📊 statistics

Leicester's Tale: Another Perspective on the EPL 2015/16 Through Expected Goals (xG) Modelling

Este estudio utiliza un modelo probabilístico basado en goles esperados (xG) para analizar la temporada 2015/16 de la Premier League, demostrando que, aunque el título histórico del Leicester City fue un evento estadístico improbable, su éxito no estuvo completamente desconectado de su rendimiento real, lo que valida a los modelos xG como herramientas útiles para diagnósticos tempranos y líneas base probabilísticas en lugar de predictores infalibles de resultados raros.

Autores originales: Sheikh Badar Ud Din Tahir, Leonardo Egidi, Nicola Torelli

Publicado 2026-02-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sheikh Badar Ud Din Tahir, Leonardo Egidi, Nicola Torelli

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como una historia de detectives, pero en lugar de resolver un crimen, intentan descifrar el mayor misterio del fútbol moderno: ¿Cómo es posible que el Leicester City, un equipo "de barrio" con pocas estrellas, ganara la Premier League en 2016?

Aquí tienes la explicación de la investigación, traducida a un lenguaje sencillo y con analogías de la vida cotidiana.

🕵️‍♂️ El Misterio: La Aposta Imposible

Imagina que vas a una carrera de caballos. Todos los expertos y las casas de apuestas dicen que el caballo "Leicester" tiene una probabilidad de ganar de 1 entre 5,000. Es como si alguien te dijera: "Es más probable que ganes la lotería tres veces seguidas".

Sin embargo, Leicester no solo ganó, sino que lo hizo de forma espectacular. La gente se preguntó: ¿Fue pura suerte? ¿Fue magia? ¿O hubo algo que los modelos tradicionales no vieron?

🎯 La Herramienta: El "Ojo de Halcón" (xG)

Los autores del estudio no miraron solo los goles (el resultado final), sino que usaron una herramienta llamada xG (Goles Esperados).

La analogía: Imagina que eres un entrenador de béisbol. Si un bateador golpea la pelota muy fuerte y le da justo en el centro del campo, pero el portero la atrapa, no cuenta como gol. Pero, ¿fue un buen golpe? ¡Sí!
El xG es como un ojo de halcón que analiza cada disparo y le da una "calificación de calidad" del 0 al 1.
- Si un jugador dispara desde fuera del área, el xG es bajo (ej. 0.05). Es como intentar encestar una pelota de baloncesto desde la otra punta de la cancha: difícil.
- Si un jugador está frente a la portería vacía, el xG es alto (ej. 0.90). Es como tener la pelota en la mano y solo empujarla al arco: casi seguro.

El estudio dice: "No nos fijemos solo en cuántos goles metieron, sino en cuántas oportunidades 'fáciles' crearon".

🎲 El Experimento: La Máquina del Tiempo

Los investigadores tomaron los datos de la primera mitad de la temporada (cuando Leicester iba segundo en la tabla, pero no era el favorito) y usaron una computadora para simular el resto de la temporada 1,000 veces.

Fue como si tuvieras una máquina del tiempo que podía jugar el resto de la liga una y otra vez, cambiando solo el factor "suerte" (quién ataja, quién falla, el rebote), pero manteniendo la calidad de los disparos (el xG) igual.

🔍 Lo que Descubrieron: Tres Lecciones Importantes

1. La Suerte es un "Ruido" en la Radio

En el fútbol, a veces un equipo juega muy bien (crea muchas oportunidades de calidad) pero no marca goles por mala suerte. Otras veces, un equipo juega mal pero marca de milagro.

La analogía: Imagina que tienes un coche muy potente (buen xG) pero a veces el motor falla (mala suerte). O tienes un coche viejo (mal xG) pero el conductor es un genio y gana carreras.
El hallazgo: El Leicester City tenía un "motor" muy potente a mitad de temporada. Sus disparos eran de alta calidad. Por eso, aunque ganar el título era improbable, no era imposible. Su éxito no fue magia pura; fue una combinación de jugar bien y tener una racha de suerte increíble.

2. El xG es una "Búho de Advertencia"

El estudio muestra que el xG funciona mejor como una señal de alarma temprana que como una bola de cristal.

