Les expected goals (xG) : ce que la mesure dit vraiment
Un xG de 0,40 ne prétend pas qu'un joueur donné avait 40 % de chances de convertir une frappe donnée. Il parle d'histoire. Il dit que, dans la base de données sur laquelle le modèle a été entraîné, les frappes tentées à peu près depuis cette position, avec cette partie du corps, au terme de ce type de construction et sous cette pression-là sont rentrées environ 40 fois sur cent. StatsBomb l'a formulé plus crûment en 2017 : une valeur de xG « ne dit en réalité pas grand-chose sur la frappe précise dont nous sommes en train de parler. C'est plutôt du genre : "dans le passé, voilà ce qui s'est produit". »
La distinction a des airs de pédanterie. C'est pourtant tout l'enjeu. Presque tous les reproches faits aux expected goals — qu'ils mesureraient la chance, qu'ils désigneraient qui méritait de gagner, qu'ils seraient forcément faussés puisqu'un attaquant les dépasse match après match — viennent de ce qu'on lit une fréquence historique comme une prophétie sur un ballon frappé. Ce qui suit : ce qu'est ce chiffre, comment il est fabriqué, ce qu'il peut porter, et les endroits où il se délite sans prévenir.
Un chiffre entre zéro et un
Opta, dont le modèle sert à la plupart des diffuseurs, le définit ainsi : les expected goals « mesurent la qualité d'une occasion en calculant la probabilité qu'elle soit convertie, à partir d'informations sur des frappes comparables dans le passé ». L'échelle va de zéro à un. Zéro, c'est une occasion impossible à convertir. Un, c'est une occasion qu'un joueur serait censé convertir à chaque fois. Tout ce qui est intéressant se joue entre les deux.
Wyscout parle d'« un modèle prédictif de machine learning utilisé pour évaluer la probabilité de marquer sur chaque frappe du match ». American Soccer Analysis va chercher du côté du basket et compare la mesure au pourcentage de réussite aux tirs, à une différence près, décisive : le xG est arrimé à la position et aux circonstances de la tentative, pas à l'identité de celui qui la tente. C'est délibéré, et c'est précisément ce qui rend le chiffre utile.
L'idée est plus ancienne que l'habillage télé. Vic Barnett et Sarah Hilditch emploient le terme « expected goals » dans un article de 1993 sur les terrains synthétiques du football anglais. Richard Pollard et Charles Reep bâtissent en 1997 l'ancêtre reconnaissable du modèle moderne, en pondérant les frappes par la distance, l'angle, le fait qu'il s'agisse ou non d'une tête et le degré de pression défensive. Jake Ensum, Pollard et Samuel Taylor font tourner une régression logistique sur 930 frappes de la Coupe du monde 2002. C'est le billet publié par Sam Green pour OptaPro en avril 2012 qui fait basculer la mesure dans le courant dominant de l'analyse du football, et en août 2017 Match of the Day annonce qu'il affichera les expected goals à l'antenne. Aucune de ces étapes n'a inventé la chose à elle seule.
Ce que le modèle regarde avant de trancher
Le modèle actuel d'Opta est une machine de gradient boosting XGBoost entraînée sur près d'un million de frappes issues de 40 compétitions, des saisons 2018-19 à 2021-22. Il évalue plus de 20 variables décrivant la situation jusqu'à l'instant exact de l'impact : distance au but, angle de tir, position du gardien, dégagement de la vue sur la cage, placement des autres joueurs, intensité de la pression défensive, type de frappe — quel pied, volée, tête, face-à-face —, la séquence de jeu qui l'a produite, jeu courant, contre-attaque, coup franc, corner ou touche, et l'action précédente ou le type de passe décisive. Pour donner l'échelle : la seule Premier League 2022-23 a compté 9 609 frappes, et les cinq grands championnats européens en ont produit 45 764 cette saison-là.
