De Nueva York a Tokio: Analizando los Logros en las Six Majors y Más Allá

Explorando los mayores hitos en maratones, desde los Top 100 mundiales hasta las Six Majors y la icónica Maratón de Boston.

trabajo BigData
maraton
Six Majors
Top 100
Autor/a
Afiliación

Anaïs Rosschaert Loyson

Universitat de València

Fecha de publicación

24 de enero de 2024

Six Majors

Introducción

El maratón, con una distancia oficial de 42.195 metros, se destaca como una de las pruebas más emblemáticas y reconocidas dentro del atletismo. En el universo de las maratones, destacan las “Six Majors”, una élite de seis maratones considerados los más prestigiosos del mundo. Esta selección incluye las ciudades de Boston, Nueva York, Chicago, Berlín, Londres y Tokio.

En este trabajo, nos adentramos en el análisis de los 100 mejores tiempos oficiales en los que se ha completado la distancia del maratón. Exploraremos cómo se distribuyen las nacionalidades de los atletas que ocupan este destacado ranking y qué maratones son más frecuentes en este exclusivo grupo. Además, nos sumergiremos en el seno de las “Six Majors”, examinando el tiempo medio y los cinco atletas que más veces han alcanzado la victoria en alguna de las “Majors”. Finalmente, dirigiremos nuestra atención hacia el Maratón de Boston, explorando la evolución del ritmo medio en el cual los ganadores han completado cada edición a lo largo del tiempo. Este análisis detallado permitirá comprender las dinámicas cambiantes y estrategias adoptadas por los corredores en uno de los eventos más antiguos y emblemáticos del atletismo mundial.

Definiciones

  • Ritmo medio en carrera: Velocidad promedio a la cual un corredor completa la distancia durante todo el evento. Este indicador se calcula dividiendo la distancia total de la carrera por el tiempo total empleado.

  • Top 100 mejores tiempos en maratón: Selección de los 100 mejores tiempos (oficiales) registrados en la historia de esta disciplina atlética. Estos tiempos destacados representan el rendimiento más excepcional y rápido entre todos los corredores, lo que convierte a este grupo en una referencia significativa para evaluar la élite del mundo del maratón.

  • Six Majors: Conjunto de las seis maratones más prestigiosas a nivel mundial. Se incluyen los eventos celebrados en las ciudades de Boston, Nueva York, Chicago, Berlín, Londres y Tokio.

Datos

Para este estudio, se ha recopilado información de la página web de World Athletics y de Kaggle. El enfoque principal se centra en analizar datos relacionados con los tiempos de llegada de destacados atletas en una de las pruebas más desafiantes: el maratón.

Con el fin de garantizar la integridad de los datos y evitar posibles complicaciones derivadas de modificaciones, la información extraída de la página web de World Athletics se descargó el 17 de enero de 2024. Este proceso se llevó a cabo utilizando funciones como read_html y html_table, y los datos se han gestionado desde los archivos generados en esa fecha específica.

En términos de limpieza y manipulación de datos, se destacan las consideraciones especiales aplicadas a variables como el tiempo en meta y el ritmo medio, que se presentaban en formato sexagesimal. Para convertir estas variables a “numeric” y así poder realizar este análisis, se han considerado estas dos variables como tiempo en segundos. Además, se ha llevado a cabo una homogeneización del nombre y formato de las variables.

Código
#Librerías

library(tidyverse)
library(rio)
library(dplyr)
library(rvest)
library(stringr)
library(knitr)
library(kableExtra)
library("rnaturalearth")
library("rnaturalearthdata")
library(ggplot2)
library(RColorBrewer)
library(ggthemes)
library(plotly)

#Cargando todos los dfs en el global

data_boston_fem <- rio::import(here::here("datos", "Womens_Boston_Marathon_Winners.csv"))
data_boston_masc <- rio::import(here::here("datos", "Mens_Boston_Marathon_Winners.csv"))
data_majors <- rio::import(here::here("datos", "world_marathon_majors.csv"))

data_records_maraton_masc <- rio::import(here::here("datos", "Records_Maraton_Masc.csv"))
data_records_maraton_fem <- rio::import(here::here("datos", "Records_Maraton_Fem.csv"))

data_records_fem <- rio::import(here::here("datos", "Records_Fem.csv"))
data_records_masc <- rio::import(here::here("datos", "Records_Masc.csv"))

#Limpiando y preparando datos

#La parte clave de la preparación de datos es conseguir crear una nueva columna donde nos indique la velocidad media de cada corredor en minutos y segundos por km (mm:ss/km). Para ello hay que tener en cuenta la particularidad del sistema sexagesimal a la hora de crear esta nueva variable.

#Además homogeneizaremos el nombre de las variables y eliminaremos aquellas que no sean relevantes

#Boston femenino

data_boston_fem <- data_boston_fem %>%
  select(-"Distance (Miles)") %>%
  rename(Athlete = "Winner", Nationality = "Country", Distance = "Distance (KM)") %>%
  mutate(Time_In_Seconds = as.numeric(ifelse(grepl(":", as.character(Time)), 
                                             sapply(strsplit(as.character(Time), ":"), 
                                                    function(x) sum(as.numeric(x) * c(3600, 60, 1))),
                                             NA)),
         Pace_Seconds = Time_In_Seconds / Distance,
         Pace = ifelse(is.finite(Pace_Seconds), sprintf("%02d:%02d", as.integer(floor(Pace_Seconds / 60)), as.integer(Pace_Seconds %% 60)), NA),
         .after = "Distance") %>%
  slice(-55) %>%
  relocate(Pace, .after = "Distance") 

colnames(data_boston_fem) <- tolower(colnames(data_boston_fem))

#data_boston_fem <- data_boston_fem %>%
  #select(-c("time_in_seconds", "pace_seconds"))

#Boston fmasculino

data_boston_masc <- data_boston_masc %>%
  select(-"Distance (Miles)") %>%
  rename(Athlete = "Winner", Nationality = "Country", Distance = "Distance (KM)") %>%
  mutate(Time_In_Seconds = as.numeric(ifelse(grepl(":", as.character(Time)), 
                                           sapply(strsplit(as.character(Time), ":"), 
                                                  function(x) sum(as.numeric(x) * c(3600, 60, 1))),
                                           NA)),
         Pace_Seconds = Time_In_Seconds / Distance,
         Pace = ifelse(is.finite(Pace_Seconds), sprintf("%02d:%02d", as.integer(floor(Pace_Seconds / 60)), as.integer(Pace_Seconds %% 60)), NA),
         .after = "Distance") %>%
  slice(-124) %>%
  relocate(Pace, .after = "Distance") 

colnames(data_boston_masc) <- tolower(colnames(data_boston_masc)) 

#data_boston_masc <- data_boston_masc %>%
  #select(-c("time_in_seconds", "pace_seconds"))


#Six majors (ganadores/as de cada edición)

data_majors <- data_majors %>%
  rename(athlete = "winner", nationality = "country") %>%
  mutate(distance = 42.195) %>%
  mutate(time_in_seconds = as.numeric(ifelse(grepl(":", as.character(time)), 
                                             sapply(strsplit(as.character(time), ":"), 
                                                    function(x) sum(as.numeric(x) * c(3600, 60, 1))),
                                             NA)),
         pace_seconds = time_in_seconds / distance,
         pace = ifelse(is.finite(pace_seconds), sprintf("%02d:%02d", as.integer(floor(pace_seconds / 60)), as.integer(pace_seconds %% 60)), NA),
         .after = "distance") %>%
  relocate(pace, .after = "distance")

