Pregunta: ¿quién es, en la actualidad, el mejor boxeador masculino libra por libra?
“Libra por libra” significa comparar a boxeadores de distintas divisiones como si pesaran lo mismo. Como no pueden enfrentarse entre sí, la comparación tiene que hacerse con indicadores de rendimiento que no dependan del peso: cuánto ganan, cómo ganan, cuántas veces defienden su título, cuántos cinturones tienen y qué tan buenos son los rivales a los que vencen.
El análisis sigue cinco pasos:
El resultado es un Top 5 y un ganador definitivo: el boxeador que queda primero de forma consistente, no solo con un esquema de pesos.
library(readr)
library(dplyr)
library(tidyr)
library(ggplot2)
library(knitr)
titulos <- read_csv("titulos.csv", show_col_types = FALSE)
boxeadores <- read_csv("boxeadores.csv", show_col_types = FALSE)
peleas <- read_csv("peleas.csv", show_col_types = FALSE,
col_types = cols(rival_ko = col_double(), fecha = col_date()))
c(titulos = nrow(titulos), boxeadores = nrow(boxeadores), peleas = nrow(peleas))
## titulos boxeadores peleas
## 69 52 260
FECHA_CORTE <- as.Date("2026-11-18") # fecha a la que se mide la inactividad
P_REF <- 25 # peleas con las que la experiencia del rival vale 1
UMBRAL_NOV <- 10 # menos de 10 peleas = rival novato
UMBRAL_CONT <- 0.85 # efectividad >= 85 % = contendiente
MIN_RIVALES <- 3 # rivales con dato necesarios para usar I5 e I6
COB_MIN <- 0.75 # proporción mínima de indicadores con dato para entrar al ranking
N_SIM <- 10000 # simulaciones Monte Carlo
set.seed(2026) # semilla para que la simulación sea replicable
# Pesos de los componentes de la calidad del rival
W_CAL <- c(E1 = 0.40, E2 = 0.25, E3 = 0.20, E4 = 0.15, E5 = 0)
# Pesos del esquema de criterio experto (esquema C)
W_EXPERTO <- c(I1 = 0.15, I2 = 0.10, I3 = 0.10, I4 = 0.15,
I5 = 0.20, I6 = 0.15, I7 = 0.10, I8 = 0.05)
Estas son las 18 variables que se registraron para cada campeón y cómo se miden.
| N.º | Variable | Archivo y columna | Operacionalización |
|---|---|---|---|
| 1 | Id del boxeador | id_boxeador |
Código único por persona (BX-###) |
| 2 | Organismo | titulos$organismo |
OMB, AMB, CMB o FIB |
| 3 | División | division |
17 categorías de peso |
| 4 | Edad | edad |
Años cumplidos a la fecha de corte |
| 5 | País | pais, codigo_iso |
País que representa (ISO 3166-1 alfa-3) |
| 6 | Victorias por KO y por decisión | victorias_ko, victorias_decision |
KO incluye KO, TKO y RTD |
| 7 | Récord profesional | victorias, derrotas, empates,
nc |
Peleas ganadas, perdidas, empatadas y sin decisión |
| 8 | Defensas del título | titulos$defensas_titulo |
Defensas exitosas del título vigente de cada organismo |
| 9 | Estilo de pelea | guardia |
Ortodoxa o zurda |
| 10 | Fechas de las últimas 5 peleas | peleas$fecha |
Una fila por pelea |
| 11 | Título del contrincante | peleas$rival_campeon |
“Sí” si el rival ya había tenido un título mundial absoluto o regular de los 4 organismos (los interinos no cuentan) |
| 12 | País de la pelea | peleas$pais_pelea, localia |
Propio o extranjero (descriptiva; no entra al modelo) |
| 13 | Calidad de los rivales | se calcula en la sección 4 | Índice de 0 a 1 por rival |
| 14 | Récord del retador | peleas$rival_v, rival_d,
rival_e |
Récord del rival antes del combate |
| 15 | Títulos actuales | se calcula | Cinturones absolutos de los 4 organismos (0 a 4) |
| 16 | Campeón indiscutible | se calcula | Tiene los 4 cinturones |
| 17 | Campeón unificado | se calcula | Tiene 2 o más cinturones |
| 18 | Campeón lineal | campeon_lineal |
Indicador operativo: es el campeón de The Ring, la revista que sigue el linaje de “el hombre que venció al hombre” |
De esas variables salen 8 indicadores. Para todos, un valor mayor es mejor, salvo I8.
| Indicador | Qué mide | Fórmula | Sentido |
|---|---|---|---|
| I1 · % de victorias | Efectividad | victorias / (victorias + derrotas + empates) | Más es mejor |
| I2 · % de KO | Contundencia | victorias por KO / victorias | Más es mejor |
| I3 · Defensas | Permanencia en la cima | máximo de defensas entre sus títulos vigentes | Más es mejor |
| I4 · Títulos | Dominio de la división | n.º de cinturones absolutos (0 a 4) | Más es mejor |
| I5 · Calidad media de rivales | Exigencia de los rivales | promedio de la calidad de sus últimos 5 rivales | Más es mejor |
| I6 · Victorias ante campeones | Victorias de élite | victorias ante campeones o excampeones mundiales en sus últimas 5 peleas | Más es mejor |
| I7 · Campeón lineal | Linaje | 1 si es campeón The Ring, 0 si no | Más es mejor |
| I8 · Inactividad | Vigencia | días desde su última pelea hasta la fecha de corte | Menos es mejor |
La edad, el país, la guardia y la localía son variables descriptivas. No miden calidad, así que no entran al índice.