D'autres fournisseurs font d'autres choix, et les écarts n'ont rien de cosmétique. Le glossaire public de Wyscout liste exactement huit paramètres, dont l'un est l'appréciation, par un opérateur humain, du danger de la frappe. Understat utilise des réseaux de neurones entraînés sur plus de 100 000 frappes, avec plus de dix paramètres chacune. American Soccer Analysis publie sa régression logistique en clair, coefficients compris : une frappe consécutive à un centre est pénalisée de -0,380, tandis qu'une frappe servie par une passe en profondeur reçoit +0,909 — la manière qu'a le modèle de dire qu'un ballon qui arrive en travers du corps depuis l'aile est bien plus difficile à convertir qu'un ballon glissé dans la ligne. Hudl StatsBomb dispose des entrées les plus riches de toutes : un arrêt sur image issu de la vision par ordinateur, qui enregistre la position de chaque attaquant et de chaque défenseur visible dans le cadre, plus le gardien, et la hauteur du ballon au moment de l'impact, parce qu'un ballon à hauteur de genou se frappe plus proprement qu'un ballon à hauteur de tête ou qui roule au sol. StatsBomb estime que le seul signalement d'un but vide peut faire passer une occasion de 0,10 à 0,85.
Des ordres de grandeur, donnés à titre d'illustration et non comme des valeurs officielles : une frappe depuis la limite des six mètres vaut souvent plus de 0,35 ; une tentative à 25 mètres est généralement sous 0,03, et une frappe lointaine en dehors de la surface tourne autour de 0,02. Coaches' Voice a détaillé une tentative de Mohamed Salah estimée à 0,08 et un but de Phil Foden à 0,46. Les têtes rentrent moins souvent que les frappes du pied depuis le même endroit. Le mauvais pied convertit moins que le bon. Rien sur cette liste ne surprendra quelqu'un qui a joué au football, ce qui plaide en faveur du modèle plutôt qu'à sa charge.
Les penalties font exception. Parce que les conditions sont standardisées — le point de penalty, aucun défenseur, aucune pression digne d'être modélisée —, les fournisseurs se contentent d'attribuer une constante. Cette constante va de 0,76 à 0,79 selon qui compte, et reflète un taux de conversion qui, au plus haut niveau, se situe entre le milieu et le haut de la tranche des soixante-dix pour cent. Elle fausse lourdement les totaux sur courte période : trois penalties en un mois ajoutent largement plus de deux xG au compteur d'un attaquant sans qu'il ait eu à éliminer un défenseur. C'est exactement pour cette raison que les expected goals hors penalty, les npxG, existent en colonne séparée, et c'est cette colonne-là qu'il faut regarder pour comparer des joueurs.
Le jour où le modèle a changé d'avis sur une frappe déjà tentée
En mars 2022, Opta a livré une nouvelle version de son modèle. Elle a retiré la « grosse occasion » de la liste des entrées — une étiquette subjective apposée par des analystes humains devant le match, critiquée de longue date parce qu'elle était à la fois subjective et contaminée par le fait que la frappe soit rentrée ou non — et ajouté la position du gardien, la pression défensive et la clarté de la frappe.
Les cas avant/après sont saisissants. Une occasion de Richarlison contre Wolverhampton est tombée de 0,80 xG à environ 0,20, uniquement parce que le nouveau modèle voyait où se tenait Jose Sa. Celle de Roberto Firmino contre Watford est montée de 0,81 à 0,96. James Maddison contre Brentford et Patson Daka contre Newcastle ont tous deux bondi d'environ 0,47 à plus de 0,87 une fois pris en compte le placement du gardien et l'absence de pression défensive. Le cas le plus extrême rapporté est une frappe de Pedro Neto contre Leicester, passée de 0,035 à 0,656, soit près de vingt fois sa valeur.
Rien n'est arrivé à ces frappes. Elles avaient été tentées, arrêtées ou converties des mois ou des années plus tôt. Ce qui a changé, c'est l'opinion du modèle sur la catégorie à laquelle elles appartiennent. C'est la démonstration la plus nette dont on dispose de ce qu'est une valeur de xG : non pas la mesure d'un événement, mais son classement.
