Mostrar el registro sencillo del ítem

dc.contributor.advisorGaona Cuevas, Carlos Mauriciospa
dc.contributor.authorFigueroa Polanco, Paula Andreaspa
dc.date.accessioned2020-06-26T21:34:41Z
dc.date.available2020-06-26T21:34:41Z
dc.date.issued2017-10-20
dc.identifier.urihttp://hdl.handle.net/20.500.12749/3415
dc.description.abstractLa presente investigación se enfocó en el diseño de un modelo predictivo para nadadores a partir de los datos registrados en la Federación Colombiana de Natación (FECNA). La implementación del modelo predictivo se realizó mediante una aplicación web bajo las políticas del software libre. La estimación o predicción del tiempo del atleta se desarrolló a través de dos modelos: en el primero se implementa el modelo de regresión lineal a la ecuación de velocidad crítica (Critical Swim Speed - CSS) propuesta por Wakayoshi en el que se estima el tiempo a partir del cálculo de los valores de CSS y la capacidad de natación anaeróbica (Anaerobic Swimming Capacity - ASC). En el segundo modelo se usa la ecuación de resistencia planteada por Riegel para realizar una estimación del tiempo a partir del factor fatiga partiendo del cálculo de dos constantes básicas teniendo en cuenta la relación entre el tiempo y la distancia: Tiempo = b * distanciam. Para medir la precisión del modelo se hizo uso del error porcentual medio absoluto donde se obtiene que los modelos son bastante acertados en sus estimaciones pues los porcentajes de error en ambos están por debajo del 20%. La aplicación web da un reporte de valores estimados que puede ser usados por el atleta para analizar su rendimiento a partir de una distancia objetivo; se realizó con el framework Django y el lenguaje de programación Python y para que la aplicación tuviera interfaces adaptables a cualquier dispositivo se usó el Framework Bootstrap. Por último las pruebas funcionales en la plataforma consistieron en plantear tres escenarios de prueba tomando los datos históricos de la FECNA, se pudo obtener valores donde la estimación del modelo se acercaba en un alto porcentaje a las marcas obtenidas por el atleta.spa
dc.description.sponsorshipUniversitat Oberta de Catalunya UOCspa
dc.description.tableofcontentsRESUMEN 1 INTRODUCCIÓN 2 1. ASPECTOS GENERALES 4 1.1. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN 4 1.1.1. FORMULACIÓN DEL PROBLEMA CENTRAL 4 1.1.2. FORMULACIÓN DE PROBLEMAS COMPLEMENTARIOS 4 1.1.3. PLANTEAMIENTO DEL PROBLEMA 4 1.1.4. JUSTIFICACIÓN 6 1.2. DELIMITACIÓN 6 1.2.1. TEMPORAL Y GEOGRÁFICA 6 1.2.2. CONCEPTUAL 7 1.3. OBJETIVOS 7 1.3.1. OBJETIVO GENERAL 7 1.3.2. OBJETIVOS ESPECÍFICOS 8 2. MARCO TEÓRICO 9 2.1. ANTECEDENTES 9 2.2. MEDICIÓN DEL RENDIMIENTO EN LA NATACIÓN 10 2.2.1. LA VELOCIDAD CRÍTICA COMO INDICADOR DE RENDIMIENTO 10 2.2.2. EL FACTOR FATIGA EN LA ECUACIÓN DE RESISTENCIA 12 2.2.3. RITMOS ESTIMADOS POR NIVEL 13 2.3. DATOS, MODELOS PREDICTIVOS, DISEÑO Y TÉCNICAS 14 2.3.1. ANÁLISIS Y TRATAMIENTO DE DATOS 14 2.3.2. MODELOS PREDICTIVOS 15 2.3.3. MODELOS DE REGRESIÓN LINEAL SIMPLE 16 2.4. SOFTWARE Y MODELOS DE PREDICCIÓN EXISTENTES APLICADOS A DEPORTES 17 2.4.1. APLICACIÓN DE UN MODELO MATEMÁTICO AL TAPER EN JÓVENES NADADORES 17 2.4.2. NUMERICAL ALGORITHMS FOR PREDICTING SPORTS RESULTS 18 2.4.3. A HYBRID PREDICTION