Está en la página 1de 5

Actividad

Análisis de las pruebas motrices

presentado por:
Estiver Armando Manrique

Metrología Aplicada

Nombre del profesor


Sabogal Chavarro Diego Leonardo

Cúcuta, Norte de Santander, Colombia junio, 2020


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!

También podría gustarte