Introducción

He explorado el sesgo y la sensibilidad de los perfiles de aceleración-velocidad (AVP) de los sprints cortos debido al lanzamiento inicial involucrado usando las puertas de cronometraje en artículos publicados recientemente. (Jovanovic 2023; Jovanović y otros, 2024) así como en mi Tesis doctoralAdemás de utilizar un método común monoexponencial modelo (llamado el Sin corrección También he creado algunos modelos más: corrección de tiempo, corrección de distancia, corrección de tiempo y distancia y modelos de corrección de distancia de vuelo (la mejor descripción general sería consultar esto serie de artículos).

En general, (MSS) El parámetro (velocidad máxima de sprint) fue el parámetro que mostró mayor sensibilidad y mejor concordancia, mientras que (IMPERMEABLE) (aceleración máxima) fue la más difícil de estimar de forma válida y proporcionar una sensibilidad lo suficientemente buena. Curiosamente, en el estudio de simulación (Jovanovic 2023)el modelo sin corrección en realidad mostró la mayor sensibilidad para el (IMPERMEABLE) parámetro, mientras que en el estudio con atletas reales (Jovanović y otros, 2024)el modelo sin corrección mostró la mayor sensibilidad para detectar cambios en (MSS) parámetro, al tiempo que proporciona estimaciones sesgadas.

Ambos estudios (Jovanovic 2023; Jovanović y otros, 2024) Se utilizaron puertas de cronometraje ubicadas a 5, 10, 20, 30, 40 y 5, 10, 20 y 30 metros respectivamente. Jovanović (2023)la distancia de vuelo varió de 0 a 0,5 metros, mientras que en Jovanović y otros (2024)La distancia de vuelo se estableció en 0,5 metros.

Métodos

El propósito de este estudio exploratorio fue ampliar el análisis del comportamiento del modelo al estimar AVP, pero ahora con diferentes posiciones de número y distancia de las puertas de sincronización mientras se utiliza una distancia de vuelo fija de 0,5 metros.

Los parámetros simulados involucrados (MSS) que van desde 5 a 11 (ms^{-1}) (número total 50), (TAU) que van desde 0,7 a 1,3 (s) (número total 50), dando como resultado (IMPERMEABLE) de 3,84 a 15,71 (ms^{-2}) (y algunos de ellos demasiado naturales). En total, hubo (50 veces 50) o 2.500 combinaciones de verdadero valores de los parámetros.

La distancia de vuelo se estableció en 0,5 metros y los tiempos parciales simulados se redondearon a los 2 dígitos más cercanos (es decir, 10 (EM)). Este error de redondeo simulado de la medición. En la Tabla 1 se incluye un ejemplo de este proceso.

Tabla 1: Ejemplos de tiempos fraccionados para (MSS) de 7 (ms^{-1}) y (IMPERMEABLE) de 6 (ms^{-2}) Cuando se utiliza una distancia de vuelo de 0,5 m. Columnas distancia de sprint y tiempo de sprint representar verdadero distancia y tiempo, mientras las columnas distancia y tiempo (que también se redondea a la decena más cercana) (EM)) representan variables medidas.

La simulación implicó la configuración de 34 puertas de sincronización diferentes (Tabla 2). Se utilizaron los siguientes modelos para estimar (MSS) y (IMPERMEABLE) a partir de tiempos parciales simulados: (1) Sin corrección, (2) Corrección de tiempo estimado (TC) y (3) Corrección de distancia de vuelo estimada (FD).

Tabla 2: Posiciones de puertas de sincronización simuladas

La concordancia entre lo verdadero y lo estimado (MSS) y (IMPERMEABLE) Se hizo simplemente calculando la puntuación de diferencia porcentual ((%Diff)) y su distribución (Ecuación 1), que se agregó utilizando (significar) y cuantiles del 95%, así como diferencia media absoluta porcentual ((%ENOJADO)) (Ecuación 2).

(
%Diff = 100 times frac{estimado – verdadero}{verdadero}
etiqueta {1}

(
%MAD = frac{ sum_{1}^{N} |%Diff_i – overline{%Diff}| }{N}
etiqueta {2}

Los profesionales se preocupan con frecuencia sobre si pueden utilizar valores de parámetros estimados para monitorear cambios en el verdadero parámetros además de estimar la concordancia entre ellos. Por lo tanto, una estimación de la sensibilidad representa una pieza de información crucial para decidir si una medida dada puede usarse prácticamente para monitorear los cambios. cambio mínimo detectable estimador con 95% de confianza ((%MDC_{95})) se utilizó para estimar esta sensibilidad (Jovanovic 2023; Jovanović y otros, 2024). El (%MDC_{95}) El valor podría considerarse como la cantidad mínima de cambio que debe observarse en el parámetro estimado para que se considere un verdadero cambiar.

Porcentaje de error estándar residual ((%RSE)) de la regresión lineal entre verdadero (predictor) y valores de parámetros estimados (resultado) (Ecuación 3) se utilizó para calcular (%MDC_{95}) (Ecuación 4). Dado que los datos simulados con el conocido verdadero Se utilizaron valores, (%RSE) representa el Porcentaje de error estándar de la medición ((%SEM)) en los parámetros estimados.

(
%RSE = sqrt{frac{sum_{i=1}^N{(100 times frac{y_i – hat{y_i}}{hat{y_i}})^2}}{N-2}}
etiqueta{3})

(
%MDC_{95} = %RSE por sqrt{2} por 1,96
etiqueta{4})

No se realizó ninguna inferencia estadística, ya que verdadero Se conocían los valores de los parámetros.

Resultados

Diferencia porcentual

Distribución de la diferencia porcentual ((%Diff)) entre lo estimado y lo verdadero valores de los parámetros (es decir, (MSS) y (IMPERMEABLE)), resumidos utilizando la media y los cuartiles del 95% se representan en Figura 1.