Michael H. Stone, - unife.it
Transcript of Michael H. Stone, - unife.it
SdS/
Rivi
sta
di c
ultu
ra s
port
iva
Anno
XXV
n.6
9
221
William A. Sands, Comitato olimpico degli Stati uniti, Colorado SpringsMichael H. Stone, Università statale dell’East Tennessee, Johnson City
Come interpretare i risultati dei test di controllo dell’allenamento
Comesi fa a sapere se migliorano
VALUTAZIONE DELL’ALLENAMENTO
L’esecuzione periodica di test diretti a controllare come gli atleti reagiscono all’allenamento rappresenta un’esigenza fondamentale per ogni allenatore. Una volta iniziato a eseguire test e controlli periodici sorge però il problema di come l’allenatore possa interpretare i loro dati per valutare se il programma di allenamento applicato sta dando i risultati previsti, e cosa debba fare quando si trova di fronte ai valori, ai numeri che si ottengono dai test e dai controlli periodici.Dopo avere illustrato i problemi legati al processo di misurazione e all’interpretazione dei numeri, si espone come utilizzare i valori numerici e la loro rappresentazione grafica per interpretare i dati, a lungo termine, per individuare tendenze, o immediatamente per individuare cambiamenti improvvisi che meritano un intervento quando si presentano.
SdS/
Rivi
sta
di c
ultu
ra s
port
iva
Anno
XXV
n.6
9
22
Introduzione
L’allenamento è stato duro e faticoso, spes-so gli atleti sono visibilmente stanchi, masembra anche che migliorino. Il programmadi allenamento proposto apparentementefunziona, anche se mancano alcuni mesialle gare. Come si fa allora a sapere se si èsulla strada giusta? Un allenatore che conosciamo da anni ci haraccontato che per l’allenamento dellaforza dei suoi atleti aveva utilizzato il Mini-GymsTM, un attrezzatura isocinetica cheallora era considerata all’avanguardia per losviluppo della condizione fisica. L’allenatoresottoponeva a test gli atleti all’inizio e poialla fine del periodo di allenamento (cioèdel periodo di preparazione), appena primadell’inizio dei Campionati nazionali (cioè delperiodo di gara), e fu per lui uno sgraditasorpresa scoprire che, in base ai risultati deitest, gli atleti non mostravano migliora-menti. Anche se, indubbiamente, l’allenato-re deve essere lodato per avere eseguito itest, ci dobbiamo chiedere, però, cosa nonabbia funzionato.È ovvio che non si dovrebbe attendere lafine di un ciclo d’allenamento (macroci-clo), lasciare passare una intera stagione,per scoprire che si è commesso un graveerrore nella pianificazione dell'allenamen-to. L’allenatore dovrebbe capire moltoprima che c'è qualcosa che non funziona.Il problema può essere risolto eseguendoperiodicamente test e controlli dell’allena-mento. Se l’allenatore del quale abbiamoparlato avesse realizzato più frequente-mente i suoi controlli e i suoi test avrebbescoperto che il programma di preparazio-ne fisica che aveva improntato non stavadando i risultati sperati. Ma, una volta iniziati test e controlli perio-dici, chiediamoci:
1. come l’allenatore possa accorgersi sequalcosa sta andando per il verso giustoo meno;
2. e cosa debba fare quando si trova real-mente di fronte ai valori, ai numeri, chesono il risultato dei controlli e dei testperiodici.
Questo lavoro si pone lo scopo di suggeri-re come utilizzare i valori numerici otte-nuti dai test e dai controlli.