La analogía: Piensa en el xG como un termómetro. Si la temperatura sube mucho (el equipo crea muchas oportunidades), sabes que hay riesgo de una "fiebre" (ganar mucho). Pero el termómetro no te dice exactamente cuándo te vas a enfermar o si te vas a curar.
El hallazgo: A mitad de temporada, el modelo dijo: "Ojo, Leicester está jugando muy bien. Tienen un 16% de posibilidades de ganar el título". Para los estándares de la época, eso es mucho (¡era un 1 en 6!). El modelo detectó que algo especial estaba pasando antes de que todos se dieran cuenta.

3. La Tabla de Posiciones Miente (A veces)

La tabla de posiciones es como la nota final de un examen. Te dice quién aprobó, pero no te dice si el estudiante estudió mucho y tuvo mala suerte, o si estudió poco y adivinó todas las respuestas.

El hallazgo: El estudio demostró que el xG puede predecir quién debería estar arriba basándose en su rendimiento real, incluso si la tabla de posiciones (los puntos reales) dice otra cosa. Leicester estaba en la parte alta de la "calidad de juego" incluso antes de ganar el título.

🏁 Conclusión: ¿Fue un Milagro?

El estudio concluye que el título del Leicester City fue un evento estadístico raro, pero no un milagro desconectado de la realidad.

La analogía final: Imagina que lanzas una moneda al aire. Si sale "cara" 10 veces seguidas, es raro, pero posible. El Leicester City fue como esa moneda que salió "cara" una y otra vez. El modelo de los autores nos dice que, si miras la calidad de los lanzamientos (los disparos), verás que tenían muchas más "caras" de las que la gente creía.

En resumen:
Este papel nos enseña que en el fútbol, la suerte es real, pero el talento (medido por oportunidades de gol) es lo que construye la base. El Leicester City no ganó por arte de magia; ganó porque jugó muy bien y la suerte le sonrió en los momentos más críticos. El modelo de "Goles Esperados" nos ayuda a ver esa base sólida antes de que ocurra la magia.

Resumen Técnico: Leicester's Tale – Modelado de xG para la EPL 2015/16

1. Planteamiento del Problema

El fútbol es un deporte inherentemente incierto, donde los resultados puntuales (goles) a menudo no reflejan fielmente el rendimiento subyacente de un equipo debido a la varianza aleatoria, la suerte en la finalización o errores defensivos. Aunque los modelos de Goles Esperados (xG) son herramientas estándar para evaluar la calidad de las oportunidades, la literatura existente se centra principalmente en estimaciones puntuales de rendimiento o en la predicción de resultados individuales de partidos.

Existe una brecha significativa en la comprensión de cómo los modelos de xG pueden:

Cuantificar la incertidumbre en el ranking a nivel de temporada completa.
Evaluar si los modelos probabilísticos pueden reflejar resultados raros (como el título de Leicester City en 2015/16) asignando probabilidades significativas a eventos extremos.
Funcionar como señales de diagnóstico ex ante (antes del hecho) utilizando solo información de mitad de temporada, en lugar de ser meros predictores deterministas ex post.

2. Metodología

Los autores desarrollan un marco probabilístico basado en inferencia que transforma datos de nivel de tiro (shot-level) en simulaciones de temporada completa. El proceso se divide en las siguientes etapas:

A. Fuente de Datos y Ingeniería de Características

Datos: Se utilizó el conjunto de datos de la Premier League 2015/16 (380 partidos, 20 equipos), incluyendo datos de nivel de partido y eventos detallados (tiros, asistencias, ubicación, etc.).
Características (Features): Se extrajeron variables de nivel de tiro para modelar la probabilidad de gol. Estas incluyen:
- Ubicación: Zonas de distancia (cercana, media, fuera del área, larga) y zonas granulares (centro, lados, punto penal).
- Tipo de tiro: Pie (izquierdo/derecho), cabeza.
- Contexto: Juego abierto, jugada a balón parado, contraataque, tipo de asistencia.
Modelo de xG: Se empleó una regresión logística (modelo de clasificación binaria) para estimar la probabilidad $p_i$ $p_{i}$ de que un tiro $i$ $i$ sea un gol. Se compararon tres especificaciones:
1. Modelo Base (zonas de distancia).
2. Modelo de Interacción (interacción entre zona de distancia y parte del cuerpo).
3. Modelo Granular (Óptimo): Utiliza zonas espaciales más detalladas. Este modelo obtuvo el mejor ajuste según el Criterio de Información de Akaike (AIC) y la desviación residual.

B. Marco de Simulación de Temporada

Proceso Poisson: Una vez calculado el xG para cada tiro, se agregaron a nivel de equipo para obtener intensidades de ataque ( $xG_{for}$ ) y defensa ( $xG_{against}$ ).
Simulación: Se utilizaron distribuciones de Poisson parametrizadas para simular los resultados de los partidos restantes.
- Enfoque Ex Ante: Se simuló la segunda mitad de la temporada utilizando únicamente los datos de xG de la primera mitad (19 partidos) para evaluar la capacidad predictiva temprana.
- Enfoque Ex Post: Se realizó una simulación retrospectiva con datos de toda la temporada para establecer un límite superior de ajuste del modelo.
Repetición: Se ejecutaron 1,000 simulaciones de la temporada completa para generar distribuciones de puntos, rangos y probabilidades de títulos/relegación.

3. Contribuciones Clave

Cuantificación de la Incertidumbre del Ranking: El estudio no solo predice el ganador, sino que modela la distribución completa de los resultados posibles, demostrando que la posición final en la tabla puede desviarse significativamente del rendimiento subyacente (xG).
Validación de Señales de Diagnóstico Temprano: Demuestra que el xG acumulado a mitad de temporada es un predictor robusto del rendimiento futuro, incluso controlando por la posición actual en la tabla.
Análisis de Resultados Raros: Proporciona un marco para analizar eventos extremos (como el título de Leicester) no como anomalías inexplicables, sino como resultados de la cola superior de una distribución probabilística.
Pipeline Analítico Transparente: Ofrece un flujo de trabajo reproducible que combina ingeniería de características específicas del dominio (zonas espaciales, contexto táctico) con simulaciones estocásticas.

4. Resultados Principales

Rendimiento del Modelo (Ex Post):
- El modelo basado en xG de toda la temporada capturó la estructura general de la tabla con alta precisión (Correlación de Spearman $\rho \approx 0.83$ para rangos).
- Sin embargo, incluso con información completa, el título de Leicester City permaneció en la cola extrema de la distribución, confirmando que es un evento de baja probabilidad pero no imposible.
Análisis de Mitad de Temporada (Ex Ante):
- Correlación con Rendimiento Futuro: Existe una relación monótona clara entre el xG de la primera mitad y los puntos acumulados en la segunda mitad.
- Diagnóstico de Leicester: A mitad de temporada, Leicester City estaba 2º en puntos pero 4º en xG. A pesar de esto, el modelo les asignó una probabilidad de título del 16.7% y una probabilidad de Top 4 superior al 80%. Su posición media simulada fue 3.12.
- Interpretación: Esto indica que el éxito de Leicester no fue puramente una anomalía estadística desconectada de su rendimiento, sino un resultado factible (aunque improbable) dentro de la distribución de probabilidad definida por su calidad subyacente.
- Otros Equipos: Equipos como Arsenal y Manchester City mostraron las probabilidades de título más altas (49% y 26.6% respectivamente), mientras que equipos como Aston Villa mostraron probabilidades de relegación superiores al 90%, alineándose con sus resultados reales.
Incertidumbre y Varianza:
- Los equipos de la parte alta y baja de la tabla mostraron curvas de rango más estables en las simulaciones.
- Los equipos de mitad de tabla exhibieron una mayor variabilidad, reflejando la mayor incertidumbre competitiva en esas posiciones.

5. Significado y Conclusión

El estudio concluye que los modelos de Goles Esperados (xG) funcionan mejor como líneas base probabilísticas para el análisis y el diagnóstico temprano que como predictores deterministas de resultados de temporada raros.

Valor Práctico: El xG permite identificar la "fuerza estructural" de un equipo antes de que los resultados finales se materialicen, actuando como una señal de alerta temprana para tendencias de rendimiento.
Naturaleza del Fútbol: La investigación subraya que la aleatoriedad y la varianza en la finalización son componentes inherentes del fútbol. Un modelo probabilístico no debe eliminar esta varianza, sino cuantificarla.
Lección de Leicester: El título de Leicester City 2015/16 se reinterpreta no como un fallo del modelo, sino como una realización de la cola superior de una distribución donde el equipo tenía una base de rendimiento sólida que, combinada con una eficiencia de finalización superior a la media y eventos estocásticos favorables, resultó en un campeonato histórico.

El marco propuesto sugiere que, para mejorar la predicción futura, sería necesario incorporar características contextuales adicionales (presión defensiva, posición del portero) y modelos de secuencia que capturen la dinámica del juego más allá de los tiros individuales.