Estadisticas de la Ligue 1 para apostar — goles, xG y BTTS

Recuerdo el momento exacto en que dejé de fiarme de la intuición y empecé a mirar los números en serio. Era un Niza-Estrasburgo, temporada 2020-21. Mi lectura del partido decía under. Los datos decían over. Aposté con la intuición, perdí, y cuando revisé las estadísticas post-partido descubrí que el xG combinado de ambos equipos en sus últimos diez encuentros apuntaba claramente a más de 2,5 goles. Desde entonces, los datos van primero y la intuición — si acaso — va después.

La Ligue 1 generó 911 goles en 306 partidos durante la temporada 2024-25, una media de 2,98 por encuentro. Detrás de ese número hay una distribución desigual, patrones por equipo que se repiten jornada tras jornada, y métricas avanzadas que la mayoría de apostadores ni siquiera consulta. En este artículo voy a desgranar las estadísticas que realmente mueven las cuotas — no las que quedan bien en un titular, sino las que puedes usar para tomar decisiones con fundamento.

Hablo de xG, BTTS, PPDA, asistencia a estadios y, sobre todo, de cómo interpretar cada cifra sin caer en las trampas que el propio dato te tiende. Nueve años analizando la liga francesa me han enseñado que el dato correcto aplicado en el contexto equivocado hace tanto daño como no tener datos. Lo que sigue es el marco que utilizo cada semana antes de abrir una sola cuota.

Media de goles y distribución por jornada

911 goles en 306 partidos. Suena a fiesta, pero esconde una realidad que todo apostador necesita entender: esos goles no se reparten de forma uniforme. La media de 2,98 es un promedio que mezcla partidos de 5-2 con partidos de 0-0, y la varianza importa tanto como el promedio cuando estás eligiendo un mercado de over/under.

La distribución por jornada tampoco es plana. Tras analizar cinco temporadas consecutivas — las tres últimas con 18 equipos y las dos anteriores con 20 — he observado un patrón que se repite con consistencia: las primeras seis jornadas tienden a producir más goles que la media, las jornadas centrales (de la 12 a la 22) se acercan al promedio, y las últimas cuatro o cinco jornadas vuelven a desviarse, pero con mayor dispersión. Hay partidos de final de temporada que terminan 4-3 porque un equipo necesita puntuar desesperadamente, y otros que acaban 0-0 porque a ninguno le va nada.

¿Por qué importa esto para las apuestas? Porque la línea de over/under 2.5 no tiene el mismo valor en la jornada 3 que en la jornada 28. En las primeras jornadas, cuando las defensas aún no están acopladas y los recién ascendidos no han asimilado el ritmo de la categoría, la media goleadora suele estar entre 3,2 y 3,5. Apostar al over en ese periodo tiene sentido estadístico. En las jornadas finales, necesitas un análisis más granular: ¿quién se juega algo? ¿Quién tiene la temporada resuelta?

Desde la reducción a 18 equipos en 2023-24, la liga genera 306 partidos por temporada frente a los 380 anteriores. Eso implica un 19,5% menos de datos disponibles para cada equipo al final de la temporada, es decir, 34 partidos en lugar de 38. No parece mucho, pero para los modelos estadísticos esa reducción significa que las estimaciones de goles por equipo tienen un mayor intervalo de confianza. Dicho en plata: los datos de equipos individuales son menos fiables con 34 partidos que con 38, y eso debería hacerte más cauteloso al sacar conclusiones de medias por equipo, especialmente antes de la jornada 15.

Un último dato que me parece revelador: la correlación entre goles esperados (xG) y goles reales tiende a converger a partir de la jornada 12-14. Antes de ese punto, hay equipos que sobrerrinden (marcan más de lo que su xG predice) y equipos que subrinden. Esa divergencia temporal es una mina de valor si sabes leerla, porque las cuotas suelen basarse en los resultados reales — no en el xG — durante las primeras jornadas.

xG (expected goals): qué mide y cómo usarlo en apuestas

Si tuviera que elegir una sola métrica para apostar durante el resto de mi vida, elegiría el xG sin pensarlo un segundo. No porque sea perfecta — no lo es — sino porque es la herramienta que mejor separa la señal del ruido en el fútbol.

