Bayesian Imputation for Unplayed Games in Round-Robin Chess Tournaments: Application to Grand Chess Tour, Bucharest 2026

Resumen Técnico: Imputación Bayesiana para Partidas No Jugadas en Torneos de Ajedrez por Rueda

Planteamiento del Problema
Los torneos de ajedrez por rueda, particularmente a nivel élite (por ejemplo, Candidatos, Grand Chess Tour), enfrentan un desafío crítico administrativo y estadístico cuando un jugador se retira a mitad del evento. Las regulaciones actuales de la FIDE (Artículo 6.6) emplean una regla dicotómica basada en un umbral del 50% de completitud:

• < 50% de partidas jugadas: Todos los resultados que involucran al jugador retirado se anulan.
• ≥ 50% de partidas jugadas: Los resultados jugados se mantienen y los oponentes sin jugar reciben un punto completo (por abandono).

Los autores argumentan que esta regla crea discontinuidades arbitrarias y distorsiona la clasificación final. La anulación borra victorias legítimamente obtenidas, mientras que el abandono otorga puntos no ganados que ignoran la forma real del jugador retirado y las diferencias de fuerza de sus oponentes restantes. En campos élite donde la clasificación a menudo se separa por medio punto, estas distorsiones pueden alterar la distribución de premios y los resultados de la clasificación para el Campeonato Mundial.

Metodología
El artículo propone un marco bayesiano basado en la Predicción Lineal Insesgada Óptima (BLUP) para imputar puntuaciones de partidas no jugadas. El enfoque trata el problema como un caso de datos faltantes, combinando óptimamente dos fuentes de información:

1. Información Prevía: Ratings Elo pre-torneo, que proporcionan una puntuación esperada ($E_{i,W}$) basada en diferencias históricas de fuerza.
2. Datos Observados: El rendimiento real del jugador retirado ($\bar{s}_W$) en las partidas jugadas antes de su retiro.

El modelo central asume una estructura de efectos aleatorios donde la puntuación de un jugador contra un oponente es la suma de la expectativa basada en Elo, un efecto aleatorio común que representa la forma actual del jugador retirado en el torneo ($\beta$), y ruido idiosincrásico.

La fórmula de imputación resultante para un oponente no jugado $i$ es:
$$I_{i,W} = E_{i,W} + \frac{n}{n+k} (1 - \bar{s}_W - \bar{E})$$

Donde:

• $n$: Número de partidas jugadas por el jugador retirado.
• $k$: Parámetro de fuerza previa (se recomienda $k=3$ para controles de tiempo clásicos), que representa la confianza en las predicciones Elo en relación con la varianza observada.
• $\bar{E}$: Expectativa Elo promedio de los oponentes enfrentados realmente.
• El término $\frac{n}{n+k}$ actúa como un peso de contracción, equilibrando la previa (Elo) contra los datos observados. A medida que $n$ aumenta, la estimación depende más de la forma observada; a medida que $n$ es pequeño, depende más de los ratings.

Contribuciones Clave

1. Marco Estadístico Formal: El artículo formaliza matemáticamente el problema de equidad y deriva el estimador BLUP bayesiano, demostrando que es consistente, conservador de puntos ($I_{i,W} + I_{W,i} = 1$) y minimiza el error cuadrático medio entre los predictores lineales insesgados.
2. Validación por Simulación: Se realizó un estudio de Monte Carlo que involucró 180.000 torneos simulados (18 escenarios que variaban por el momento del retiro, la forma del jugador y la dispersión de ratings) utilizando validación cruzada de un solo elemento fuera (LOOCV) para evaluar la precisión predictiva frente a la verdad fundamental.
3. Aplicación de Estudio de Caso: La metodología se aplicó al Grand Chess Tour de Bucarest 2026, donde el GM Alireza Firouzja se retiró después de 5/9 rondas con una puntuación pobre (1.0/5).
4. Herramientas de Código Abierto: Se desarrolló una aplicación R Shiny para permitir a los organizadores implementar el método de manera transparente, visualizar la sensibilidad al parámetro previo $k$ y comparar los resultados con las reglas tradicionales.

Resultados

• Rendimiento frente a las Reglas FIDE: El método BLUP bayesiano redujo el error de predicción (RMSE) en un 26% en general en comparación con el actual sistema dicotómico de la FIDE.
  • Superó la regla de Abandono en un 42.8% (las mayores ganancias ocurrieron cuando el jugador retirado estaba teniendo un rendimiento deficiente).
  • Superó la regla de Anulación en un 12.2%.
  • La imputación bayesiana logró el RMSE más bajo en los 18 escenarios experimentales.
• Compensación Sesgo-Varianza: La imputación puramente basada en Elo tenía un sesgo bajo cuando la forma coincidía con los ratings, pero fallaba cuando la forma se desviaba. La imputación puramente basada en el rendimiento era insesgada pero tenía una alta varianza. La imputación bayesiana logró el equilibrio óptimo, manteniendo un sesgo cercano a cero mientras reducía significativamente la varianza.
• Implicación de Política (Anulación vs. Abandono): Incluso sin adoptar la imputación bayesiana, las simulaciones indican que la anulación uniforme es estadísticamente superior al sistema dicotómico actual, logrando un RMSE entre un 15% y un 45% menor que el abandono en todos los escenarios. Se demuestra que el umbral del 50% es una discontinuidad arbitraria.
• Resultado del Estudio de Caso: En el escenario de Bucarest 2026, la imputación bayesiana otorgó a los oponentes no jugados 0.55–0.70 puntos, mientras que la regla de abandono otorgó 1.0. Esto preservó la ventaja competitiva de los jugadores que realmente derrotaron a Firouzja, mientras que la regla de abandono neutralizó efectivamente esas victorias al otorgar puntos iguales a quienes aún no habían jugado.

Significado y Afirmaciones
El artículo afirma que la metodología propuesta proporciona una solución fundamentada, transparente y matemáticamente defendible a un problema actualmente manejado por reglas administrativas arbitrarias.

• Integridad Competitiva: Al preservar la ventaja relativa de los jugadores que derrotaron a un jugador retirado con dificultades, el método salvaguarda la legitimidad de la clasificación del torneo, lo cual es crítico para eventos de alto riesgo como el torneo de Candidatos.
• Adaptabilidad: El método se adapta suavemente a la cantidad de datos disponibles, evitando el efecto "acantilado" del umbral del 50%.
• Recomendaciones: Los autores recomiendan que la FIDE adopte la imputación BLUP bayesiana (con $k=3$) para todos los eventos del ciclo del Campeonato Mundial. Como reforma mínima, proponen reemplazar la regla dicotómica actual con anulación uniforme, lo cual los datos muestran que es superior al sistema actual basado en abandono.

El artículo concluye que, aunque las puntuaciones fraccionarias (por ejemplo, 0.69) pueden requerir ajustes en la comunicación (por ejemplo, informar a una cifra decimal), el rigor estadístico del método es esencial para mantener la equidad en el ajedrez élite moderno.