Un campeón que gana a rivales de élite demuestra más que uno que gana a rivales sin experiencia. Para medirlo, a cada rival de las últimas 5 peleas se le asignan cinco componentes, todos entre 0 y 1:
| Componente | Definición | Peso |
|---|---|---|
| E1 · Estatus | 1 si el rival era campeón o excampeón mundial | 0,40 |
| E2 · Efectividad | victorias del rival / sus peleas totales, antes del combate | 0,25 |
| E3 · Experiencia | peleas del rival / P_REF (25), con tope de 1 |
0,20 |
| E4 · Invicto | 1 si el rival llegaba sin derrotas | 0,15 |
| E5 · Poder | KO del rival / sus victorias | 0 (se activa cuando haya datos) |
\[\text{Calidad}_{\text{rival}} = \frac{\sum_k w_k E_k}{\sum_k w_k}\quad\text{}\]
Si no hay récord del rival pero se sabe que era campeón, su calidad es 1. Si no se sabe nada de él, la calidad queda vacía y no cuenta para el promedio.
Además, cada rival recibe una categoría que sirve para leer los resultados:
peleas <- peleas %>%
mutate(
rival_total = rival_v + rival_d + rival_e,
E1 = case_when(rival_campeon == "Sí" ~ 1, rival_campeon == "No" ~ 0, TRUE ~ NA_real_),
E2 = ifelse(!is.na(rival_total) & rival_total > 0, rival_v / rival_total, NA_real_),
E3 = pmin(1, rival_total / P_REF),
E4 = ifelse(is.na(rival_total), NA_real_, as.numeric(rival_d == 0)),
E5 = ifelse(!is.na(rival_ko) & !is.na(rival_v) & rival_v > 0, rival_ko / rival_v, NA_real_)
)
comp <- as.matrix(peleas[, c("E1", "E2", "E3", "E4", "E5")])
pesos_mat <- matrix(W_CAL, nrow(comp), 5, byrow = TRUE)
num <- rowSums(comp * pesos_mat, na.rm = TRUE)
den <- rowSums(pesos_mat * !is.na(comp))
peleas <- peleas %>%
mutate(
calidad = ifelse(is.na(rival_total),
ifelse(!is.na(E1) & E1 == 1, 1, NA_real_),
ifelse(den > 0, num / den, NA_real_)),
categoria = case_when(
E1 == 1 ~ "Élite",
is.na(rival_total) ~ "Sin dato",
rival_total < UMBRAL_NOV ~ "Novato",
rival_d == 0 & rival_total >= 15 ~ "Invicto con experiencia",
E2 >= UMBRAL_CONT ~ "Contendiente",
TRUE ~ "Oficio"
)
)
peleas %>% count(categoria, name = "rivales") %>% arrange(desc(rivales))
| categoria | rivales |
|---|---|
| Contendiente | 91 |
| Élite | 86 |
| Oficio | 39 |
| Invicto con experiencia | 37 |
| Novato | 6 |
| Sin dato | 1 |
Ejemplo con las últimas peleas del campeón indiscutible del supergallo:
peleas %>%
filter(boxeador == "Naoya Inoue") %>%
select(fecha, rival, resultado, rival_v, rival_d, rival_e, rival_campeon, calidad, categoria) %>%
kable(digits = 2)
| fecha | rival | resultado | rival_v | rival_d | rival_e | rival_campeon | calidad | categoria |
|---|---|---|---|---|---|---|---|---|
| 2026-05-02 | Junto Nakatani | Victoria | 32 | 0 | 0 | Sí | 1.00 | Élite |
| 2025-12-27 | Alan David Picasso | Victoria | 32 | 0 | 1 | No | 0.59 | Invicto con experiencia |
| 2025-09-14 | Murodjon Akhmadaliev | Victoria | 14 | 1 | 0 | Sí | 0.75 | Élite |
| 2025-05-04 | Ramon Cardenas | Victoria | 26 | 1 | 0 | No | 0.44 | Contendiente |
| 2025-01-24 | Ye Joon Kim | Victoria | 21 | 2 | 2 | No | 0.41 | Oficio |
# Títulos (variables 15-17) y defensas por boxeador
tit <- titulos %>%
filter(!is.na(id_boxeador)) %>%
group_by(id_boxeador) %>%
summarise(
num_titulos = sum(!designacion %in% c("Interino", "Vacante")),
organismos = paste(organismo[!designacion %in% c("Interino", "Vacante")], collapse = ", "),
