Modelo fitness-fatigue: carga, fatiga y rendimiento estimado

Dos efectos de una carga y una actuación que cambia con el tiempo

El modelo bifactorial parte de la idea de que una carga puede dejar efectos positivos y negativos con distinta evolución temporal. La contribución positiva se denomina fitness y la negativa fatigue. En español conviene explicar ambas: preparación y fatiga modeladas, sin confundirlas con todo el estado físico o psicológico de una persona.

Zatsiorsky, Kraemer y Fry presentan la teoría de dos factores como una explicación de la preparación potencial para rendir, con componentes relativamente lentos y rápidos (2021, pp. 11–13). El resultado de una sesión depende de la combinación de sus efectos. Por eso, observar una disminución inmediata no permite afirmar que el programa solo produjo consecuencias negativas.

La palabra fitness puede inducir a error si se interpreta como una condición física completa y directamente observable. Dentro del modelo designa una contribución calculada que favorece la salida elegida. Si la salida es una prueba de fuerza, se interpreta respecto a esa prueba. Si es una actuación de resistencia, el significado depende de esa tarea. No representa automáticamente capacidades que nunca fueron evaluadas.

La palabra fatigue requiere la misma delimitación. El estado negativo permite representar una contribución que reduce la actuación estimada. No identifica por sí mismo fatiga central, periférica, mental o daño del tejido. Es posible utilizar un modelo para describir datos sin haber medido de manera independiente todos los procesos fisiológicos que se asocian a sus nombres.

El manual de la NSCA conecta esta perspectiva con el seguimiento del entrenamiento y reconoce que las estimaciones pueden carecer de precisión suficiente para ciertas decisiones en deportistas de alto rendimiento (French & Torres Ronda, 2022, pp. 13–14). Esa cautela resulta especialmente pertinente cuando una diferencia pequeña puede importar, pero también puede deberse al procedimiento de medición.

En una situación hipotética, una deportista realiza una prueba después de una semana exigente y obtiene un resultado menor. Tras modificar la demanda, el resultado aumenta. La secuencia es compatible con la idea de efectos que tienen distinta duración, pero no demuestra que se hayan medido separadamente las curvas internas. La interpretación necesita considerar familiarización, condiciones y cambios de la tarea.

El modelo ayuda a formular una pregunta más precisa: ¿la diferencia observada puede describirse a partir de la historia de carga y de una dinámica definida? La pregunta permite evaluar una hipótesis. Decir simplemente «está cansada» describe una impresión; estimar un estado requiere datos y decisiones sobre cómo se transforma la carga en una predicción.

La ecuación básica: nivel inicial más preparación menos fatiga

La expresión básica suma al nivel inicial una contribución positiva y resta una negativa. Ambas deben expresarse en unidades compatibles con la salida. La ecuación no calcula rendimiento a partir de intuiciones: necesita definir cómo se obtienen los estados y qué prueba representa la variable que se quiere estimar.

El símbolo p̂(t) representa la actuación estimada en el instante t. El término p₀ es un nivel de referencia; F(t), la contribución positiva, y D(t), la magnitud de la negativa. La letra D se utiliza aquí para distinguir fatiga de fuerza. La notación es una convención explicativa, no una nueva teoría de adaptación.

La resta exige coherencia de unidades. Si la salida es una distancia, los términos que se suman deben corresponder a esa escala, mediante los parámetros del modelo. No se puede restar directamente un índice arbitrario de carga a metros de lanzamiento. El modelo necesita ganancias que relacionen la entrada con la salida; nombrarlas permite reconocer qué se está ajustando.

También importa la dirección del rendimiento. En una prueba de distancia, un valor mayor suele representar una actuación mejor. En un tiempo de carrera, un valor menor puede representar una mejora. Aplicar sin cambios una interpretación de «más es mejor» a ambas salidas invierte el sentido del resultado. Puede transformarse la variable, pero debe explicarse cómo y conservar la definición.

