A carregar...
Conteúdo
Fevereiro passado, apostei em Vancouver Canucks porque tinham vencido quatro jogos seguidos, marcando 16 golos. Pareciam imparáveis. Perderam 1-0. Quando analisei os dados depois, descobri que o xG de Vancouver nesses quatro jogos tinha sido apenas 9.2 – estavam a marcar quase o dobro do que deveriam. A regressão era inevitável; eu simplesmente não tinha os dados para a prever.
O expected goals (xG) é provavelmente a métrica mais poderosa para apostadores de NHL que querem ir além da superfície. Enquanto os golos medem o que aconteceu, o xG mede o que deveria ter acontecido – e a diferença entre os dois revela onde está a sorte e onde está a habilidade.
Como Funciona o Modelo de xG
O xG atribui uma probabilidade de golo a cada remate baseado em múltiplos factores: distância à baliza, ângulo, tipo de remate (pulso, slap shot, one-timer), se foi em transição rápida ou jogada estabelecida, se o guarda-redes estava fora de posição, entre outros. Um remate de junto à baliza sem oposição pode ter xG de 0.4 (40% probabilidade de golo). Um remate da linha azul com trânsito à frente pode ter xG de 0.02 (2%).
Somando o xG de todos os remates de um jogo obtemos o xG total da equipa – quantos golos deveria ter marcado baseado na qualidade das oportunidades. A média de golos por jogo na NHL 2025-26 é de aproximadamente 6.7, e o xG médio combinado ronda valores similares. Mas a variação jogo a jogo entre golos reais e xG pode ser substancial.
Os modelos de xG variam em sofisticação. Modelos básicos consideram apenas distância e ângulo. Modelos avançados incorporam posicionamento de defensores, histórico do rematador, situação de jogo (power play vs 5v5), e dezenas de outras variáveis. Os melhores modelos são proprietários, mas existem versões públicas de qualidade razoável.
O xG não é perfeito. Nenhum modelo captura completamente a habilidade de finalização de jogadores de elite – Connor McDavid converte oportunidades a taxas superiores ao que modelos preveem porque tem habilidades que modelos não medem. Mas para análise de equipas, onde as habilidades individuais se diluem, xG é extremamente útil.
xG vs Golos Reais: Sorte e Habilidade
A diferença entre golos reais e xG chama-se “luck” ou “PDO” quando combinada com save percentage do guarda-redes. Uma equipa que marca mais golos do que o xG sugere está a ter sorte de finalização – ou tem finalizadores de elite. Uma equipa que marca menos está a ter azar – ou tem finalizadores fracos.
A chave é que a sorte regride à média; a habilidade persiste. Se uma equipa com finalizadores medianos está a converter 15% dos remates quando a média da liga é 10%, vai regredir. Se uma equipa com McDavid e Draisaitl está a converter 13%, pode ser sustentável porque têm talento de finalização acima da média.
Com 49.5% dos jogos decididos por um golo, a margem entre vencedor e perdedor é frequentemente um único remate que entrou ou não entrou. O xG ajuda a ver para lá destes momentos aleatórios. Uma equipa pode perder 2-1 apesar de ter xG de 3.5 contra 1.8 do adversário – dominaram completamente mas tiveram azar. Apostar nessa equipa no jogo seguinte, quando o preço pode estar inflacionado pela derrota, oferece potencial valor.
Mantenho registos de xG for e xG against para todas as equipas, actualizados semanalmente. Quando vejo uma equipa com diferencial positivo de xG (criam mais oportunidades do que concedem) mas diferencial negativo de golos (sofrem mais do que marcam), identifico candidata a melhoria de resultados.
Aplicar xG na Análise de Apostas
A aplicação mais directa é comparar xG com resultados recentes para identificar regressão. Uma equipa em winning streak com xG marginal vai provavelmente esfriar. Uma equipa em losing streak com xG forte vai provavelmente melhorar. O mercado reage a resultados; eu reajo a processo.
Para apostas de totais, o xG dos guarda-redes é crucial. Um guarda-redes que permitiu 2 golos mas enfrentou xG de 3.5 está a jogar bem apesar dos golos sofridos. Um que permitiu 2 golos de xG de 1.2 está a ter azar ou a mostrar vulnerabilidades. Isto informa se o total vai para over ou under em jogos futuros.
Nos playoffs, onde as amostras são pequenas, xG é ainda mais valioso. Uma equipa pode ganhar um jogo de playoff 1-0 com apenas 0.8 xG enquanto o adversário teve 2.5 xG. Sem xG, verias apenas a vitória. Com xG, vês que a equipa vencedora foi dominada e teve sorte – informação crucial para apostas no resto da série.
Integro xG com outras métricas como Corsi para visão completa. Corsi mede quantidade de tentativas; xG mede qualidade. Uma equipa com Corsi alto e xG ainda mais alto está a gerar muitas oportunidades de qualidade – perfil de equipa forte. Uma equipa com Corsi alto mas xG médio está a forçar remates de zonas periféricas – menos impressionante do que o volume sugere.
Onde Encontrar Dados de xG Gratuitos
A boa notícia é que dados de xG de qualidade estão disponíveis gratuitamente. MoneyPuck é provavelmente a fonte mais acessível, com xG por jogo, por equipa, e por jogador actualizado diariamente. Natural Stat Trick oferece dados similares com filtros adicionais para situações de jogo (5v5, power play, etc.).
Hockey-Reference tem métricas de xG mais básicas mas integradas com outras estatísticas, útil para análise contextualizada. Evolving Hockey tem modelos mais sofisticados mas requer subscrição para acesso completo – pode valer o investimento para apostadores sérios.
A qualidade dos dados varia. Modelos diferentes produzem xG diferentes para os mesmos eventos. Recomendo escolher uma fonte e usar consistentemente em vez de misturar dados de múltiplas fontes. A consistência metodológica é mais importante que a perfeição do modelo.
Para integrar xG com outras métricas de análise estatística avançada, recomendo começar simples: xG for vs xG against por jogo, comparado com golos reais. Esta única comparação revela muito sobre quem está a ter sorte e quem está a jogar bem.