Cela met aussi à la retraite la plus vieille critique adressée à la mesure. « Le modèle ne sait pas où est le gardien » était vrai des premiers modèles bâtis sur la donnée événementielle, ne l'est plus chez Opta depuis mars 2022, et ne l'a jamais été des arrêts sur image de StatsBomb. La grosse occasion existe toujours dans les données d'Opta, définie comme une situation où l'on peut raisonnablement attendre d'un joueur qu'il marque, en général un face-à-face ou une tentative à bout portant avec une trajectoire dégagée vers le but et une pression faible à modérée. C'est aujourd'hui une statistique, plus une entrée du modèle. Opta fait par ailleurs tourner un modèle entièrement distinct pour le football féminin, entraîné sur l'historique des frappes féminines et en service depuis la Coupe du monde 2023, dans lequel la distance au but pèse davantage.
Ce qu'une ligne de xG ne dit pas d'un match
Opta le dit explicitement : les expected goals mesurent la qualité des occasions et « pas l'issue attendue du match ». La raison est arithmétique, et c'est Jonas Lindstrom qui en donne l'illustration la plus tranchante.
Prenez deux équipes. L'équipe Pile ou Face tente quatre frappes, chacune à 50 % de réussite. L'équipe Dé en tente douze, chacune à une chance sur six. Les deux terminent le match à exactement 2,0 xG. Elles n'avaient pas pour autant la même probabilité de gagner. La distribution de buts de Pile ou Face est symétrique autour de deux. Celle de Dé est étirée vers la droite, ce qui signifie que sa probabilité de marquer peu de buts est plus grande que celle d'en marquer beaucoup. Sur un grand nombre de rejouages, Pile ou Face gagne plus souvent. Douze demi-occasions, ce n'est pas le même produit que quatre bonnes, et le total de xG est incapable de les distinguer.
C'est là que le chiffre s'arrête et qu'autre chose doit commencer. Pour passer d'une ligne de xG à un résultat, il faut simuler : soit traiter chaque frappe comme une pièce truquée et rejouer le match des milliers de fois, soit injecter le total de chaque équipe dans un modèle de taux de marque et faire la même chose. C'est la mécanique qui se cache derrière les points attendus, où les xPTS valent trois fois la probabilité de victoire plus une fois la probabilité de nul, et cela explique un détail qui déroute la première fois qu'on le remarque : les xPTS des deux équipes d'un même match ne totalisent pas trois, alors que les vrais points d'un championnat, eux, les totalisent toujours. Si vous voulez le détail du passage de milliers de saisons simulées à une probabilité de titre, notre article compagnon sur le fonctionnement des prédictions de supercalculateur traite exactement de cela, et le simulateur de championnat de ce site applique la même idée à n'importe quel classement que vous avez envie de construire. Les expected goals sont l'entrée de ce processus, pas son substitut.
Deux avertissements de plus sur les matches isolés. Coaches' Voice le dit sans détour : sur une seule rencontre, les expected goals « peuvent donner une vision faussée ». Une équipe peut dominer avec trois xG et perdre 3-0 face à un adversaire qui a marqué tôt puis défendu son avance, sans que ni le nombre de frappes ni la ligne de xG ne se trompent pour autant. Et l'on ne marque pas des fractions de but. Un total de 1,0 xG ne donne droit à personne à un but ; c'est une moyenne sur de nombreux rejouages imaginaires du même lot d'occasions, et beaucoup de ces rejouages finissent à zéro.
Le temps qu'il faut pour qu'un xG veuille dire quelque chose
La réponse honnête est : plus long qu'un match, plus court qu'une saison, et cela dépend. American Soccer Analysis a mené le test le plus soigneux en juillet 2022, sur 14 608 matches des cinq grands championnats européens depuis 2017-18 et 2 516 matches de MLS depuis 2018, les saisons 2020 marquées par la pandémie étant exclues. Leur conclusion principale : « le ratio de xG est le meilleur prédicteur des points à venir, à n'importe quel moment de la saison ».