SYSTEM FOR AMERICAN NFL RESULTS 19 2.4.4. SISTEMA DE PREDICCIÓN DE RESULTADOS EN EVENTOS DEPORTIVOS Y SU APLICACIÓN EN LAS APUESTAS 19 3. ESTRATEGIA METODOLÓGICA 21 3.1. MÉTODO DE INVESTIGACIÓN 21 3.2. DESCRIPCIÓN DE LA METODOLOGÍA 21 3.2.1. PRIMERA FASE: GENERACIÓN DE LA PROPUESTA 22 3.2.2. SEGUNDA FASE: RECOPILACIÓN, ANÁLISIS Y COMPRENSIÓN DE LOS DATOS 23 3.2.3. TERCERA FASE: DISEÑO DEL MODELO 24 3.2.4. CUARTA FASE: IMPLEMENTACIÓN Y DESPLIEGUE 24 4. RESULTADOS DE LA INVESTIGACIÓN 26 4.1. PRIMERA FASE: GENERACIÓN DE LA PROPUESTA 26 4.2. SEGUNDA FASE: RECOPILACIÓN, DESCRIPCIÓN, EXPLORACIÓN Y PREPARACIÓN DE LOS DATOS 26 4.2.1. RECOPILACIÓN Y DESCRIPCIÓN DE LOS DATOS 26 4.2.2. EXPLORACIÓN DE LOS DATOS 27 4.3. TERCERA FASE: SELECCIÓN DE LA TÉCNICA DE MODELADO 29 4.3.1. ANÁLISIS DE DATOS CON R. 29 4.3.2. DISEÑO DEL MODELO 34 4.3.3. EVALUACIÓN DEL MODELO 36 4.4. CUARTA FASE: IMPLEMENTACIÓN DEL MODELO 40 4.4.1. DEFINICIÓN DE REQUERIMIENTOS 40 4.4.2. DISEÑO DE PROTOTIPO 43 4.4.3. IMPLEMENTACIÓN 45 4.4.3.1. SELECCIÓN DE TECNOLOGÍAS: 45 4.4.3.2. DISEÑO DE BASE DE DATOS 46 4.4.3.3. DISEÑO DE PLANTILLAS O TEMPLATES 47 4.4.3.4. DISEÑO DE VISTAS 51 4.4.3.5. PRUEBAS FUNCIONALES 55 5. CONCLUSIONES 59 6. RECOMENDACIONES Y TRABAJOS FUTUROS 61 REFERENCIAS Y BIBLIOGRAFÍA 62 ANEXOS 67spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titlePropuesta de modelo predictivo aplicado al rendimiento en nadadores colombianosspa
dc.title.translatedProposed predictive model applied to performance in Colombian swimmerseng
dc.degree.nameMagíster en Software Librespa
dc.coverageBucaramanga (Colombia)spa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programMaestría en Software Librespa
dc.description.degreelevelMaestríaspa
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.localTesisspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.subject.keywordsSystems Engineeringeng
dc.subject.keywordsFree softwareeng
dc.subject.keywordsSoftware engineeringeng
dc.subject.keywordsWeb applicationseng
dc.subject.keywordsResearcheng
dc.subject.keywordsPredictive modeleng
dc.subject.keywordsSwimmingeng
dc.subject.keywordsEstimated timeeng
dc.subject.keywordsMarkseng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesFigueroa Polanco, Paula Andrea (2017). Propuesta de modelo predictivo aplicado al rendimiento en nadadores colombianos. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB, Universitat Oberta de Catalunya UOCspa
dc.relation.referencesLos modelos matemáticos: un aporte científicotecnológico. (2013). EFDeportes.com Revista Digital, 1-8.spa
dc.relation.referencesMetodologías de desarrollo ágil: Lean Development. (20 de 04 de 2017). Obtenido de http://danielgrifol.es/metodologias-de-desarrollo-agil-lean-development/spa
dc.relation.referencesAlvarez, M. A. (19 de 11 de 2013). Qué es Python. Recuperado el 08 de 05 de 2016, de http://www.desarrolloweb.com/articulos/1325.phpspa
dc.relation.referencesBisono, T. (23 de 07 de 2014). Preparación para Competencias: Introducción al Taper. Obtenido de http://www.clinicasdenatacionrd.com/el-taper/spa
dc.relation.referencesBlundell, J. D. (s.f.). Numerical Algorithms for Predicting Sports Results. Recuperado el 06 de 05 de 2016, de http://www.engineering.leeds.ac.uk/e-engineering/documents/JackBlundell.pdfspa