#data_majors <- data_majors %>%
  #select(-c("time_in_seconds", "pace_seconds"))


#Records maratones masculino


data_records_maraton_masc <- data_records_maraton_masc %>%
  select(-c(Rank, WIND, Pos, V8, "Results Score")) %>%
  rename(nationality = Nat, date_of_birth = DOB, time = Mark, marathon = Venue) %>%
  setNames(tolower(names(.))) %>%
  relocate(date, nationality, time, date_of_birth) %>%
  separate(competitor, into = c("name", "athlete"), sep = " ", remove = FALSE) %>%
  relocate(name, athlete, .after = "competitor") %>%
  mutate(distance = 42.195,
         time_in_seconds = as.numeric(ifelse(grepl(":", as.character(time)), 
                                             sapply(strsplit(as.character(time), ":"), 
                                                    function(x) sum(as.numeric(x) * c(3600, 60, 1))),
                                             NA)),
         pace_seconds = time_in_seconds / distance,
         pace = ifelse(is.finite(pace_seconds), sprintf("%02d:%02d", as.integer(floor(pace_seconds / 60)), as.integer(pace_seconds %% 60)), NA),
         .after = "time") %>%
  relocate(pace, .after = "time") %>%
  select(-c("time_in_seconds", "pace_seconds"))

#Vamos a cambiar las fechas para que sean consideradas como "date" en vez de character

data_records_maraton_masc <- data_records_maraton_masc %>%
  separate(date, into = c("day", "month", "year"), sep = " ") %>%
  separate(date_of_birth, into = c("day", "month", "year_of_birth"), sep = " ") %>%
  select(-c(day, month)) %>%
  mutate(year = as.numeric(year),
         year_of_birth = as.numeric(year_of_birth))


#Records maratones femenino

data_records_maraton_fem <- data_records_maraton_fem %>%
  select(-c(Rank, WIND, Pos, V8, "Results Score")) %>%
  rename(nationality = Nat, date_of_birth = DOB, time = Mark, marathon = Venue) %>%
  setNames(tolower(names(.))) %>%
  relocate(date, nationality, time, date_of_birth) %>%
  separate(competitor, into = c("name", "athlete"), sep = " ", remove = FALSE) %>%
  relocate(name, athlete, .after = "competitor") %>%
  mutate(distance = 42.195,
         time_in_seconds = as.numeric(ifelse(grepl(":", as.character(time)), 
                                             sapply(strsplit(as.character(time), ":"), 
                                                    function(x) sum(as.numeric(x) * c(3600, 60, 1))),
                                             NA)),
         pace_seconds = time_in_seconds / distance,
         pace = ifelse(is.finite(pace_seconds), sprintf("%02d:%02d", as.integer(floor(pace_seconds / 60)), as.integer(pace_seconds %% 60)), NA),
         .after = "time") %>%
  relocate(pace, .after = "time") %>%
  select(-c("time_in_seconds", "pace_seconds"))

#Vamos a cambiar las fechas para que sean consideradas como "date" en vez de character

data_records_maraton_fem <- data_records_maraton_fem %>%
  separate(date, into = c("day", "month", "year"), sep = " ") %>%
  separate(date_of_birth, into = c("day", "month", "year_of_birth"), sep = " ") %>%
  select(-c(day, month)) %>%
  mutate(year = as.numeric(year),
         year_of_birth = as.numeric(year_of_birth))

1) Analizando los mejores tiempos de los maratonianos

Top 100 mejores tiempos (oficiales) en maratón

Código
#Ranking top 100----


# En primer lugar, arreglo los datos para la tabla. Selecciono las variables que quiero representar
top100_masc <- head(data_records_maraton_masc, 100) %>%
  mutate(position = c(1:100)) %>%
  select(position, athlete, nationality, time, marathon) %>%
  setNames(toupper(names(.)))


# Creamos la tabla del top  mejores tiempos masculinos

tabla_top100_masc <- top100_masc %>%
  kable("html", align = "l", caption = "TOP 100 MEJORES TIEMPOS DE MARATÓN MASCULINO") %>%
  kable_styling(full_width = TRUE, position = "center", bootstrap_options = c("striped", "hover", "condensed"), htmltable_class = "lightable-material") %>%
  row_spec(row = 0, extra_css = "text-align: center; text-transform: uppercase; font-size: 18px; font-weight: bold;") %>%
  footnote(general = "Elaboración propia a partir de datos extraídos de World Athletics", general_title = " ", footnote_as_chunk = T) %>%
  scroll_box(width = "100%", height = "375px")

