Steekproefgrootte in voetbaldata: hoeveel data is genoeg?

De steekproefgrootte in voetbaldata is het aantal waarnemingen waarop een conclusie rust: wedstrijden, spelers, schoten of passes. Hoeveel daarvan genoeg is, hangt af van de vraag die wordt gesteld. Voor een eenvoudige vergelijking van twee groepen kunnen enkele tientallen wedstrijden volstaan. Een complex expected-goalsmodel heeft volgens onderzoek ongeveer vijf seizoenen aan schoten nodig, en een gedetailleerd Expected Threat-model ruim vijf seizoenen aan acties. Hieronder staat per type analyse wat de wetenschap zegt, welke factoren de benodigde omvang bepalen en hoe een kleine steekproef te herkennen is.

Kort samengevat

• Steekproefgrootte (n) is het aantal eenheden waarop een analyse rust. In het voetbal moet eerst worden bepaald wat die eenheid is: de speler, de wedstrijd of de losse gebeurtenis.
• Een complex xG-model verbeterde in onderzoek van de KU Leuven na vijf seizoenen aan data nog licht. Een Expected Threat-model met een raster van 16 bij 12 vakken vroeg om circa 3,35 miljoen datapunten, ongeveer 5,4 seizoenen.
• De vuistregel van 30 waarnemingen is in voetbalonderzoek vaak te krap. Kleine steekproeven leiden tot lage precisie, niet-herhaalbare resultaten en overschatte effecten.
• Meer metingen per speler kunnen het benodigde aantal spelers sterk verlagen: in één studie daalde dat van 122 naar 13.
• Een grote steekproef lost meetfouten en vertekening niet op. Representativiteit en datakwaliteit tellen even zwaar als omvang.

Inhoudsopgave

• Wat steekproefgrootte betekent bij voetbaldata
• Spelers, wedstrijden of gebeurtenissen: de eenheid van analyse
• Waarom 30 waarnemingen vaak niet genoeg is
• Hoeveel data voetbalmodellen nodig hebben
• Factoren die de benodigde steekproefgrootte bepalen
• Steekproeffout, meetfout en representativiteit
• Power of precisie: twee manieren om de omvang te kiezen
• Een stappenplan voor betrouwbare voetbalanalyse
• Perspectief
• Voetbaldata met context op BetsyScore
• Veelgestelde vragen
• Bronnen

Wat steekproefgrootte betekent bij voetbaldata

In de statistiek is een steekproef een deel van een populatie dat wordt onderzocht om iets over het geheel te zeggen. De steekproefgrootte, aangeduid als n, is het aantal eenheden of observaties in die steekproef.

In het voetbal is de populatie zelden een concrete groep mensen. Het gaat meestal om iets abstracts: het werkelijke afwerkvermogen van een spits, het ware niveau van een verdediging of de echte kans op een doelpunt vanaf een bepaalde plek. Elk gespeeld seizoen is daarvan een steekproef. Een spits die in een seizoen 15 keer scoort uit 60 schoten, laat één mogelijke uitkomst zien van wat hij met zijn kwaliteiten had kunnen bereiken. Een ander seizoen met dezelfde kwaliteiten kan er heel anders uitzien.

Daarom stellen analisten bij elk cijfer twee vragen:

1. Hoeveel waarnemingen liggen eronder? Een conversiepercentage over 20 schoten zegt minder dan hetzelfde percentage over 200 schoten.
2. Hoeveel ruis bevat het cijfer per waarneming? Doelpunten zijn zeldzaam en wisselvallig, passes zijn talrijk en stabieler. Hoe meer toeval per waarneming, hoe groter de steekproef moet zijn.

Dat verklaart waarom metrics als expected goals zijn ontstaan. Een xG-waarde gebruikt elk schot, ook de gemiste, en geeft daardoor sneller een stabiel beeld dan het aantal doelpunten. Wie het begrip wil opfrissen, vindt de basis in de uitleg over expected goals.

Spelers, wedstrijden of gebeurtenissen: de eenheid van analyse

Voordat de omvang van een steekproef iets betekent, moet vaststaan wat er wordt geteld. Voetbaldata kent drie gangbare niveaus.