Le détail compte davantage que le titre. Le ratio de xG ne dépasse le simple ratio de buts comme prédicteur qu'au bout d'environ huit matches dans les cinq grands championnats européens, et d'environ sept en MLS. Dans l'étude d'origine de 2015, menée sur les données 2012-14, ce seuil était de quatre matches. L'écart entre les expected goals et des mesures plus rustiques s'est resserré depuis : le ratio de frappes cadrées et le ratio de frappes totales se situent aujourd'hui bien plus près du xG qu'autrefois. Quiconque répète encore la formule de 2015 selon laquelle le xG écrase toutes les autres métriques cite un sport plus ancien. Les cinq grands championnats européens, soit dit en passant, se sont révélés beaucoup plus prévisibles que la MLS sur toutes les mesures testées.
Le guide pratique de David Sumpter est ce que la littérature offre de plus utile à un lecteur normal. Sur un ou deux matches, les expected goals n'apprennent presque rien de plus que le score. Sur trois à six, ils ne valent quelque chose que si le motif est constant. Entre sept et seize matches se trouve la fenêtre idéale, celle où une contradiction entre le xG d'une équipe et ses buts réels mérite vraiment qu'on aille voir. Au-delà de seize matches, ce sont les buts réels qui deviennent le chiffre le plus fiable, et le xG compte moins pour juger la saison. Les moyennes glissantes sur une dizaine de matches sont celles qui prédisent le mieux.
Sumpter a aussi produit le résultat le plus humiliant du domaine. Un modèle bâti uniquement sur un être humain qui regarde des matches et juge si telle situation était une grosse occasion atteint un R² de 0,159, à égalité avec un modèle de xG complexe à paramètres multiples. Sa conclusion mérite d'être gardée sous le coude : « les expected goals ne sont pas l'équation magique du football ». Regarder les matches compte encore pour quelque chose.
Battre le modèle, puis revenir doucement vers lui
Joueurs et équipes dépassent leurs expected goals en permanence, et il n'y a là rien de mystérieux. Manchester City a marqué 99 buts en championnat pour environ 91 xG en 2021-22. Erling Haaland, sur une période couvrant la Bundesliga et la Ligue des champions, aurait inscrit 74 buts hors penalty pour 57,76 npxG, soit environ 28 % de mieux que ce qu'un finisseur moyen aurait tiré des mêmes occasions — la preuve la plus solide jamais réunie que la finition d'élite est une compétence réelle et reproductible. Puis, en 2023-24, le même joueur a sous-performé d'environ 1,3 but. Rien chez lui ne s'était dégradé.
C'est le retour à la moyenne, et on le lit couramment comme l'annonce d'un déclin ou comme la punition d'un excès de réussite. Ce n'est ni l'un ni l'autre. C'est ce qui arrive quand une courte série de lancers de pièce truquée continue de se dérouler. Les chiffres de persistance, issus d'analyses secondaires, le montrent concrètement : la corrélation d'une année sur l'autre pour les buts moins le xG tourne autour de 0,12, c'est-à-dire presque rien, tandis qu'une mesure de la sélection des frappes — les frappes au-dessus de l'attendu, rapportées aux frappes attendues — se situe autour de 0,63. Se retrouver encore et encore dans la position à 0,8 xG, voilà la compétence durable. Convertir l'occasion à 0,8 à un meilleur taux que tout le monde, saison après saison, est bien plus difficile à démontrer.
Le titre de Leicester en 2015-16 est le cas d'école qu'on invoque en général de travers. Le club a gagné le championnat avec 23 victoires, 12 nuls et 3 défaites, mais pointait autour de la quatrième place à la différence de buts attendus ; sur ce critère, le trio de tête aurait été Arsenal, Manchester City et Tottenham. Leicester a aussi affiché le meilleur taux de conversion des frappes de la saison, 13,0 %. Que vous appeliez cela de la finition, de la chance, ou un système tactique conçu pour produire le type d'occasions que le modèle sous-évalue, la réponse honnête est que l'écart d'une seule saison entre buts et xG ne permet pas de départager ces explications.
