¿El capital riesgo es adecuado para ti?
Para muchos emprendedores, financiarse con capital riesgo (VC, por sus siglas en inglés) hace realidad cumplir su sueño.
APÚNTATE AL CERTIFICADO EN ANALISTA TÁCTICO DE FÚTBOL
ÚNETE AHORALa revolución tecnológica que en las últimas décadas ha modificado nuestros comportamientos más cotidianos, también ha llegado al deporte. Cada vez se dispone de más herramientas e instrumentos capaces de recoger una enorme cantidad de datos que nos pueden ayudar a tomar mejores decisiones en el campo o cancha. Por eso es interesante capturar toda esta información, porque puede ayudar a ganar. Sin embargo, mientras se ha desarrollado un enorme esfuerzo por mejorar la sofisticación e inmediatez de los sistemas de recogida de datos, es posible que no se haya avanzado tanto en la interpretación adecuada de esa información para ayudar a los entrenadores a mejorar su intervención práctica.
Posiblemente esa limitación tenga mucho que ver con el análisis estadístico de los datos. Tradicionalmente, los investigadores del deporte han basado sus informes y propuestas en la aplicación del valor P. Un valor es significativo “sí o no”. No hay más. Sin embargo, parece que los modelos estadísticos que permiten informar tanto cuantitativa como cualitativamente sobre las probabilidades de que los cambios encontrados en una variable sean reales pueden ser mucho más útiles.
En un reciente artículo, Martin Buchheit1 sugiere que los investigadores deberían abandonar el tradicional null hypothesis significance testing (NHST) y complementarlo con magnitude-based inferences (MBI) por diversas razones:
En definitiva, en la interpretación de los datos y la comunicación a los entrenadores de los hallazgos mediante informes o charlas parece interesante complementar el tradicional NSHT con MBI. No olvidemos que se trata de cuantificar cada vez mejor el efecto de un ejercicio o tratamiento en el rendimiento de los jugadores y de ayudar a los entrenadores a tomar mejores decisiones para incrementar la probabilidad de ganar. La investigación debe llegar de verdad al campo.
Carlos Lago Peñas
Referencias:
1 Buchheit, M. (2016). 2016, 11, 551 – 554 3 4 Title: The numbers will love you back in return – I promise, International Journal of Sports Physiology and Performance, 11, 551-554.
2 Hopkins, W.G. y A.M. Batterham (2016), Error Rates, Decisive Outcomes and Publication Bias with 200 Several Inferential Methods. Sports Medicine, 46(10): 1563-1573.
3 McCormack, J., B. Vandermeer, and G.M. Allan. (2013). How confidence intervals become confusion intervals. BMC Medical Research Methodology, 13:134.
4 Cohen, J (1994). Things I have learned (so far). American Psychologist, 45:1304-1312.
5 Hopkins, W.G. A spreadsheet for deriving a confidence interval, mechanistic inference and 207 clinical inference from a P value. Sportscience, 2007. 11, 16-20. DOI: 208 http://newstats.org/xcl.xls
Aunque existen varios estudios al respecto, muchos de ellos han analizado estas demandas abarcando solo unas pocas variables o empleando ventanas de tiempo muy amplias. Un nuevo estudio realizado por preparadores físicos del F.C. Barcelona ha analizado con mayor precisión varios de estos detalles.
La comprensión de las variables modificadoras del juego basada en los grados de libertad.
El área de analítica del deporte ha crecido exponencialmente gracias a las ciencias de la informática y engloba disciplinas como las ciencias del deporte, ciencias del comportamiento, la medicina y la visualización de datos, entre otras, además de la estadística con un enfoque más táctico y de rendimiento del deporte.