tabla_top100_masc
TOP 100 MEJORES TIEMPOS DE MARATÓN MASCULINO
POSITION ATHLETE NATIONALITY TIME MARATHON
1 KIPTUM KEN 2:00:35 Chicago, IL (USA)
2 KIPCHOGE KEN 2:01:09 Berlin (GER)
3 BEKELE ETH 2:01:41 Berlin (GER)
4 LEMMA ETH 2:01:48 Valencia (ESP)
5 LEGESE ETH 2:02:48 Berlin (GER)
6 GEREMEW ETH 2:02:55 London (GBR)
7 KIMETTO KEN 2:02:57 Berlin (GER)
8 CHEBET KEN 2:03:00 Valencia (ESP)
9 Gerald TAN 2:03:00 Valencia (ESP)
10 CHERONO KEN 2:03:04 Valencia (ESP)
11 Mutiso KEN 2:03:11 Valencia (ESP)
12 MUTAI KEN 2:03:13 Berlin (GER)
13 Kipsang KEN 2:03:13 Berlin (GER)
14 KIPRUTO KEN 2:03:13 Tokyo (JPN)
15 Kipkemoi KEN 2:03:13 Berlin (GER)
16 WASIHUN ETH 2:03:16 London (GBR)
17 TAKELE ETH 2:03:24 Berlin (GER)
18 MOLLA ETH 2:03:34 Dubai (UAE)
19 ABDI BEL 2:03:36 Rotterdam (NED)
20 Makau KEN 2:03:38 Berlin (GER)
21 TOLA ETH 2:03:39 Amsterdam (NED)
22 NEGASA ETH 2:03:40 Dubai (UAE)
23 Idemo ETH 2:03:46 Berlin (GER)
24 WOLDE ETH 2:03:48 Valencia (ESP)
25 KIPLAGAT KEN 2:03:50 Rotterdam (NED)
26 Kipleting KEN 2:03:51 London (GBR)
27 ATANAW ETH 2:03:51 Valencia (ESP)
28 Kiprop KEN 2:03:55 Milano (ITA)
29 GEBRSELASSIE ETH 2:03:59 Berlin (GER)
30 GEBRESILASE ETH 2:04:02 Dubai (UAE)
31 KIPRUTO KEN 2:04:02 Chicago, IL (USA)
32 KIPSEREM KEN 2:04:04 Rotterdam (NED)
33 MENGSTU ETH 2:04:06 Dubai (UAE)
34 Kiprop KEN 2:04:09 Amsterdam (NED)
35 MUTAI KEN 2:04:15 Berlin (GER)
36 Kigen TUR 2:04:16 Valencia (ESP)
37 KIPTUM KEN 2:04:17 Milano (ITA)
38 BELET KEN 2:04:18 Amsterdam (NED)
39 ROTICH KEN 2:04:21 Paris (FRA)
40 KORIR KEN 2:04:22 Berlin (GER)
41 ABSHERO ETH 2:04:23 Dubai (UAE)
42 KAMWOROR KEN 2:04:23 London (GBR)
43 ABERA ETH 2:04:24 Dubai (UAE)
44 KIBET KEN 2:04:27 Rotterdam (NED)
45 Kipsang KEN 2:04:27 Rotterdam (NED)
46 KITWARA KEN 2:04:28 Chicago, IL (USA)
47 KIPCHUMBA KEN 2:04:28 London (GBR)
48 TURA ETH 2:04:29 Milano (ITA)
49 MEKONNEN ETH 2:04:32 Dubai (UAE)
50 CHUMBA KEN 2:04:32 Chicago, IL (USA)
51 Kipleting KEN 2:04:32 Amsterdam (NED)
52 LEMI ETH 2:04:33 Dubai (UAE)
53 KOTUT KEN 2:04:34 Amsterdam (NED)
54 TEWELDE ERI 2:04:35 Amsterdam (NED)
55 KIBET KEN 2:04:37 Amsterdam (NED)
56 KEBEDE ETH 2:04:38 Chicago, IL (USA)
57 DEKSISA ETH 2:04:40 Amsterdam (NED)
58 KIROS ETH 2:04:41 Paris (FRA)
59 TEKLU ETH 2:04:42 Berlin (GER)
60 Hassan BRN 2:04:43 Valencia (ESP)
61 HIYRDEN ETH 2:04:43 Sevilla (ESP)
62 KIPSAMBU KEN 2:04:44 Paris (FRA)
63 BELAY ETH 2:04:44 Berlin (GER)
64 DESISA ETH 2:04:45 Dubai (UAE)
65 EKIRU KEN 2:04:46 Milano (ITA)
66 AYENEW ETH 2:04:46 Sevilla (ESP)
67 TSEGAY ETH 2:04:48 Rotterdam (NED)
68 SHIFERAW ETH 2:04:48 Dubai (UAE)
69 KIPYEGO KEN 2:04:48 Paris (FRA)
70 KISSA UGA 2:04:48 Hamburg (GER)
71 KANDIE KEN 2:04:48 Valencia (ESP)
72 TOLA ETH 2:04:49 Dubai (UAE)
73 KITATA ETH 2:04:49 London (GBR)
74 GETACHEW ETH 2:04:49 Amsterdam (NED)
75 SEFIR ETH 2:04:50 Dubai (UAE)
76 FELEKE ETH 2:04:50 Rotterdam (NED)
77 NEGEWO ETH 2:04:51 Valencia (ESP)
78 DO BRA 2:04:51 Seoul (KOR)
79 LILESA ETH 2:04:52 Chicago, IL (USA)
80 NEGESSE ETH 2:04:52 Dubai (UAE)
81 Kiprop KEN 2:04:52 Eindhoven (NED)
82 Kipkoech KEN 2:04:53 Valencia (ESP)
83 DESO ETH 2:04:53 Valencia (ESP)
84 DEGU ETH 2:04:53 Paris (FRA)
85 KIPKORIR KEN 2:04:53 Frankfurt (GER)
86 GENETI ETH 2:04:54 Dubai (UAE)
87 KIPRUTO KEN 2:04:54 Amsterdam (NED)
88 TERGAT KEN 2:04:55 Berlin (GER)
89 Kipchoge KEN 2:04:56 Berlin (GER)
90 MAIYO KEN 2:04:56 Dubai (UAE)
91 SUZUKI JPN 2:04:56 Otsu (JPN)
92 NAGEEYE NED 2:04:56 Rotterdam (NED)
93 KIPLIMO KEN 2:04:56 Berlin (GER)
94 ASMARE ETH 2:04:57 Amsterdam (NED)
95 PETROS GER 2:04:58 Berlin (GER)
96 BIRHANU ETH 2:04:59 Sevilla (ESP)
97 RONO KEN 2:05:00 Toronto (CAN)
98 KIRWA KEN 2:05:01 Milano (ITA)
99 KORIR KEN 2:05:01 Chicago, IL (USA)
100 GOBENA ETH 2:05:01 Dubai (UAE)
Elaboración propia a partir de datos extraídos de World Athletics

Este análisis de los 100 mejores tiempos revela la constante evolución y la proximidad de los atletas a fronteras aparentemente inalcanzables.

En la categoría masculina, la proximidad a la mítica barrera de las 2 horas se ha vuelto más palpable con actuaciones notables. Kelvin Kiptum, con su sorprendente tiempo de 2:00:35 en Chicago, ha acariciado este límite tan simbólico.

En este contexto, la figura emblemática de Eliud Kipchoge no puede pasarse por alto. Aunque actualmente ocupa la segunda posición con un tiempo de 2:01:09 en Berlín, su legado es incuestionable dado que, durante 131 semanas, Kipchoge ostentó el récord. Cabe mencionar que Kipchoge, batió el “muro” de las 2 horas con un tiempo de 1:59:40 en el maratón de Viena en 2019. Sin embargo, esta marca no se considera oficial dado que el atleta contó con la asistencia de 41 “pacers” que se turnaban para marcar el ritmo necesario, planteando ciertas controversias en torno a su estatus.

Código
# Y ahora seguiremos los mismos pasos para la categoría femenina

top100_fem <- head(data_records_maraton_fem, 100) %>%
  mutate(position = c(1:100)) %>%
  select(position, athlete, nationality, time, marathon) %>%
  setNames(toupper(names(.)))

tabla_top100_fem <- top100_fem %>%
  kable("html", align = "l", caption = "TOP 100 MEJORES TIEMPOS DE MARATÓN FEMENINO") %>%
  kable_styling(full_width = TRUE, position = "center", bootstrap_options = c("striped", "hover", "condensed"), htmltable_class = "lightable-material") %>%
  row_spec(row = 0, extra_css = "text-align: center; text-transform: uppercase; font-size: 18px; font-weight: bold; background-color: #fbfee9;") %>%
  footnote(general = "Elaboración propia a partir de datos extraídos de World Athletics", general_title = " ", footnote_as_chunk = T) %>%
  scroll_box(width = "100%", height = "375px")