dc.relation.referencesBriega, R. E. (10 de 10 de 2015). Machine Learning con Python. Obtenido de http://relopezbriega.github.io/blog/2015/10/10/machine-learning-con-python/spa
dc.relation.referencesChapman, P. C. (2000). CRISP-DM 1.0 Step-by-step data mining guide. SPSS.spa
dc.relation.referencesCoulson, M., & CooperyD., J. (30 de 05 de 2011). alto rendimiento. Obtenido de http://altorendimiento.com/test-velocidad-critica-natacion/spa
dc.relation.referencesDobravec, S. (2015). Predicting sports results using latent features: A case study. Information and Communication Technology, Electronics and Microelectronics (MIPRO), 2015 38th International Convention on (págs. 1267 - 1272). Opatija: IEEE.spa
dc.relation.referencesFrias, J. F., Martínez, C., Cruz Blandón, M., & Vargas Rojas, L. F. (2014). Sabio. Recuperado el 09 de 08 de 2016, de http://www.sabiofutbol.com/spa
dc.relation.referencesGaía, A. O. (30 de 10 de 2013). http://g-se.com/es/entrenamiento-en-natacion/blog/uso-de-la-velocidad-critica-para-el-entrenamiento-de-la-resistencia-aerobica-en-nadadores-jovenes. Obtenido de Uso de la velocidad crítica para el entrenamiento de la resistencia aeróbica en nadadores jóvenes.: http://g-se.com/es/entrenamiento-en-natacion/blog/uso-de-la-velocidad-critica-para-el-entrenamiento-de-la-resistencia-aerobica-en-nadadores-jovenesspa
dc.relation.referencesGómez Valiente, S., & Valdés Corría, G. (01 de 2011). Federación Nacional de Natación. Obtenido de http://www.fecna.com/wp-content/uploads/2011/08/La-T%C3%A9cnica-en-la-Nataci%C3%B3n-Competitiva..pdfspa
dc.relation.referencesGross, M. (02 de 05 de 2014). Conozca 3 tipos de investigación: Descriptiva, Exploratoria y Explicativa. Recuperado el 19 de 04 de 2017, de http://manuelgross.bligoo.com/conozca-3-tipos-de-investigacion-descriptiva-exploratoria-y-explicativa#.WPd3jGnhCUkspa
dc.relation.referencesGuardiola Jiménez, P. (05 de 06 de 2014). Universidad de Murcia. Recuperado el 25 de 07 de 2016, de http://www.um.es/docencia/pguardio/documentos/Tec_logis.pdfspa
dc.relation.referencesGuardiola, F. V. (2013). Sistema de predicción de resultados en eventos deportivos y su aplicación en las apuestas. Leganés.spa
dc.relation.referencesGuazzelli, A. (12 de 07 de 2012). Predicciones sobre el futuro, parte 2: Técnicas de modelado predictivo. Recuperado el 12 de 06 de 2016, de http://www.ibm.com/developerworks/ssa/industry/library/ba-predictive-analytics2/spa
dc.relation.referencesHolovaty, A., & Kaplan-Moss, J. (2015). El libro de Django 1.8. Django Coftware Corporation.spa
dc.relation.referencesIngenio Empresa. (07 de 03 de 2016). Medición del error en pronósticos de demanda. Recuperado el 09 de 07 de 2017, de https://ingenioempresa.com/medicion-error-pronostico/spa
dc.relation.referencesKyriakides, G., Talattinis, K., & Stephanides, G. (2015). A Hybrid Approach to Predicting Sports Results and an AccuRATE Rating System. Springer India.spa
dc.relation.referencesLetelier, P., & Penadés, M. C. (2016). Métodologías ágiles para el desarrollo de software: eXtreme Programming (XP). Ciencia y Técnica Administrativa, ISSN 1666-1680.spa
