O que é xG e porque importa para apostar na Liga Portugal
A primeira vez que olhei para um mapa de xG de um jogo da Liga Portugal, pensei: “Isto é bonito, mas serve para quê?” O Benfica tinha ganho 1-0, mas o mapa mostrava um xG de 0.8 para o Benfica e 1.4 para o adversário. A equipa que menos merecia ganhar, segundo os dados, tinha vencido. Nas semanas seguintes, esse adversário ganhou três jogos consecutivos, e o Benfica perdeu dois. O xG tinha-me dito a verdade antes dos resultados a confirmarem.
Expected Goals, ou xG, é uma métrica que atribui uma probabilidade de golo a cada remate, com base na posição, ângulo, tipo de remate e contexto do lance. Um remate do meio da grande área, de pé, sem pressão defensiva, pode ter um xG de 0.35. Um cabeceamento fora da área, em desequilíbrio, pode valer 0.02. Somando todos os remates de uma equipa num jogo, obtemos o xG total, uma estimativa de quantos golos a equipa “deveria” ter marcado.
Na Liga Portugal, com uma média de 2.69 golos por jogo e 776 golos em 288 partidas nesta temporada, o xG é particularmente útil para separar desempenho sustentável de resultados sorteados. Uma equipa com xG consistentemente acima dos golos reais está a ter azar, e, probabilisticamente, vai melhorar. O contrário também é verdade. Para o apostador, essa discrepância é ouro.
Fontes de dados xG para a Primeira Liga
A Liga Portugal e a Liga dos Campeões são as duas competições de futebol mais apostadas em Portugal — 11.4% e 9.3% do total de apostas no futebol no terceiro trimestre de 2025, segundo a SRIJ e a Rádio Renascença. Com este volume, seria de esperar uma abundância de dados xG de qualidade. A realidade é mais matizada.
As plataformas que cobrem a Liga Portugal com dados xG dividem-se em três categorias. As plataformas globais de referência, como o FBref, que utiliza dados da StatsBomb, e o Understat — cobrem a Primeira Liga com modelos xG robustos, actualizados por jornada. Estas são as fontes que uso como base para qualquer análise, porque os modelos são transparentes e consistentes ao longo da temporada.
As plataformas especializadas em apostas, como o FootyStats ou o SofaScore — oferecem xG com uma camada de interpretação orientada para mercados de apostas. A vantagem é que traduzem o xG em probabilidades implícitas e sugerem mercados. A desvantagem é que os modelos proprietários são menos transparentes, o que dificulta a validação independente.
Depois há os dados dos próprios operadores e das ligas. Alguns operadores licenciados em Portugal começaram a integrar métricas de xG nas suas plataformas de apostas ao vivo. A qualidade varia, mas a tendência é clara: o xG deixou de ser uma curiosidade estatística e passou a ser uma ferramenta de mercado. O apostador que ignora o xG compete em desvantagem contra quem o utiliza.
Como interpretar xG para decisões de apostas
Ter acesso ao xG é fácil. Interpretá-lo corretamente para apostas é outra questão. Aqui é onde a experiência faz a diferença.
O princípio fundamental é a regressão à média. Se uma equipa marca consistentemente mais golos do que o seu xG sugere, está a sobre-performar, e essa sobre-performance tende a corrigir-se. O inverso também: uma equipa cujo xG é superior aos golos reais está a sub-performar e tenderá a marcar mais no futuro. Na Liga Portugal, este fenómeno é especialmente visível em equipas de meio da tabela com plantéis menos profundos, onde a variância individual (um avançado em grande forma ou um guarda-redes em crise) distorce os resultados a curto prazo.
O Porto, com a melhor defesa da liga. 15 golos sofridos em 32 jornadas, segundo o zerozero.pt — é um caso interessante para análise de xG defensivo. Se o xGA (Expected Goals Against) do Porto for significativamente superior aos golos reais sofridos, isso pode indicar que o desempenho do guarda-redes está acima do sustentável, ou que a equipa tem tido sorte em lances de bola parada. Ambos os cenários sugerem cautela nos mercados de Under para o futuro próximo.
Luís Suárez, o melhor marcador da liga com 23 golos em 30 jogos pela mão da Academia das Apostas, é outro caso de estudo. Se o xG acumulado de Suárez for próximo dos 23, a eficiência é sustentável e o mercado de “Suárez marca a qualquer momento” mantém-se atrativo. Se o xG for consideravelmente inferior, digamos, 17 ou 18 — parte dos golos resultou de lances de baixa probabilidade, e a tendência é de correção descendente.
Para aplicar o xG nas apostas da Liga Portugal, uso um processo de três passos. Primeiro, comparo o xG das últimas cinco jornadas com os golos reais para cada equipa envolvida no jogo. Segundo, verifico se há uma discrepância significativa (mais de 20% entre xG e golos reais) que sugira sobre ou sub-performance. Terceiro, cruzo essa informação com as odds oferecidas para o mercado de golos, se as odds refletem os golos reais mas não o xG, há valor potencial. É um método simples, replicável e que tem produzido resultados consistentes ao longo das temporadas.
Limitações do xG nas apostas da Liga Portugal
Se o xG fosse perfeito, todos os apostadores que o usam seriam ricos. Não são. E há razões concretas para isso.
A primeira limitação é que o xG não captura a qualidade do finalizador. Um remate de dentro da área pequena tem o mesmo xG independentemente de quem o executa. Mas na Liga Portugal, a diferença entre um avançado titular do Sporting e um ponta-de-lança de uma equipa recém-promovida é enorme em termos de capacidade de finalização. Os modelos mais avançados tentam corrigir isto com métricas como npxG (non-penalty expected goals) e xGOT (expected goals on target), mas nenhuma plataforma gratuita oferece esta granularidade para todos os jogos da Primeira Liga.
A segunda limitação é contextual. O xG não sabe se o jogo é um dérbi, se a equipa está a jogar com dez jogadores desde os 15 minutos, ou se chove torrencialmente no Bessa. Estes fatores contextuais influenciam a qualidade dos lances de forma que nenhum modelo estatístico capta integralmente.
A terceira limitação, específica da Liga Portugal, é a dimensão da amostra. Numa liga de 18 equipas com 34 jornadas, cada equipa joga 34 jogos por temporada. Para modelos estatísticos, 34 observações é uma amostra pequena, suficiente para identificar tendências, insuficiente para conclusões definitivas. Comparem com a Premier League (38 jogos) ou com competições com mais equipas: a margem de erro no xG da Liga Portugal é estruturalmente maior.
A minha recomendação: usar o xG como um dos inputs da decisão, nunca como o único. Cruzar com estratégias mais abrangentes, forma recente, contexto do jogo, movimentos de odds — produz resultados superiores a qualquer métrica isolada.
Como usar estatísticas de xG para apostar na Primeira Liga?
Comparar o xG acumulado das últimas jornadas com os golos reais de cada equipa. Se houver uma discrepância superior a 20%, há sinal de sobre ou sub-performance que tende a corrigir-se. Cruzar essa informação com as odds oferecidas nos mercados de golos permite identificar valor — especialmente quando as odds refletem os golos reais mas não o desempenho esperado.
Quais são as melhores fontes gratuitas de xG para a Liga Portugal?
O FBref, que utiliza dados StatsBomb, e o Understat são as referências principais com modelos transparentes e cobertura da Primeira Liga. O SofaScore e o FootyStats oferecem xG com interpretação orientada para apostas. Nenhuma plataforma gratuita oferece todas as métricas avançadas para todos os jogos, pelo que cruzar duas ou três fontes é a abordagem mais fiável.