La misurazione
La misurazione è il processo con il quale ilfenomeno da misurare è messo in relazio-ne con una o più grandezze direttamentemisurabili: in sintesi, misurare significaattribuire un valore cioè un numero aqualcosa. È importante che l’allenatoreconosca i problemi collegati a tale proces-
so, perché potrebbe non interpretare cor-rettamente i risultati dei test o potrebbeaffidarsi eccessivamente ad essi, compien-do di conseguenza una diagnosi sbagliatasulla condizione dell'atleta, che lo porteràa prescrivere un allenamento che si rive-lerà insufficiente. Ad esempio, quando simisura l’altezza di un salto verticale conun test di salto si assegna un valorenumerico all’altezza di salto raggiunta dal-l’atleta. Tale altezza, che può essere deter-minata attraverso un segno tracciato suuna parete, lo spostamento di una sbar-retta fissata in alto su un asta, il tempo divolo o un’analisi biomeccanica è semplice-mente un numero assegnato ad essa dachi esegue il test – allenatore o ricercatoreesperto di scienza dello sport – sulla basedi un protocollo di misurazione, cioè diattribuzione di un valore numerico.L’altezza del salto verticale varia in base acome è misurata. Quasi sempre, ad esem-pio, le altezze misurate considerando ilsegno su una parete (test di Sargent),fanno registrare valori maggiori rispettoalle rilevazioni che si basano sul tempo divolo. Anche se possiamo pensare cheormai sappiamo con certezza come simisura l’altezza di salto, di fatto le misura-zioni che si eseguono e i valori che siottengono dipendono, in larga misura,dalla nostra definizione del concetto “saltoverticale”, indipendentemente dal test chelo registra o dalla variabile che si analizza.Le teorie classiche dei test (Safrit 1976)indicano che la misura osservata (ovvero ilvalore che risulta dal test) è costituita siada una misura vera sia da una componented’errore – errore sistematico o casuale. Sipuò dunque formulare questa equazione:
Questa semplice equazione stabilisce checiò che si legge su un metro a nastro, sucronometro, su un monitor nel quale com-pare la frequenza cardiaca, ecc., fornisceuna misura osservata, composta da unamisura vera e un errore che può esseresistematico o casuale. La misura vera èquella che rappresenta il valore che l’atletaotterrà, ossia quello che rispecchia la suamisura reale/vera/attuale/assoluta. Glierrori sistematici o casuali sono invecedovuti ad una serie di fattori: variabilidipendenti dall’atleta, come ad esempiol’influenza della componente motivaziona-le o della stanchezza e problemi relativi altest o alla misurazione, come la letturanon corretta di uno strumento, la registra-zione errata dei dati (errori di battitura) ol’utilizzo di uno strumento impreciso otarato male. Se ne ricava che quando si
valutano i risultati di un test, si deve esse-re consapevoli che la misura osservata èsolo uno dei valori possibili e che prevedeun margine di errore in positivo o in nega-tivo. Gli errori possono essere dovuti aimprecisione dello strumento di misurazio-ne, come nel caso di difetti di fabbrica delmetro a nastro o di un cronometro guasto,che non rileva il tempo in modo corretto(errori sistematici, che si ripetono costan-temente). Ma gli errori possono esseredovuti anche a variazioni umane durante iltest. Per quanto ci possa piacere pensareche gli esseri umani possano esserecostanti nelle loro prestazioni, l’esperienzaci insegna che le capacità degli atletivariano non soltanto da un giorno all’altro,ma anche da una prova all ’altra.Naturalmente vorremmo eliminare quantopiù possibile il grado di errore o la suavariabilità. Per farlo è necessario garantireche le procedure applicate siano ben con-trollate e che gli strumenti utilizzati sianocalibrati periodicamente. Finora l’approcciomigliore per quanto riguarda un atleta si èrivelato quello di far eseguire, se possibile,lo stesso test più volte, garantendo almassimo che le condizioni della sua esecu-zione siano identiche, e registrare il valoremedio dei vari tentativi (Henry 1950, 1967;Kroll 1967). La pratica comune di determi-nare il risultato del test attraverso ilmigliore risultato ottenuto dall’atleta inpiù prove non fornisce risultati attendibilie deve essere sostituita dall’introduzionedella media o del risultato medio. Se, però,è piuttosto semplice far ripetere a pocadistanza di tempo test di tipo esplosivo,test che devono essere eseguiti fino adesaurimento, come il test di Bosco di 60 s,o quello per la rilevazione del V
.O2max, di
solito non vengono ripetuti senza preve-dere alcuni giorni di recupero.Il problema della valutazione dell’errore puòessere importante sia per l’allenatore sia perl’atleta, dal momento in cui la consapevo-lezza dell’esistenza dell’errore quando sieseguono test può aiutare entrambi a farsiun’idea della fiducia che possono riporre inun test come indicatore di cosa stia facen-do l’atleta. Consideriamo, ad esempio, lacomposizione corporea e gli errori chepotrebbero presentarsi nella determinazionedella percentuale di massa grassa di unindividuo. Ignorando, per il momento, l’usodi alcune tecnologie più moderne, conside-riamo la misura dello spessore delle plichecutanee. Si tratta di un tipo di misurazioniche sono comunemente utilizzate nell'am-biente sportivo come mezzo per determina-re la composizione corporea e per seguire isuoi cambiamenti. In molti sport è statastabilita una composizione corporea otti-male, codificata come percentuale dei valoridi massa grassa e/o come rapporto tra