dc.relation.referencesMantilla, G. B. (12 de 02 de 2002). Reglamento de investigación. Recuperado el 19 de 04 de 2017, de http://www.unab.edu.co/sites/default/files/normatividad_Investigaciones_UNAB/Normatividad/Reglamento%20de%20Investigaciones.pdfspa
dc.relation.referencesMartinez, A. (05 de 01 de 2007). AM triothlon. Obtenido de http://www.amtriathlon.com/2007/01/prediccin-del-rendimiento-en-natacin.html#ixzz4dZvqJqxYspa
dc.relation.referencesMartinez, A. E. (21 de 12 de 2012). ADRMARTINEZ. Obtenido de http://ironsommelier.blogspot.com.co/2012/12/curva-de-fatiga-en-carrera.htmlspa
dc.relation.referencesmatchstatistics. (06 de 08 de 2009). matchstatistics.com. Recuperado el 10 de 05 de 2016, de http://matchstatistics.soft32.com/spa
dc.relation.referencesMolinero, L. M. (01 de 2001). LA REGRESION LOGISTICA. Recuperado el 27 de 07 de 2016, de http://www.seh-lelha.org/rlogis1.htmspa
dc.relation.referencesMorales, A. T., & Lorenzo Calvo, A. (2012). Análisis de los indicadores de rendimiento en las finales europeas de natación en pruebas cortas y en estilo libre. Apunts. Educación Física y Deportes , 97-107.spa
dc.relation.referencesMoreno, S. (21 de 04 de 2012). Tu mejor plan de entrenamiento. Obtenido de http://www.ellocoquecorre.com/2012/04/21/tablas-de-jack-daniels/spa
dc.relation.referencesNeuralbelt. (2 de 10 de 2011). Soccer Match Predictor 1.6.6. Recuperado el 11 de 05 de 2016, de http://soccer-match-predictor-1.soft32.com/spa
dc.relation.referencesOjeda, J. C., & Gómez Fuentes, M. d. (2012). Taxonomía de los modelos y metodologías de. UDUAL, 37-47.spa
dc.relation.referencesOrellana, L. (2008). Análisis de regresión. Obtenido de http://www.dm.uba.ar/materias/estadistica_Q/2011/1/clase%20regresion%20simple.pdfspa
dc.relation.referencesPauly, D. (1983). Algunos métodos simples para la evaluación de recursos pesqueros tropicales. Algunos métodos simples para la evaluación de recursos pesqueros tropicales, 243-249.spa
dc.relation.referencesRGP, J. (25 de 01 de 2014). Descubre qué es Django, el framework web de moda. Recuperado el 10 de 05 de 2016, de http://computerhoy.com/noticias/internet/descubre-que-es-django-framework-web-moda-8641spa
dc.relation.referencesRiegel, P. (08 de 1977). Athletic Records and Human Endurance, American Scientist. American Scientist, 285-290.spa
dc.relation.referencesRodríguez Baños, Á., Berral de la Rosa, C. J., Rodriguez Bies , E. C., Lara Padilla, E., & Berral de la Rosa, F. J. (2009). Aplicación de un modelo matemático al taper en jóvenes nadadores. Archivos de medicina del deporte, 355-363.spa
dc.relation.referencesRodríguez, D., & Dolado, J. (2007). Redes Bayesianas en la Ingeniería del Software. Recuperado el 28 de 07 de 2016, de http://www.cc.uah.es/drg/b/RodriguezDolado.BBN.2007.pdfspa
dc.relation.referencesRuiz, A. L., Martínez García, C., Sánchez Pérez, M. J., Sánchez-Cantalejo Castañeda, J., & Sánchez-Cantalejo Ramírez, E. (s.f.). Aprenda a usar R. Recuperado el 08 de 05 de 2016, de http://www.tutorialr.es/es/index.htmlspa
dc.relation.referencesSweetenham, B., & Atkinson, J. (2003). Championship Swim Training.spa
dc.relation.referencesUniversidad de Cuernavaca. (s.f.). ¡Arma tu ficha bibliográfica! Recuperado el 19 de 04 de 2017, de http://www.cva.itesm.mx/biblioteca/pagina_con_formato_version_oct/principal%20nueva.htmlspa
