BIHUB PATH

February 18, 2020

Futebol
Nutrição
Análise e Tecnologia Desportiva

ANÁLISES ESTATÍSTICAS NO FUTEBOL. COMO APRIMORAR A INTERPRETAÇÃO DOS DADOS E COMO TOMAR DECISÕES

A revolução tecnológica que, nas últimas décadas veio a modificar nossos hábitos mais cotidianos, também chegou ao mundo dos esportes! Cada vez mais surgem ferramentas e instrumentos que são capazes de coletar uma grande quantidade de dados que podem nos ajudar a tomar decisões dentro de campo ou da arena. Por este motivo, muito nos interessam todas essas informações, pois podem nos ajudar a vencer. Entretanto, embora tenham sido desenvolvidos grandes esforços para aprimorar a sofisticação e a velocidade dos sistemas de coleta de dados, é possível que não tenhamos avançado de igual forma na correta interpretação dessas informações, com o objetivo de ajudar os treinadores a melhorar seus métodos de treinamento.

 

É possível que essas limitações tenham uma forte relação com as análises estatísticas de dados. Tradicionalmente, os pesquisadores de esporte basearam seus relatórios e propostas de aplicação do valor P, valor este provável podendo significar “sim ou não”. Sem mais. Entretanto, parece que os modelos estatísticos que permitem informar quantitativa ou qualitativamente as probabilidades de que as mudanças encontradas em uma variável sejam reais podem ser muito importantes.

 

Em um recente artigo, Martin Buchheit1 sugere que os pesquisadores abandonem o tradicional null hypothesis significance testing (NHST) e complementem com o magnitude-based inferences (MBI) por diferentes razões conforme a seguir:

  • os valores P e as conclusões do estudo dependem do tamanho da amostra (quanto maior for N, menor será P), independentemente do tamanho do efeito.2 Então, podemos concluir que, por exemplo, um suplemento nutricional que não é eficiente para uma amostra de 12 atletas (P>0,05), e seja eficaz quando comparado faz com o tratamento com n=14 (P>0,05).3 Em outras palavras, ter mais ou menos dois indivíduos na amostra provoca uma alteração completa dos resultados. Tudo isso é relevante quando os esportes de equipe são estudados, onde a quantidade de atletas normalmente é pequena. As equipes têm 12, 16 ou 25 atletas, dependendo da modalidade esportiva, sendo assim, não existirá a possibilidade de ter mais atletas.
  • os resultados estatísticos não informam a magnitude desses efeitos, o que precisamente é o que mais interessa.4 Com uma quantidade suficiente de amostras, os efeitos serão menores (very small), triviais (trivial) ou não práticos (non-practical) podendo também tornarem-se significativos (P<0,05), como por exemplo, em uma amostra com 200 atletas, o rendimento melhoraria em 0,01%. O NHST sugere que a eficácia do suplemento nutricional ainda que seja irrelevante, promova uma melhora. Entretanto, é muito provável que os treinadores e os atletas prefiram conhecer mais sobre os benefícios destes suplementos.
  • o MBI permite que os pesquisadores sejam francos com relação a quantidade da amostra e melhor reconheçam esses efeitos triviais.
  • as análises das magnitudes pela sua própria natureza proporcionam questionamentos mais objetivos durante as pesquisas. Levando em consideração que o tamanho do efeito implica mais que um sim ou um não (NHST), as hipóteses típicas que não apresentam fundamentos claros (a aplicação de X melhora o rendimento), pode ser substituída por títulos mais destacados e concretos (a aplicação de X melhora a porcentagem do rendimento).
  • o MBI é compatível com os cálculos disponíveis na internet (por exemplo,5)
  • o MBI permite uma melhor representação gráfica e visão mais clara sobre os dados.

 

 

Em resumo, na interpretação de dados e na divulgação aos treinadores sobre as descobertas, mediante relatórios ou conferências, parece interessante complementar o tradicional NSHT com o MBI. Não podemos esquecer também que se trata de melhor quantificar o efeito de um exercício ou de um tratamento no rendimento dos atletas e ainda de ajudar os treinadores a tomarem as melhores decisões rumo à vitória. A pesquisa deverá realmente chegar ao campo.

 

 

Carlos Lago Peñas

 

Referências:

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

KNOW MORE

¿VOCÊ QUER SABER MAIS?

  • ASSINAR
  • CONTATO
  • CANDIDATAR-SE

FIQUE ATUALIZADO COM NOSSAS NOVIDADES

Você tem dúvidas sobre o Barça Universitas?

  • Startup
  • Centro de investigação
  • Corporate

Por favor, preencha os campos:

Por favor, preencha os campos:

Por favor, preencha os campos:

O formulário foi enviado com sucesso.

Por favor, preencha os campos:

Por favor, preencha os campos:

Por favor, preencha os campos:

O formulário foi enviado com sucesso.

Por favor, preencha os campos:

Por favor, preencha os campos:

Por favor, preencha os campos:

O formulário foi enviado com sucesso.