Misura osservata = misura vera + errore
SdS/
Rivi
sta
di c
ultu
ra s
port
iva
Anno
XXV
n.6
9
23
massa grassa e massa magra. Le equazioniper la misurazione dello spessore delle pli-che cutanee che ne convertono lo spessorein una percentuale di grasso, si basano sumisure ottenute attraverso pesatura idro-statica (pesatura sottacqua), che fannoriferimento a loro volta ad un modello delcorpo a due compartimenti (massa grassa emassa magra o priva di grasso). Questomodello per la rilevazione della massa cor-porea si basa sul presupposto che tutta lamassa grassa abbia la stessa densità e chelo stesso avvenga per la massa magra, cioèche tutta sia della stessa densità. Si tratta,chiaramente, di un assunto importante,che in molti casi è semplicemente sbaglia-to. È evidente, infatti, che le ossa nonhanno la stessa densità dei muscoli. Se ci siriferisce alla pesatura idrostatica, se suppo-niamo che la densità di tutto (massa magrae massa grassa) il corpo sia di 1,07 g/ml, eun atleta viene pesato in acqua e il valoreche otteniamo è 12,6% di massa grassa(utilizzando l’equazione di Siri (Siri 1956)),ma poi troviamo che la densità della massamagra di questo atleta è in realtà 1,12 g/mlinvece dei presunti 1,07 g/ml, allora la per-centuale reale di grasso corporeo si avvici-nerà a 19,1%. Naturalmente, le prescrizionid'allenamento potrebbero essere abbastan-za diverse nel caso di una massa grassapari al 12,6% o al 19,1%. Un’applicazionerigida dell’equazione per la conversionedella densità corporea (in questo caso dellapesatura idrostatica) senza altre informa-zioni, quindi, può portare ad un margined'errore abbastanza ampio tale da alterarel’allenamento che dovrà essere prescritto.Le equazioni per il rilevamento della com-posizione corporea sono strettamente cor-relate alla popolazione, alla razza e al sesso(Sands et al. 1992). Se, ad esempio, si utiliz-zano equazioni per determinare la percen-tuale di grasso che non sono specifiche perla popolazione esaminata, il margine d'er-rore può oscillare tra il 2 e il 4 per cento(Clarys et al. 1987; Martin, Drinkwater1991). Se si tratta di anziani e di bambini,l’errore può arrivare al 5-10 per cento(Lohman 1982). Ora, al vertice di questierrori del metodo di riferimento (gold stan-dard) della pesatura idrostatica c’è il pro-blema che le equazioni per la misura dellospessore delle pliche cutanee che converto-no tale spessore in percentuale di grasso sibasano sulla pesatura idrostatica. Così, sipuò vedere che agli errori di misurazionedelle pliche cutanee si aggiungeranno glierrori della pesatura idrostatica. Questacombinazione può soltanto ampliare ilmargine d'errore e rendere le prescrizionid’allenamento basate sulle pliche cutaneeancora meno attendibili. Ciò può spiegare,in parte, perché gli scienziati dello sportaustraliani hanno completamente smesso
di rilevare la percentuale globale di grasso eattualmente misurano soltanto la sommadelle pliche cutanee e perché Katch racco-mandasse di fare lo stesso già più di ventianni fa (Katch 1984). La lezione che se nericava è che, nella migliore delle situazioni,si può supporre che la valutazione dellacomposizione corporea sia soggetta ad unerrore compreso tra il 2 e il 4%. Di conse-guenza, se una prima misurazione dellamassa corporea di un/una atleta fa regi-strare il 10% di massa grassa e una secon-da misurazione l'8%, non possiamo stabilirecon certezza che abbia perso massa grassa,in quanto il valore di un eventuale calorientrerebbe nel margine d'errore. Gli alle-natori perciò non dovrebbero presumere néche il loro allenamento o la dieta utilizzataabbiano dato come risultato una riduzionedel grasso, né il contrario. È interessante,invece, che da sola la somma degli spessoridella pliche cutanee presenti minori erroridi misurazione e una più elevata riproduci-bilità rispetto al calcolo delle percentuali digrasso (Norton et al. 2000; Sands et al.1992; Sands, Major 1991).
Quanto detto sopra potrebbe far sembrareche la composizione corporea sia inutile,ma non è vero. Allenatori, atleti e ricercato-ri hanno solo la necessità di sapere quantafiducia possano riporre nei valori misurati.Infine, a coloro che studiano la composi-zione corporea si deve raccomandare didescrivere minuziosamente gli errori dimisurazione perché questa informazioneaiuta a prendere decisioni più ponderate.Il processo di misurazione implica che irisultati siano espressi in un forma dotatadi un significato, che di solito consistesemplicemente in una serie di numeri. Inumeri che si ottengono con un test, cioècon una misurazione, però, possono assu-mere significati diversi e possono essereinterpretati in almeno quattro modi:
1. I numeri possono essere interpretaticome etichette: in questo caso vengonodefiniti variabili nominali. Ad esempio,le cifre che si trovano sulle maglie deigiocatori sono sì dei numeri, ma inrealtà sostituiscono i nomi. I numerisulle maglie non implicano che sonomisure. Non si può, ad esempio, sottrar-re un difensore (un numero 2) da un’alasinistra (un numero 11) ed ottenere uncentravanti (un numero 9). Si può inve-ce assegnare agli atleti un numero ascopo identificativo: in questo caso inumeri sono solo un sostituto più brevedei nomi.
