Afinando a estimativa com xG

Gols crus são honestos, mas barulhentos — um gol de desvio ou uma chance perdida cara a cara podem favorecer ou enganar o retrospecto de um time. Quando dá, o modelo afina sua estimativa com gols esperados (xG).

O que o xG acrescenta

O xG dá a cada chance uma nota pela probabilidade de ela virar gol, então mede a qualidade das oportunidades que um time criou e permitiu — não apenas se a bola por acaso entrou. Um time que cria mais do que o adversário mas perde no placar muitas vezes é melhor do que seus resultados, e o xG enxerga isso onde os gols crus não enxergam.

Como funciona a mistura

Quando ambos os times têm histórico de xG disponível, o modelo calcula uma estimativa paralela de gols esperados a partir do xG (a mesma simetria de ataque contra defesa, mas usando o xG-a-favor e o xG-sofrido) e então puxa a conta baseada em gols um pouco na direção dela. A estimativa de xG recebe um peso relevante, mas minoritário — ela afia o número em vez de mandar nele.

O ponto-chave é que isso só acontece quando o dado existe. A maior parte do histórico de liga vindo dos CSVs gratuitos traz gols e escanteios, mas não o xG, então, para esses jogos, o modelo se comporta exatamente como a lição anterior descreveu — sem xG, sem mudança. A mistura entra principalmente onde estatísticas por partida foram coletadas (em especial para times de Copa do Mundo, vistos mais adiante).

Por que peso minoritário

O xG é mais afiado, mas ainda é um sinal de mais ou menos uma temporada, com seu próprio ruído, e a cobertura é irregular. Deixá-lo cutucar em vez de dominar mantém o modelo robusto: quando o xG é bom, ele ajuda; quando é escasso ou ausente, nada quebra.

O xG é uma lente de qualidade, não um substituto. Ele afia a estimativa de gols onde existe e sai de cena em silêncio onde não existe.