dc.relation.referencesUniversidad de Granada. (s.f.). Cadenas de Markov. Recuperado el 28 de 07 de 2016, de http://www.ugr.es/~bioestad/_private/cpfund10.pdfspa
dc.relation.referencesUzoma, A. O., & Nwachukwu , E. (2015). A Hybrid Prediction System for American NFL Results. International Journal of Computer Applications Technology and Research, 42-47.spa
dc.relation.referencesWakayoshi K., I. K. (2012). Determination and validity of critical velocity as an index of swimming performance in the competitive swimmer. European Journalof Applied Physiologyand Occupational Physiology 64, 153-157.spa
dc.relation.referencesZingsem, C. G. (24 de 07 de 2015). Velocidad crítica como indicador de rendimiento en natación. Recuperado el 20 de 03 de 2017, de http://www.mitlabmalaga.com/velocidad-critica-como-indicador-de-rendimiento-en-natacion/spa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000249866*
dc.contributor.googlescholarhttps://scholar.google.es/citations?hl=es&user=wGaTT4gAAAAJ*
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembSoftware librespa
dc.subject.lembIngeniería de softwarespa
dc.subject.lembAplicaciones webspa
dc.subject.lembInvestigacionesspa
dc.description.abstractenglishThe present research focused on the design of a predictive model for athletes in the swimming area based on distance and time recorded data in the Colombian Swimming Federation (FECNA). The implementation of the predictive model was done through a web application under the policies of the free software and license of Creative Commons with the purpose of offering a tool that could be usable and improved for swimmers and their trainers. The estimation or prediction of the athlete's time was developed through two models; in the first one, the linear regression model is applied to the critical velocity equation (CSS) proposed by Wakayoshi, which estimates the time from the calculation of the CSS values and the anaerobic swimming capacity (Anaerobic Swimming Capacity - ASC). In the second model we use the resistance equation proposed by Riegel to estimate the time from the fatigue factor. In this case the calculation of two basic constants was made taking into account the relation between time and distance: Time = b * distance, b and m are specific constants for each sport. The web application gives a report of estimated values that can be used by the athlete to analyze their performance from a target distance; it was done with the Django framework and the Python programming language. In order for the application to have adaptable interfaces to any device, the Bootstrap JavaScript Framework was used, and in addition a PostgreSQL database was created for the storage of the information. Finally, tests were developed with the registered historical data of the swimmers and it was possible to obtain values where the estimation of the model approached in a high percentage to the marks obtained by the athlete, where the model of FF returns better results when they have great Volumes of data while that of CSS fits small samples.eng
dc.subject.proposalModelo predictivospa
dc.subject.proposalNataciónspa
dc.subject.proposalTiempo estimadospa
dc.subject.proposalMarcasspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Thumbnail
Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia