Cómo leer estadísticas de fútbol para apostar mejor
xG, posesión, tiros al arco, PPDA: qué estadísticas realmente predicen goles y cuáles son ruido. Guía para pasar de mirar tablas a usarlas para encontrar value bets.
title: "Cómo leer estadísticas de fútbol para apostar mejor" description: "xG, posesión, tiros al arco, PPDA: qué estadísticas realmente predicen goles y cuáles son ruido. Guía para pasar de mirar tablas a usarlas para encontrar value bets." publishedAt: "2026-05-28" updatedAt: "2026-05-28" author: "Equipo Otro Level" cluster: "Estadísticas" tags:
- estadísticas futbol
- xG
- expected goals
- análisis deportivo
- value betting coverImage: "/og-default.png"
Hay una diferencia enorme entre leer estadísticas de fútbol y entenderlas. La mayoría de los apostadores cae en una trampa: usa números para justificar lo que ya cree, en lugar de usarlos para falsificar sus predicciones.
Esta guía explica qué estadísticas tienen poder predictivo real y cómo incorporarlas a un proceso de apuestas.
Las estadísticas que no sirven para apostar
Antes de las que sí sirven, las que no:
Posesión del balón — Tener la pelota no predice goles. El Manchester City con 70% de posesión puede perder 1-0 contra un equipo que juega en bloque bajo. La posesión es ruido salvo que la combines con zonas de posesión y progresión.
Tiros totales — Un equipo puede tener 20 tiros y convertir 0, o 3 tiros y hacer 2 goles. Los tiros sin ajustar por calidad de ocasión son un indicador pobre.
Corners — Correlacionan vagamente con dominio del partido, pero no con goles. Existe un mercado de corners en casas de apuestas por una razón: es fácil engañar con el número bruto.
Tarjetas — No tienen poder predictivo sobre el resultado final. Solo afectan la probabilidad de resultado si una es roja y cambia el balance de la expulsión.
Las estadísticas que sí importan
xG (Expected Goals)
Es la estadística con mayor poder predictivo individual. Asigna a cada remate una probabilidad de gol basada en:
- Posición del remate (distancia al arco, ángulo)
- Tipo de acción (cabezazo, tiro de pie, penal)
- Qué tan asistido fue el remate (¿fue un mano a mano? ¿una jugada combinada?)
Un equipo que genera 2.1 xG por partido durante 10 fechas y marca 1.0 goles reales probablemente tiene un arquero rival con sobrerendimiento o delanteros que están underperforming sus chances. Eso es información.
Cómo usarlo:
- xG for (xGF): goles esperados que genera el equipo en ataque
- xG against (xGA): goles esperados que concede el equipo en defensa
- La diferencia (xGD) es un mejor predictor de resultados futuros que los goles reales
PPDA (Passes Allowed Per Defensive Action)
Mide la intensidad del pressing. Si un equipo hace una acción defensiva (tackle, intercepción, falta) cada 5 pases del rival, su PPDA es 5. Un PPDA bajo (4-6) indica pressing alto. Un PPDA alto (10+) indica bloque bajo.
Sirve para evaluar si un equipo que "presiona mucho" puede sostener ese pressing durante 90 minutos, o si se expone a transiciones.
Eficiencia de presión vs. PPDA del rival
Cuando dos equipos tienen estilos muy distintos (uno presiona, el otro espera), el partido puede ser estadísticamente predecible en términos de goles. Un equipo que presiona alto contra un equipo con salida larga directa va a generar más segundas pelotas. Eso se puede modelar.
xA (Expected Assists) y xG de segunda instancia
Un delantero con muchos xG no explicados por remates propios puede estar generando para compañeros. xA mide la calidad de los pases que terminan en remate.
Cómo leer una tabla de estadísticas paso a paso
Supongamos que querés evaluar un partido: Arsenal vs. Chelsea.
Paso 1 — Forma reciente (últimas 5-7 fechas)
No uses la tabla general de la temporada. Importa la forma reciente porque los planteles cambian, las tácticas se ajustan y hay lesiones.
Buscá xGF y xGA de los últimos 5 partidos, separados por condición (local y visitante si el partido es de local, etc.).
Paso 2 — Ajuste por rival
Los xG no son todos iguales. Si Arsenal generó 2.5 xG contra los tres últimos del campeonato, eso no es lo mismo que 2.5 xG contra el Liverpool. Idealmente querés ajustar por la fortaleza del rival.
Paso 3 — Calcular λ (goles esperados)
Con los xG ajustados, calculás:
λ_home = (xGF_home_recent / promedio_liga) × (xGA_away_recent / promedio_liga) × promedio_liga
λ_away = (xGF_away_recent / promedio_liga) × (xGA_home_recent / promedio_liga) × promedio_liga
Este es exactamente el modelo Dixon-Coles simplificado.
Paso 4 — Distribuir probabilidades
Con λ_home y λ_away tenés dos distribuciones de Poisson. La convolucionás para obtener la probabilidad de cada marcador (0-0, 1-0, 1-1, 2-0, etc.) y de ahí calculás cualquier mercado: 1X2, Over/Under, BTTS.
Paso 5 — Comparar con la cuota
Si tu probabilidad para Over 2.5 es 55% y la cuota del Over implica 48%, hay un edge de +7 puntos. Eso puede ser value.
Fuentes de datos de fútbol
Para hacer este análisis necesitás datos. Las opciones más accesibles:
- Understat — xG por equipo y por jugador para las ligas top, gratis
- FBRef — estadísticas avanzadas con xG, PPDA y más, gratis pero lento
- WhoScored — ratings y stats básicos
- Football-data.org — resultados históricos con cuotas, API gratis hasta cierto límite
El procesamiento es la parte difícil. Normalizar xG entre temporadas, corregir el sesgo de partidos con rojos o penalties, ajustar por altitud o condiciones climáticas — eso requiere trabajo de datos que la mayoría de apostadores no hace.
El límite de las estadísticas
Las estadísticas históricas predicen probabilidades, no resultados. Un equipo con xGF de 2.1 en sus últimas 5 fechas puede perder 0-3 el próximo partido porque Mbappé tuvo un día excepcional. Eso no invalida el modelo — valida la varianza.
La ventaja del enfoque estadístico no está en acertar cada partido. Está en hacer apuestas con valor positivo a largo plazo. Si apostás 100 veces con un edge promedio de +5% sobre la cuota, la varianza a corto plazo va a existir, pero la expectativa matemática es favorable.
Eso es todo lo que podés pedir a un proceso.
En Otro Level el modelo procesa xGF/xGA reciente, PPDA y forma histórica para cada equipo antes de cada jornada. Los picks resultantes aparecen en el escáner con EV calculado. El track record es público.
¿Querés probar lo que leíste en una app real? Entrá a Otro Level.