por ciento de posibilidades de marcar ese remate determinado. Sostiene algo sobre el pasado. Dice que, en la base de datos con la que se entrenó el modelo, los disparos ejecutados más o menos desde esa posición, con esa parte del cuerpo, tras ese tipo de jugada y con esa cantidad de presión encima terminaron en gol unas 40 veces de cada cien. StatsBomb lo dijo sin rodeos en 2017: un valor de xG “en realidad no dice gran cosa sobre este disparo concreto del que estamos hablando ahora mismo. Es más bien: en el pasado, esto ha ocurrido”.

La distinción suena a pedantería. Es, en realidad, todo el debate. Casi cualquier reproche que se le hace a los goles esperados —que miden la suerte, que dictaminan quién mereció ganar, que el modelo tiene que estar roto porque hay un delantero que no para de superarlo— nace de leer una frecuencia histórica como si fuera una profecía sobre un solo disparo. Lo que sigue es qué es ese número, cómo se construye, qué puede sostener y en qué puntos se desmorona sin hacer ruido.

Un número entre cero y uno

Opta, cuyo modelo utilizan la mayoría de las televisiones, lo define así: los goles esperados “miden la calidad de una ocasión calculando la probabilidad de que acabe en gol a partir de información sobre disparos similares del pasado”. La escala va de cero a uno. Cero es una ocasión que no se podía convertir. Uno es una ocasión que se esperaría que un jugador transformara todas y cada una de las veces. Todo lo interesante ocurre en medio.

Wyscout lo llama “un modelo predictivo de aprendizaje automático que sirve para evaluar la probabilidad de gol de cada disparo del partido”. American Soccer Analysis recurre al baloncesto y lo compara con el porcentaje de acierto en tiros de campo, con una diferencia decisiva: el xG está atado a la posición y a las circunstancias del intento, no a la identidad de quien lo ejecuta. Es una decisión deliberada, y es la razón por la que el número sirve de algo.

La idea es más vieja que el grafismo televisivo. Vic Barnett y Sarah Hilditch usaron el término “expected goals” en un trabajo de 1993 sobre las superficies artificiales en el fútbol inglés. Richard Pollard y Charles Reep construyeron en 1997 el antepasado reconocible del modelo moderno, ponderando los disparos por distancia, ángulo, si el balón iba de cabeza y cuánta presión defensiva había. Jake Ensum, Pollard y Samuel Taylor aplicaron una regresión logística a 930 disparos del Mundial de 2002. La entrada que Sam Green publicó en OptaPro en abril de 2012 fue la que empujó la métrica al centro de la analítica futbolística, y en agosto de 2017 el Match of the Day anunció que llevaría los goles esperados a la televisión. Ninguno de esos pasos la inventó por sí solo.

Lo que mira el modelo antes de decidir

El modelo actual de Opta es una máquina de gradient boosting XGBoost entrenada con casi un millón de disparos procedentes de 40 competiciones entre las temporadas 2018-19 y 2021-22. Evalúa más de 20 variables que describen la situación hasta el instante exacto del contacto: distancia a la portería, ángulo respecto a la portería, dónde está colocado el portero, qué tan despejada está la visión de los tres palos, dónde se encuentran el resto de los jugadores, cuánta presión ejercen los defensores, el tipo de remate —con qué pie, de volea, de cabeza, mano a mano—, la jugada que lo generó, sea juego abierto, contragolpe, tiro libre, córner o saque de banda, y la acción previa o el tipo de asistencia. Para hacerse una idea de la escala: solo la Premier League 2022-23 acumuló 9609 disparos, y las cinco grandes ligas europeas produjeron esa temporada 45.764.

Otros proveedores toman decisiones distintas, y las diferencias no son cosméticas. El glosario público de Wyscout enumera exactamente ocho parámetros, uno de los cuales es la valoración que hace un analista humano de lo peligroso que era el disparo. Understat emplea redes neuronales entrenadas con más de 100.000 disparos y más de diez parámetros cada uno. American Soccer Analysis publica su regresión logística de forma abierta, coeficientes incluidos: un remate asistido con un centro carga con una penalización de -0.380, mientras que uno asistido con un pase filtrado recibe +0.909, que es la manera que tiene el modelo de decir que un balón que llega cruzado desde la banda es mucho más difícil de rematar que uno que atraviesa la línea defensiva. Hudl StatsBomb maneja las entradas más ricas de todas: un fotograma congelado obtenido por visión artificial que registra la posición de todos los atacantes y defensores visibles en el encuadre, más la del portero, y la altura del balón en el momento del contacto, porque una pelota a la altura de la rodilla es más fácil de golpear limpiamente que una a la altura de la cabeza o rodando por el suelo. StatsBomb calcula que la sola marca de portería vacía puede llevar una ocasión de 0.10 a 0.85.

Magnitudes aproximadas, a modo de ilustración y no como cifras oficiales: un disparo desde el borde del área pequeña suele valer más de 0.35; uno desde 25 yardas queda normalmente por debajo de 0.03, y un intento especulativo desde fuera del área ronda 0.02. Coaches' Voice ha desmenuzado un remate de Mohamed Salah valorado en 0.08 y un gol de Phil Foden en 0.46. Los cabezazos se convierten en menor proporción que los disparos con el pie desde el mismo sitio. La pierna mala convierte menos que la buena. Nada de esa lista sorprenderá a quien haya jugado al fútbol, y eso juega a favor del modelo, no en su contra.

Los penaltis son la excepción. Como las condiciones están estandarizadas —doce yardas, sin defensores, sin una presión que merezca ser modelada—, los proveedores se limitan a asignar una constante. Esa constante ronda entre 0.76 y 0.79 según quién lleve la cuenta, y refleja un porcentaje de acierto de alto nivel situado en la franja media-alta de los setenta. Distorsiona muchísimo los totales a corto plazo: tres penaltis en un mes suman bastante más de dos goles esperados a la cuenta de un delantero sin que haya tenido que superar a un defensor. Precisamente por eso existe una columna aparte para los goles esperados sin penaltis, el npxG, y por eso es la columna que conviene mirar cuando se comparan jugadores.

El día en que el modelo cambió de opinión sobre un disparo ya ejecutado

En marzo de 2022, Opta lanzó una nueva versión de su modelo. Eliminó la “gran ocasión” como variable de entrada —una etiqueta subjetiva que aplicaban analistas humanos mientras veían el partido, criticada durante años por ser a la vez subjetiva y estar contaminada por si el disparo había entrado o no— y añadió la posición del portero, la presión defensiva y la claridad del remate.

Los casos de antes y después son llamativos. Una ocasión de Richarlison ante el Wolves cayó de 0.80 xG a alrededor de 0.20, únicamente porque el nuevo modelo podía ver dónde estaba colocado Jose Sa. La de Roberto Firmino contra el Watford subió de 0.81 a 0.96. James Maddison frente al Brentford y Patson Daka ante el Newcastle pasaron ambos de cerca de 0.47 a más de 0.87 en cuanto se tuvieron en cuenta la posición del portero y la ausencia de presión defensiva. El caso más extremo del que se informó fue un disparo de Pedro Neto contra el Leicester que pasó de 0.035 a 0.656, casi veinte veces su valor.

A esos disparos no les ocurrió nada. Se habían ejecutado, atajado o marcado meses o años antes. Lo que cambió fue la opinión del modelo sobre la categoría a la que pertenecen. Es la demostración más limpia que existe de qué es una cifra de xG: no la medición de un suceso, sino su clasificación.

También jubila la crítica más antigua a la métrica. “El modelo no sabe dónde está el portero” era cierto en los primeros modelos basados en datos de eventos, dejó de serlo en el de Opta en marzo de 2022 y nunca lo fue en los fotogramas congelados de StatsBomb. La gran ocasión sigue existiendo en los datos de Opta, definida como una situación en la que sería razonable esperar que el jugador marque, normalmente un mano a mano o un remate a corta distancia con el camino a portería despejado y una presión de baja a moderada. Ahora es una estadística, no una variable del modelo. Opta mantiene además un modelo completamente aparte para el fútbol femenino, entrenado con disparos históricos de partidos femeninos y en uso desde el Mundial de 2023, en el que la distancia a la portería pesa más.

Lo que la línea de xG de un partido no cuenta

Opta es explícita: los goles esperados miden la calidad de las ocasiones y “no el resultado esperado del partido”. La razón es aritmética, y Jonas Lindstrom tiene la ilustración más afilada.