defensas = if (all(is.na(defensas_titulo))) NA_real_ else max(defensas_titulo, na.rm = TRUE),
.groups = "drop"
)
# Resumen de las últimas 5 peleas por boxeador
res_peleas <- peleas %>%
group_by(id_boxeador) %>%
summarise(
peleas_registradas = sum(!is.na(fecha)),
rivales_con_calidad = sum(!is.na(calidad)),
calidad_media = if (all(is.na(calidad))) NA_real_ else mean(calidad, na.rm = TRUE),
estatus_conocido = sum(!is.na(rival_campeon)),
vict_campeones = sum(resultado == "Victoria" & rival_campeon == "Sí", na.rm = TRUE),
pct_extranjero = if (all(is.na(localia))) NA_real_ else mean(localia == "Extranjero", na.rm = TRUE),
.groups = "drop"
)
bx <- boxeadores %>%
left_join(tit, by = "id_boxeador") %>%
left_join(res_peleas, by = "id_boxeador") %>%
mutate(
num_titulos = coalesce(num_titulos, 0L),
indiscutible = ifelse(num_titulos == 4, "Sí", "No"),
unificado = ifelse(num_titulos >= 2, "Sí", "No"),
I1 = victorias / (victorias + derrotas + empates),
I2 = victorias_ko / victorias,
I3 = defensas,
I4 = num_titulos,
I5 = ifelse(rivales_con_calidad >= MIN_RIVALES, calidad_media, NA_real_),
I6 = ifelse(rivales_con_calidad >= MIN_RIVALES & estatus_conocido > 0, vict_campeones, NA_real_),
I7 = ifelse(campeon_lineal == "Sí", 1, 0),
I8 = as.numeric(FECHA_CORTE - as.Date(fecha_ultima_pelea)),
elegible = num_titulos >= 1 # tiene al menos un título absoluto (no interino)
)
IND <- paste0("I", 1:8)
bx %>% count(elegible, name = "boxeadores")
| elegible | boxeadores |
|---|---|
| FALSE | 1 |
| TRUE | 51 |
Un boxeador es elegible si tiene al menos un título mundial absoluto. Los campeones que solo tienen un título interino quedan fuera porque no son campeones plenos.
bx %>%
filter(elegible) %>%
select(all_of(IND)) %>%
pivot_longer(everything(), names_to = "indicador", values_to = "valor") %>%
group_by(indicador) %>%
summarise(n = sum(!is.na(valor)), media = mean(valor, na.rm = TRUE),
mediana = median(valor, na.rm = TRUE), de = sd(valor, na.rm = TRUE),
min = min(valor, na.rm = TRUE), max = max(valor, na.rm = TRUE)) %>%
kable(digits = 2, caption = "Estadística descriptiva de los indicadores (campeones elegibles)")
| indicador | n | media | mediana | de | min | max |
|---|---|---|---|---|---|---|
| I1 | 51 | 0.94 | 0.95 | 0.06 | 0.71 | 1.00 |
| I2 | 51 | 0.67 | 0.68 | 0.17 | 0.22 | 0.96 |
| I3 | 51 | 1.18 | 1.00 | 1.75 | 0.00 | 8.00 |
| I4 | 51 | 1.22 | 1.00 | 0.61 | 1.00 | 4.00 |
| I5 | 51 | 0.57 | 0.55 | 0.13 | 0.34 | 0.91 |
| I6 | 51 | 1.39 | 1.00 | 1.15 | 0.00 | 4.00 |
| I7 | 51 | 0.10 | 0.00 | 0.30 | 0.00 | 1.00 |
| I8 | 51 | 149.88 | 121.00 | 134.72 | 4.00 | 543.00 |
bx %>%
filter(elegible) %>%
select(all_of(IND)) %>%
pivot_longer(everything(), names_to = "indicador", values_to = "valor") %>%
ggplot(aes(valor)) +
geom_histogram(bins = 12, fill = "#1F3864", color = "white") +
facet_wrap(~indicador, scales = "free", ncol = 4) +
labs(title = "Distribución de los indicadores", x = NULL, y = "Campeones") +
theme_minimal()
Por qué: decide qué pruebas se pueden usar. Si los indicadores no son normales, las pruebas paramétricas (Pearson, t de Student, ANOVA) no son adecuadas y se usan sus equivalentes no paramétricos (Spearman, Mann-Whitney, Kruskal-Wallis). También justifica normalizar con mínimo y máximo en vez de con puntajes z, que suponen normalidad.