2. I numeri possono essere interpretaticome se implicassero un ordine variabi-le. Così, ad esempio, si può stilare unagraduatoria (ranking) in base all’ideache si ha della capacità degli atleti nel-l’eseguire una certa abilità tecnica comeuna proiezione nella lotta. Gli atleti,così, possono essere ordinati dal primoall’ultimo sulla base del giudizio sullaloro abilità nell’eseguire questa tecnica.Se si stila una graduatoria dei primidieci atleti sulla base della loro valuta-zione (con il 10 che indica il migliore), sipuò sostenere con certezza che l’atleta8 è migliore del 4, ma non che sia duevolte più bravo. I numeri ordinali, infat-ti, stabiliscono solo una graduatoriadelle unità, ma non implicano che gliintervalli tra i numeri siano uguali.
3. I numeri possono essere interpretaticome unità separate da intervalli ugualie sono chiamati variabili d’intervallo. Lamaggior parte delle misurazioni fisichesono di questo tipo. Per esempio, graziealla riconosciuta uguaglianza degliintervalli di temperatura possiamo sup-porre che il cambiamento della quantitàdi energia calorica sia lo stesso quandola temperatura s’innalza da 10 a 11gradi e da 25 a 26 gradi. Le scale Celsiuse Fahrenheit, tuttavia, non hanno un
FOTO CALZETTI & MARIUCCI EDITORI
FOTO CALZETTI & MARIUCCI EDITORI
SdS/
Rivi
sta
di c
ultu
ra s
port
iva
Anno
XXV
n.6
9
24
vero punto zero (zero assoluto): quandosi parla di zero gradi, infatti, non si indi-ca l’assenza di calore. Soltanto la scalaKelvin ha uno zero assoluto.
4. I numeri possono essere interpretaticome unità separate da intervalli ugualie aventi un reale punto zero. Questinumeri vengono chiamati variabili dirapporto. Oltre a possedere tutte le pro-prietà dei numeri di intervallo, hannoanche un punto zero non arbitrario(cioè nel punto zero il fenomeno nonesiste, ndt). Quando si misura unadistanza, quindi, 0 cm indica che nonesiste una distanza.
Sapere come interpretare i numeri è impor-tante, perché gli allenatori e gli atletidovrebbero essere in grado di valutare inmodo adeguato i calcoli eseguiti su numerinon appropriati. Ad esempio, non ha moltosenso calcolare la media dei numeri ordina-li, mentre lo ha calcolare la media deinumeri di intervallo o di rapporto. Pertanto,quando si rappresentano i risultati numericidi una prestazione in una serie di numeri sideve tenere a mente quanto essi abbianosignificato.Una situazione tipica in cui si pone il pro-blema dell’interpretazione dei numeri èquando gli allenatori utilizzano scale deltipo “scala di Likert”1. Risposte di questotipo vengono comunemente codificate intermini numerici e poi su di essi si eseguo-no ulteriori calcoli. Però il tipo di calcoliche si può legittimamente eseguire suquesti numeri è potenzialmente limitato.L’interpretazione di questo tipo di valoririchiede procedure molto più complesserispetto al semplice calcolo delle medie odei valori medi.È importante che gli allenatori, gli atleti egli scienziati dello sport considerino laprovenienza dei valori e ne sappiano valu-tare l’attendibilità. Se non si mostra unminimo di cautela verso i risultati dei test,si corre il rischio di formulare un giudiziosbagliato sulla condizione attuale di unatleta, con conseguenti errori sulla pre-scrizione degli allenamenti futuri.
Interpretare i dati longitudinali
Se le misurazioni sono corrette (ovveroaffidabili e valide) e si ottengono numeriad intervalli regolari e facilmente accessi-bili, l’attenzione si sposterà su come inter-pretarli nel modo più diretto possibile, cioèsu come fare in modo che “raccontino”una storia che consenta di vedere piùchiaramente la situazione del programmadi allenamento che viene applicato e qualeè la condizione di ciascun atleta. Una voltaottenuti i valori da esaminare c’è bisognosolo di pochi schemi per accertare cosa
stia avvenendo per quanto riguarda lapreparazione dell’atleta.
Analisi dei dati longitudinali
Il nostro compito è quello di interpretareuno o più dati longitudinali ottenuti attra-verso il controllo di uno o più atleti. Lacosa più importante che si vuole accertareè il cambiamento. Per farlo si deve partiredall’ipotesi che prima del cambiamentoqualcosa fosse stabile. Per questa ragione,prima di tentare di formulare un giudizioche riguarda l’interpretazione dei datioccorre disporre di una lunga serie di dati
(Barkow 1984), e normalmente ciò è facileche avvenga nello sport, dove gli atleti siallenano quotidianamente. Prima di cerca-re di formulare qualsiasi giudizio, comeregola generale, è probabile che si debba-no raccogliere i dati di almeno una setti-mana di lavoro.