Tomemos dos equipos. El Equipo Moneda dispara cuatro veces, cada una con un 50 por ciento de probabilidad. El Equipo Dado dispara doce veces, cada una con una probabilidad de uno entre seis. Los dos terminan el partido con exactamente 2.0 xG. No tienen la misma probabilidad de haber ganado. La distribución de goles del Equipo Moneda es simétrica en torno a dos. La del Equipo Dado está sesgada hacia la derecha, lo que significa que la probabilidad de que marque pocos goles es mayor que la de que marque más. A lo largo de muchas repeticiones, el Equipo Moneda gana más veces. Doce medias ocasiones no son el mismo producto que cuatro buenas, y el total de xG no sabe distinguirlas.

Ahí se acaba el número y tiene que empezar otra cosa. Para pasar de una línea de xG a un resultado hay que simular: o se trata cada disparo como su propia moneda trucada y se juega el partido miles de veces, o se mete el total de cada equipo en un modelo de tasa de anotación y se hace lo mismo. Esa es la maquinaria que hay detrás de los puntos esperados, donde el xPTS es tres veces la probabilidad de victoria más una vez la probabilidad de empate, y explica un detalle que desconcierta a cualquiera la primera vez que lo ve: el xPTS de los dos equipos de un partido no suma tres, mientras que los puntos reales de una liga siempre lo hacen. Si te interesa la mecánica de cómo miles de temporadas simuladas se convierten en una probabilidad de título, nuestro artículo complementario sobre cómo funcionan las predicciones de las supercomputadoras cubre exactamente eso, y el simulador de ligas de esta web aplica la misma idea a cualquier tabla que quieras montar. Los goles esperados son la entrada de ese proceso, no un sustituto.

Dos advertencias más sobre partidos sueltos. Coaches' Voice lo dice sin adornos: en un solo encuentro los goles esperados “pueden dar una visión sesgada”. Un equipo puede dominar con tres de xG y perder igualmente 3-0 contra un rival que marcó pronto y luego defendió la ventaja, y ni el recuento de disparos ni la línea de xG se equivocan al respecto. Y las fracciones de gol no se pueden marcar. Un total de 1.0 xG no da derecho a nadie a un gol; es una media entre muchas repeticiones imaginarias del mismo conjunto de ocasiones, y buena parte de esas repeticiones acaban sin goles.

Cuánto hace falta para que una cifra de xG signifique algo

La respuesta honesta es que más de un partido, menos de una temporada, y depende. American Soccer Analysis hizo la prueba más cuidadosa en julio de 2022, sobre 14.608 partidos de las cinco grandes ligas europeas desde 2017-18 en adelante y 2516 partidos de la MLS desde 2018, excluidas las temporadas de la pandemia de 2020. Su conclusión principal: “la proporción de xG es el mejor predictor de los puntos futuros en cualquier momento de una temporada”.

El detalle importa más que el titular. La proporción de xG solo supera a la simple proporción de goles como predictor a partir de unos ocho partidos en las cinco grandes ligas europeas y de unos siete en la MLS. En el estudio original de 2015, hecho con datos de 2012-14, ese umbral estaba en cuatro partidos. La distancia entre los goles esperados y las medidas más sencillas se ha estrechado desde entonces: la proporción de disparos a puerta y la de disparos totales están hoy mucho más cerca del xG de lo que solían. Quien siga repitiendo la frase de 2015 según la cual el xG aplasta a cualquier otra métrica está citando un deporte más antiguo. Las cinco grandes ligas europeas, por cierto, resultaron mucho más predecibles que la MLS en todas las medidas analizadas.

La guía práctica de David Sumpter es lo más útil que hay en la literatura para un lector normal. En uno o dos partidos, los goles esperados no dicen casi nada más allá del marcador. En tres a seis, valen algo solo si el patrón es consistente. Entre siete y dieciséis partidos está el punto dulce, la ventana en la que una contradicción entre el xG de un equipo y sus goles reales merece de verdad una investigación. Pasados los dieciséis partidos, los goles reales pasan a ser el número más fiable y el xG importa menos para juzgar la temporada. Las medias móviles de en torno a diez partidos son las que mejor predicen.

Sumpter produjo además el resultado más humillante del campo. Un modelo construido únicamente con un ser humano viendo fútbol y juzgando si algo era una gran ocasión alcanzó un R cuadrado de 0.159, es decir, igualó a un modelo de xG complejo y multiparamétrico. Su conclusión merece tenerse a mano: “los goles esperados no son la ecuación mágica del fútbol”. Ver los partidos todavía cuenta para algo.