El xG, o expected goals, mide la calidad de las ocasiones de gol de un equipo. Cada disparo recibe una puntuación entre 0 y 1 basada en factores como la distancia a portería, el ángulo, si fue con el pie o con la cabeza, si venía de un contragolpe o de una jugada posicional, y si el portero estaba colocado. Un penalti tiene un xG de aproximadamente 0,76. Un disparo desde 30 metros con el portero bien colocado puede tener un xG de 0,03. La suma del xG de todos los disparos de un equipo en un partido te da una medida de cuántos goles «debería» haber marcado en función de la calidad de sus ocasiones.

¿Dónde está la utilidad para el apostador? En la brecha entre xG y goles reales. Un equipo que marca 12 goles en las primeras ocho jornadas pero tiene un xG acumulado de 8,5 está sobrerrindiendo, convirtiendo ocasiones a un ritmo superior al esperado, probablemente por una combinación de calidad individual del delantero y suerte. Ese sobrerrendimiento es insostenible a medio plazo. Las cuotas, sin embargo, suelen ajustarse a los resultados reales (12 goles), no al xG (8,5), lo que genera oportunidades de valor apostando contra ese equipo antes de que la regresión a la media corrija la situación.

José Manuel Vargas lo formuló de una manera que comparto plenamente: cada jornada ofrece oportunidades únicas si sabes leer entre líneas. El xG es la herramienta para esa lectura. Cuando un equipo genera un xG de 2,3 por partido pero solo marca 1,1, tienes un candidato a mejorar sus resultados. Cuando otro genera 0,8 de xG pero marca 1,5, tienes un candidato a empeorar. Esa asimetría es dinero si la detectas antes que el mercado.

Una advertencia necesaria: el xG no es infalible. La métrica no captura bien las jugadas a balón parado (donde la calidad de ejecución individual pesa más que la posición del disparo), ni los equipos con un nivel de finalización consistentemente superior a la media por tener delanteros de élite. En la Ligue 1, el PSG es el ejemplo clásico de un equipo cuyo xG subestima sistemáticamente su producción goleadora real porque tiene jugadores capaces de convertir disparos de baja probabilidad con regularidad. Para el resto de equipos, el xG funciona como brújula fiable. Si quieres ver cómo estas métricas encajan en un marco más amplio de análisis de la liga francesa, la guía completa para apostar en la Ligue 1 conecta estadísticas, finanzas y mercados en un solo recurso.

BTTS en números: frecuencia, equipos y patrones

170 de 306 partidos. Más de la mitad de los encuentros de la temporada 2024-25 terminaron con ambos equipos marcando. No es una anomalía de un solo año: la tasa BTTS de la Ligue 1 se ha mantenido consistentemente por encima del 50% en las últimas cuatro temporadas, lo que convierte este dato en una característica estructural de la competición, no en una fluctuación.

Lo interesante no es solo la cifra global, sino cómo se distribuye entre equipos. Los datos revelan tres perfiles claros. Primero, los «generadores de BTTS»: equipos que marcan con facilidad pero también encajan con frecuencia, típicamente situados entre el cuarto y el décimo puesto, con una tasa BTTS en sus partidos superior al 65%. Segundo, los «bloqueadores»: equipos defensivos, generalmente del tercio inferior, cuyo porcentaje BTTS ronda el 40-45% porque sus partidos tienden al 1-0 o al 0-0. Tercero, el PSG, que es una categoría aparte: marca casi siempre pero la probabilidad de que su rival anote depende más del contexto del partido que de la calidad del oponente.

Para el apostador, la clave está en cruzar los perfiles de los dos equipos que se enfrentan. Dos «generadores» ofrecen una probabilidad BTTS que puede superar el 70%. Un «generador» contra un «bloqueador» baja al 45-50%. Dos «bloqueadores» entre sí pueden caer al 35%. Las cuotas de BTTS en el mercado no siempre reflejan estas diferencias con precisión, especialmente en partidos de media tabla que reciben menos atención de los analistas de los operadores.

Un matiz que he aprendido a valorar con los años: la tasa BTTS de un equipo como local suele diferir de su tasa como visitante. Los equipos que juegan con más intensidad ofensiva en casa — empujados por la presión del público — tienden a generar más partidos con goles en ambas porterías, porque su agresividad deja espacios atrás. En cambio, como visitantes, esos mismos equipos pueden replegarse y producir partidos más cerrados. Ignorar la distinción local/visitante al analizar el BTTS es un error que cometen incluso apostadores con experiencia.

Asistencia récord y factor campo en la Ligue 1

Cuando empecé a seguir la Ligue 1, los estadios franceses tenían fama de medio vacíos. Esa imagen ya no corresponde con la realidad. La temporada 2024-25 rompió todos los récords históricos con una media de 27 948 espectadores por partido y un acumulado de 8,55 millones de aficionados en las gradas a lo largo de la temporada, un 3% más que la campaña anterior. Cinco clubes superaron la barrera de los 35 000 espectadores de media: Marsella, Lyon, PSG, Lille y Lens. El número de abonados de temporada alcanzó los 320 000, un 4% más.

¿Y qué tiene esto que ver con las apuestas? Más de lo que la mayoría cree. La tasa de ocupación de estadios de la Ligue 1 alcanzó un récord del 85,4% en la temporada 2023-24, con ocho clubes llenando al menos el 90% de su aforo. Esa presión ambiental se traduce en datos medibles: los equipos locales en estadios con ocupación superior al 85% ganan con más frecuencia, conceden menos tarjetas amarillas y fuerzan más errores del visitante en la primera media hora del partido.

El Vélodrome de Marsella es el ejemplo extremo. Con más de 60 000 espectadores de media y un ambiente que los propios jugadores rivales reconocen como intimidante, el rendimiento del Olympique de Marsella como local supera consistentemente su rendimiento como visitante por un margen más amplio que el de cualquier otro club de la liga. Apostar a favor del Marsella en casa sin tener en cuenta este factor es desperdiciar una ventaja informativa gratuita.

Mi recomendación práctica: incorpora la asistencia media y la tasa de ocupación del estadio como variables en tu modelo de predicción. No como factor principal — el xG y la forma reciente pesan más — sino como variable de ajuste que puede mover tu estimación de probabilidad un 3-5% en partidos donde la diferencia de ambiente entre local y visitante es significativa. En una liga donde las cuotas se deciden a menudo por márgenes del 2-3%, ese ajuste marca la diferencia entre encontrar valor y no encontrarlo.

PPDA y presión alta: la métrica olvidada en apuestas

El PPDA — passes per defensive action, o pases permitidos por acción defensiva — es la métrica que más he tardado en incorporar a mi análisis y la que más rendimiento me ha dado una vez que lo hice. Mientras todo el mundo mira goles y xG, el PPDA te cuenta una historia completamente diferente: cómo presiona un equipo y qué tipo de partido genera.

El concepto es simple. Cuentas los pases que el equipo rival completa en su propia mitad de campo antes de que tu equipo realice una acción defensiva (entrada, intercepción, falta). Un PPDA bajo — digamos 8 o 9 — indica que el equipo presiona alto y agresivo, recuperando el balón rápidamente en campo contrario. Un PPDA alto — 14 o más — indica un equipo que espera replegado, deja al rival construir y busca transiciones.

¿Qué revela esto para las apuestas? Los equipos con PPDA bajo tienden a generar partidos con más acciones de peligro en ambas porterías: presionan, roban, atacan rápido, pero también dejan espacios cuando la presión falla. Ese perfil correlaciona positivamente con partidos de over y BTTS. Los equipos con PPDA alto generan partidos más cerrados, con menos ocasiones totales pero también con menos goles encajados. Ese perfil apunta a under y a resultados ajustados.

En la Ligue 1, los estilos de presión varían más que en otras ligas europeas, en parte porque la desigualdad financiera impide a muchos equipos sostener un estilo de presión alta durante 90 minutos. Solo tres o cuatro clubes tienen la plantilla para presionar consistentemente con PPDA por debajo de 10 durante toda la temporada. El resto oscila entre fases de presión y fases de repliegue, y esa oscilación es la que genera oportunidades: un equipo que presiona alto como local pero se repliega como visitante tiene dos perfiles de apuesta completamente distintos según juegue en casa o fuera.

Mi uso práctico: cruzo el PPDA del equipo local con el del visitante antes de cada apuesta. Si ambos equipos tienen PPDA bajo, busco over y BTTS. Si el local tiene PPDA bajo y el visitante alto, busco victoria local con margen (handicap). Si ambos tienen PPDA alto, busco under o empate. No es una regla infalible — ninguna lo es — pero añade una capa de información que el mercado no incorpora del todo.

Leer los datos sin caer en la trampa del tamaño muestral

Hace dos temporadas cometí un error que me costó dinero y orgullo a partes iguales. Un equipo recién ascendido había ganado cuatro de sus primeros seis partidos y su media de goles a favor superaba los 2,0 por encuentro. Mi modelo le daba un perfil ofensivo agresivo y aposté al over en tres de sus siguientes cuatro partidos. Perdí las tres apuestas. ¿El problema? Cuatro victorias en seis partidos con un equipo de 34 jornadas por delante son ruido disfrazado de tendencia. Necesité recordar por las malas que seis partidos no son una muestra, sino una anécdota.

El tamaño muestral es el talón de Aquiles de todo análisis estadístico aplicado a las apuestas, y en la Ligue 1 el problema se acentúa desde la reducción a 18 equipos. Con 34 jornadas por temporada, cada equipo disputa 17 partidos como local y 17 como visitante. Si quieres analizar el rendimiento local de un equipo con un mínimo de fiabilidad estadística, necesitas al menos diez partidos — y eso solo te deja siete para confirmar o revisar la tendencia antes de que acabe la temporada.

Mi regla de mínimos: no saco conclusiones sobre el perfil de un equipo hasta la jornada 10. Antes de ese punto, uso los datos de la temporada anterior como base y ajusto gradualmente con los nuevos resultados, dando más peso a los datos frescos a medida que se acumulan. Es lo que en estadística se llama un enfoque bayesiano: partes de una creencia previa (la temporada anterior) y la actualizas con la evidencia nueva (los resultados actuales). No necesitas saber estadística formal para aplicarlo; solo necesitas resistir la tentación de sobreinterpretar cinco o seis partidos.

Otro sesgo frecuente: confundir correlación con causalidad. Si un equipo gana tres partidos consecutivos después de cambiar de entrenador, la narrativa inmediata es que el cambio ha funcionado. Pero tres partidos no prueban nada — pueden reflejar un calendario favorable, un rival debilitado por lesiones o simplemente varianza aleatoria. Antes de ajustar tu modelo por un cambio de entrenador, espera al menos ocho partidos para evaluar si el cambio ha producido una mejora medible en xG, PPDA o porcentaje de posesión en campo contrario.

La estadística en las apuestas no te da certezas, pero sí probabilidades mejor calibradas. Y una probabilidad bien calibrada, aplicada de forma consistente a lo largo de 306 partidos por temporada, es la única ventaja sostenible que un apostador puede tener sobre el mercado.

Preguntas frecuentes sobre estadísticas de la Ligue 1