Fare sempre l’analisi grafica dei dati
Di solito i numeri da soli sono poco intelle-gibili. Se si realizza un grafico con i datirelativi al tempo (ad esempio, i giorni dellasettimana o le date) le quantità diventanoimmediatamente visibili. Dal punto di vistadell’allenatore un grafico dei dati può for-nirgli tutte le informazioni che gli sononecessarie senza bisogno di ricorrere allastatistica. Nella figura 1, ad esempio, sonomostrati i risultati del tasso di sviluppodella forza in un salto verticale da fermodalla semi-accosciata (SJ, squat jump), inun salto verticale con contromovimento
(CJ, countermouvement jump), e in un saltoin basso con rimbalzo (DJ, drop jump) rile-vati per un anno ogni due settimane in unasquadra femminile di atletica leggera. Ciòche dovrebbe essere immediatamente evi-dente è che il tasso di sviluppo della forzasembra riflettere miglioramenti solo quan-do è misurato con il salto in basso. Neglialtri due salti non sembra riflettere unatendenza generale al miglioramento. Si puònotare, però, che esso tende ad essere ele-vato dopo un CJ subito prima dei dueimpegni di gara più importanti della squa-dra (Conference Meet, Indoor National)(figura 1).
Nella figura 2 è esposto un secondoesempio di dati longitudinali inseriti in ungrafico (figura 2), nel quale sono mostratii risultati di un test di Bosco 60 s, esegui-to con cadenza più o meno mensile. Ognilinea rappresenta una ginnasta che èstata titolare della Squadra olimpica sta-tunitense nei Giochi olimpici del 2000. Sinoti che quattro delle sette atlete hannofatto registrare un aumento della potenzamedia; una atleta praticamente non haregistrato cambiamenti, mentre due atletehanno fatto registrare un calo nellapotenza media con l'avvicinarsi dei Giochiolimpici.Anche se non è stato sempre possibilerilevare i dati con continuità, a causa diinfortuni e di trasferte internazionali, daquesti dati si può rilevare che, sulla basedi controlli longitudinali, due delle atletemeritavano un controllo attento perdeterminare quali fossero le ragioni delladiminuzione della potenza media.
140000
120000
100000
80000
60000
40000
20000
00 20 40 60 80 100 120 140
35000
30000
25000
20000
15000
10000
5000
0
TS
F, D
rop
Jum
p (N
/s)
(med
ia ±
DS
)
TS
F C
onte
rmou
vem
ent e
Squ
at J
ump
(N/s
) (m
edia
± D
S)
Periododi preparazione Stagione indoor Stagione all’aperto
Volume scarsoIntensità scarsa
Volume medio,Intensità elevata
Volume medioIntensità elevata
Volume elevatoIntensità moderata
Volume scarsoIntensità elevata
Con
fere
nce
Mee
t
Indo
or N
atio
nal
DJ
SJ
CJ
Figura 1 – Tasso di sviluppo della forza, TSF (dati longitudinali) in una squadra femminile di atleticaleggera durante un anno. Si noti la tendenza al miglioramento nel salto in basso.
SdS/
Rivi
sta
di c
ultu
ra s
port
iva
Anno
XXV
n.6
9
25
Le figure 1 e 2 rappresentano tendenze.Quando sono presenti queste difficilmentepossono essere ignorate. I trend possonoessere individuati visivamente semplice-mente tracciando una linea ideale tra idati, che minimizzi la distanza tra i puntidei dati e la linea.