Superar al modelo, y volver poco a poco hacia él

Jugadores y equipos superan sus goles esperados continuamente, y no tiene nada de misterioso. El Manchester City marcó 99 goles de liga con unos 91 de xG en 2021-22. De Erling Haaland se ha informado que, entre su etapa en la Bundesliga y la Champions, anotó 74 goles sin contar penaltis con 57.76 de npxG, alrededor de un 28 por ciento mejor de lo que habría logrado un rematador medio con las mismas ocasiones: la prueba más sólida que ha tenido nadie de que la definición de élite es una habilidad real y repetible. Y luego, en 2023-24, ese mismo jugador rindió por debajo en torno a 1.3 goles. Nada en él había empeorado.

Eso es la regresión a la media, y se lee rutinariamente como una predicción de declive o un castigo por haber rendido de más. No es ninguna de las dos cosas. Es lo que pasa cuando una racha corta de monedas trucadas sigue lanzándose. Las cifras de persistencia, tomadas de análisis secundarios, lo dejan concreto: la correlación de un año a otro para los goles menos el xG ronda 0.12, que es casi nada, mientras que una medida de la selección de disparos —los disparos por encima de lo esperado, en relación con los disparos esperados— se sitúa alrededor de 0.63. Llegar una y otra vez a la posición de 0.8 xG es la habilidad duradera. Convertir la ocasión de 0.8 a mayor ritmo que todos los demás, temporada tras temporada, es mucho más difícil de demostrar.

El título del Leicester City en 2015-16 es el caso de estudio al que la gente recurre y que casi siempre malinterpreta. Ganaron la liga con 23 victorias, 12 empates y 3 derrotas, pero quedaron alrededor del cuarto puesto en diferencia de goles esperados; por esa medida, los tres primeros habrían sido Arsenal, Manchester City y Tottenham. También firmaron el mejor porcentaje de acierto en los disparos de la temporada, un 13.0 por ciento. Se le llame definición, suerte o un sistema táctico construido para generar el tipo de ocasiones que el modelo infravalora, la respuesta honesta es que la brecha de una sola temporada entre goles y xG no permite separar esas explicaciones.

Ahí está el problema más profundo de leer la brecha. Los goles menos el xG mezclan en un único número indiferenciado la habilidad para definir, la portería del rival, la suerte pura y el simple error del modelo. La investigación publicada sobre sesgos en los modelos de goles esperados ha demostrado que el sesgo del modelo contamina directamente las estimaciones de la capacidad de definición. La brecha es una pregunta, no una respuesta.

Por eso los jugadores que desprecian la métrica suelen tener media razón. Morgan Rogers, entonces en el Aston Villa, le dijo a Jamie Redknapp en Sky Sports en enero de 2026: “Creo que el xG es una tontería enorme”. Llevaba en ese momento siete goles con 4.21 de xG. “Parece un delito: yo marco y el xG me deja por debajo”. Tenía razón en el hecho de haber superado al modelo. Se equivocaba sobre lo que el modelo afirmaba: nunca predijo que fuera a marcar 4.21 goles, dijo que disparos como los suyos habían acabado históricamente en gol más o menos esa proporción de veces. Sean Dyche encontró un registro mejor después de que el Everton perdiera 1-0 en casa ante el Fulham en agosto de 2023 tras generar 2.73 de xG por 1.50 del rival: “Uno de nuestros analistas dijo que nuestro xG, en el que no creo demasiado pero que sigue siendo una referencia, estaba en torno a tres, que es alto en la Premier League”. Y luego la parte sensata: “No examinas toda una actuación por el xG… es otro indicador, te da una idea”.

Dónde se rompe el xG, y los números creados para taparlo

Los rechaces son el fallo que cualquier lector puede cazar por su cuenta un fin de semana cualquiera. Los disparos se modelan como sucesos independientes, así que un barullo en el área pequeña —parada, rechace, bloqueo, rechace— acumula goles esperados remate a remate. Wyscout lo admite en su propio glosario: una secuencia de disparos en rápida sucesión “podría teóricamente arrojar un valor de xG > 1”, en una posesión en la que solo había físicamente un gol disponible. Una corrección publicada consiste en descontar cada remate posterior por la probabilidad de que llegue a producirse, de modo que un rechace que vale 0.8 pero que solo ocurre una cuarta parte de las veces, porque la ocasión anterior suele entrar, aporta 0.8 multiplicado por 0.25, es decir, 0.2. No todos los proveedores aplican una corrección de ese tipo, y no conviene dar por hecho que el xG de una posesión esté limitado a 1.0.

