Expected Goals (xG): o que essa métrica realmente mede

Um xG de 0,40 não afirma que aquele jogador tinha 40% de chance de marcar naquela finalização específica. É uma afirmação sobre o passado. Diz que, na base de dados em que o modelo foi treinado, chutes dados mais ou menos daquela posição, com aquela parte do corpo, saídos daquele tipo de construção e sob aquele tanto de pressão terminaram em gol cerca de 40 vezes a cada cem. A StatsBomb foi mais direta em 2017: um valor de xG "na verdade não diz muita coisa sobre esta finalização específica que estamos discutindo agora. É mais como 'no passado, isto aconteceu.'"

A distinção soa como preciosismo. Ela é o argumento inteiro. Quase toda reclamação sobre os gols esperados — que medem sorte, que decidem quem merecia ganhar, que devem estar quebrados porque um centroavante vive superando o número — nasce de ler uma frequência histórica como profecia sobre um único chute. O que vem a seguir é o que o número é, como ele é construído, o que ele consegue carregar e os pontos em que ele desmorona sem avisar.

Um número entre zero e um

A Opta, cujo modelo é usado pela maioria das emissoras, define assim: os gols esperados "medem a qualidade de uma chance calculando a probabilidade de que ela vire gol, a partir de informações sobre finalizações semelhantes no passado". A escala vai de zero a um. Zero é uma chance impossível de converter. Um é uma chance que se espera que o jogador converta todas as vezes. Tudo o que interessa acontece no meio do caminho.

A Wyscout chama de "um modelo preditivo de machine learning usado para avaliar a probabilidade de gol de cada finalização da partida". A American Soccer Analysis recorre ao basquete e compara a métrica ao aproveitamento de arremessos, com uma diferença decisiva: o xG está preso à posição e às circunstâncias da tentativa, não à identidade de quem finaliza. Isso é proposital, e é exatamente por isso que o número serve para alguma coisa.

A ideia é mais velha que o pacote gráfico que a levou à TV. Vic Barnett e Sarah Hilditch usaram o termo "expected goals" em um artigo de 1993 sobre gramados sintéticos no futebol inglês. Richard Pollard e Charles Reep construíram em 1997 o antepassado reconhecível do modelo moderno, ponderando as finalizações por distância, ângulo, se a bola foi cabeceada e quanta pressão defensiva havia. Jake Ensum, Pollard e Samuel Taylor rodaram uma regressão logística sobre 930 finalizações da Copa do Mundo de 2002. O post de Sam Green para a OptaPro, em abril de 2012, foi o que empurrou a métrica para o centro da análise de dados no futebol, e em agosto de 2017 o Match of the Day anunciou que colocaria os gols esperados na televisão. Nenhum desses passos inventou a métrica sozinho.

O que o modelo olha antes de decidir

O modelo atual da Opta é uma máquina de gradient boosting XGBoost treinada em quase um milhão de finalizações, tiradas de 40 competições entre as temporadas 2018-19 e 2021-22. Ele avalia mais de 20 variáveis que descrevem a situação até o instante exato do contato: distância do gol, ângulo em relação ao gol, onde está o goleiro, quão limpa é a visão da meta, onde estão os outros jogadores, quanta pressão os defensores aplicam, o tipo de finalização — qual pé, voleio, cabeceio, cara a cara —, o padrão de jogada que a produziu, seja jogo corrido, contra-ataque, falta, escanteio ou lateral, e a ação anterior ou o tipo de assistência. Para dar noção de escala, só a Premier League de 2022-23 teve 9.609 finalizações, e as cinco grandes ligas europeias somaram 45.764 naquela temporada.

Outros fornecedores fazem escolhas diferentes, e as diferenças não são cosméticas. O glossário público da Wyscout lista exatamente oito parâmetros, um deles a avaliação de um analista humano sobre quão perigosa foi a finalização. O Understat usa redes neurais treinadas em mais de 100.000 finalizações, com mais de dez parâmetros cada. A American Soccer Analysis publica sua regressão logística abertamente, coeficientes incluídos: uma finalização assistida por cruzamento carrega uma penalização de -0,380, enquanto uma assistida por passe em profundidade ganha +0,909 — é o jeito que o modelo tem de dizer que uma bola que chega atravessada pela ponta é muito mais difícil de finalizar do que uma que rompe a linha defensiva. A Hudl StatsBomb tem os insumos mais ricos de todos: um freeze frame de visão computacional que registra a posição de cada atacante e defensor visível no enquadramento da câmera, mais o goleiro, e a altura da bola no momento do contato, porque uma bola na altura do joelho é mais fácil de pegar em cheio do que uma na altura da cabeça ou rolando no chão. A StatsBomb calcula que só a marcação de gol aberto pode levar uma chance de 0,10 para 0,85.