Individuare le tendenze
Un metodo che può essere utilizzato perrilevare tendenze dai dati grezzi di un sin-golo atleta è chiamato metodo split midd-le. La prima fase consiste nel dividere idati in due parti uguali in base al fattoretempo (ad esempio, espresso in giorni). Siotterrà così un 50% “prima” e un 50%“dopo”. Successivamente si determina lamediana dei dati del 50% “prima” e quelladel 50% “dopo”. La mediana è quel valoreche bipartisce la distribuzione ordinata deidati, per cui al primo gruppo apparterran-no le osservazioni (i valori) inferiori ouguali alla mediana, al secondo gruppo leosservazioni (i valori) superiori o ugualialla stessa. Poi si segnano semplicementequeste mediane e si traccia una retta damediana a mediana, estendendola daun’estremità all’altra in modo da com-prendere l’intero periodo che interessa.Nella figura 3 sono mostrati i valori dellaScala Likert per i disturbi del sonno di unaginnasta di alto livello in un intero macro-ciclo. Si noti che nel periodo di gara laretta ha un andamento obliquo dal bassoverso l’alto. Questa linea rappresenta losplit middle della somma dei disturbi delsonno rilevati. Malgrado la loro apparenzacaotica i dati sui disturbi del sonno evi-denziano una tendenza generale al loro
aumento, una informazione che dovrebbemettere in allarme l’allenatore, indicando-gli che questa atleta merita un’attenzioneparticolare.Per sintetizzare in una retta la nube dei datidel controllo si può utilizzare un altrometodo che è quello della regressione.Per ragioni pratiche il calcolo della regres-sione dovrebbero essere riservati a foglielettronici o software specializzati e perrealizzare questo tipo di analisi l’allenatorepotrebbe dovere consultare un ricercatore
esperto in scienza dello sport. La figura 4mostra i dati grezzi della frequenza car-diaca a riposo e del peso corporeo con lerette di regressione sovrapposte ai datigrezzi. I dati sulla frequenza cardiaca sonostati divisi in base a un esame visivo e ladeterminazione di quello che sembravaessere un punto di flesso o una curva neldisegno dei dati stessi. I disegni dei datiovviamente non debbono essere tassativa-mente lineari, ma possono essere anchecurvilinei. Di nuovo, l’allenatore potrebbedovere consultare un ricercatore espertodi scienza dello sport per potere esseresicuro sull’applicazione di questo tipo di
32
30
28
26
24
22
20
18
16
14Gennaio Febbraio Marzo Aprile Maggio Giugno
Pot
enza
med
ia (
W/k
g)
Raduni di allenamento (mesi)
Miglioramentodella prestazione
Peggioramentodella prestazione
Nessuncambiamento
Figura 2 – Trend del test di Bosco 60 s delle atlete della squadra nazionale femminile di ginnasticastatunitense dei Giochi olimpici di Sydney del 2000.
13
12
11
10
9
8
7
6
5
4
3
2
1
09-11
10-12-1510-15
11-111-15
12-112-15
1-11-15
2-1 3-13-15
4-14-15
Periodo preparatorio Periodo di gara
Cam
pion
ati n
azio
nali
Date
Som
ma
dei v
alor
i del
la s
cala
di L
iker
t
Iniz
io d
el p
rogr
amm
a di
alle
nam
ento
Inte
rruz
ione
di N
atal
e
Aumento dei disturbi del sonno
Figura 3 – Un esempio di split middle. Si noti la retta mostrata durante il periodo di gara, che indi-ca una tendenza verso l’aumento nei disturbi del sonno in questa atleta.
FOTO
CALZ
ETTI
& M
ARIU
CCIE
DITO
RI
SdS/
Rivi
sta
di c
ultu
ra s
port
iva
Anno
XXV
n.6
9
26
analisi. Se il lettore vuole proseguire persuo conto può semplicemente selezionare“help” in Excel, poi scrivere “regression” nelcampo di ricerca. Le informazioni ottenutelo guideranno attraverso il processo.
Individuare cambiamenti improvvisi
Mentre l’analisi delle tendenze è impor-tante e rappresenta un gran numero deigrafici che sono fondamentali per l’allena-tore, l’atleta e lo scienziato dello sport, cisono casi nei quali il grafico è indicativo dicambiamenti recenti nello stato dell’atletache possono causare preoccupazioni erichiedere interventi immediati. In altritermini, ciò avviene se se il flusso dei datiche deriva dal controllo quotidiano mostraqualche spinta improvvisa al cambiamentoche può riflettere un qualsiasi variazionerecente che merita attenzione. Il problemache nasce è come sapere se il dato è tal-mente inabituale da non essere provocatodalle naturali variazioni quotidiane dei datistessi. L’approccio fondamentale consistenel considerare i propri dati sia in terminidi distribuzione nel tempo sia come distri-buzione di probabilità come in una distri-buzione normale o Gaussiana.Nella figura 5 è mostrato un esempio teo-rico di come si può presentare il flusso deidati e come si possono considerare partedi una distribuzione normale. Questo