Los goles esperados solo puntúan disparos que llegaron a ejecutarse. El pasaje más peligroso de un partido —el pase atrás al que nadie atacó, el tres contra uno que terminó en un control largo— puntúa exactamente cero. Ese punto ciego es la razón de que existan el xG sin disparo y los modelos de valor de posesión: para cada posesión se toma el xG del remate, si lo hubo, y si no, el mejor xG que estaba disponible. Un equipo cuyo xG sin disparo va muy por delante de su xG está llegando a buenas posiciones y negándose a rematar desde ellas.

Los totales por equipo también comparan cosas distintas. Un bloque bajo comprime deliberadamente las zonas de alto valor y obliga a rematar desde fuera o desde ángulos cerrados, con un valor muy por debajo de 0.05 por intento. Un xG en contra bajo puede significar, por tanto, “defiende profundo” y no “defiende bien”. Un equipo de contragolpe dispara muchísimo menos, pero lo hace contra una defensa desordenada y en inferioridad, así que cada remate vale más. Comparar el xG o el xGD en bruto entre un equipo de posesión y un bloque bajo es comparar dos productos diferentes.

Los modelos estándar ignoran al rematador a propósito. Responden a con qué frecuencia se marca una ocasión como esta, nunca a con qué frecuencia la marca este jugador en concreto. Meter al definidor dentro del modelo haría imposible usar el modelo para juzgar al definidor. Y con unos treinta y pico disparos en una temporada y un resultado binario cada vez, los goles menos el xG de un jugador cargan con una incertidumbre enorme. Trátalo como una señal de alerta, no como un veredicto.

Existe una familia de números vecinos para cubrir esos huecos, y no conviene confundirlos. El npxG descuenta los penaltis. El xGA son los goles esperados de los disparos que un equipo concedió, y el xGD es el xG menos el xGA. Las asistencias esperadas miden la probabilidad de que un pase completado acabe convertido en asistencia de gol, teniendo en cuenta el tipo de pase, su longitud y su punto final. Y los goles esperados a puerta —xGOT, o xG posterior al disparo— son los que más se confunden con el xG. Los goles esperados abarcan todo lo que ocurre hasta el momento del contacto; el xGOT abarca todo lo posterior, combinando la calidad de la ocasión subyacente con el punto de la portería al que terminó yendo el balón. Solo existe para disparos entre los tres palos, de modo que un remate desviado tiene xG y no tiene xGOT. Harry Kane sumó en 2019-20 10.9 de xG y 14.5 de xGOT, lo que significa que la colocación por sí sola valió unos tres goles y medio. Dean Henderson afrontó esa misma temporada 39.4 de xGOT y encajó 32, así que evitó alrededor de siete. La diferencia entre ambos se publica a veces como Shooting Goals Added.

Quién publica xG, y por qué no hay dos que coincidan

Cada proveedor entrena su propio modelo con sus propios datos de eventos, con sus propias definiciones, sus propias variables y sus propios pesos. La consecuencia, en el resumen seco al que llega la literatura, es que los valores de proveedores distintos “no son necesariamente comparables de forma directa”. Las razones estructurales ya están arriba: el XGBoost de Opta sobre casi un millón de disparos y más de veinte variables, después de haber abandonado su etiqueta subjetiva de gran ocasión en 2022; los fotogramas congelados de StatsBomb con todos los jugadores visibles más la altura del balón; los ocho parámetros de Wyscout, incluido el juicio humano sobre el peligro; la red neuronal de Understat. Hasta la constante del penalti cambia: 0.76, 0.78 o 0.79 según el proveedor. La divergencia sobre un mismo disparo se sitúa habitualmente entre 0.05 y 0.10 de xG.

El efecto a escala de temporada no es trivial. Son Heung-min marcó 23 goles en la Premier League en 2021-22 y compartió la Bota de Oro con Mohamed Salah, el primer jugador asiático en ganarla, y ninguno de sus goles llegó desde el punto de penalti, lo que lo convierte en un caso de estudio natural sobre la definición. Sus goles esperados de esa temporada se publican como 13.95 en un sitio y alrededor de 16.0 en otro. Los mismos 23 goles, los mismos disparos, dos veredictos claramente distintos sobre cuánto hubo de definición y cuánto de calidad de ocasión. Elige un proveedor y quédate con él.