De laatste valkuil wordt vaak onderschat. Een wedstrijd met 1.500 geregistreerde acties lijkt een grote steekproef, maar die acties zijn niet onafhankelijk van elkaar. Ze komen voort uit dezelfde twee ploegen, hetzelfde weer, dezelfde scheidsrechter en dezelfde wedstrijdstand. Wie op basis van drie wedstrijden met duizenden gebeurtenissen een algemene uitspraak doet, heeft in werkelijkheid een steekproef van drie. In de performance-analyse geldt daarom als uitgangspunt dat de hele wedstrijd de eenheid van analyse is wanneer de vraag over prestaties gaat, en dat losse gebeurtenissen pas als eenheid dienen wanneer ze over veel wedstrijden zijn verzameld.

Waarom 30 waarnemingen vaak niet genoeg is

In veel studieboeken en scripties duikt het getal 30 op als minimale steekproef. Die vuistregel komt voort uit de centrale limietstelling: bij ongeveer 30 waarnemingen gedraagt een gemiddelde zich in veel situaties redelijk normaal verdeeld. Dat zegt echter niets over de precisie van het resultaat.

Voor voetbal is die precisie juist het probleem. Hecksteden en collega’s (2021) beschrijven dat kleine steekproeven in voetbalonderzoek leiden tot onbesliste uitkomsten, lage precisie, ontdekkingen die niet herhaalbaar zijn en overschatte effectgroottes. Wanneer een kleinere steekproef onvermijdelijk is, bijvoorbeeld omdat een selectie nu eenmaal uit 25 spelers bestaat, adviseren zij transparantie in het onderzoeksplan en samenwerking met een ervaren statisticus.

Een rekenvoorbeeld met conversie

Stel dat een spits 10 procent van zijn schoten benut. Met een eenvoudige formule voor de standaardfout van een proportie (de wortel uit p × (1 − p) / n) is te berekenen hoe zeker dat cijfer is.

Bij 30 schoten is een conversie van 10 procent statistisch niet te onderscheiden van een afwerker van wereldklasse of van een spits die bijna nooit scoort. Pas bij honderden schoten wordt de marge smal genoeg om spelers zinvol te vergelijken. Dat verklaart waarom onderzoekers beperkte steekproeven en hoge variantie noemen als reden dat het verschil tussen doelpunten en xG een zwakke maatstaf is voor afwerkvermogen. Het verband tussen beide cijfers staat verder uitgewerkt in het artikel over xG en schoten op doel.

Hoeveel data voetbalmodellen nodig hebben

Voor wie zelf modellen bouwt, is de vraag niet hoeveel wedstrijden een uitspraak ondersteunen, maar hoeveel data een model nodig heeft om goed te leren. Twee studies geven concrete richtgetallen.

Expected goals

Robberechts en Davis (2020) van de KU Leuven onderzochten hoe de hoeveelheid beschikbare data de kwaliteit van xG-modellen beïnvloedt. Het antwoord hangt af van de complexiteit van het model en het aantal kenmerken. Voor een complex gradient-boostingmodel met geavanceerde kenmerken was na vijf seizoenen aan data nog een lichte verbetering zichtbaar. Een eenvoudiger model met alleen afstand en hoek tot het doel bereikt eerder zijn plafond, maar legt ook minder vast.

Expected Threat

Expected Threat (xT) kent elke zone van het veld een waarde toe op basis van de kans dat balbezit daar tot een doelpunt leidt. Hoe fijner het raster, hoe meer vakken een eigen schatting nodig hebben. Bruinsma (2026) berekende dat een xT-model met een raster van 16 bij 12 vakken ongeveer 3,35 miljoen datapunten vraagt, overeenkomend met 5,4 seizoenen, om een acceptabele modelfout te behouden. Zij stelt ook dat datagedreven modellen die clubs zelf ontwikkelen vaak grotere datasets vereisen dan in de praktijk worden gebruikt, en dat validatie door domeinexperts daarom noodzakelijk is. Verwante waarderingsmodellen komen aan bod in de uitleg over possession value.

De les voor analisten: een fijnmaziger of complexer model is niet automatisch beter. Elke extra parameter vraagt om extra data. Bij te weinig data leert het model de ruis van de steekproef in plaats van het patroon in het spel.