tabla_top100_fem
TOP 100 MEJORES TIEMPOS DE MARATÓN FEMENINO
POSITION ATHLETE NATIONALITY TIME MARATHON
1 ASSEFA ETH 2:11:53 Berlin (GER)
2 HASSAN NED 2:13:44 Chicago, IL (USA)
3 KOSGEI KEN 2:14:04 Chicago, IL (USA)
4 CHEPNGETICH KEN 2:14:18 Chicago, IL (USA)
5 Beriso ETH 2:14:58 Valencia (ESP)
6 RADCLIFFE GBR 2:15:25 London (GBR)
7 DEGEFA ETH 2:15:51 Valencia (ESP)
8 KETEMA ETH 2:16:07 Dubai (UAE)
9 AYANA ETH 2:16:22 Valencia (ESP)
10 WANJIRU KEN 2:16:28 Tokyo (JPN)
11 GIDEY ETH 2:16:49 Valencia (ESP)
12 GEMECHU ETH 2:16:56 Tokyo (JPN)
13 Jepkosgei KEN 2:17:01 London (GBR)
14 ALEMU ETH 2:17:09 Chicago, IL (USA)
15 JEPCHIRCHIR KEN 2:17:16 Valencia (ESP)
16 YEHUALAW ETH 2:17:23 Hamburg (GER)
17 JEPKOSGEI KEN 2:17:23 Chicago, IL (USA)
18 CHEPKIRUI KEN 2:17:29 Valencia (ESP)
19 TESHOME ETH 2:17:36 Valencia (ESP)
20 Chemtai ISR 2:17:45 Tokyo (JPN)
21 DIBABA ETH 2:17:56 London (GBR)
22 TANUI KEN 2:17:57 Amsterdam (NED)
23 AZIMERAW ETH 2:17:58 London (GBR)
24 BEKERE ETH 2:17:58 Tokyo (JPN)
25 GEBREKIDAN ETH 2:17:59 Valencia (ESP)
26 ABAYECHEW ETH 2:18:03 Berlin (GER)
27 Chelimo ROU 2:18:04 Seoul (KOR)
28 DIBABA ETH 2:18:05 Amsterdam (NED)
29 AGA ETH 2:18:09 Dongying (CHN)
30 CHERONO KEN 2:18:11 Berlin (GER)
31 GEBRESLASE ETH 2:18:11 Autzen Complex, Eugene, OR (USA)
32 CHEMUTAI KEN 2:18:11 Valencia (ESP)
33 Asefa ETH 2:18:12 Seoul (KOR)
34 Jeptum KEN 2:18:20 Autzen Complex, Eugene, OR (USA)
35 BELETE ETH 2:18:21 Amsterdam (NED)
36 SISSON USA 2:18:29 Chicago, IL (USA)
37 DEREJE ETH 2:18:30 Valencia (ESP)
38 Jepkemei KEN 2:18:31 London (GBR)
39 ABREHA ETH 2:18:33 Valencia (ESP)
40 DIBABA ETH 2:18:35 Tokyo (JPN)
41 SHAURI TAN 2:18:41 Berlin (GER)
42 NDEREBA KEN 2:18:47 Chicago, IL (USA)
43 MESFIN ETH 2:18:47 Valencia (ESP)
44 EDESA ETH 2:18:51 Berlin (GER)
45 GIRMA ETH 2:18:52 Valencia (ESP)
46 GELANA ETH 2:18:58 Rotterdam (NED)
47 YIMER ETH 2:19:07 Berlin (GER)
48 JEMELI KEN 2:19:10 Frankfurt (GER)
49 NOGUCHI JPN 2:19:12 Berlin (GER)
50 D'AMATO USA 2:19:12 Houston, TX (USA)
51 MIKITENKO GER 2:19:19 Berlin (GER)
52 TEFERI ETH 2:19:21 Berlin (GER)
53 NIIYA JPN 2:19:24 Houston, TX (USA)
54 DIDA ETH 2:19:24 Berlin (GER)
55 GETACHEW ETH 2:19:27 Frankfurt (GER)
56 Feyse ETH 2:19:30 Dubai (UAE)
57 MEDESSA ETH 2:19:31 Dubai (UAE)
58 JELAGAT KEN 2:19:31 Valencia (ESP)
59 TUSA ETH 2:19:33 Houston, TX (USA)
60 Kabuu KEN 2:19:34 Dubai (UAE)
61 KASTOR USA 2:19:36 London (GBR)
62 MELESE ETH 2:19:36 Dubai (UAE)
63 SUN CHN 2:19:39 Beijing (CHN)
64 SHIBUI JPN 2:19:41 Berlin (GER)
65 TSEGAYE ETH 2:19:41 Dubai (UAE)
66 KIPLAGAT KEN 2:19:44 Berlin (GER)
67 BEKELE ETH 2:19:44 Berlin (GER)
68 TAKAHASHI JPN 2:19:46 Berlin (GER)
69 CHEPCHIRCHIR KEN 2:19:47 Tokyo (JPN)
70 Ngeringwony KEN 2:19:50 London (GBR)
71 ABEBAYAHAU ETH 2:19:50 Amsterdam (NED)
72 ZHOU CHN 2:19:51 Seoul (KOR)
73 DIBABA ETH 2:19:52 Dubai (UAE)
74 JOHANNES NAM 2:19:52 Valencia (ESP)
75 CHEPNGENO KEN 2:19:55 Houston, TX (USA)
76 Jeptoo KEN 2:19:57 Chicago, IL (USA)
77 Chebichii BRN 2:20:02 Seoul (KOR)
78 Jepchirchir KEN 2:20:02 Amsterdam (NED)
79 WOLDU ETH 2:20:03 Valencia (ESP)
80 Chepyego KEN 2:20:03 Barcelona (ESP)
81 CHEPCHIRCHIR KEN 2:20:10 Seoul (KOR)
82 Shone ETH 2:20:11 Dubai (UAE)
83 TESFAYE ETH 2:20:13 Dubai (UAE)
84 JEPTOO KEN 2:20:14 London (GBR)
85 Cherotich KEN 2:20:14 Praha (CZE)
86 CHEPKEMOI KEN 2:20:18 Amsterdam (NED)
87 KIPLAGAT KEN 2:20:18 Milano (ITA)
88 Hailu ETH 2:20:19 Amsterdam (NED)
89 Wacera KEN 2:20:22 London (GBR)
90 CHESANG UGA 2:20:23 Hamburg (GER)
91 ICHIYAMA JPN 2:20:29 Nagoya (JPN)
92 WELDU ERI 2:20:29 Autzen Complex, Eugene, OR (USA)
93 CHELAL KEN 2:20:29 Sevilla (ESP)
94 BEKELE ETH 2:20:30 Dubai (UAE)
95 KEBEDE ETH 2:20:30 Berlin (GER)
96 HALL USA 2:20:32 Chandler, AZ (USA)
97 ASSEFA ETH 2:20:36 Frankfurt (GER)
98 TESFU ERI 2:20:40 Valencia (ESP)
99 ADERE ETH 2:20:42 Chicago, IL (USA)
100 LOROUPE KEN 2:20:43 Berlin (GER)
Elaboración propia a partir de datos extraídos de World Athletics

En la categoría femenina, el panorama no es menos emocionante. Tigst Assefa lidera el ranking con un tiempo formidable de 2:11:53 en Berlín. Las atletas Sifan Hassan, Brigid Kosgei, Ruth Chepngetich y Amane Beriso Shankule completan el top 5, evidenciando la diversidad de talentos y la competitividad en la élite del maratón femenino.

Nacionalidades de los mejores maratonianos

Código
#------Mapa coropletas-----

data_records_maraton_masc <- data_records_maraton_masc %>%
  mutate(gender = "Masc")

data_records_maraton_fem <- data_records_maraton_fem %>%
  mutate(gender = "Fem")

data_records_maraton <- full_join(data_records_maraton_masc, data_records_maraton_fem)

#Obtenemos el mapa y seleccionamos las dos variables que harán falta para unir los dfs y crear el mapa.

world <- rnaturalearth::ne_countries(scale = "medium", returnclass = "sf")
world <- world %>% filter(subregion != "Antarctica") %>% filter(admin != "Greenland")
world <- world %>% select(iso_a3, geometry)


#Manipulamos los datos. En este caso, representaremos en un mapa de coropletas las nacionalidades que están entre el top 100 mejores tiempos 

data_mapa<- data_records_maraton%>% group_by(nationality) %>%
  summarize(NN = n())

#Unimos los dfs y creamos los quintiles

df_mapa<- full_join(data_mapa, world, by = c("nationality" = "iso_a3") ) 

df_mapa <- df_mapa %>% mutate(nacionalidades_5 = ntile(NN, 5))  
df_mapa$nacionalidades_5 <- as.factor(df_mapa$nacionalidades_5)


#Creamos el mapa de coropletas

p1 <- ggplot(df_mapa) +
  geom_sf(aes(geometry = geometry, fill = nacionalidades_5)) +
  scale_fill_brewer(palette = "Greens", name = NULL, labels = c("1er quintil", "2do quintil", "3er quintil", "4to quintil", "5to quintil")) + 
  theme_fivethirtyeight() +
  labs(title = "DISTRIBUCIÓN NACIONALIDADES TOP 100", subtitle = "(masculino y femenino)" , caption = "Elaboración propia a partir de datos extraídos de World Athletics") + 
  theme(axis.text.x = element_blank(),
        axis.text.y = element_blank(),
        axis.title.x = element_blank(),
        axis.title.y = element_blank(),
        axis.ticks = element_blank()) +
  scale_y_continuous(breaks = NULL) + 
  scale_x_continuous(breaks = NULL) 

p1

En el grupo de los 100 mejores tiempos oficiales de maratón, se observa una gran variedad de nacionalidades. Para la elaboración del siguiente mapa, se han fusionado ambos rankings.