En cuanto a dónde viven los números: Opta y Stats Perform son el estándar empresarial detrás de la mayoría de clubes y televisiones. Hudl StatsBomb vende los datos más ricos y además publica un conjunto de datos abierto y gratuito que cubre competiciones femeninas, partidos internacionales masculinos y algunas temporadas históricas. Wyscout, también de Hudl, es el estándar de vídeo de la industria del scouting, con la mayor videoteca de partidos. Understat es la principal fuente realmente gratuita de xG y npxG de calidad a nivel de disparo, y cubre las cinco grandes ligas europeas más la Premier League rusa desde 2014-15. Para consultas rápidas, FotMob lleva xG en directo, y Squawka, SofaScore y StatMuse también lo publican.

Un consejo estándar ha quedado desfasado, y la mayoría de los artículos no se han enterado. El 20 de enero de 2026, Stats Perform rescindió su acuerdo de datos con FBref y exigió la retirada inmediata de todas las estadísticas avanzadas que suministraba: goles esperados, pases progresivos, acciones que generan disparo, todo. El presidente de Sports Reference, Sean Forman, anunció el cambio; Stats Perform dijo que FBref había violado los términos del acuerdo y no precisó cómo. La web conservó resultados, goles, asistencias y partidos jugados, y el archivo avanzado dejó de actualizarse. La rescisión llegó ocho días después de que Stats Perform fuera designada distribuidora exclusiva de datos de apuestas y derechos de streaming de la FIFA para el Mundial de 2026, lo que alimentó bastante especulación sobre el motivo comercial. FBref dijo estar “especialmente disgustado por el enorme paso atrás que esto supone en el acceso” a los datos avanzados del fútbol femenino. Salvo que eso se revierta, Understat es donde debe mirar un lector sin presupuesto.

Que es lo último que conviene entender sobre los goles esperados. No son un dato público del fútbol, como el marcador o la asistencia al estadio. Son un producto, construido por un puñado de empresas a partir de datos propietarios, con métodos que pueden revisar —y que han revisado— con consecuencias reales sobre cómo se recuerda un disparo ejecutado hace años. Léelo por lo que es: una estimación bien fundada de con qué frecuencia han acabado en gol ocasiones como estas, y el mejor punto de partida disponible para la pregunta de qué pasará después. Lo que pasa después todavía hay que simularlo, y todavía hay que verlo.

Simula el mismo partido muchas veces

Un modelo de xG hace exactamente lo mismo que hace un simulador: convierte ocasiones en probabilidades y después deja que el azar reparta una sola vez. Cuando juegas una jornada en Fut Simulator Pro, el motor no decide quién merece ganar; calcula cuánto vale cada equipo, lo traduce en la probabilidad de que caiga cada gol y ejecuta ese sorteo. Por eso el marcador que aparece no siempre es el que dabas por hecho, igual que 1,9 de xG puede terminar en 0-0.

Repetir es justo lo que el fútbol de verdad no te deja hacer, y aquí sí puedes. Juega el mismo cruce diez veces y verás el abanico completo de resultados que cabía dentro de esas mismas ocasiones; simula la liga entera y comprobarás cuántos puntos separan a un equipo de sí mismo de una temporada a otra. Es la forma más rápida de entender por qué una sola muestra, sea un partido, una racha o una tarde con dos palos en contra, no alcanza para juzgar a nadie.

"El xG no cuenta lo que pasó en ese disparo: cuenta lo que suele pasar cuando ese disparo se repite mil veces."

• Simula un mismo partido varias veces seguidas y anota cuántos marcadores distintos salen del mismo enfrentamiento.
• Juega una temporada completa de tu liga y compara la tabla final con la clasificación que dabas por descontada.
• Consulta las probabilidades de título y de descenso del supercomputador, calculadas sobre 10.000 temporadas simuladas.
• Monta un cuadro de eliminatorias y juégalo ronda por ronda para ver cuántas veces se cae el favorito a partido único.

"El fútbol solo se juega una vez; el simulador te deja mirar las otras noventa y nueve."