elig <- bx %>% filter(elegible)
normalidad <- sapply(IND, function(v) {
x <- na.omit(elig[[v]])
if (length(unique(x)) < 3) return(c(W = NA, p = NA))
st <- shapiro.test(x)
c(W = unname(st$statistic), p = st$p.value)
})
normalidad <- as.data.frame(t(normalidad))
normalidad$decision <- ifelse(normalidad$p < 0.05, "No normal", "Normal (no se rechaza H0)")
kable(normalidad, digits = 4, caption = "Shapiro-Wilk por indicador")
| W | p | decision | |
|---|---|---|---|
| I1 | 0.8490 | 0.0000 | No normal |
| I2 | 0.9721 | 0.2688 | Normal (no se rechaza H0) |
| I3 | 0.7080 | 0.0000 | No normal |
| I4 | 0.4093 | 0.0000 | No normal |
| I5 | 0.9640 | 0.1237 | Normal (no se rechaza H0) |
| I6 | 0.8649 | 0.0000 | No normal |
| I7 | NA | NA | NA |
| I8 | 0.8726 | 0.0001 | No normal |
elig %>%
select(all_of(IND)) %>%
pivot_longer(everything(), names_to = "indicador", values_to = "valor") %>%
filter(!is.na(valor)) %>%
ggplot(aes(sample = valor)) +
stat_qq(color = "#1F3864") + stat_qq_line(color = "#C00000") +
facet_wrap(~indicador, scales = "free", ncol = 4) +
labs(title = "Gráficos Q-Q: los puntos deberían seguir la línea si hubiera normalidad") +
theme_minimal()
Lectura: 5 de los 7 indicadores evaluables rechazan la normalidad (p < 0,05); I7 es binario (0/1) y por definición no es normal. Varios son conteos (títulos, defensas) o variables binarias (campeón lineal). Por eso el resto del análisis usa pruebas no paramétricas y normalización mínimo-máximo.
Por qué: si dos indicadores miden casi lo mismo, el modelo cuenta dos veces ese aspecto.
pares <- combn(IND, 2, simplify = FALSE)
cor_tab <- do.call(rbind, lapply(pares, function(p) {
ok <- complete.cases(elig[, p])
ct <- suppressWarnings(cor.test(elig[[p[1]]][ok], elig[[p[2]]][ok], method = "spearman", exact = FALSE))
data.frame(var1 = p[1], var2 = p[2], rho = unname(ct$estimate), p = ct$p.value)
}))
cor_tab %>%
bind_rows(cor_tab %>% rename(var1 = var2, var2 = var1)) %>%
ggplot(aes(var1, var2, fill = rho)) +
geom_tile(color = "white") +
geom_text(aes(label = sprintf("%.2f%s", rho, ifelse(p < 0.05, "*", ""))), size = 3.2) +
scale_fill_gradient2(low = "#C00000", mid = "white", high = "#1F3864", limits = c(-1, 1)) +
labs(title = "Correlación de Spearman entre indicadores (* = p < 0,05)", x = NULL, y = NULL) +
theme_minimal()
cor_tab %>% filter(abs(rho) >= 0.5) %>% arrange(desc(abs(rho))) %>%
kable(digits = 3, caption = "Pares con correlación fuerte (|ρ| ≥ 0,5)")
| var1 | var2 | rho | p |
|---|---|---|---|
| I5 | I6 | 0.857 | 0 |
Lectura: el par más correlacionado es I5 (calidad media de los rivales) con I6 (victorias ante campeones). Tiene sentido, porque un rival campeón eleva las dos medidas a la vez. En la sección 7.3 se comprueba si el ganador cambia al quitar I6.
Por qué: un índice libra por libra no debería premiar a una división por su peso. Para comprobarlo, se agrupan las divisiones en cuatro bloques (pesados, medios, ligeros y pequeños) y se compara el puntaje del modelo (esquema A, sección 6) entre ellos.
Esta prueba se calcula después de construir el puntaje, en la sección 6.4.
Por qué: valida el indicador de calidad. Si un campeón tiene más cinturones, se espera que haya peleado contra rivales más exigentes.
d_mw <- elig %>% filter(!is.na(I5)) %>% mutate(grupo = ifelse(num_titulos >= 2, "Unificado", "Un cinturón"))
d_mw %>% group_by(grupo) %>%
summarise(n = n(), mediana = median(I5), media = mean(I5),
shapiro_p = if (n() >= 3) shapiro.test(I5)$p.value else NA_real_) %>%
kable(digits = 3, caption = "Calidad media de rivales por grupo y normalidad dentro de cada grupo")
| grupo | n | mediana | media | shapiro_p |
|---|---|---|---|---|
| Un cinturón | 44 | 0.537 | 0.560 | 0.038 |
| Unificado | 7 | 0.639 | 0.648 | 0.868 |
fk_mw <- fligner.test(I5 ~ factor(grupo), data = d_mw)
mw <- wilcox.test(I5 ~ factor(grupo, levels = c("Unificado", "Un cinturón")), data = d_mw,
alternative = "greater", exact = FALSE)
welch <- t.test(I5 ~ factor(grupo, levels = c("Unificado", "Un cinturón")), data = d_mw, alternative = "greater")
data.frame(prueba = c("Fligner-Killeen (homogeneidad)", "Mann-Whitney (unilateral)", "t de Welch (contraste)"),
estadistico = c(fk_mw$statistic, mw$statistic, welch$statistic),
p = c(fk_mw$p.value, mw$p.value, welch$p.value)) %>%
kable(digits = 4)
| prueba | estadistico | p | |
|---|---|---|---|
| Fligner-Killeen:med chi-squared | Fligner-Killeen (homogeneidad) | 0.5978 | 0.4394 |
| W | Mann-Whitney (unilateral) | 229.0000 | 0.0207 |
| t | t de Welch (contraste) | 2.2225 | 0.0251 |
ggplot(d_mw, aes(grupo, I5, fill = grupo)) +
geom_boxplot(alpha = 0.6, show.legend = FALSE) + geom_jitter(width = 0.1, alpha = 0.6) +
labs(title = "Calidad media de los rivales según número de cinturones", x = NULL, y = "I5") +
theme_minimal()
Lectura: con p = 0.0207, los campeones unificados sí enfrentan rivales de mayor calidad, lo que respalda la validez del indicador.