Este mapa coroplético ofrece una visión de la distribución geográfica de las nacionalidades de los mejores maratonistas. Destaca claramente el dominio incuestionable de Kenia y Etiopía, que lideran con contundencia este ranking. Detrás de este dúo imponente, otras naciones también han dejado su huella en este selecto grupo. Japón se presenta como un contendiente fuerte mientras que Estados Unidos también ha logrado asegurar un lugar notable en este exclusivo ranking.

Además, otras naciones como Brasil, China, Israel, Turquía, Holanda, Alemania y Uganda, entre otras, representan la diversidad global de talento en el mundo del maratón. Aunque estas naciones pueden tener menos representantes, su presencia destaca la universalidad del atletismo y la capacidad de atletas de diversas culturas para competir a nivel élite.

Maratones destacadas en el top 100

Código
#Ciudades que más aparecen entre el top 100 (oficial)-----

data_ciudades_records_maraton_masc <- data_records_maraton_masc %>%
  group_by(marathon) %>%
  summarize(NN = n()) %>%
  ungroup() %>%
  slice_max(n = 3, NN) %>%
  arrange(desc(NN))

data_ciudades_records_maraton_fem <- data_records_maraton_fem %>%
  group_by(marathon) %>%
  summarize(NN = n()) %>%
  ungroup() %>%
  slice_max(n = 3, NN) %>%
  arrange(desc(NN))




# Ordenar data_ciudades_records_maraton_masc de mayor a menor NN
data_ciudades_records_maraton_masc <- data_ciudades_records_maraton_masc %>%
  mutate(marathon = factor(marathon, levels = marathon[order(NN, decreasing = TRUE)])) %>% rename("Apariciones" = NN)

data_ciudades_records_maraton_fem <- data_ciudades_records_maraton_fem %>%
  mutate(marathon = factor(marathon, levels = marathon[order(NN, decreasing = TRUE)]))  %>% rename("Apariciones" = NN)


data_ciudades_records_maraton <- bind_rows(
  mutate(data_ciudades_records_maraton_masc, genero = "Masculino"),
  mutate(data_ciudades_records_maraton_fem, genero = "Femenino")
)

# Gráfico combinado

colores <- c("Masculino" = "#FBFF88", "Femenino" = "lavender")


p_combined <- ggplot(data_ciudades_records_maraton, aes(x = marathon, y = Apariciones)) +
  geom_bar(stat = "identity", aes(fill = genero)) + 
  scale_fill_manual(values = colores) + 
  labs(title = "MARATONES CON MÁS APARICIONES EN EL TOP 100",
       x = "Maratón",
       y = "Número de apariciones en el ranking") +
  theme_minimal() +
  facet_wrap(~ genero, scales = "free_y") + 
  theme(legend.position = "none")




p_combined_plotly <- p_combined %>%
  ggplotly(tooltip = c("marathon", "Apariciones", "genero"))

p_combined_plotly

Adentrándonos en el análisis detallado de los 100 mejores tiempos oficiales de maratón, exploraremos de cerca los tres maratones que más veces han acogido a los ganadores de sus respectivas ediciones.

En la categoría masculina, resaltan con notable presencia las emblemáticas maratones de Berlín, Dubái y Valencia, acumulando 19, 16 y 13 apariciones respectivamente en el selecto grupo de los 100 mejores tiempos oficiales de maratón. En el ámbito femenino, se repiten las mismas ciudades, aunque en distinto orden. Valencia, Berlín y Dubái acumulan 17, 16 y 10 menciones respectivamente. Estas ciudades han logrado forjar su lugar en el calendario mundial del maratón, atrayendo a atletas élite y entusiastas por igual. Esta selección de maratones como protagonistas en el ranking subraya la trascendencia de elementos geográficos, climáticos y organizativos en la excelencia de los atletas de élite en el escenario global del maratón.

2) Las Six Majors

Las “Six Majors” representan un prestigioso conjunto de seis maratones internacionales de renombre en el mundo del atletismo. Originalmente, esta serie (por aquel entonces conocida como las “Five Majors”) incluía los maratones de Boston, Nueva York, Chicago, Berlín y Londres. Sin embargo, en 2013, la incorporación del Maratón de Tokio ha transformado el conjunto en las “Six Majors”. Existe cierta especulación acerca de la posible inclusión de la séptima “Major”. Muchos reclaman la incorporación del maratón de Valencia como séptima “Major”, no obstante, algunas fuentes sugieren que Sídney podría ser la próxima incorporación.

La “Major” más veloz

Código
#La más rápida de las six majors------

#Versión masculina
fastest_major_masc <- data_majors %>% 
  filter(gender == "Male") %>%
  group_by(marathon)%>%
  summarise(media_tiempo_total = mean(time_in_seconds)) %>%
  mutate(media_tiempo_total_hms = sprintf("%02d:%02d:%02d",
                                          as.integer(floor(media_tiempo_total / 3600)),
                                          as.integer((media_tiempo_total %% 3600) / 60),
                                          as.integer(media_tiempo_total %% 60))) %>%
  arrange(media_tiempo_total) %>%
  select(- "media_tiempo_total") %>%
  rename(maraton = marathon, "tiempo medio del ganador" = media_tiempo_total_hms) %>%
  mutate(Ranking = c(1:6), .before = maraton)


tabla_fastest_major_masc <- fastest_major_masc %>%
  kable("html", align = "c", caption = "TIEMPO MEDIO HISTÓRICO DE LOS GANADORES DE LAS SIX MAJORS (masc)") %>%
  kable_styling(full_width = TRUE, position = "center", bootstrap_options = c("striped", "hover", "condensed"), htmltable_class = "lightable-material") %>%
  row_spec(row = 0, extra_css = "text-align: center; text-transform: uppercase; font-size: 18px; font-weight: bold;") %>%
  footnote(general = "Elaboración propia a partir de datos extraídos de World Athletics", general_title = " ", footnote_as_chunk = T) %>%
  scroll_box(width = "100%", height = "425px")

tabla_fastest_major_masc
TIEMPO MEDIO HISTÓRICO DE LOS GANADORES DE LAS SIX MAJORS (masc)
Ranking maraton tiempo medio del ganador
1 Tokyo 02:07:30
2 London 02:07:42
3 Chicago 02:09:40
4 Berlin 02:10:52
5 NYC 02:11:44
6 Boston 02:21:50
Elaboración propia a partir de datos extraídos de World Athletics
Código
#Versión femenina

fastest_major_fem <- data_majors %>% 
  filter(gender == "Female") %>%
  group_by(marathon)%>%
  summarise(media_tiempo_total = mean(time_in_seconds)) %>%
  mutate(media_tiempo_total_hms = sprintf("%02d:%02d:%02d",
                                          as.integer(floor(media_tiempo_total / 3600)),
                                          as.integer((media_tiempo_total %% 3600) / 60),
                                          as.integer(media_tiempo_total %% 60))) %>%
  arrange(media_tiempo_total) %>%
  select(- "media_tiempo_total") %>%
  rename(maraton = marathon, "tiempo medio del ganador" = media_tiempo_total_hms) %>%
  mutate(Ranking = c(1:6), .before = maraton) 


tabla_fastest_major_fem <- fastest_major_fem %>%
  kable("html", align = "c", caption = "TIEMPO MEDIO HISTÓRICO DE LOS GANADORES DE LAS SIX MAJORS (fem)") %>%
  kable_styling(full_width = TRUE, position = "center", bootstrap_options = c("striped", "hover", "condensed"), htmltable_class = "lightable-material") %>%
  row_spec(row = 0, extra_css = "text-align: center; text-transform: uppercase; font-size: 18px; font-weight: bold;") %>%
  footnote(general = "Elaboración propia a partir de datos extraídos de World Athletics", general_title = " ", footnote_as_chunk = T) %>%
  scroll_box(width = "100%", height = "425px")

tabla_fastest_major_fem
TIEMPO MEDIO HISTÓRICO DE LOS GANADORES DE LAS SIX MAJORS (fem)
Ranking maraton tiempo medio del ganador
1 London 02:23:36
2 Tokyo 02:26:07
3 Chicago 02:29:53
4 NYC 02:30:06
5 Berlin 02:31:38
6 Boston 02:35:31
Elaboración propia a partir de datos extraídos de World Athletics

En esta sección se analiza el tiempo promedio que han tardado los ganadores de cada edición de las “Six Majors” en llegar a meta. Para ello se han elaborado estas tablas, que diferencian los tiempos promedio para la categoría masculina y la categoría femenina.

Teniendo en cuenta los tiempos medios de la categoría masculina, parece ser que Tokio y Londres son las más veloces con tan solo 12 segundos de diferencia entre sí. En general, el tiempo promedio de los ganadores en meta es cercano a las 2 horas, para todas las “Majors”, tan solo se observa una diferencia de unos 14 minutos entre el maratón de Tokio y el de Boston. Para el caso de las mujeres, Londres encabeza el ranking y nuevamente el maratón de Boston se encuentra en la cola. En esta categoría el diferencial entre Londres y Boston es ligeramente menor.

Llama la atención que el maratón de Boston se encuentra en la cola tanto en la categoría masculina como femenina. Esto en gran medida se puede atribuir al hecho de que se trata del maratón más antiguo de las “Six Majors” y los tiempos en meta durante los primeros años elevan el promedio que se analiza en esta sección. De hecho, en la categoría masculina, se observa que el maratón de Boston tiene un promedio que supera por 10 minutos al de Nueva York. En la categoría femenina, esa diferencia es mucho menor (unos 4 minutos), probablemente porque la participación femenina es más reciente y consiguieron mejorar sus tiempos en meta en menos tiempo que los hombres. Esto puede verse en este gráfico.

Maratonianos que más majors han ganado

Código
#Ganadores y ganadoras más repetidos----------------
ganadores_majors <- data_majors %>%
  group_by(athlete) %>%
  summarise(NN = n()) %>%
  ungroup() %>%
  filter(NN >= 2) %>%
  arrange(desc(NN)) %>%
  distinct(athlete, .keep_all = TRUE) 

ganadores_majors <- left_join(ganadores_majors, data_majors, by = "athlete") %>%
  select(athlete, NN, gender, nationality) %>%
  distinct(athlete, .keep_all = TRUE) %>%
  rename("Majors" = NN)

ganadores_majors$athlete <- iconv(ganadores_majors$athlete, from = "UTF-8", to = "UTF-8")
ganadores_majors <- na.omit(ganadores_majors)

tabla_ganadores_majors <- ganadores_majors %>%
  kable("html", align = "l", caption = "ATLETAS QUE HAN GANADO UNA MAJOR MÁS DE UNA VEZ", escape = FALSE) %>%
  kable_styling(full_width = TRUE, position = "center", bootstrap_options = c("striped", "hover", "condensed"), htmltable_class = "lightable-material") %>%
  row_spec(row = 0, extra_css = "text-align: center; text-transform: uppercase; font-size: 18px; font-weight: bold;") %>%
  footnote(general = "Elaboración propia a partir de datos extraídos de World Athletics", general_title = " ", footnote_as_chunk = TRUE)  %>%
  scroll_box(width = "100%", height = "500px") 

tabla_ganadores_majors
ATLETAS QUE HAN GANADO UNA MAJOR MÁS DE UNA VEZ
athlete Majors gender nationality
Grete Waitz 11 Female Norway
Bill Rodgers 8 Male United States
Ingrid Kristiansen 8 Female Norway
Clarence DeMar 7 Male United States
Paula Radcliffe 7 Female United Kingdom
Uta Pippig 7 Female Germany
Catherine Ndereba 6 Female Kenya
Eliud Kipchoge 6 Male Kenya
Mary Keitany 6 Female Kenya
Rosa Mota 6 Female Portugal
Joyce Chepchumba 5 Female Kenya
Khalid Khannouchi 5 Male United States
Martin Lel 5 Male Kenya
Wilson Kipsang 5 Male Kenya
Aberu Kebede 4 Female Ethiopia
Alberto Salazar 4 Male United States
Florence Kiplagat 4 Female Kenya
Geoffrey Mutai 4 Male Kenya
Haile Gebrselassie 4 Male Ethiopia
Ibrahim Hussein 4 Male Kenya
Irina Mikitenko 4 Female Germany
Margaret Okayo 4 Female Kenya
Miki Gorman 4 Female United States
Rita Jeptoo 4 Female Kenya
Robert Kipkoech Cheruiyot 4 Male Kenya
Steve Jones 4 Male United Kingdom
Toshihiko Seko 4 Male Japan
Abdelkader El Mouaziz 3 Male Morocco
Atsede Baysa 3 Female Ethiopia
Bobbi Gibb 3 Female United States
Cosmas Ndeti 3 Male Kenya
Dennis Kimetto 3 Male Kenya
Dickson Chumba 3 Male Kenya
Edna Kiplagat 3 Female Kenya
Eino Oksanen 3 Male Finland
Evans Rutto 3 Male Kenya
Fatuma Roba 3 Female Ethiopia
Felix Limo 3 Male Kenya
Ingo Sensburg 3 Male Germany
Joan Benoit 3 Female United States
Jutta von Haase 3 Female Germany
Leslie S. Pawson 3 Male United States
Nina Kuscsik 3 Female United States
Renata Kokowska 3 Female Poland
Samuel Wanjiru 3 Male Kenya
Sara Mae Berman 3 Female United States
Tegla Loroupe 3 Female Kenya
Tsegaye Kebede 3 Male Ethiopia
Wanda Panfil 3 Female Poland
Allison Roe 2 Female New Zealand
Atsede Habtamu 2 Female Ethiopia
Berhane Adere 2 Female Ethiopia
Birhane Dibaba 2 Female Ethiopia
Catherina McKiernan 2 Female Ireland
Charlotte Teske 2 Female Germany
Dan Cloeter 2 Male United States
Deena Kastor 2 Female United States
Derartu Tulu 2 Female Ethiopia
Douglas Wakiihuri 2 Male Kenya
Eamonn Martin 2 Male United Kingdom
Elijah Lagat 2 Male Kenya
Ellison Brown 2 Male United States
Geoff Smith 2 Male United Kingdom
Gete Wami 2 Female Ethiopia
Gladys Cherono 2 Female Kenya
Greg Meyer 2 Male United States
Jack Caffery 2 Male Canada
Jelena Prokopcuka 2 Female Latvia
John A. Kelley 2 Male United States
John Kagwe 2 Male Kenya
Johnny Miles 2 Male Canada
Joseph Chebet 2 Male Kenya
Joyce Smith 2 Female United Kingdom
Kim Merritt 2 Female United States
Lelisa Desisa Benti 2 Male Ethiopia
Lidiya Grigoryeva 2 Female Russia
Lisa Weidenbach 2 Female United States
Liz McColgan 2 Female United Kingdom
Marian Sutton 2 Female United Kingdom
Meb Keflezighi 2 Male United States
Moses Tanui 2 Male Kenya
Naoko Takahashi 2 Female Japan
Olga Markova 2 Female Russia
Orlando Pizzolato 2 Male Italy
Patrick Musyoki 2 Male Kenya
Paul Tergat 2 Male Kenya
Priscah Jeptoo 2 Female Kenya
Ritva Lemettinen 2 Female Finland
Rodgers Rop 2 Male Kenya
Suleiman Nyambui 2 Male Tanzania
Svetlana Zakharova 2 Female Russia
Tirfi Tsegaye 2 Female Ethiopia
Tom Fleming 2 Male United States
Elaboración propia a partir de datos extraídos de World Athletics