approccio deriva da un largo insieme diconoscenze globalmente definite controllostatistico del processo (SPC, statisticalprocess control) (Grant 1988; Pitt 1994;Sands 2002; Shewhart 1986). L’SPC è unostrumento relativamente semplice pervalutare quando i dati mostrano discre-panze tali da richiedere attenzione. L’SPCrichiede alcune conoscenze di statisticache per fortuna sono estremamente sem-plici. Si deve sapere come calcolare unamedia o un risultato medio e la deviazionestandard. Il vantaggio di questo metodo èche con due semplici calcoli è possibilecostruire un quadro dei dati che mostra lagrandezza della discrepanza di una varia-bile o di un segmento di dati. Si basa sullaprobabilità di valori estremi fondata sulladistribuzione esistente dei dati che l’atletaha già presentato.I fogli di calcolo si rivelano molto utili percalcolare questo tipo di valori. Nella figura6 è mostrato un esempio di utilizzazionedi questo metodo per individuare ladiscrepanza dei dati della frequenza car-diaca a riposo in rapporto alla registrazio-ne dei sintomi di malattia durante unintero macrociclo. Si noti che in tutti i casiin cui i valori della frequenza cardiaca ariposo hanno superato il limite di superio-re di controllo (cioè il limite di tolleranza,
+
++
+
+ +
+
+
+
+
+
+
+
+
+
+ + +
+ +
+
+
+ +
+ +
+
+ + +
+
+
110
100
90
80
70
60
50Sett. 11
1214
1517
1819
2122
2526
2829
12
35
68
910
1213
1516
1719
2022
2326
2729
302
35
6712
Nov
Pes
o (lb
) e
freq
uenz
a ca
rdia
ca (
batt/
min
)
Retta di regressione
+ + + +
Date dell’allenamento
Retta di regressione
Iniz
io d
el p
rogr
amm
a di
alle
nam
ento
peso+ frequenza cardiaca
regressione: frequenza cardiacaregressione: peso
Esempio di sintomi di superallenamento 1989-90 (ginnaste di alto livello)
Questo periodo mostra un aumento della frequenza
cardiaca e una continua diminuzione del peso –
classici sintomi di superallenamento
Figura 4 – Analisi della regressione del peso e della frequenza cardiaca a riposo. Si noti che que-sto tipo di regressione è lineare, ossia i dati possono essere sintetizzati con una singola retta chemeglio si adatta ai valori esistenti.
Valori estremi
Limite di tolleranza +
Limite di tolleranza –
Uni
tà a
rbitr
arie
Dosaggio del carico – Elementi (volume)
Tempo
Variazione normale
Figura 5 – Controllo statistico del processo applicato a dati ipotetici. I cerchietti rappresentanodati arbitrari, come quelli che potrebbero derivare dal monitoraggio di una qualche caratteristicadell'atleta. La linea orizzontale al centro rappresenta la media o il valore medio del flusso dei dati.La curva normale, che nella figura ha il nome di “variazione normale”, rappresenta la curva delladistribuzione di probabilità con una media e una variazione standard. Per questi dati è stata calco-lata anche la deviazione standard, mostrata con la dicitura Limite di Tolleranza + e Limite diTolleranza –. I segni positivo e negativo indicano che ci si trova, rispettivamente, al di sopra o al disotto della media. L’importanza di questi limiti è che ci permettono di affermare con certezza checirca il 70% dei valori osservati in questo ipotetico atleta rientrano nei limiti, o, al contrario, chec'è solo il 30% di possibilità che questi dati si trovino al di fuori di questi limiti. Se si raddoppiano ilimiti di tolleranza osserviamo che quei dati che mostrano una discrepanza maggiore del doppio deilimiti di tolleranza hanno solo il 5% di probabilità di verificarsi. Se si trovano dati molto discrepanti,che si discostano notevolmente dalla media e sono superiori del doppio rispetto ai limiti di tolleran-za o alla deviazione standard, allora si tratta di valori decisamente insoliti che, quando si presenta-no, meritano un’indagine più approfondita.
Conclusioni
Nella figura 6 viene mostrato come il sem-plice controllo dei dati possa essere usatoper avvertire l’allenatore che è cambiatoqualcosa nella preparazione di un atleta.Se questo tipo di risposte fornite dai dativiene confrontato con le informazioni e idati sul dosaggio dei carichi di allenamen-to, l’allenatore può essere messo in gradodi individuare le possibile cause del pro-blema e in futuro preservare l’atleta dalloro riproporsi. Inoltre, si possono svilup-pare modelli individualizzati di allenamen-to che potranno essere utili nella prepara-zione futura di squadre e di singoli atleti.
SdS/
Rivi
sta
di c
ultu
ra s
port
iva
Anno
XXV
n.6
9
27
il doppio della deviazione standard deidati) si è verifica un aumento corrispon-dente nei sintomi di malattia. Si tratta didati reali che evidenziano come, attraversoil calcolo della media e della deviazionestandard, una semplice idea possa sostan-zialmente rendere automatico l’intero pro-cesso di individuazione di dati anomali etrasferire a un computer l’elaborazione deirisultati del controllo. In questo modo, ilsoftware di un computer può dispensarel’allenatore del dovere dare la caccia arelazioni che possono fornire informazioniimportanti su un/una atleta e la sua pre-parazione (Sands 1991; Sands, Shultz,Paine 1994; Sands, Shultz, Paine 1994).
