1 Pregunta y enfoque

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:

  1. Universo: los campeones mundiales vigentes de los cuatro organismos principales (OMB/WBO, AMB/WBA, CMB/WBC y FIB/IBF) en las 17 divisiones, con fecha de corte del 18 de noviembre de 2026.
  2. Variables: se definen y se operacionalizan 8 indicadores (sección 3).
  3. Pruebas estadísticas: se revisa la distribución de los indicadores, su redundancia y posibles sesgos, con la comprobación de los supuestos de cada prueba (sección 5).
  4. Modelo multicriterio: los indicadores se llevan a una escala común (0 a 1) y se combinan con tres esquemas de pesos: igual peso, entropía de Shannon y criterio experto (sección 6).
  5. Robustez: se mide si el resultado se mantiene al cambiar los pesos, con la concordancia de Kendall y una simulación Monte Carlo de 10.000 combinaciones de pesos (sección 7).

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.

2 Datos

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

2.1 Parámetros

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)

3 Variables y operacionalización

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”

3.1 Indicadores del modelo

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.

4 Calidad de los rivales (variable 13)

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:

  • Élite: campeón o excampeón mundial.
  • Invicto con experiencia: sin derrotas y con 15 peleas o más.
  • Contendiente: efectividad de 85 % o más.
  • Oficio: el resto de rivales con récord.
  • Novato: menos de 10 peleas.
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

5 Construcción de los indicadores

# 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)")
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()

6 Pruebas estadísticas y supuestos

6.1 Normalidad de los indicadores (Shapiro-Wilk)

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.

  • H0: el indicador sigue una distribución normal.
  • Supuestos de la prueba: observaciones independientes (un registro por boxeador) y n entre 3 y 5000.
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")
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.

6.2 Redundancia entre indicadores (correlación de Spearman)

Por qué: si dos indicadores miden casi lo mismo, el modelo cuenta dos veces ese aspecto.

  • H0: ρ = 0, es decir, no hay asociación monótona entre los dos indicadores.
  • Supuestos: pares de observaciones independientes y una relación monótona (no hace falta que sea lineal ni normal). Por eso se usa Spearman y no Pearson.
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)")
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.

6.3 ¿Favorece el índice a alguna categoría de peso? (Kruskal-Wallis)

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.

  • H0: el puntaje tiene la misma distribución en los cuatro bloques.
  • Supuestos:
    1. muestras independientes, porque cada boxeador está en un solo bloque;
    2. variable al menos ordinal;
    3. distribuciones de forma y dispersión parecidas entre los grupos, para que la prueba compare posiciones y no formas. Este supuesto se comprueba con la prueba de Fligner-Killeen, que no depende de la normalidad.

Esta prueba se calcula después de construir el puntaje, en la sección 6.4.

6.4 ¿Enfrentan los campeones unificados a rivales de mayor calidad? (Mann-Whitney)

Por qué: valida el indicador de calidad. Si un campeón tiene más cinturones, se espera que haya peleado contra rivales más exigentes.

  • H0: la calidad media de los rivales es igual en los campeones con 2 o más cinturones y en los que tienen uno solo.
  • H1: es mayor en los unificados (prueba unilateral).
  • Supuestos: se revisa la normalidad dentro de cada grupo (Shapiro-Wilk) y la homogeneidad de varianzas (Fligner-Killeen). Si no se cumplen, se usa Mann-Whitney en lugar de la t de Student. La t de Welch se muestra solo como contraste.
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)$p.value else NA_real_) %>%
  kable(digits = 3, caption = "Calidad media de rivales por grupo y normalidad dentro de cada grupo")
Calidad media de rivales por grupo y normalidad dentro de cada grupo
grupo n mediana media shapiro_p
Un cinturón 44 0.537 0.560 0.038
Unificado 7 0.639 0.648 0.868
fk_mw <- fligner.test(I5 ~ factor(grupo), data = d_mw)
mw    <- wilcox.test(I5 ~ factor(grupo, levels = c("Unificado", "Un cinturón")), data = d_mw,
                     alternative = "greater", exact = FALSE)
welch <- t.test(I5 ~ factor(grupo, levels = c("Unificado", "Un cinturón")), data = d_mw, alternative = "greater")
data.frame(prueba = c("Fligner-Killeen (homogeneidad)", "Mann-Whitney (unilateral)", "t de Welch (contraste)"),
           estadistico = c(fk_mw$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.