En esta sección nos centramos en aquellos atletas que han conseguido ganar más de una vez alguna de las “Six Majors”. En concreto, se muestran los cinco atletas que en más ocasiones las han ganado.

La noruega Grete Waitz, con 11 “Majors” ganadas, es la atleta que encabeza este particular listado. En este ranking no se encuentra fácilmente un atleta que continúe en activo hoy en día. Esto demuestra que los maratones y las pruebas del atletismo en general se han convertido cada vez en eventos más competitivos y exigentes para los atletas.

3) Maratón de Boston

Evolución histórica del ritmo medio de los ganadores de cada edición

Código
#Evol Boston mejores tiempos------------

data_boston_fem <- data_boston_fem %>%
  mutate(gender = "Fem")

data_boston_masc <- data_boston_masc %>%
  mutate(gender = "Masc")

data_boston <- full_join(data_boston_fem, data_boston_masc) %>%
  select(year, pace_seconds, pace, gender)

colores <- c("Masc" = "palegreen1", "Fem" = "peachpuff1")

p4 <- ggplot(data_boston, aes(x = year, y = pace_seconds, color = gender)) +
  geom_line() +
  scale_color_manual(values = colores) +  
  labs(
    title = "EVOLUCIÓN RITMOS MEDIOS DE LOS GANADORES DE LA MARATÓN DE BOSTON",
    x = "Año",
    y = "Ritmo medio (mm:ss/ km)",
    color = "Género",
    caption = "Elaboración propia a partir de datos extraídos de Kaggle"
  ) +
  theme_minimal(base_family = "") + 
  theme(plot.caption = element_text(hjust = 0.5))


# Convertir a gráfico interactivo
p_interactivo_4 <- ggplotly(p4, tooltip = c("gender", "year", "pace"))%>%
  layout(yaxis = list(range = c(170, 325))) %>%
  layout(yaxis = list(tickmode = "array", tickvals = c(175, 200, 225, 250, 275, 300), ticktext = c("2:55", "3:20", "3:45", "4:10", "4:35", "5:00")))

p_interactivo_4

El primer maratón de Boston tuvo lugar en abril de 1897 y no sólo es el más antiguo de las “Six Majors” sino que también es el más antiguo de los maratones anuales que se celebran al rededor del mundo. En su origen, la distancia de la carrera era, oficialmente y según las normas, de “alrededor de 40 kilómetros”, aunque desde 1924 se ha adoptado la distancia de 42.195 kilómetros. No fue hasta 1972 que las mujeres tuvieron la ocasión de participar en el evento.

Dado que los primeros eventos de este maratón contaban con un recorrido más corto, se han tenido en cuenta para esta sección los ritmos medios (medidos en minutos y segundos que el atleta tarda en completar un kilómetro) de los ganadores y no el tiempo medio que estos han tardado en llegar a meta.

Respecto a la tendencia de los ritmos medios del ganador de cada edición, se observa como estos caen a lo largo del tiempo en ambas categorías. Llama la atención que la caída inicial de los tiempos medios de la categoría femenina durante los primeros años se produce de manera más abrupta que la que experimentaron los hombres anteriormente. Así mismo se observa como la tendencia en torno a los 3:00/km y los 3:30/km de ritmo medio se ha alcanzo ya desde principios de los años ochenta en ambas categorías.

Conclusiones

Este análisis revela la evolución del maratón y la búsqueda incansable de la excelencia por parte de corredores de élite, desafiando las barreras temporales. Con cada nueva marca y récord superado, el maratón persiste como símbolo de perseverancia y un recordatorio inspirador de que siempre hay nuevos horizontes por explorar en la búsqueda incansable de la excelencia atlética.

Al enfrentarme a la tarea de realizar este trabajo individual he podido experimentar, aún más si cabe, la versatilidad y el potencial de las herramientas con las que hemos trabajado a lo largo del curso. A pesar de haberme encontrado con ciertos desafíos, he disfrutado de este trabajo y me ha servido para reforzar los conocimientos adquiridos en esta asignatura.

Espero que te haya gustado!!!

Pd: Por si te interesa, este es el aftermovie del maratón Valencia 2023

Referencias

Aouita. (2023, 28 diciembre). El Maratón de Valencia se convierte en el séptimo major. La Bolsa del Corredor

Pérez, I. (2019, 12 octubre). Eliud Kipchoge conquista un reto histórico: primer ser humano en bajar de dos horas en maratón. Runner’s World

Díaz, J. J., Renfree, A., Fernández-Ozcorta, E. J., Torres, M., & Santos-Concejero, J. (2019). Pacing and Performance in the 6 World Marathon Majors


Información sobre la sesión

Abajo muestro mi entorno de trabajo y paquetes utilizados

current session info 

─ Session info ───────────────────────────────────────────────────────────────
 setting  value
 version  R version 4.3.1 (2023-06-16 ucrt)
 os       Windows 11 x64 (build 22621)
 system   x86_64, mingw32
 ui       RTerm
 language (EN)
 collate  Spanish_Spain.utf8
 ctype    Spanish_Spain.utf8
 tz       Europe/Madrid
 date     2024-01-23
 pandoc   3.1.1 @ C:/Program Files/RStudio/resources/app/bin/quarto/bin/tools/ (via rmarkdown)