El nivel inicial tampoco es necesariamente una capacidad inmutable. En una aplicación sencilla funciona como referencia dentro del periodo analizado. Si cambia la prueba, la técnica o el estado de preparación de manera sustancial, mantener ese valor y los demás parámetros sin revisión puede ser inadecuado. La sencillez de una ecuación no convierte sus términos en características permanentes del deportista.

Un ejemplo hipotético ayuda a leer la relación. Supongamos una escala didáctica de actuación con referencia de 100 unidades, una contribución positiva de 8 y una negativa de 11. La estimación es 97. No significa que la persona haya perdido toda adaptación: el término positivo está presente, pero la resultante queda por debajo de la referencia debido a la combinación definida.

Si posteriormente los valores del ejemplo cambian a 7 y 3, la estimación pasa a 104. El modelo ilustra una diferencia entre conservar una contribución favorable y reducir otra que la limita. Estos números no proceden de un ensayo, no fijan duraciones de recuperación y no se utilizan para decidir una carga real. Su función es hacer visible una operación que a menudo se oculta dentro de un gráfico.

Zatsiorsky y colaboradores utilizan la combinación de cambios positivos y negativos para explicar la preparación (2021, pp. 11–13). La ecuación resume esa organización conceptual. Para pasar de la idea a una herramienta de predicción hacen falta series de entrada, observaciones de salida y parámetros comprobados bajo las condiciones de uso.

Qué significa impulso-respuesta y por qué aparece una exponencial

En un modelo de impulso-respuesta, cada entrada deja una contribución cuya magnitud cambia con el tiempo. Una forma sencilla supone que el efecto decae exponencialmente. La exponencial es una elección matemática para representar esa dinámica; no significa que se haya identificado una única sustancia que explique toda la preparación.

La entrada puede representar una carga registrada en un momento. Para una aportación aislada, una expresión elemental del efecto positivo es la siguiente, con una forma análoga para el negativo. El tiempo y la constante temporal deben utilizar la misma unidad; si el tiempo se expresa en días, la constante también se expresa en días.

La cantidad u representa la entrada, k una ganancia y τ una constante temporal. La ganancia determina cuánto contribuye una entrada en la escala de salida. La constante controla la rapidez del descenso. Estos parámetros pertenecen al modelo y su estimación; no son tiempos universales de reparación muscular.

Cuando transcurre un tiempo igual a la constante temporal, la exponencial conserva aproximadamente el 37 % de su valor inicial. Es una propiedad matemática de la función, no un hallazgo sobre un atleta. Permite interpretar la notación: una constante mayor produce un descenso más lento dentro de este modelo, mientras que una menor produce un descenso más rápido.

La teoría de dos factores descrita por Zatsiorsky propone que el efecto favorable suele representarse con mayor persistencia y el negativo con una duración relativamente menor (2021, pp. 12–13). La relación se utiliza como simplificación explicativa. Las proporciones aproximadas que aparecen en manuales no deben convertirse en una duración fija aplicable a cada ejercicio, población o capacidad.

La respuesta a varias sesiones se representa sumando las contribuciones que todavía permanecen de entradas anteriores. Una carga reciente y otra antigua tienen pesos diferentes según el tiempo transcurrido y la dinámica elegida. Esa acumulación explica por qué dos semanas con la misma cantidad total pueden producir estimaciones distintas cuando las sesiones se distribuyen de otra manera.

Esta suma incorpora un supuesto de superposición: se calcula la aportación de cada entrada y después se agregan los resultados. Dentro de la ecuación, duplicar una entrada duplica su contribución si los parámetros permanecen iguales. Es una propiedad de esta estructura lineal, no una demostración de que duplicar entrenamiento produzca el doble de adaptación. Cuando la relación real cambia con la intensidad, el historial o la tarea, el cálculo puede necesitar otra función o un ámbito de uso más limitado (Imbach et al., 2022).

También hay una diferencia entre simular un calendario y predecir una actuación. En una simulación se introducen cargas futuras elegidas y se pregunta qué ocurriría si se cumplieran los supuestos. Una predicción debe además responder por su error frente a observaciones posteriores. Comparar dos calendarios calculados puede servir para comprender el modelo, pero no convierte uno de ellos en la mejor planificación comprobada. Conviene conservar la palabra «escenario» para esas alternativas hipotéticas y reservar la valoración de su utilidad para una comprobación con datos pertinentes.