C'est le problème le plus profond que pose la lecture de cet écart. Les buts moins le xG mélangent en un seul chiffre indifférencié la qualité de finition, le travail du gardien à l'autre bout, la chance véritable et la simple erreur de modèle. Des travaux publiés sur les biais des modèles d'expected goals ont montré que le biais du modèle contamine directement l'estimation de la capacité de finition. L'écart est une question, pas une réponse.
C'est pourquoi les joueurs qui balaient la mesure ont en général à moitié raison. Morgan Rogers, alors à Aston Villa, a lancé à Jamie Redknapp sur Sky Sports en janvier 2026 : « Je trouve que le xG, c'est un ramassis de bêtises. » Il en était à sept buts pour 4,21 xG. « J'ai l'impression d'un délit : je marque et le xG me rabaisse. » Sur les faits, il avait raison : il avait bien dépassé le modèle. Il se trompait sur ce que le modèle prétendait, car ce dernier n'a jamais prédit qu'il marquerait 4,21 buts ; il disait que des frappes comme les siennes étaient, historiquement, rentrées à peu près à cette fréquence. Sean Dyche a trouvé le meilleur registre après la défaite d'Everton 1-0 à domicile contre Fulham en août 2023, avec 2,73 xG créés contre 1,50 aux visiteurs. « Un de nos analystes m'a dit que notre xG, auquel je ne crois pas tant que ça mais qui reste un point de repère, tournait autour de trois, ce qui est élevé en Premier League. » Puis la part raisonnable : « On n'examine pas toute une performance à l'aune du xG... c'est un marqueur de plus, ça donne une idée. »
Là où le xG se casse, et les chiffres bâtis pour le rafistoler
Les rebonds sont la faille qu'un lecteur peut attraper lui-même n'importe quel week-end. Les frappes sont modélisées comme des événements indépendants : un cafouillage devant le but — arrêt, rebond, contre, rebond — accumule donc des expected goals frappe après frappe. Wyscout l'admet dans son propre glossaire : une série de frappes en succession rapide « pourrait théoriquement produire une valeur de xG supérieure à 1 », dans une possession où un seul but était physiquement disponible. Un correctif publié consiste à escompter chaque tentative suivante par la probabilité qu'elle survienne : un rebond valant 0,8 mais qui ne se présente qu'une fois sur quatre, parce que l'occasion qui le précède rentre le plus souvent, contribue pour 0,8 multiplié par 0,25, soit 0,2. Tous les fournisseurs n'appliquent pas ce genre de correction, et il ne faut pas supposer que le xG d'une possession est plafonné à 1,0.
Les expected goals ne comptent que les frappes réellement tentées. Le moment le plus dangereux d'un match — le centre en retrait que personne n'a attaqué, le trois-contre-un terminé par un contrôle raté — vaut exactement zéro. C'est cet angle mort qui justifie l'existence du xG sans frappe et des modèles de valeur de possession : pour chaque possession, on prend le xG de la frappe s'il y en a eu une, et sinon le meilleur xG qui était disponible. Une équipe dont le xG sans frappe dépasse largement le xG arrive dans de bonnes positions et refuse d'en tirer.
Les totaux d'équipe comparent eux aussi des choses de nature différente. Un bloc bas comprime délibérément les zones à forte valeur et oblige à tenter de loin ou sous des angles fermés, pour bien moins de 0,05 par frappe. Un faible total d'expected goals concédés peut donc vouloir dire « défend bas » plutôt que « défend bien ». Une équipe de contre-attaque tente beaucoup moins de frappes, mais elle les tente face à une défense désorganisée et en infériorité, si bien que chacune vaut davantage. Comparer le xG ou le xGD bruts d'une équipe de possession et d'un bloc bas, c'est comparer deux produits différents.