Factoren die de benodigde steekproefgrootte bepalen

Voor onderzoek naar interventies, zoals een nieuw trainingsprogramma of een tactische aanpassing, bestaat een duidelijk overzicht van wat de omvang bepaalt. Een studie naar steekproefgroottes voor interventies in het voetbal noemt onder meer:

• Variabiliteit tussen spelers: hoe sterk spelers onderling verschillen.
• Variabiliteit binnen spelers: hoe sterk de prestatie van één speler van wedstrijd tot wedstrijd schommelt.
• Gewenste power: de kans om een werkelijk effect ook daadwerkelijk te detecteren.
• Aantal wedstrijden vóór en na de interventie: hoe vaak elke speler wordt gemeten.

De impact van die laatste factor is groot. In een opzet met één groep waren 122 spelers nodig bij één meting voor en één na de interventie. Bij tien wedstrijden voor en tien na daalde dat naar 13 spelers. Herhaald meten dempt de schommelingen binnen een speler en maakt het werkelijke effect zichtbaar.

Daarnaast spelen in de dagelijkse praktijk nog drie factoren mee:

1. De grootte van het effect dat ertoe doet. Een verschil van 0,5 xG per wedstrijd is met minder data te zien dan een verschil van 0,05.
2. De zeldzaamheid van de gebeurtenis. Doelpunten, rode kaarten en penalty’s vragen om veel grotere steekproeven dan passes of duels.
3. De stabiliteit van de context. Een trainerswissel, blessures of promotie naar een hoger niveau maken oudere data minder representatief. Meer seizoenen toevoegen is dan niet altijd beter.

Steekproeffout, meetfout en representativiteit

Een grote steekproef is geen garantie voor een juist antwoord. Het Centraal Bureau voor de Statistiek onderscheidt steekproeffouten, die ontstaan doordat slechts een deel van de populatie wordt onderzocht, en niet-steekproeffouten, die ook optreden bij volledig onderzoek. Meet- en verwerkingsfouten kunnen vertekening veroorzaken. De totale fout bestaat volgens het CBS uit een variantieterm en een vertekeningsterm.

Vertaald naar voetbaldata:

• Variantie neemt af naarmate de steekproef groeit. Meer schoten geven een stabielere conversie.
• Vertekening verdwijnt niet met meer data. Als een dataleverancier schoten uit een bepaalde hoek systematisch verkeerd codeert, herhaalt elk extra seizoen dezelfde fout.
• Representativiteit bepaalt of de steekproef op de juiste populatie lijkt. Een xG-model dat alleen op topcompetities is getraind, past niet vanzelf op een competitie met een ander speltempo of andere kwaliteit. Voor de Nederlandse context staat meer in het artikel over Eredivisie-data lezen en gebruiken.

Power of precisie: twee manieren om de omvang te kiezen

De klassieke aanpak is een power-analyse: vooraf berekenen hoeveel waarnemingen nodig zijn om een effect van een bepaalde grootte met een bepaalde kans te vinden. Het Journal of Sports Sciences beveelt voor experimentele studies een formele steekproefberekening vooraf aan, inclusief onderbouwing. Abt en collega’s (2020) wijzen er in datzelfde artikel op dat power-berekeningen in de sportwetenschap vaak subjectief zijn en slechts één doel dienen: een effect wel of niet aantonen.

Als alternatief bespreken zij AIPE, Accuracy in Parameter Estimation. Daarbij wordt de steekproef zo gekozen dat het betrouwbaarheidsinterval een vooraf gekozen breedte krijgt. Voor voetbalanalyse is dat vaak de nuttigere vraag. Een scout wil niet alleen weten of een spits beter afwerkt dan gemiddeld, maar ook hoeveel beter, met een marge die klein genoeg is om een beslissing op te baseren.

Een stappenplan voor betrouwbare voetbalanalyse

1. Formuleer de vraag precies. Gaat het om een speler, een ploeg of een type actie?
2. Kies de eenheid van analyse. Gebruik wedstrijden als eenheid bij prestatievragen, en tel losse gebeurtenissen pas mee als ze over veel wedstrijden zijn gespreid.
3. Kies een stabiele maatstaf. Waar mogelijk een metric met veel waarnemingen, zoals xG in plaats van doelpunten of xGA in plaats van tegengoals. Het artikel over clean sheet kans berekenen laat zien hoe xGA in een Poisson-model werkt.
4. Bereken de onzekerheid. Geef bij elk percentage een betrouwbaarheidsinterval, zoals in het rekenvoorbeeld hierboven.
5. Controleer representativiteit en datakwaliteit. Ga na of de periode, competitie en meetwijze aansluiten bij de vraag.
6. Wees transparant bij een kleine steekproef. Vermeld de omvang, de marge en de beperkingen, en schakel bij formeel onderzoek een statisticus in.

Perspectief

Bij BetsyScore werken we elke dag met dezelfde vraag die dit artikel behandelt: wanneer zegt een cijfer iets, en wanneer is het nog ruis? Onze AI-voorspellingen geven win-kansen op basis van expected goals, recente vorm en onderlinge resultaten. Die combinatie is een bewuste keuze. Elk van die drie bronnen heeft een eigen steekproef en een eigen mate van ruis, en samen geven ze een breder fundament dan één losse statistiek.

Dezelfde gedachte zit achter onze momentum-meter. Een enkele kans of een paar minuten druk vertellen weinig. Door het verloop minuut voor minuut te tonen, wordt zichtbaar of een ploeg structureel de overhand heeft of slechts één goede fase kent.

Voor fans, journalisten en analisten betekent dat: lees een cijfer altijd samen met de hoeveelheid data erachter. Met dekking van meer dan 200 competities, live opstellingen en realtime statistieken willen we precies die context bieden, vóór, tijdens en na elke wedstrijd.

Aria

Voetbaldata met context op BetsyScore

Wie cijfers wil lezen met de steekproef in het achterhoofd, heeft baat bij data die per wedstrijd, per speler en per competitie beschikbaar is. BetsyScore combineert live scores die elke paar seconden verversen met AI-voorspellingen, momentumanalyse, spelersprofielen en toernooiranglijsten voor onder meer de Premier League, La Liga, de Bundesliga, de Serie A, de Champions League en het WK 2026.

Bekijk de actuele wedstrijden, voorspellingen en statistieken op BetsyScore.

Veelgestelde vragen

Wat is de steekproefgrootte bij voetbaldata?

De steekproefgrootte is het aantal waarnemingen waarop een analyse rust, zoals wedstrijden, spelers, schoten of passes. Hoe groter de steekproef en hoe minder ruis per waarneming, hoe betrouwbaarder de conclusie. Eerst moet vaststaan welke eenheid wordt geteld, omdat gebeurtenissen uit dezelfde wedstrijd niet onafhankelijk zijn.

Hoeveel wedstrijden zijn nodig om een ploeg te beoordelen?

Daar bestaat geen vast getal, omdat het afhangt van de maatstaf en de grootte van het verschil dat ertoe doet. Stabiele metrics zoals xG per wedstrijd geven sneller een betrouwbaar beeld dan doelpunten of punten. Een betrouwbaarheidsinterval laat per situatie zien hoe zeker een conclusie is.

Hoeveel data heeft een xG-model nodig?

Onderzoek van de KU Leuven liet zien dat een complex gradient-boostingmodel na vijf seizoenen aan data nog licht verbeterde. Eenvoudiger modellen met minder kenmerken hebben minder data nodig, maar leggen ook minder details vast.

Waarom is een conversiepercentage over één seizoen onbetrouwbaar?

De meeste spitsen nemen per seizoen te weinig schoten voor een smalle foutmarge. Bij 30 schoten en 10 procent conversie loopt de 95%-marge van ongeveer 0 tot 21 procent. Pas bij honderden schoten wordt het verschil tussen spelers betrouwbaar meetbaar.

Bronnen

• Steekproef, Wikipedia
• Sample Size (Steekproefgrootte), Lean.nl
• Dealing with small samples in football research, Hecksteden et al. (2021)
• Biases in Expected Goals Models Confound Finishing Ability (arXiv)
• How data availability affects the ability to learn good xG models, KU Leuven (2020)
• Model quality in football, Bruinsma (2026)
• Estimating sample size for intervention studies involving football players
• Foutenbronnen bij statistisch onderzoek, CBS (2010)
• Power, precision, and sample size estimation in sport and exercise science research, Abt et al. (2020)

Aanbevelingen

• Eredivisie-data: zo lees en gebruik je de cijfers in 2026/27
• Scheidsrechter statistieken: welke cijfers tellen en hoe lees je ze
• Spelersprofiel uitgelegd: zo lees je de cijfers van een voetballer
• Transferwaardemodellen in het voetbal: zo werken ze