La suma incluye entradas anteriores al instante que se evalúa. Debe declararse si una medición se realiza antes o después de contabilizar la carga del día. De lo contrario, dos implementaciones pueden desplazar los efectos una jornada sin que el lector advierta la diferencia. La convención de tiempo forma parte del método, tanto como la selección de constantes.

Imbach y colaboradores presentan esta estructura y examinan límites de sus entradas, funciones y salidas (2022). Una aportación relevante es distinguir representar una dinámica de garantizar una predicción. La función puede describir un patrón de datos y conservar errores importantes cuando cambian condiciones que no están incluidas en la entrada.

Un ejemplo numérico para leer el modelo sin prescribirlo

Un ejemplo didáctico permite comprobar qué operaciones produce la ecuación y separar sus resultados de una recomendación. Los valores siguientes son hipotéticos. Se eligen para mostrar diferencias entre ganancias y constantes temporales; no representan un deportista, un protocolo de recuperación ni parámetros que deban copiarse a una aplicación real.

Consideremos una entrada aislada de 10 unidades arbitrarias. La ganancia positiva es 0,6 y la negativa 1. Las constantes temporales se fijan en 12 y 4 unidades de tiempo, respectivamente. La referencia es 100. Al comenzar, la contribución positiva vale 6, la negativa 10 y la estimación queda en 96.

El cálculo en tiempo 4 utiliza 6 multiplicado por la exponencial de −4/12 para el término favorable, y 10 por la exponencial de −4/4 para el negativo. La diferencia es positiva, aunque ambas contribuciones han disminuido. La mejora de la resultante no exige que el término favorable aumente en ese mismo intervalo: puede depender de la caída más rápida del negativo.

En tiempo 24, ambos términos se aproximan a cero y la estimación se acerca a la referencia. Este comportamiento pertenece al ejemplo de una entrada aislada con decaimiento. Un programa real incluye nuevas entradas y puede presentar cambios que esta estructura no explica. La tabla enseña una propiedad del modelo; no describe la desaparición de todas las adaptaciones a una fecha concreta.

Si se aumenta la ganancia negativa manteniendo el resto, la caída inicial es mayor. Si se aumenta su constante temporal, su influencia persiste más. Las dos modificaciones pueden producir resultantes parecidas en ciertos puntos y diferentes en otros. Este hecho ayuda a comprender por qué pocas mediciones no permiten estimar con claridad todos los parámetros.

El ejemplo también permite reconocer qué información no está incluida. No hay técnica, motivación, cambios ambientales ni errores de medición. Añadir nombres biológicos a sus términos no incorpora automáticamente esos factores. El modelo sigue siendo el que se ha escrito, con sus variables y funciones; la interpretación debe respetar esa estructura.

Una actividad formativa consiste en calcular la resultante antes de mirar el gráfico y después explicar con palabras el cambio. Así puede comprobarse si el lector distingue la caída de una contribución de la mejora de la diferencia. La actividad no necesita datos máximos de un estudiante: trabaja comprensión matemática y evita convertir una demostración escolar en una prueba de fatiga.

La entrada: medir carga no es contar minutos sin contexto

El modelo recibe una entrada numérica, pero elegirla exige decidir qué aspecto del entrenamiento representa. Duración, distancia, trabajo mecánico y esfuerzo percibido informan dimensiones diferentes. Convertirlas en un índice permite calcular, aunque puede perder información; dos tareas con igual número final no tienen por qué producir respuestas equivalentes.

El capítulo de carga de la NSCA distingue demanda externa y respuesta interna, y relaciona su interpretación con el tipo de actividad y el estado de preparación (French & Torres Ronda, 2022, pp. 14–18). La demanda externa describe trabajo realizado; la respuesta interna describe cómo responde el organismo. El seguimiento gana sentido cuando conserva esa relación, en lugar de utilizar ambas expresiones como sinónimos.