Les modèles standards ignorent volontairement l'identité du tireur. Ils répondent à la question de savoir à quelle fréquence une occasion comme celle-ci est convertie, jamais à quelle fréquence ce joueur-là la convertit. Intégrer le finisseur au modèle rendrait impossible l'usage du modèle pour juger le finisseur. Et avec une trentaine de frappes dans une saison et un résultat binaire à chaque fois, les buts moins le xG d'un joueur charrient une incertitude énorme. À traiter comme un signal, pas comme un verdict.
Toute une famille de chiffres voisins existe pour couvrir ces trous, et il ne faut pas les confondre. Les npxG retirent les penalties. Le xGA, ce sont les expected goals des frappes qu'une équipe a concédées, et le xGD vaut le xG moins le xGA. Les passes décisives attendues mesurent la probabilité qu'une passe réussie débouche sur une passe décisive, en tenant compte du type de passe, de sa longueur et de son point d'arrivée. Et les expected goals cadrés — le xGOT, ou xG post-frappe — sont ceux qu'on confond le plus souvent avec le xG. Les expected goals couvrent tout jusqu'à l'instant de l'impact ; le xGOT couvre tout ce qui vient après, en combinant la qualité de l'occasion de départ et l'endroit de la cage où le ballon a effectivement fini. Il n'existe que pour les frappes cadrées : une frappe manquée a un xG et pas de xGOT. Harry Kane, en 2019-20, affichait 10,9 xG pour 14,5 xGOT, ce qui veut dire que le seul placement du ballon valait environ trois buts et demi. Dean Henderson a affronté 39,4 xGOT la même saison et en a encaissé 32 : il en a donc évité près de sept. La différence entre les deux est parfois publiée sous le nom de Shooting Goals Added.
Qui publie du xG, et pourquoi deux fournisseurs ne s'accordent jamais
Chaque fournisseur entraîne son propre modèle sur ses propres données événementielles, avec ses définitions, ses variables et ses pondérations. La conséquence, dans le résumé plat sur lequel la littérature s'accorde, est que les valeurs de fournisseurs différents « ne sont pas nécessairement comparables directement ». Les raisons structurelles figurent déjà plus haut : le XGBoost d'Opta sur près d'un million de frappes et plus de vingt variables, après l'abandon de son étiquette subjective de grosse occasion en 2022 ; les arrêts sur image de StatsBomb, avec tous les joueurs visibles et la hauteur du ballon ; les huit paramètres de Wyscout, dont le jugement humain du danger ; le réseau de neurones d'Understat. Même la constante du penalty diffère : 0,76, 0,78 ou 0,79 selon le fournisseur. Sur une même frappe, l'écart couramment rapporté est de l'ordre de 0,05 à 0,10 xG.
À l'échelle d'une saison, l'effet n'a rien d'anodin. Son Heung-min a marqué 23 buts en Premier League en 2021-22 et partagé le Soulier d'or avec Mohamed Salah, devenant le premier joueur asiatique à le remporter, et aucun de ses buts n'est venu du point de penalty, ce qui en fait un cas d'école naturel pour la finition. Ses expected goals de cette saison-là sont publiés à 13,95 à un endroit et autour de 16,0 à un autre. Mêmes 23 buts, mêmes frappes, deux verdicts sensiblement différents sur la part de finition et la part de qualité des occasions. Choisissez un fournisseur et tenez-vous-y.
Quant à savoir où vivent ces chiffres : Opta et Stats Perform sont le standard professionnel derrière la plupart des clubs et des diffuseurs. Hudl StatsBomb vend les données les plus riches et publie aussi un jeu de données ouvert et gratuit couvrant des compétitions féminines, des matches internationaux masculins et quelques saisons historiques. Wyscout, également chez Hudl, est le standard vidéo de l'industrie du recrutement, avec la plus grande vidéothèque de matches. Understat reste la principale source vraiment gratuite de xG et de npxG de qualité au niveau de la frappe, couvrant les cinq grands championnats européens plus la Premier League russe depuis 2014-15. Pour une consultation rapide, FotMob affiche le xG en direct, et Squawka, SofaScore et StatMuse le publient aussi.