Los indicadores están en unidades distintas (porcentajes, días, conteos). Para combinarlos, cada uno se lleva a una escala de 0 a 1 dentro del grupo de campeones elegibles:
\[N_{ij} = \frac{x_{ij} - \min_j}{\max_j - \min_j}\qquad\text{y, para la inactividad (I8):}\qquad N_{i8} = \frac{\max_8 - x_{i8}}{\max_8 - \min_8}\]
Con esto, 1 es el mejor valor del grupo y 0 el peor en cada
indicador. Si un indicador no tiene dato, queda vacío y no
cuenta como cero: el puntaje se calcula solo con los
indicadores disponibles. Para entrar al ranking, un boxeador necesita
dato en al menos el 75 % de los indicadores (COB_MIN).
minmax <- function(x, elig, inverso = FALSE) {
mn <- min(x[elig], na.rm = TRUE); mx <- max(x[elig], na.rm = TRUE)
z <- if (mx == mn) ifelse(is.na(x), NA_real_, 1)
else if (inverso) (mx - x) / (mx - mn) else (x - mn) / (mx - mn)
z[!elig] <- NA_real_
z
}
for (v in IND) bx[[paste0("N", v)]] <- minmax(bx[[v]], bx$elegible, inverso = (v == "I8"))
NIND <- paste0("N", IND)
bx <- bx %>%
mutate(cobertura = rowSums(!is.na(across(all_of(NIND)))) / 8,
en_ranking = elegible & cobertura >= COB_MIN)
rk <- bx %>% filter(en_ranking)
M <- as.matrix(rk[, NIND])
nrow(rk)
## [1] 51
El puntaje de cada boxeador es un promedio ponderado de sus indicadores normalizados:
\[S_i = \frac{\sum_j w_j N_{ij}}{\sum_{j\,\in\,\text{con dato}} w_j}\]
Elegir los pesos \(w_j\) es la parte más discutible de cualquier índice. Por eso se usan tres esquemas y luego se comprueba si coinciden.
W_EXPERTO.entropia <- function(M) {
P <- sweep(M, 2, colSums(M, na.rm = TRUE), "/")
plogp <- ifelse(is.na(P) | P == 0, 0, P * log(P))
n_j <- colSums(!is.na(M))
e <- ifelse(n_j < 2, 1, -colSums(plogp) / log(n_j))
d <- 1 - e
d / sum(d)
}
W <- rbind(
A_igual = rep(1 / 8, 8),
B_entropia = entropia(M),
C_experto = W_EXPERTO
)
colnames(W) <- IND
kable(W, digits = 3, caption = "Pesos de cada esquema (cada fila suma 1)")
| I1 | I2 | I3 | I4 | I5 | I6 | I7 | I8 | |
|---|---|---|---|---|---|---|---|---|
| A_igual | 0.125 | 0.125 | 0.125 | 0.125 | 0.125 | 0.125 | 0.125 | 0.125 |
| B_entropia | 0.008 | 0.013 | 0.153 | 0.343 | 0.025 | 0.063 | 0.382 | 0.013 |
| C_experto | 0.150 | 0.100 | 0.100 | 0.150 | 0.200 | 0.150 | 0.100 | 0.050 |
as.data.frame(W) %>% mutate(esquema = rownames(W)) %>%
pivot_longer(-esquema, names_to = "indicador", values_to = "peso") %>%
ggplot(aes(indicador, peso, fill = esquema)) +
geom_col(position = "dodge") +
scale_fill_manual(values = c("#1F3864", "#C00000", "#FFC000")) +
labs(title = "Peso de cada indicador según el esquema", x = NULL, y = "Peso") +
theme_minimal()
Cómo leer la entropía: los indicadores con más peso son los que más separan a los campeones. Suelen ser variables poco frecuentes, como el linaje (I7) o tener varios cinturones (I4), porque pocos boxeadores los tienen. Por eso la entropía es un buen contraste, pero no conviene usarla sola: un indicador escaso puede dominar el resultado.
puntaje <- function(M, w) {
ok <- !is.na(M)
num <- rowSums(sweep(M, 2, w, "*"), na.rm = TRUE)
den <- rowSums(sweep(ok * 1, 2, w, "*"))
num / den
}
rk <- rk %>%
mutate(S_A = puntaje(M, W["A_igual", ]),
S_B = puntaje(M, W["B_entropia", ]),
S_C = puntaje(M, W["C_experto", ]),
R_A = rank(-S_A, ties.method = "first"),
R_B = rank(-S_B, ties.method = "first"),
R_C = rank(-S_C, ties.method = "first"))
# Importante: rk conserva el mismo orden de filas que la matriz M (se ordena solo al mostrar)
rk %>%
arrange(R_A) %>%
select(R_A, nombre, division, organismos, S_A, R_B, R_C, cobertura) %>%
head(15) %>%
kable(digits = 3, col.names = c("Rank A", "Boxeador", "División", "Títulos", "Puntaje A",
"Rank B", "Rank C", "Cobertura"),
caption = "Los 15 primeros según el esquema A")
| Rank A | Boxeador | División | Títulos | Puntaje A | Rank B | Rank C | Cobertura |
|---|---|---|---|---|---|---|---|
| 1 | Naoya Inoue | Supergallo | OMB, CMB, FIB, AMB | 0.809 | 1 | 1 | 1 |
| 2 | O’Shaquie Foster | Superpluma | OMB, CMB, FIB | 0.592 | 2 | 4 | 1 |
| 3 | David Benavidez | Crucero | OMB, AMB | 0.571 | 7 | 2 | 1 |
| 4 | Dmitrii Bivol | Semipesado | OMB, FIB, AMB | 0.563 | 3 | 3 | 1 |
| 5 | Óscar Collazo | Mínimo | AMB | 0.546 | 4 | 12 | 1 |
| 6 | Daniel Dubois | Pesado | OMB | 0.535 | 14 | 6 | 1 |
| 7 | Sebastian Fundora | Superwélter | CMB | 0.532 | 10 | 8 | 1 |
| 8 | Jesse Rodríguez | Gallo | AMB | 0.517 | 17 | 5 | 1 |
| 9 | Saúl Álvarez | Supermediano | CMB | 0.500 | 20 | 7 | 1 |
| 10 | William Zepeda | Ligero | CMB | 0.498 | 21 | 9 | 1 |
| 11 | Jaron Ennis | Superwélter | OMB, AMB | 0.496 | 8 | 11 | 1 |
| 12 | Rafael Espinoza | Pluma | OMB | 0.494 | 12 | 16 | 1 |
| 13 | Dalton Smith | Superligero | CMB | 0.458 | 24 | 15 | 1 |
| 14 | Sergio Alfonso Mendoza Córdova | Mosca | CMB, AMB | 0.449 | 9 | 18 | 1 |
| 15 | Anthony Olascuaga | Mosca | OMB | 0.446 | 11 | 24 | 1 |
rk %>% slice_min(R_A, n = 10) %>%
ggplot(aes(reorder(nombre, S_A), S_A)) +
geom_col(fill = "#1F3864") +
geom_text(aes(label = sprintf("%.3f", S_A)), hjust = -0.1, size = 3.3) +
coord_flip(ylim = c(0, 1)) +
labs(title = "Puntaje libra por libra (esquema A, 0 a 1)", x = NULL, y = "Puntaje") +
theme_minimal()
Esta es la prueba planteada en la sección 5.3, ahora con el puntaje calculado.
bloques <- c(Pesado = "Pesados", Crucero = "Pesados", Semipesado = "Pesados", Supermediano = "Pesados",
Mediano = "Medios", "Superwélter" = "Medios", "Wélter" = "Medios", Superligero = "Medios",
Ligero = "Ligeros", Superpluma = "Ligeros", Pluma = "Ligeros", Supergallo = "Ligeros")
rk <- rk %>% mutate(bloque = factor(coalesce(unname(bloques[division]), "Pequeños"),
levels = c("Pesados", "Medios", "Ligeros", "Pequeños")))
fk <- fligner.test(S_A ~ bloque, data = rk)
kw <- kruskal.test(S_A ~ bloque, data = rk)
data.frame(prueba = c("Fligner-Killeen (supuesto: dispersión similar)", "Kruskal-Wallis"),
estadistico = c(fk$statistic, kw$statistic), gl = c(fk$parameter, kw$parameter),
p = c(fk$p.value, kw$p.value)) %>% kable(digits = 4)
| prueba | estadistico | gl | p | |
|---|---|---|---|---|
| Fligner-Killeen:med chi-squared | Fligner-Killeen (supuesto: dispersión similar) | 4.1645 | 3 | 0.2442 |
| Kruskal-Wallis chi-squared | Kruskal-Wallis | 1.5265 | 3 | 0.6762 |
ggplot(rk, aes(bloque, S_A, fill = bloque)) +
geom_boxplot(alpha = 0.6, show.legend = FALSE) + geom_jitter(width = 0.1, alpha = 0.6) +
labs(title = "Puntaje A por bloque de divisiones", x = NULL, y = "Puntaje A") + theme_minimal()
Lectura:
Por qué: si los tres esquemas de pesos ordenan a los boxeadores de forma parecida, el ranking no depende de una elección arbitraria.
R <- as.matrix(rk[, c("R_A", "R_B", "R_C")])
m <- ncol(R); n <- nrow(R)
S <- sum((rowSums(R) - mean(rowSums(R)))^2)
W_kendall <- 12 * S / (m^2 * (n^3 - n))
chi2 <- m * (n - 1) * W_kendall
p_kendall <- pchisq(chi2, df = n - 1, lower.tail = FALSE)
data.frame(W_Kendall = W_kendall, chi2 = chi2, gl = n - 1, p = p_kendall) %>% kable(digits = 4)
| W_Kendall | chi2 | gl | p |
|---|---|---|---|
| 0.9251 | 138.7722 | 50 | 0 |
round(cor(R, method = "spearman"), 3)
## R_A R_B R_C
## R_A 1.000 0.854 0.961
## R_B 0.854 1.000 0.849
## R_C 0.961 0.849 1.000
Lectura: W = 0.925, en una escala donde 0 es ningún acuerdo y 1 es acuerdo total, con p = 2.78^{-10}. Los tres esquemas producen rankings muy concordantes.
Por qué: en lugar de confiar en tres combinaciones de pesos, se prueban 10.000 combinaciones aleatorias. Se generan con una distribución de Dirichlet(1, …, 1), que reparte el peso total entre los 8 indicadores de forma uniforme: cualquier combinación que sume 1 es igual de probable. Para cada boxeador se cuenta en qué proporción de las simulaciones queda primero y en cuál queda en el Top 5.
dirichlet <- function(k, n) { g <- matrix(rgamma(k * n, 1), n, k); g / rowSums(g) }
Wsim <- dirichlet(8, N_SIM)
Mz <- M; Mz[is.na(Mz)] <- 0
ok <- !is.na(M) * 1
S_sim <- (Mz %*% t(Wsim)) / (ok %*% t(Wsim)) # boxeadores x simulaciones
rank_sim <- apply(S_sim, 2, function(s) rank(-s, ties.method = "first"))
mc <- rk %>%
select(nombre, division) %>%
mutate(p_primero = rowMeans(rank_sim == 1),
p_top5 = rowMeans(rank_sim <= 5),
rank_mediano = apply(rank_sim, 1, median)) %>%
arrange(desc(p_top5))
mc %>% head(10) %>%
kable(digits = 3, col.names = c("Boxeador", "División", "P(1.º)", "P(Top 5)", "Posición mediana"))
| Boxeador | División | P(1.º) | P(Top 5) | Posición mediana |
|---|---|---|---|---|
| Naoya Inoue | Supergallo | 0.869 | 0.964 | 1 |
| David Benavidez | Crucero | 0.057 | 0.587 | 4 |
| O’Shaquie Foster | Superpluma | 0.012 | 0.570 | 4 |
| Dmitrii Bivol | Semipesado | 0.000 | 0.463 | 6 |
| Óscar Collazo | Mínimo | 0.000 | 0.413 | 7 |
| Daniel Dubois | Pesado | 0.030 | 0.358 | 7 |
| Sebastian Fundora | Superwélter | 0.002 | 0.299 | 7 |
| Jesse Rodríguez | Gallo | 0.002 | 0.255 | 9 |
| Rafael Espinoza | Pluma | 0.004 | 0.242 | 10 |
| Saúl Álvarez | Supermediano | 0.024 | 0.195 | 11 |
mc %>% head(10) %>%
ggplot(aes(reorder(nombre, p_top5), p_top5)) +
geom_col(fill = "#FFC000") +
geom_point(aes(y = p_primero), color = "#C00000", size = 3) +
coord_flip() +
labs(title = "Probabilidad de quedar en el Top 5 (barra) y 1.º (punto rojo)",
subtitle = paste(format(N_SIM, big.mark = "."), "combinaciones aleatorias de pesos"),
x = NULL, y = "Proporción de simulaciones") +
theme_minimal()
En la sección 5.2, I5 e I6 resultaron fuertemente correlacionados. Para descartar que el resultado dependa de contar dos veces la calidad de los rivales, se recalcula el esquema A sin I6.
w_sin6 <- W["A_igual", ]; w_sin6["I6"] <- 0; w_sin6 <- w_sin6 / sum(w_sin6)
rk <- rk %>% mutate(S_sin6 = puntaje(M, w_sin6), R_sin6 = rank(-S_sin6, ties.method = "first"))
rk %>% arrange(R_sin6) %>% select(R_sin6, nombre, S_sin6, R_A) %>% head(5) %>%
kable(digits = 3, col.names = c("Rank sin I6", "Boxeador", "Puntaje", "Rank A original"))
| Rank sin I6 | Boxeador | Puntaje | Rank A original |
|---|---|---|---|
| 1 | Naoya Inoue | 0.853 | 1 |
| 2 | Dmitrii Bivol | 0.608 | 4 |
| 3 | O’Shaquie Foster | 0.606 | 2 |
| 4 | Óscar Collazo | 0.588 | 5 |
| 5 | Rafael Espinoza | 0.529 | 12 |
top5 <- rk %>%
slice_min(R_A, n = 5) %>%
left_join(mc %>% select(nombre, p_primero, p_top5), by = "nombre") %>%
mutate(record = paste0(victorias, "-", derrotas, "-", empates),
esquemas_top5 = (R_A <= 5) + (R_B <= 5) + (R_C <= 5)) %>%
select(R_A, nombre, division, organismos, record, S_A, R_B, R_C, esquemas_top5, p_top5, p_primero)
kable(top5, digits = 3,
col.names = c("Posición", "Boxeador", "División", "Títulos", "Récord", "Puntaje A",
"Rank B", "Rank C", "Top 5 en (de 3)", "P(Top 5) MC", "P(1.º) MC"),
caption = "Top 5 de campeones actuales")
| Posición | Boxeador | División | Títulos | Récord | Puntaje A | Rank B | Rank C | Top 5 en (de 3) | P(Top 5) MC | P(1.º) MC |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Naoya Inoue | Supergallo | OMB, CMB, FIB, AMB | 33-0-0 | 0.809 | 1 | 1 | 3 | 0.964 | 0.869 |
| 2 | O’Shaquie Foster | Superpluma | OMB, CMB, FIB | 26-3-0 | 0.592 | 2 | 4 | 3 | 0.570 | 0.012 |
| 3 | David Benavidez | Crucero | OMB, AMB | 32-0-0 | 0.571 | 7 | 2 | 2 | 0.587 | 0.057 |
| 4 | Dmitrii Bivol | Semipesado | OMB, FIB, AMB | 25-1-0 | 0.563 | 3 | 3 | 3 | 0.463 | 0.000 |
| 5 | Óscar Collazo | Mínimo | AMB | 15-0-0 | 0.546 | 4 | 12 | 2 | 0.413 | 0.000 |
ganador <- top5$nombre[1]
p_gan <- top5$p_primero[1]
unanime <- all(c(top5$R_B[1], top5$R_C[1]) == 1)
El mejor boxeador libra por libra en la actualidad, según este índice, es Naoya Inoue.
Naoya Inoue es el único boxeador que reúne a la vez cuatro condiciones: los cuatro cinturones (campeón indiscutible), el linaje The Ring, un récord invicto y victorias recientes sobre excampeones mundiales.
Los otros cuatro lugares del Top 5 (O’Shaquie Foster, David Benavidez, Dmitrii Bivol, Óscar Collazo) son más sensibles a los pesos. La columna “Top 5 en (de 3)” y las probabilidades Monte Carlo indican qué tan firme es cada posición.
sessionInfo()
## R version 4.6.0 (2026-04-24)
## Platform: aarch64-apple-darwin23
## Running under: macOS Ventura 13.5
##
## Matrix products: default
## BLAS: /Library/Frameworks/R.framework/Versions/4.6/Resources/lib/libRblas.0.dylib
## LAPACK: /Library/Frameworks/R.framework/Versions/4.6/Resources/lib/libRlapack.dylib; LAPACK version 3.12.1
##
## locale:
## [1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8
##
## time zone: America/Panama
## tzcode source: internal
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] knitr_1.52 ggplot2_4.0.3 tidyr_1.3.2 dplyr_1.2.1 readr_2.2.0
##
## loaded via a namespace (and not attached):
## [1] bit_4.6.0 gtable_0.3.6 jsonlite_2.0.0 crayon_1.5.3
## [5] compiler_4.6.0 tidyselect_1.2.1 parallel_4.6.0 jquerylib_0.1.4
## [9] scales_1.4.0 yaml_2.3.12 fastmap_1.2.0 R6_2.6.1
## [13] labeling_0.4.3 generics_0.1.4 tibble_3.3.1 bslib_0.11.0
## [17] pillar_1.11.1 RColorBrewer_1.1-3 tzdb_0.5.0 rlang_1.3.0
## [21] cachem_1.1.0 xfun_0.58 sass_0.4.10 S7_0.2.2
## [25] bit64_4.8.2 otel_0.2.0 cli_3.6.6 withr_3.0.2
## [29] magrittr_2.0.5 digest_0.6.39 grid_4.6.0 vroom_1.7.1
## [33] rstudioapi_0.19.0 hms_1.1.4 lifecycle_1.0.5 vctrs_0.7.3
## [37] evaluate_1.0.5 glue_1.8.1 farver_2.1.2 rmarkdown_2.32
## [41] purrr_1.2.2 tools_4.6.0 pkgconfig_2.0.3 htmltools_0.5.9