La XG y su asociación con los goles marcados en el fútbol de élite

Autores/as

  • Cristian Murillo García Corporación Universitaria del Caribe Colombia

DOI:

https://doi.org/10.24310/riccafd.14.2.2025.21310

Palabras clave:

fútbol, goles, indicador, métrica, resultado
Agencias: Ciencias de la Educación y del Deporte

Resumen

A medida que el fútbol incrementa a nivel mundial, incrementa la necesidad de implementar herramientas tecnológicas para el rendimiento grupal y colectivo, así es como, el análisis de rendimiento ofensivo ha tomado una importancia y evolución significativa por medio del uso de métricas, entre estas, la expectativa de gol (xG), la cual se ha plantado como una herramienta para evaluar la calidad de las oportunidades generadas por un jugador o equipo. El objetivo de este estudio fue analizar la asociación entre la xG y los goles marcados en partidos de fútbol. Este estudio fue de tipo cuantitativo, correlacional y de corte longitudinal, para su desarrollo se analizaron 333 partidos de los campeonatos, el conjunto de datos fue obtenido de Sofascore, el cual es un sitio web que ofrece estadísticas y resultados de diferentes eventos deportivos. Se planteó la hipótesis de que existe correlación positiva entre la xG y los goles marcados. Para el análisis de los datos se empleó el software estadístico SPSS, se procesaron los partidos, goles marcados y xG de cada partido, seguido a esto se llevó a cabo la creación de una tabla de muestras emparejadas para determinar si hubo diferencias significativas entre las medias y una correlación para señalar el grado de relación de las variables empleadas. Los resultados obtenidos en este estudio afirman la relación entre la xG y los goles marcados en los partidos de fútbol, por lo que se afianza como un indicador válido para medir el rendimiento ofensivo en el fútbol

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Bradlow E, Gangwar M, Kopalle P, Voleti S. The role of big data and predictive analytics in retailing. J Retail. 2017;5(93):79-95.

Davis J, Robberechts P. How data availability affects the ability to learn good xG models. Int Workshop Mach Learn Data Min Sports Anal Ghent. 2020;13(24):17-27.

Fernández-Navarro J, Fradua L, Zubillaga A, Ford P, McRobert A. Influence of contextual variables on styles of play in soccer. Int J Perform Anal Sport. 2019;19(6):747-59.

Hoernig M, Link D. Individual ball possession in socce. PLoS ONE. 2017;12(7):1-15.

Gómez A, Mitrotasios M, Armatas V, Lago-Peñas C. Analysis of playing styles according to team quality and match location in Greek professional soccer. Int J Perform Anal Sport. 2018;18(3):986-97.

Zeng Z, Pan B. A Machine Learning Model to Predict Player’s Positions based on Performance. icSPORTS [Internet]. 2021;1(17):36-42. Disponible en: https://www.scitepress.org/PublishedPapers/2021/106533/106533.pdf

Mead J, O’Hare A, McMenemy P. Expected goals in football: Improving model performance and demonstrating value. PLoS ONE. 2023;18(5):20-8.

Brechot M, Flepp L. Dealing with randomness in match outcomes: How to rethink performance evaluation in European club football using expected goals. J Sport Econ. 2020;4(21):335-62.

Anzer G, Bauer P. A Goal Scoring Probability Model for Shots Based on Synchronized Positional and Event Data in Football (Soccer). Front Sports Act Living. 2021;3(62):75-82.

Brechot M, Flepp R. Dealing With Randomness in Match Outcomes: How to Rethink Performance Evaluation in European Club Football Using Expected Goals. J Sports Econ. 2020;21(4):335-62.

Antipov E, Pokryshevskaya E. Interpretable machine learning for demand modeling with high-dimensional data using gradient boosting machines and shapley values. J Rev Pricing Manage. 2020;19(7):355-64.

Fairchild A, Pelechrinis K, Kokkodis M. Spatial analysis of shots in MLS: A model for expected goals and fractal dimensionality. J Sports Anal. 2018;4(3):165-74.

Schulze E, Mendes B, Maurício N, Furtado B, Cesário N, Carriço S, et al. Effects of positional variables on shooting outcome in elite football. Sci Med Footb. 2017;2(2):93-100.

Khrapach V, Siryi O. Statistical Metric Expected Goals in Football and Its Impact on Scoring Performance: a review article. Health Technol. 2024;2(3):47-54.

Sabin R. Estimating player value in American football using plus-minus models. J Quant Anal Sports. 2021;4(17):313-64.

Mead J, O’Hare A, McMenemy P. Expected goals in football: Improving model performance and demonstrating value. PLoS ONE. 2023;18(4):45-55.

Zi M, Gao D. A study of football goal trajectories of trained players through a kinetic model. J Eng-Joe. 2023;12(2):4-6.

Anzer G, Bauer P. A goal scoring probability model for shots based on synchronized positional and event data in football (soccer). Front Sports Act Living. 2021;3(21):624-475.

Cavus M, Biecek P. Explainable expected goal models for performance analysis in football analytics. Data Sci Adv Anal. 2022;4(9):1-9.

Descargas

Publicado

03-12-2025

Cómo citar

Murillo García, C. (2025). La XG y su asociación con los goles marcados en el fútbol de élite . Revista Iberoamericana De Ciencias De La Actividad Física Y El Deporte, 14(2), 85–93. https://doi.org/10.24310/riccafd.14.2.2025.21310

Número

Sección

Artículos