Ordens de grandeza aproximadas, oferecidas como ilustração e não como números oficiais: uma finalização da linha da pequena área costuma valer mais de 0,35; um chute de 25 jardas fica normalmente abaixo de 0,03, e uma tentativa especulativa de fora da área gira em torno de 0,02. A Coaches' Voice já destrinchou uma tentativa de Mohamed Salah avaliada em 0,08 e um gol de Phil Foden em 0,46. Cabeceios convertem menos que chutes com o pé do mesmo ponto. Pé ruim converte menos que pé bom. Nada dessa lista vai surpreender quem já jogou bola, o que é um ponto a favor do modelo, e não contra.

Os pênaltis são a exceção. Como as condições são padronizadas — da marca da cal, sem defensores, sem pressão que valha a pena modelar —, os fornecedores simplesmente atribuem uma constante. Essa constante fica entre 0,76 e 0,79, dependendo de quem faz a conta, e reflete um aproveitamento de alto nível em algum ponto entre os setenta e poucos e os setenta e muitos por cento. Isso distorce feio os totais de curto prazo: três pênaltis em um mês somam bem mais de dois xG à conta de um atacante sem que ele tenha passado por um zagueiro sequer. É exatamente para isso que existe o xG sem pênaltis, o npxG, como coluna separada — e é essa a coluna que você quer quando for comparar jogadores.

O dia em que o modelo mudou de ideia sobre um chute já dado

Em março de 2022 a Opta lançou uma nova versão do seu modelo. Tirou a chance clara, a "big chance", das variáveis de entrada — uma etiqueta subjetiva aplicada por analistas humanos assistindo ao jogo, criticada havia tempo por ser subjetiva e por estar contaminada pelo fato de a bola ter entrado ou não — e acrescentou posição do goleiro, pressão defensiva e nitidez da finalização.

Os casos de antes e depois são impressionantes. Uma chance de Richarlison contra o Wolverhampton caiu de 0,80 xG para cerca de 0,20, puramente porque o novo modelo enxergava onde José Sá estava posicionado. A de Roberto Firmino contra o Watford subiu de 0,81 para 0,96. James Maddison contra o Brentford e Patson Daka contra o Newcastle saltaram, os dois, de cerca de 0,47 para mais de 0,87 assim que a posição do goleiro e a ausência de pressão defensiva entraram na conta. O caso mais extremo relatado foi um chute de Pedro Neto contra o Leicester, que foi de 0,035 para 0,656, quase vinte vezes o valor.

Nada aconteceu com aqueles chutes. Eles já tinham sido dados, defendidos ou convertidos meses ou anos antes. O que mudou foi a opinião do modelo sobre a categoria a que pertencem. Essa é a demonstração mais limpa que existe do que um número de xG é: não a medição de um evento, e sim a classificação dele.

Isso também aposenta a crítica mais antiga à métrica. "O modelo não sabe onde está o goleiro" era verdade nos primeiros modelos baseados em dados de evento, deixou de ser verdade na Opta desde março de 2022 e nunca foi verdade nos freeze frames da StatsBomb. A chance clara continua existindo nos dados da Opta, definida como a situação em que se espera razoavelmente que o jogador faça o gol, em geral um cara a cara ou uma finalização de curta distância com caminho livre até a meta e pressão baixa ou moderada. Hoje é uma estatística, não uma entrada do modelo. A Opta também roda um modelo inteiramente separado para o futebol feminino, treinado em finalizações históricas do futebol feminino e em uso desde a Copa do Mundo de 2023, no qual a distância do gol pesa mais.

O que o xG de uma partida não conta

A Opta é explícita: os gols esperados medem a qualidade das chances e "não o resultado esperado da partida". A razão é aritmética, e Jonas Lindstrom tem a ilustração mais afiada disso.