En una tarea de carrera pueden registrarse tiempo y distancia. En una sesión de fuerza, el peso, las repeticiones y la organización aportan otra información. La igualdad del tiempo total no convierte ambas entradas en dosis equivalentes. Para sumarlas en un único modelo se necesita una convención que esté justificada y cuyos límites se conserven durante la interpretación.

Un ejemplo hipotético muestra una pérdida de información sencilla. Dos sesiones duran lo mismo: una mantiene un ritmo continuo y otra alterna acciones breves con pausas. Si la entrada registra únicamente minutos, las describe igual. Si el propósito es estudiar una capacidad dependiente de esas diferencias, el índice puede resultar insuficiente aunque se haya registrado sin errores.

La respuesta percibida puede aportar información sobre exigencia, pero también necesita una consigna y un procedimiento coherente. Cambiar la pregunta de «qué esfuerzo tuvo esta tarea» a «cómo te sientes ahora» modifica lo que se recoge. Ninguna de las dos expresiones puede sustituirse por la otra sin revisar su significado. El instrumento y el momento de registro forman parte de la entrada.

Combinar volumen e intensidad en un índice requiere conservar sus componentes originales. Si solo se guarda el producto, es difícil reconstruir si el mismo número procedió de mucho volumen con poca intensidad o de menos volumen con mayor intensidad. Mantener los campos facilita revisar qué ocurrió cuando el modelo no describe la salida.

Imbach y colaboradores advierten que una configuración univariada puede comprimir estímulos distintos y dejar fuera condiciones relevantes (2022). Esa observación no obliga a recoger todos los datos posibles. Obliga a seleccionar los que responden a la pregunta, conservar su definición y comprobar si aportan información que el índice principal no distingue.

La continuidad del registro también importa. Un día sin dato no equivale a un día sin entrenamiento. Si ambos se codifican como cero, el historial se altera. El archivo necesita diferenciar ausencia de actividad y ausencia de información. Es una decisión sencilla de gestión de datos, pero afecta directamente a las aportaciones que el modelo calcula.

La salida: una prueba concreta y un método de comparación

La salida debe representar una actuación definida que pueda observarse con un procedimiento coherente. El modelo no predice todo el deporte a partir de una prueba aislada. Seleccionar la variable implica decidir si interesa una capacidad, una tarea de laboratorio o un resultado competitivo, y reconocer qué factores participan en cada uno.

Una prueba de salto, una marca de carrera y una actuación en un juego tienen condiciones distintas. Las primeras pueden organizarse con un procedimiento más estable; la última incorpora decisiones, adversarios y cambios de situación. Un resultado competitivo contiene información relevante, pero puede ser menos fácil de atribuir exclusivamente a la carga recibida.

La dirección de la mejora debe declararse. Si se utiliza un tiempo, una reducción puede ser favorable. Si se utiliza una distancia, un aumento puede representar mejora. También puede interesar precisión o calidad de ejecución. La selección de una variable no debería responder solo a que produce una cifra: debe guardar relación con la capacidad o actuación que se pretende comprender.

La prueba necesita condiciones repetibles: consigna, material, preparación, orden y forma de registrar. Cuando cambian, conviene anotarlo. De lo contrario, el modelo puede atribuir al entrenamiento una diferencia que procede de otra condición. La comparación no tiene que ser idéntica en todos los detalles para ser útil, pero sí debe conservar una descripción suficiente de los cambios.

El nivel de experiencia influye en la ejecución de una prueba. Una mejor actuación después de familiarizarse puede corresponder a aprendizaje del procedimiento. Eso no invalida el resultado, pero modifica su explicación. Si interesa observar cambios de una capacidad, la familiarización y la técnica deben integrarse en el diseño, no añadirse después como justificación de resultados inesperados.

La transferencia tampoco se presume. En el extracto editorial sobre cualidades atléticas y rendimiento, French distingue el desarrollo de una capacidad de su expresión en una tarea deportiva (2022). Una salida de fuerza puede informar sobre la prueba elegida sin predecir automáticamente decisiones tácticas o precisión en otro contexto.