7 Modelo multicriterio

7.1 Normalización mínimo-máximo

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

7.2 Los tres esquemas de pesos

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.

  • A · Igual ponderación (principal): todos los indicadores pesan 1/8. Es el esquema más neutral, porque no supone que un aspecto importe más que otro.
  • B · Entropía de Shannon (objetiva): los pesos salen de los propios datos. Un indicador en el que todos los campeones tienen valores parecidos no ayuda a distinguirlos y pesa poco. Uno con valores muy dispersos aporta más información y pesa más. Se calcula así:
    1. \(p_{ij} = N_{ij} / \sum_i N_{ij}\) (participación de cada boxeador en el indicador \(j\));
    2. \(e_j = -\frac{1}{\ln n}\sum_i p_{ij}\ln p_{ij}\) (entropía: vale 1 cuando todos tienen el mismo valor);
    3. \(d_j = 1 - e_j\) (grado de diferenciación);
    4. \(w_j = d_j / \sum_j d_j\).
  • C · Criterio experto (editable): pesos propuestos según la importancia que suele darse a cada aspecto en los rankings libra por libra. Se definen en 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)")
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.

7.3 Puntajes y ranking

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")
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()

7.4 Sesgo por categoría de peso (Kruskal-Wallis)

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:

  • Supuesto de dispersión: la prueba de Fligner-Killeen da p = 0.244, así que se cumple: la dispersión es similar entre bloques.
  • Sesgo por peso: la Kruskal-Wallis da p = 0.676, así que no hay evidencia de que el índice favorezca a alguna categoría de peso. Es lo que se espera de un ranking libra por libra.

8 Robustez del resultado

8.1 Concordancia entre esquemas (W de Kendall)

Por qué: si los tres esquemas de pesos ordenan a los boxeadores de forma parecida, el ranking no depende de una elección arbitraria.

  • H0: no hay concordancia entre los tres rankings (W = 0).
  • Supuestos: los “jueces” (los tres esquemas) ordenan al mismo conjunto de boxeadores, y los rankings no tienen empates. Se cumplen porque se desempata por orden. La significancia se evalúa con el estadístico \(\chi^2 = m(n-1)W\) con \(n-1\) grados de libertad, equivalente a la prueba de Friedman.
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.

8.2 Simulación Monte Carlo de los pesos

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()

8.3 Sensibilidad a la redundancia: el ranking sin I6

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

9 Resultado: Top 5 y mejor boxeador libra por libra

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")
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)

9.1 Veredicto

El mejor boxeador libra por libra en la actualidad, según este índice, es Naoya Inoue.

  • Queda primero con el esquema de igual ponderación (puntaje 0.809) y también con el de entropía y con el de criterio experto.
  • Es el primero en el 86.9 % de las 10.000 combinaciones aleatorias de pesos, y entra en el Top 5 en el 96.4 %.
  • Ese resultado es consistente con una alta concordancia entre esquemas (W de Kendall = 0.925).

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.

10 Limitaciones

  • Ventana corta: la calidad de los rivales se mide con las últimas 5 peleas, no con toda la carrera.
  • Estatus de excampeón: “excampeón mundial” se definió con los títulos absolutos o regulares de los 4 organismos; los interinos no cuentan.
  • Linaje: el campeón lineal se aproxima con el cinturón de The Ring, porque los organismos no llevan un registro oficial de ese linaje.
  • Datos pendientes: el país de muchas peleas no figura en las fuentes, así que la localía queda como variable descriptiva. El poder de los rivales (E5) tiene peso 0 hasta que haya datos.
  • Fecha de corte: el resultado refleja la situación al 18 de noviembre de 2026. Una nueva pelea cambia los indicadores; basta con actualizar los CSV y volver a ejecutar el documento.

11 Reproducibilidad

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