Charla diferentes conceptos de las pruebas motrices
para el diseño de una prueba motriz, que sea aplicable como instrumento de medición biomédica y/o pedagógica, se debe tener en cuenta tres fases.
primera fase. determinación del tipo de prueba a realizar
en esta primera fase se selecciona la capacidad o conjunto de capacidades motrices y su correspondencia biológica, para garantizar la calidad del instrumento a evaluar, se considera el lugar de la preparación en que se quiere aplicar y los sujetos hacia los cuales esta prueba se dirige. uno de los aspectos más importantes es la selección de los ítems o reactivos de la prueba, que son los que determinan el camino a seguir por el ejecutante. ej.: tipo de prueba: fuerza explosiva de las extremidades superiores. reactivos: lanzamiento, desde posición de pie con piernas separadas, brazos flexionados a la altura del pecho, tomando la pelota medicinal, de 5 kg, realizar semiflexión de piernas, lanzar la pelota "lo más lejos posible". esta última es la consigna, sin la que el sujeto no está informado del objetivo de la prueba. debe ser clara, concisa y siempre la misma. se deben analizar los reactivos de la prueba en función de su aplicabilidad se deben seleccionar los indicadores que se medirán en la prueba, desde el punto de vista pedagógico y desde el punto de vista biológico.
segunda fase. aplicación de la prueba
se debe aplicar la prueba a la muestra seleccionada con la finalidad de estandarizar su desarrollo y para esto, se debe aplicar varias veces con un intervalo adecuado de acuerdo con la metodología establecida por la autora de este trabajo1
tercera fase. garantizar la calidad del diseño
mediante la medición del grado de dificultad de la prueba, la discriminación de los ítems y la validez de contenido del diseño. esto se logra por medio del procesamiento estadístico. ejemplo: se realizó el diseño de una prueba especial para medir la capacidad de resistencia de media duración con un soporte anaerobio alactácido en sablistas juveniles en el macrociclo 1999. se concibieron 6 pruebas para su evaluación, de ellas, se descartaron cuatro y se les realizó el procesamiento a dos.
Diferentes test de mediciones y software estadísticos
cuando trabajas con datos reales en la mayoría de las ocasiones no se cumplen los supuestos de la estadística clásica. en estos casos las técnicas paramétricas no nos demasiado útiles; pero como mencionamos en la entrada anterior (ver aquí) tenemos 3 posibles soluciones: la transformación de los datos, cuando los datos no siguen una distribución normal o queremos disminuir su variabilidad. utilizar las pruebas no paramétricas cuando los datos no siguen una distribución normal utilizar las pruebas robustas cuando tienes datos atípicos. razones para utilizar pruebas paramétricas si la distribución se aparta poco de la normalidad, y las muestras no son muy pequeñas (n>30), pueden ser válidas teniendo ciertos cuidados. si la falta de homogeneidad de varianza en cada grupo no es muy grande, existen maneras en la prueba t o en el anova de incluir esta condición. sin embargo, las no paramétricas no permiten solucionar este inconveniente. generalmente tienen mayor poder estadístico que las pruebas no paramétricas. es decir, con ellas tenemos más probabilidad de detectar un efecto significativo cuando realmente existe. razones para utilizar pruebas no paramétricas si puedes utilizar contrastes que solo necesiten establecer supuestos poco exigentes (como simetría o continuidad) o quieres analizar las propiedades nominales u ordinales de los datos. ten en cuenta que muchas de estas pruebas utilizan la mediana en lugar de la media para sus cálculos. cuando la distribución de frecuencias de los datos es muy asimétrica, la media se ve muy afectada mientras que la mediana refleja mejor la centralidad de la distribución. cuando tienes un tamaño muestra pequeño. cuando tenemos pocos datos las pruebas de normalidad pierden poder estadístico y no estamos seguros del tipo de distribución de los datos. sin embargo, para realizar pruebas no paramétricas el tamaño muestra tampoco debe ser muy pequeño. cuando analizamos datos ordinales o de rango. las pruebas paramétricas sirven para analizar datos de escala y sus resultados se ven muy afectados por la presencia de outliers. aunque a veces la interpretación de los rangos medios puede ser difícil. razones para utilizar pruebas robustas son estables respecto a pequeñas desviaciones del modelo paramétrico asumido (normalidad yhomocedasticidad). a diferencia de los procedimientos no paramétricos, los procedimientos estadísticos robustos no tratan de comportarse necesariamente bien para una amplia clase de modelos, pero son de alguna manera óptimos en un entorno de cierta distribución de probabilidad, por ejemplo, normal. solucionan los problemas de influencia de los outliers. son más potentes que las pruebas paramétricas y no paramétricas cuando los datos no son normales y/o no son homocedásticos. los métodos robustos modernos son diseñados para obtener un buen desempeño cuando los supuestos clásicos se cumplen y también cuando se incumplen. por lo tanto, hay poco que perder y mucho que ganar a la hora de utilizar estas técnicas en lugar de las clásicas. potencia estadística: no te quedes solo con el resultado de la prueba estadística (p-valor), analiza si realmente puedes confiar en los resultados. cuando mis resultados no son significativos, ¿realmente no existe un efecto o es que el estudio no fue capaz de detectarlo? o, por el contrario, cuando tengo resultados significativos ¿son realmente tan positivos o es que el experimento sobreestima los efectos del tratamiento? Esto te lo dirá la potencia estadística.
tamaño del efecto: explica el significado real (práctico) de los resultados de tu investigación. es esencial que interpretemos no sólo la significación estadística de los resultados (el ya archiconocido p-valor), sino también su significación práctica o real. Gráficos: ayúdate de gráficos y estadísticos descriptivos para interpretar los resultados de las pruebas de hipótesis. realizar gráficos apropiados es parte esencial del análisis de datos!