Pegue dois times. O Time Moeda dá quatro finalizações, cada uma com 50% de chance. O Time Dado dá doze finalizações, cada uma com chance de uma em seis. Os dois terminam a partida com exatamente 2,0 xG. Não são igualmente prováveis vencedores. A distribuição de gols do Time Moeda é simétrica em torno de dois. A do Time Dado é assimétrica à direita, o que significa que a probabilidade de fazer poucos gols é maior que a de fazer muitos. Em muitas repetições do mesmo jogo, o Time Moeda vence mais vezes. Doze meias-chances não são o mesmo produto que quatro chances boas, e o total de xG não sabe distinguir uma coisa da outra.

É aqui que o número para e outra coisa precisa começar. Para sair de uma linha de xG e chegar a um resultado é preciso simular: ou tratar cada finalização como uma moeda viciada própria e jogar a partida milhares de vezes, ou jogar o total de cada lado em um modelo de taxa de gols e fazer o mesmo. É essa a maquinaria por trás dos pontos esperados, em que o xPTS é três vezes a probabilidade de vitória mais uma vez a probabilidade de empate, e isso explica um detalhe que confunde as pessoas na primeira vez que elas o percebem: o xPTS dos dois times em uma partida não soma três, enquanto os pontos reais de um campeonato sempre somam. Se você quer a mecânica de como milhares de temporadas simuladas viram uma probabilidade de título, nosso texto irmão sobre como funcionam as previsões dos supercomputadores trata exatamente disso, e o simulador de ligas deste site roda a mesma ideia em cima de qualquer tabela que você queira montar. Os gols esperados são o insumo desse processo, não um substituto dele.

Mais dois avisos sobre jogos isolados. A Coaches' Voice diz sem rodeios: em uma única partida, os gols esperados "podem dar uma visão distorcida". Um time pode dominar com três xG e ainda assim perder por 3 a 0 para um adversário que marcou cedo e depois administrou a vantagem, e nem a contagem de finalizações nem a linha de xG estão erradas quanto a isso. E não se marca fração de gol. Um total de 1,0 xG não dá a ninguém o direito a um gol; é uma média entre muitas repetições imaginárias do mesmo conjunto de chances, e boa parte dessas repetições termina em zero a zero.

Quanto tempo até um número de xG significar alguma coisa

A resposta honesta é: mais que uma partida, menos que uma temporada, e depende. A American Soccer Analysis fez o teste mais cuidadoso disso em julho de 2022, em cima de 14.608 jogos das cinco grandes ligas europeias de 2017-18 em diante e 2.516 jogos da MLS desde 2018, com as temporadas de pandemia de 2020 excluídas. A conclusão principal: "a razão de xG é o melhor preditor de pontos futuros em qualquer momento da temporada".

O detalhe importa mais que a manchete. A razão de xG só ultrapassa a razão simples de gols como preditor depois de cerca de oito jogos nas cinco grandes ligas europeias e de cerca de sete na MLS. No estudo original de 2015, feito com dados de 2012-14, esse limiar era de quatro jogos. A distância entre os gols esperados e as medidas mais simples encolheu desde então: a razão de chutes no gol e a razão de finalizações totais hoje estão muito mais perto do xG do que já estiveram. Quem ainda repete a frase da era 2015, de que o xG domina qualquer outra métrica, está citando um esporte mais antigo. As cinco grandes ligas europeias, aliás, se mostraram bem mais previsíveis que a MLS em todas as medidas testadas.

O guia prático de David Sumpter é a coisa mais útil da literatura para um leitor comum. Em uma ou duas partidas, os gols esperados não dizem quase nada além do placar. Em três a seis, só valem alguma coisa se o padrão for consistente. Entre sete e dezesseis partidas está o ponto ideal, a janela em que uma contradição entre o xG de um time e seus gols de verdade merece mesmo ser investigada. Passando de dezesseis jogos, os gols reais viram o número mais confiável e o xG passa a importar menos para julgar a temporada. Médias móveis de cerca de dez jogos são as que melhor preveem.

Sumpter também produziu o resultado mais humilhante da área. Um modelo construído puramente a partir de um ser humano assistindo a futebol e julgando se aquilo era ou não uma chance clara alcançou um R² de 0,159, empatando com um modelo de xG complexo e multiparamétrico. A conclusão dele merece ficar por perto: "os gols esperados não são a equação mágica do futebol". Assistir aos jogos ainda vale alguma coisa.

Superar o modelo, e voltar devagar para ele

Jogadores e times marcam mais que seus gols esperados o tempo todo, e não há mistério nenhum nisso. O Manchester City fez 99 gols na liga a partir de cerca de 91 xG em 2021-22. Erling Haaland, em uma passagem somando Bundesliga e Champions League, teria feito 74 gols sem contar pênaltis a partir de 57,76 npxG, algo como 28% melhor do que um finalizador médio faria com as mesmas chances — a evidência mais forte que alguém já teve de que finalização de elite é uma habilidade real e repetível. Aí, em 2023-24, o mesmo jogador ficou cerca de 1,3 gol abaixo do esperado. Nada nele tinha piorado.

Isso é regressão à média, e é rotineiramente lido errado, como previsão de queda ou punição por ter rendido acima da conta. Não é nem uma coisa nem outra. É o que acontece quando uma sequência curta de moedas viciadas continua sendo lançada. Os números de persistência, vindos de análise secundária, deixam o ponto concreto: a correlação de um ano para o outro em gols menos xG fica em torno de 0,12, ou seja, quase nada, enquanto uma medida de seleção de finalizações — chutes acima do esperado, em relação aos chutes esperados — chega a algo perto de 0,63. Chegar de novo e de novo à posição de 0,8 xG é a habilidade durável. Converter a chance de 0,8 num ritmo maior que o de todo mundo, temporada após temporada, é muito mais difícil de provar.

O título do Leicester City em 2015-16 é o estudo de caso que todo mundo puxa e quase sempre lê errado. O time foi campeão com 23 vitórias, 12 empates e 3 derrotas, mas aparecia por volta do quarto lugar em saldo de gols esperados; por essa medida, os três primeiros teriam sido Arsenal, Manchester City e Tottenham. O Leicester também registrou o maior índice de conversão de finalizações da temporada, 13,0%. Chame aquilo de finalização, de sorte ou de um sistema tático montado para gerar justamente o tipo de chance que o modelo subestima: a resposta honesta é que a diferença entre gols e xG de uma única temporada não separa essas explicações.

E esse é o problema mais profundo de ler a diferença. Gols menos xG mistura em um único número indiferenciado a habilidade de finalização, o trabalho do goleiro do outro lado, sorte pura e erro do próprio modelo. Pesquisas publicadas sobre vieses em modelos de gols esperados mostraram que o viés do modelo contamina diretamente as estimativas de capacidade de finalização. A diferença é uma pergunta, não uma resposta.

É por isso que os jogadores que desdenham da métrica costumam estar metade certos. Morgan Rogers, então no Aston Villa, disse a Jamie Redknapp na Sky Sports em janeiro de 2026: "acho que o xG é um monte de bobagem". Ele tinha sete gols a partir de 4,21 xG naquele momento. "Parece um crime — eu estou fazendo gol e o xG me diminui." Ele estava factualmente certo ao dizer que tinha marcado mais que o modelo. Errou sobre o que o modelo tinha afirmado: ele nunca previu que Rogers faria 4,21 gols; disse que chutes como os dele, historicamente, viraram gol mais ou menos com aquela frequência. Sean Dyche encontrou o tom mais adequado depois de o Everton perder por 1 a 0 em casa para o Fulham, em agosto de 2023, tendo criado 2,73 xG contra 1,50 do adversário. "Um dos nossos analistas disse que o nosso xG, no qual eu não acredito tanto assim, mas ainda é um ponto de referência, ficou perto de três, o que é alto na Premier League." E então a parte sensata: "Você não avalia uma atuação inteira pelo xG... é mais um marcador, dá uma ideia."

Onde o xG desmorona, e os números criados para remendá-lo

Os rebotes são a falha que o leitor consegue flagrar sozinho em qualquer fim de semana. As finalizações são modeladas como eventos independentes, então uma confusão na pequena área — defesa, rebote, bloqueio, rebote — vai acumulando gols esperados chute a chute. A Wyscout admite isso no próprio glossário: uma sequência de finalizações em curto intervalo "poderia teoricamente render um valor de xG > 1", numa posse em que só havia, fisicamente, um gol disponível. Uma correção publicada é descontar cada tentativa seguinte pela probabilidade de ela sequer existir: um rebote que vale 0,8 mas só acontece em um quarto das vezes, porque a chance anterior costuma entrar, contribui com 0,8 multiplicado por 0,25, ou seja, 0,2. Nem todo fornecedor aplica uma correção desse tipo, e você não deve presumir que o xG de uma posse esteja limitado a 1,0.

Os gols esperados só pontuam finalizações que de fato aconteceram. O trecho mais perigoso de uma partida — a bola atrasada da linha de fundo que ninguém atacou, o três contra um que morreu num domínio pesado — vale exatamente zero. Esse ponto cego é a razão de existirem os modelos de xG sem finalização e de valor de posse: para cada posse, pegue o xG do chute, se houve chute, e, se não houve, o melhor xG que estava disponível. Um time cujo xG sem finalização corre muito à frente do seu xG é um time que chega a boas posições e se recusa a chutar delas.

Os totais por time também comparam coisas diferentes. Um bloco baixo comprime de propósito as zonas de alto valor e obriga o adversário a tentar de fora ou de ângulos fechados, tentativas que valem bem menos de 0,05 cada. Um xG sofrido baixo pode significar, portanto, "defende recuado" e não "defende bem". Um time de contra-ataque finaliza muito menos, mas finaliza contra uma defesa desorganizada e em inferioridade numérica, então cada chute vale mais. Comparar xG ou saldo de xG bruto entre um time de posse e um bloco baixo é comparar dois produtos diferentes.

Os modelos padrão são propositalmente cegos a quem finaliza. Eles respondem com que frequência uma chance como esta vira gol, nunca com que frequência este jogador específico a converte. Embutir o finalizador no modelo tornaria impossível usar o modelo para julgar o finalizador. E com pouco mais de trinta finalizações em uma temporada e um desfecho binário a cada uma, o gols-menos-xG de um jogador carrega uma incerteza enorme. Trate como sinal de alerta, não como veredito.

Existe uma família de números vizinhos para cobrir essas lacunas, e eles não devem ser confundidos. O npxG tira os pênaltis. O xGA é o xG das finalizações que um time sofreu, e o xGD é o xG menos o xGA. As assistências esperadas medem a probabilidade de um passe completado virar assistência para gol, considerando o tipo de passe, sua extensão e seu ponto de chegada. E os gols esperados no alvo — xGOT, ou xG pós-chute — são o número que mais se confunde com o xG. Os gols esperados cobrem tudo até o momento do contato; o xGOT cobre tudo depois dele, combinando a qualidade da chance com o ponto da meta em que a bola de fato terminou. Só existe para finalizações no alvo, então uma bola para fora tem xG e não tem xGOT. Harry Kane, em 2019-20, teve 10,9 xG e 14,5 xGOT, o que significa que só a colocação valeu cerca de três gols e meio. Dean Henderson enfrentou 39,4 xGOT na mesma temporada e sofreu 32, ou seja, evitou cerca de sete. A diferença entre os dois às vezes é publicada como Shooting Goals Added.

Quem publica xG, e por que dois deles nunca batem

Cada fornecedor treina o próprio modelo nos próprios dados de evento, com suas próprias definições, suas próprias variáveis e seus próprios pesos. A consequência, no resumo seco a que a literatura chega, é que valores de fornecedores diferentes "não são necessariamente comparáveis de forma direta". As razões estruturais já estão acima: o XGBoost da Opta sobre quase um milhão de finalizações e mais de vinte variáveis, tendo largado sua etiqueta subjetiva de chance clara em 2022; os freeze frames da StatsBomb com todos os jogadores visíveis mais a altura da bola; os oito parâmetros da Wyscout, um deles o julgamento humano de perigo; a rede neural do Understat. Até a constante do pênalti muda — 0,76, 0,78 ou 0,79, dependendo do fornecedor. A divergência sobre uma mesma finalização costuma ser relatada em torno de 0,05 a 0,10 xG.