Barlow D. H., Hersen M., Single case experimentaldesigns: strategies for studying behaviour chan-ge, New York, Pergamon Press, 1984.Clarys J. P., Martin A. D., Drinkwater D. T.,Marfell-Jones M. J., The skinfold: myth and reali-ty, Journal of Sports Sciences, 5, 1987, 1, 3-33.Grant E. L., Leavenworth R. S., Statistical qualitycontrol, New York, McGraw-Hill, 1988.Henry F. M., The loss of precision from discardingdiscrepant data, The Research Quarterly, 21,1950, 2, 145-152.Henry F. M., “Best” versus “Average” individual sco-res, The Research Quarterly, 38, 1967, 2, 317-320.Katch V. L., A reaction to laboratory methodolo-gy, Medicine and Science in Sports and Exercise,16, 1984, 6, 604-605.Kroll W., Reliability theory and research decisionin selection of a criterion score, The ResearchQuarterly, 38, 1967, 412-419.Lohman T. G., Body composition methodology insports medicine, The Physician and Sportsmedicine,10, 1982, 12, 47-58.Martin A. D., Drinkwater D. T., Variability in themeasures of body fat, Sports Medicine, 11, 1991,5, 277-288.Norton K., Marfell-Jones M., Whittingham N., KerrD., Carter L., Saddington K. et al., Anthropometricassessment protocols, in: Gore C. J. (a cura di),Physiological tests for elite athletes, Champaign,Il, Human Kinetics, 2000, 66-85.Pitt H., SPC for the rest of us, ed. King of Prussia,PA, K.W.Tunnel Publishing Group, 1994.Safrit M. J., Reliability theory, Washington DC,American Alliance for Health, Physical Education,and Recreation, 1976.Sands W. A., Monitoring elite gymnastics athle-tes via rule based computer systems, Masters ofInnovation III, Northbrook, Il, Zenith DataSystems, 1991, 92.Sands W. A., Monitoring the elite female gymnast,National Strength and Conditioning AssociationJournal, 13, 1991, 4, 66-71. Sands W. A., AI and athletics, PC AI 6, 1992, 1,52-54.Sands W. A., Monitoring gymnastics training,3èmes Journées Internationales d’Etude del’AFRAGA, Lilla, AFRAGA 2002.Sands W. A., Irvin R. C., Major J. A., What thesport scientist can really tell about your percentfat and an alternative method for assessing bodycomposition, in: McNitt-Gray J. L., Girandola R.,Callaghan J. (a cura di), 1992 USGF Sport ScienceCongress Proceedings, Indianapolis, In, USGFPublications, 1992, 54-62.Sands W. A., Major J. A., The time course of fit-ness acquisitionin women’s gymnastics, FIG,Scientific-Medical Symposium Proceedings 1,1991, 9-13.Sands W. A., Shultz B. B., Paine D. D., Gymnasticsperformance characterization by piezoelectricsensors and neural networks, Technique, 13,1993, 2, 33-38.Sands W. A., Shultz B. B., Paine D. D., Neural netsand gymnastics: recognizing errors in athleticperformance, PC AI, 8, 1994, 1, 42-43. Shewhart W. A., Statistical method from the view-point of quality control, New York, NY, Dover,1986.Siri W. E., Body composition from fluid spacesand density: analysis of methods, ed. Universityof California, University of California RadiationLaboratory Report UCRL no. 3349, 1956.
Bibliografia
Note
) Una scala di Likert è una tecnica di scalingusata prevalentemente per rilevare gli atteg-giamenti; si basa su una serie di affermazionialle quali il soggetto deve indicare il suo gradodi accordo: completamente d’accordo, d’ac-cordo, incerto, in disaccordo, in completodisaccordo.
Traduzione di M. Gulinelli da Olympic Coach, 17,2005, 4, 4-10.
Titolo originale: Are your athletes progressingand how would you know?
9/22
/198
8
10/6
/198
8
10/2
0/19
88
11/3
/198
8
11/1
7/19
88
12/1
/198
8
12/1
5/19
88
12/2
9/19
88
1/12
/198
9
1/26
/198
9
2/9/
1989
2/23
/198
9
3/9/
1989
3/23
/198
9
4/6/
1989
80
70
60
50
40
30
20
10
0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0
Fre
quen
za c
ardi
aca
a rip
oso
(bat
t/min
)
Anno di allenamento
Periodo preparatorio Periodo di gara
FC
Malattia
Natale
UCL
Som
ma
dei s
into
mi d
i mal
attia
?
Frequenza cardiaca a riposo e somma dei sintomi di malattia
Figura 6 – Esempio di applicazione della SPC ai dati della frequenza cardiaca e dei sintomi dimalattia. Notare che i tempi identificati da rettangoli mostrano quando la frequenza cardiaca hasuperato il limite superiore di controllo (due deviazioni standard dalla media) e quindi meritanoattenzione, come è confermato quando si traccia un grafico per mostrare quando si sono presenta-ti anche i sintomi di malattia.
FOTO
CALZ
ETTI
& M
ARIU
CCIE
DITO
RI