En un caso hipotético, un equipo mejora una prueba física, pero no aumenta el éxito de una acción de juego. La diferencia puede motivar análisis de oportunidad, coordinación y condiciones del encuentro. No demuestra que la capacidad sea irrelevante ni que el modelo de carga sea falso. Muestra que la salida elegida y el resultado deportivo no son la misma variable.

Esta distinción resulta útil en Educación Física: una mejora física puede convivir con otros aprendizajes y con objetivos de participación. El desarrollo de la competencia motriz amplía la pregunta hacia la resolución de tareas. El modelo bifactorial puede explicar una parte de esa preparación, pero no constituye por sí mismo un sistema completo de evaluación educativa.

Estimar parámetros: ajustar una curva no demuestra su mecanismo

La estimación de parámetros busca valores que relacionen un historial de entrada con las salidas observadas. Un buen ajuste muestra correspondencia bajo ese procedimiento, pero no demuestra que cada término sea una medición fisiológica directa. La interpretación exige examinar datos, restricciones, incertidumbre y capacidad para describir observaciones que no participaron en el ajuste.

Una función de error sencilla compara la actuación observada con la estimada. Por ejemplo, puede sumar los cuadrados de las diferencias. El cálculo penaliza errores grandes y permite buscar parámetros, pero la función elegida influye en el resultado. Minimizarla no convierte automáticamente una predicción en una explicación causal del entrenamiento.

En esta expresión, m es el número de observaciones y pⱼ la salida registrada en el momento correspondiente. El error está expresado en las unidades de salida elevadas al cuadrado. Se presenta como un criterio matemático didáctico, no como un procedimiento que por sí solo determine qué parámetros son científicamente válidos.

Con pocas observaciones, combinaciones diferentes pueden describir resultados parecidos. Una ganancia mayor y una persistencia menor pueden compensarse parcialmente en los puntos disponibles. El problema no se resuelve llamando «individuales» a los valores. Se necesita comprobar cuánto dependen del periodo, las mediciones y las restricciones utilizadas.

Las condiciones iniciales merecen atención. Si el historial empieza después de semanas de entrenamiento, no puede suponerse sin discusión que los efectos previos eran cero. Un modelo puede representar esos antecedentes mediante estados iniciales, información anterior o un periodo de adaptación del cálculo. La elección debe declararse porque influye en las primeras estimaciones.

La escala de la entrada también modifica los parámetros. Si se multiplican todos los valores de carga por una constante, pueden ajustarse ganancias menores y conservar predicciones similares. Por eso, una ganancia no se compara entre archivos sin revisar sus unidades. El parámetro solo tiene significado junto al procedimiento que produjo la entrada.

Los datos deben aportar variación suficiente para examinar una relación. Si toda la historia contiene casi el mismo patrón, el ajuste puede encontrar valores sin distinguir bien sus efectos. Introducir cambios de carga para investigar no significa que cualquier perturbación sea apropiada para un deportista; significa reconocer que una serie limitada restringe las preguntas que el modelo puede responder.

El ajuste debe acompañarse de residuos: diferencias entre observación y estimación. Si muestran patrones, puede faltar una dinámica, cambiar una condición o existir un problema de medición. El residuo no identifica por sí solo la causa. Es una señal para revisar hipótesis y procedimientos, no un diagnóstico automático de fatiga o recuperación.

Guardar la versión del modelo permite reconstruir decisiones. Conviene conservar definición de entrada, salida, parámetros, periodo y tratamiento de datos faltantes. Sin esa información, una curva posterior puede parecer distinta por cambios de cálculo y no por cambios del deportista. La trazabilidad del procedimiento forma parte de su utilidad práctica.

Validar una predicción y reconocer lo que queda fuera

Validar significa comprobar el comportamiento del modelo en condiciones que permitan evaluar su utilidad para la pregunta elegida. Describir el mismo conjunto utilizado para ajustar no basta para demostrar predicción futura. Una evaluación temporal coherente conserva la historia disponible y evita utilizar información que todavía no existía al realizar la estimación.