─ Packages ───────────────────────────────────────────────────────────────────
 package           * version date (UTC) lib source
 class               7.3-22  2023-05-03 [2] CRAN (R 4.3.1)
 classInt            0.4-10  2023-09-05 [1] CRAN (R 4.3.1)
 cli                 3.6.1   2023-03-23 [1] CRAN (R 4.3.1)
 clipr               0.8.0   2022-02-22 [1] CRAN (R 4.3.1)
 colorspace          2.1-0   2023-01-23 [1] CRAN (R 4.3.1)
 crosstalk           1.2.0   2021-11-04 [1] CRAN (R 4.3.1)
 data.table          1.14.8  2023-02-17 [1] CRAN (R 4.3.1)
 DBI                 1.1.3   2022-06-18 [1] CRAN (R 4.3.1)
 desc                1.4.2   2022-09-08 [1] CRAN (R 4.3.1)
 details             0.3.0   2022-03-27 [1] CRAN (R 4.3.2)
 digest              0.6.33  2023-07-07 [1] CRAN (R 4.3.1)
 dplyr             * 1.1.3   2023-09-03 [1] CRAN (R 4.3.1)
 e1071               1.7-13  2023-02-01 [1] CRAN (R 4.3.1)
 ellipsis            0.3.2   2021-04-29 [1] CRAN (R 4.3.1)
 evaluate            0.21    2023-05-05 [1] CRAN (R 4.3.1)
 fansi               1.0.4   2023-01-22 [1] CRAN (R 4.3.1)
 farver              2.1.1   2022-07-06 [1] CRAN (R 4.3.1)
 fastmap             1.1.1   2023-02-24 [1] CRAN (R 4.3.1)
 forcats           * 1.0.0   2023-01-29 [1] CRAN (R 4.3.1)
 generics            0.1.3   2022-07-05 [1] CRAN (R 4.3.1)
 ggplot2           * 3.4.4   2023-10-12 [1] CRAN (R 4.3.2)
 ggthemes          * 4.2.4   2021-01-20 [1] CRAN (R 4.3.1)
 glue                1.6.2   2022-02-24 [1] CRAN (R 4.3.1)
 gtable              0.3.4   2023-08-21 [1] CRAN (R 4.3.1)
 here                1.0.1   2020-12-13 [1] CRAN (R 4.3.1)
 highr               0.10    2022-12-22 [1] CRAN (R 4.3.1)
 hms                 1.1.3   2023-03-21 [1] CRAN (R 4.3.1)
 htmltools           0.5.6   2023-08-10 [1] CRAN (R 4.3.1)
 htmlwidgets         1.6.2   2023-03-17 [1] CRAN (R 4.3.1)
 httr                1.4.7   2023-08-15 [1] CRAN (R 4.3.1)
 jsonlite            1.8.7   2023-06-29 [1] CRAN (R 4.3.1)
 kableExtra        * 1.3.4   2021-02-20 [1] CRAN (R 4.3.2)
 KernSmooth          2.23-21 2023-05-03 [2] CRAN (R 4.3.1)
 knitr             * 1.45    2023-10-30 [1] CRAN (R 4.3.2)
 labeling            0.4.3   2023-08-29 [1] CRAN (R 4.3.1)
 lattice             0.21-8  2023-04-05 [2] CRAN (R 4.3.1)
 lazyeval            0.2.2   2019-03-15 [1] CRAN (R 4.3.1)
 lifecycle           1.0.4   2023-11-07 [1] CRAN (R 4.3.2)
 lubridate         * 1.9.2   2023-02-10 [1] CRAN (R 4.3.1)
 magrittr            2.0.3   2022-03-30 [1] CRAN (R 4.3.1)
 munsell             0.5.0   2018-06-12 [1] CRAN (R 4.3.1)
 pillar              1.9.0   2023-03-22 [1] CRAN (R 4.3.1)
 pkgconfig           2.0.3   2019-09-22 [1] CRAN (R 4.3.1)
 plotly            * 4.10.2  2023-06-03 [1] CRAN (R 4.3.1)
 png                 0.1-8   2022-11-29 [1] CRAN (R 4.3.0)
 proxy               0.4-27  2022-06-09 [1] CRAN (R 4.3.1)
 purrr             * 1.0.2   2023-08-10 [1] CRAN (R 4.3.1)
 R.methodsS3         1.8.2   2022-06-13 [1] CRAN (R 4.3.0)
 R.oo                1.25.0  2022-06-12 [1] CRAN (R 4.3.0)
 R.utils             2.12.2  2022-11-11 [1] CRAN (R 4.3.1)
 R6                  2.5.1   2021-08-19 [1] CRAN (R 4.3.1)
 RColorBrewer      * 1.1-3   2022-04-03 [1] CRAN (R 4.3.0)
 Rcpp                1.0.11  2023-07-06 [1] CRAN (R 4.3.1)
 readr             * 2.1.4   2023-02-10 [1] CRAN (R 4.3.1)
 rio               * 1.0.1   2023-09-19 [1] CRAN (R 4.3.1)
 rlang               1.1.1   2023-04-28 [1] CRAN (R 4.3.1)
 rmarkdown           2.24    2023-08-14 [1] CRAN (R 4.3.1)
 rnaturalearth     * 0.3.4   2023-08-21 [1] CRAN (R 4.3.2)
 rnaturalearthdata * 0.1.0   2017-02-21 [1] CRAN (R 4.3.2)
 rprojroot           2.0.3   2022-04-02 [1] CRAN (R 4.3.1)
 rstudioapi          0.15.0  2023-07-07 [1] CRAN (R 4.3.1)
 rvest             * 1.0.3   2022-08-19 [1] CRAN (R 4.3.2)
 scales              1.2.1   2022-08-20 [1] CRAN (R 4.3.2)
 sessioninfo         1.2.2   2021-12-06 [1] CRAN (R 4.3.2)
 sf                  1.0-14  2023-07-11 [1] CRAN (R 4.3.2)
 sp                  2.1-1   2023-10-16 [1] CRAN (R 4.3.2)
 stringi             1.7.12  2023-01-11 [1] CRAN (R 4.3.0)
 stringr           * 1.5.0   2022-12-02 [1] CRAN (R 4.3.1)
 svglite             2.1.2   2023-10-11 [1] CRAN (R 4.3.2)
 systemfonts         1.0.4   2022-02-11 [1] CRAN (R 4.3.1)
 tibble            * 3.2.1   2023-03-20 [1] CRAN (R 4.3.1)
 tidyr             * 1.3.0   2023-01-24 [1] CRAN (R 4.3.1)
 tidyselect          1.2.0   2022-10-10 [1] CRAN (R 4.3.1)
 tidyverse         * 2.0.0   2023-02-22 [1] CRAN (R 4.3.1)
 timechange          0.2.0   2023-01-11 [1] CRAN (R 4.3.1)
 tzdb                0.4.0   2023-05-12 [1] CRAN (R 4.3.1)
 units               0.8-4   2023-09-13 [1] CRAN (R 4.3.1)
 utf8                1.2.3   2023-01-31 [1] CRAN (R 4.3.1)
 vctrs               0.6.3   2023-06-14 [1] CRAN (R 4.3.1)
 viridisLite         0.4.2   2023-05-02 [1] CRAN (R 4.3.1)
 webshot             0.5.5   2023-06-26 [1] CRAN (R 4.3.1)
 withr               2.5.2   2023-10-30 [1] CRAN (R 4.3.2)
 xfun                0.40    2023-08-09 [1] CRAN (R 4.3.1)
 xml2                1.3.5   2023-07-06 [1] CRAN (R 4.3.1)
 yaml                2.3.7   2023-01-23 [1] CRAN (R 4.3.0)

 [1] C:/Users/LENOVO/AppData/Local/R/win-library/4.3
 [2] C:/Program Files/R/R-4.3.1/library

──────────────────────────────────────────────────────────────────────────────