Un conseil devenu standard est désormais périmé, et la plupart des articles n'ont pas suivi. Le 20 janvier 2026, Stats Perform a résilié son accord de données avec FBref et exigé le retrait immédiat de toutes les statistiques avancées qu'il fournissait : expected goals, passes progressives, actions créatrices de frappes, l'ensemble. Le président de Sports Reference, Sean Forman, a annoncé le changement ; Stats Perform a affirmé que FBref avait violé les termes de l'accord, sans préciser en quoi. Le site a conservé les scores, les buts, les passes décisives et les apparitions, et l'archive avancée a cessé d'être mise à jour. La résiliation est intervenue huit jours après que Stats Perform a été désigné distributeur exclusif des données de paris et des droits de diffusion de la FIFA pour la Coupe du monde 2026, ce qui a nourri pas mal de spéculations sur le motif commercial. FBref s'est dit « particulièrement contrarié par l'énorme recul que cela crée dans l'accès » aux données avancées du football féminin. À moins d'un revirement, c'est vers Understat qu'un lecteur sans budget doit se tourner.
C'est la dernière chose qu'il faut comprendre au sujet des expected goals. Ce n'est pas un fait public sur le football, comme le score ou l'affluence. C'est un produit, fabriqué par une poignée d'entreprises à partir de données propriétaires, selon des méthodes qu'elles peuvent réviser — et qu'elles ont révisées — avec des conséquences réelles sur la façon dont on se souvient d'une frappe tentée il y a des années. Lisez-le pour ce qu'il est : une estimation bien fondée de la fréquence à laquelle des occasions de ce type sont rentrées, et le meilleur point de départ disponible pour la question de ce qui va se passer ensuite. Ce qui va se passer ensuite, il faut encore le simuler. Et il faut encore le regarder.
Simulez la part de hasard que le xG se contente de mesurer
Un modèle de xG transforme une occasion en probabilité de but. Le simulateur de futsimulator.com repose exactement sur la même idée, poussée d'un cran : il transforme ces probabilités en résultats. Chaque rencontre simulée est un tirage parmi tous les scénarios que les forces en présence rendent possibles, et une saison entière n'est qu'une longue série de ces tirages, rangée ensuite dans un classement trié selon les critères réels de la compétition. C'est la version jouable de ce que raconte une ligne de xG en fin de match.
En rejouant la même saison plusieurs fois, vous voyez de vos propres yeux ce que le xG dit d'une seule frappe : une équipe aux qualités identiques ne termine pas toujours à la même place. Le tableau final cesse d'être une vérité et redevient une possibilité parmi d'autres. C'est la manière la plus directe de comprendre pourquoi deux points d'écart sur trente-huit journées prouvent beaucoup moins qu'on ne le croit, et pourquoi un dauphin malheureux n'a pas forcément moins bien joué que le champion.
"Le xG ne dit pas si le but méritait d'entrer, il dit combien de fois, sur cent frappes semblables, le ballon finit au fond."
- Simulez plusieurs fois d'affilée la même saison de championnat et comparez les classements obtenus : c'est la variance dont parle le xG, à l'échelle d'un titre.
- Lancez un match isolé entre deux équipes proches, puis rejouez-le encore et encore : le vainqueur change alors que les forces, elles, n'ont pas bougé.
- Montez un tableau à élimination directe et comptez le nombre de fois où le favori tombe avant la finale, sans avoir rien fait de moins bien.
- Enchaînez une saison complète et regardez le classement se départager aux points, à la différence de buts et aux critères réels de la compétition, quand deux équipes finissent collées.
"Une frappe ne prouve rien, une saison à peine plus : seule la répétition finit par dire la vérité."