O efeito no acumulado de uma temporada não é trivial. Son Heung-min fez 23 gols na Premier League em 2021-22 e dividiu a Chuteira de Ouro com Mohamed Salah, o primeiro asiático a conquistá-la, e nenhum dos seus gols saiu da marca do pênalti, o que faz dele um estudo de caso natural sobre finalização. Seus gols esperados naquela temporada são publicados como 13,95 em um lugar e cerca de 16,0 em outro. Os mesmos 23 gols, as mesmas finalizações, dois veredictos significativamente diferentes sobre quanto daquilo foi finalização e quanto foi qualidade de chance. Escolha um fornecedor e fique com ele.

Quanto a onde os números moram: Opta e Stats Perform são o padrão corporativo por trás da maioria dos clubes e emissoras. A Hudl StatsBomb vende os dados mais ricos e também publica um conjunto aberto e gratuito que cobre competições femininas, seleções masculinas e algumas temporadas históricas. A Wyscout, também da Hudl, é o padrão de vídeo da indústria de scouting, com a maior videoteca de partidas. O Understat é a principal fonte realmente gratuita de xG e npxG de qualidade no nível da finalização, cobrindo as cinco grandes ligas europeias mais a liga russa desde 2014-15. Para consultas casuais, o FotMob traz xG ao vivo, e Squawka, SofaScore e StatMuse também publicam.

Um conselho padrão está agora desatualizado, e a maioria dos artigos não se atualizou. Em 20 de janeiro de 2026, a Stats Perform encerrou o acordo de dados com o FBref e exigiu a remoção imediata de toda estatística avançada que fornecia — gols esperados, passes progressivos, ações que criam finalização, tudo. O presidente da Sports Reference, Sean Forman, anunciou a mudança; a Stats Perform disse que o FBref havia violado os termos do acordo e não especificou como. O site manteve placares, gols, assistências e partidas disputadas, e o acervo avançado parou de ser atualizado. O encerramento veio oito dias depois de a Stats Perform ser nomeada distribuidora exclusiva de dados de apostas e direitos de streaming da FIFA para a Copa do Mundo de 2026, o que alimentou bastante especulação sobre o motivo comercial. O FBref disse estar "especialmente incomodado com o enorme retrocesso que isso cria no acesso" aos dados avançados do futebol feminino. A menos que isso se reverta, o Understat é onde um leitor sem orçamento deve procurar.

O que é a última coisa que vale entender sobre os gols esperados. Não são um fato público do futebol, como o placar ou o público no estádio. São um produto, construído por um punhado de empresas a partir de dados proprietários, com métodos que elas podem revisar — e já revisaram — com consequências reais sobre como um chute dado anos atrás é lembrado. Leia o número pelo que ele é: uma estimativa bem fundamentada de com que frequência chances como aquelas entraram, e o melhor ponto de partida disponível para a pergunta do que vem a seguir. O que vem a seguir ainda precisa ser simulado, e ainda precisa ser assistido.

Simule as chances e veja quantas viram gol

Um modelo de xG faz uma coisa só: pega uma finalização, olha o que aconteceu com milhares de finalizações parecidas e devolve uma probabilidade. O Fut Simulator trabalha com a mesma lógica, só que uma casa acima: em vez de um chute, pega a partida inteira, pesa a força real de cada time e devolve um placar dentro do que aquele confronto costuma produzir. É por isso que o resultado muda quando você simula de novo, e é exatamente por isso que o xG de um jogo só faz sentido como uma amostra entre muitas.

Repetir a mesma partida algumas vezes mostra na prática o que o artigo explica no papel: quem cria mais chega mais perto de vencer, mas mais perto não é sempre. Rode uma temporada completa e a tabela final costuma respeitar quem é melhor; rode um mata-mata em jogo único e o favorito cai com uma frequência que incomoda. É grátis, funciona no navegador e não pede cadastro.

"O xG não diz o que o seu time mereceu: diz o que costuma acontecer quando aquela finalização se repete mil vezes."

• Simule a mesma partida várias vezes seguidas e veja com que frequência o placar muda
• Jogue uma temporada inteira e confira se a tabela final bate com a força real dos times
• Monte um chaveamento eliminatório e conte quantas vezes o favorito cai em jogo único
• Ajuste as escalações antes de cada jogo e simule de novo para comparar os dois resultados

"Nenhum número explica um chute isolado. Ele explica os mil chutes parecidos que vieram antes."