Si se ajusta con toda una temporada y después se presenta una predicción para una fecha intermedia, se ha utilizado información posterior. El resultado puede describir la serie retrospectivamente, pero no reproduce una decisión real tomada en ese momento. Para examinar predicción, el procedimiento debe limitarse a los datos disponibles hasta la fecha de cálculo.

Una separación temporal permite ajustar con un periodo y evaluar observaciones posteriores. Debe conservarse la definición de la entrada y de la prueba. También es útil comparar con una referencia sencilla, como mantener una estimación basada en resultados recientes. Si una estructura más compleja no aporta mejora relevante, su apariencia fisiológica no justifica por sí sola su uso.

La magnitud del error se interpreta en la escala de la tarea. Un error que parece pequeño en un índice puede resultar importante para una competición, o menor que la variación del procedimiento de medición. La decisión requiere relacionar la incertidumbre con el objetivo. Mostrar únicamente una correlación puede ocultar diferencias sistemáticas entre valores estimados y registrados.

Las condiciones ajenas al entrenamiento también pueden cambiar la salida. Greig y colaboradores proponen distinguir efectos de entrenamiento y variaciones asociadas a factores no incluidos, dentro de su marco de autorregulación (2020). La propuesta ayuda a delimitar conceptos; un residuo observado no mide de manera independiente sueño, nutrición, enfermedad o estado psicológico.

Una discrepancia puede tener varias explicaciones compatibles. Tal vez la carga se registró mal, la prueba cambió, la persona aprendió a ejecutarla o el modelo perdió validez en esa fase. La investigación exige examinar esas alternativas. Atribuir cualquier diferencia al estado de disposición dejaría el modelo a salvo de toda comprobación y debilitaría su utilidad.

Los modelos más complejos incorporan otras variables o funciones. Eso puede ampliar lo que representan, pero añade decisiones y riesgo de ajuste excesivo. Imbach y colaboradores plantean integrar conocimiento fisiológico y aprendizaje automático, con atención a generalización y sobreajuste (2022). No presentan esa combinación como una garantía de precisión para cualquier deporte.

En la práctica, la incertidumbre debe aparecer en la comunicación. «La curva estima este comportamiento con este error bajo estas condiciones» permite evaluar el resultado. «La curva revela tu estado exacto» oculta los supuestos. Un instrumento puede orientar conversaciones y decisiones sin convertirse en una autoridad que desplaza la observación del entrenamiento real.

Qué aporta a la organización de carga y a una puesta a punto

El modelo ofrece una lógica para organizar la relación entre estímulo y fatiga antes de una actuación importante. Reducir una demanda puede disminuir la contribución negativa mientras persiste parte de la positiva. Esa posibilidad conceptual no determina una puesta a punto universal: la decisión depende de capacidad, historial y calendario.

Zatsiorsky y colaboradores utilizan la teoría de dos factores para contrastar formas de interpretar la preparación previa a una competición (2021, p. 13). La atención se desplaza desde encontrar la cima de una curva única hacia conservar preparación y evitar una fatiga que limite la actuación. La distinción es conceptual; no convierte una ilustración en un protocolo para todos los deportistas.

Bompa y Buzzichelli sitúan la preparación de fuerza dentro de las demandas del deporte y de las fases del plan anual (2022, pp. 9–10). Una reducción de carga necesita conservar esa finalidad. Si desaparecen las tareas que permiten expresar la habilidad, bajar un índice no garantiza una mejora de actuación.

Schoenfeld describe la periodización como manipulación de variables a lo largo del tiempo y recuerda que existen distintas formas de estructurar programas según necesidades (2021, pp. 190–191). Esa pluralidad impide deducir de una ecuación una secuencia única. La herramienta contribuye a examinar una planificación; no sustituye el conocimiento de la tarea ni su seguimiento.

En deportes con actuaciones frecuentes, también importa qué objetivo se prioriza. Un plan puede buscar rendimiento inmediato, desarrollar una capacidad o mantener ciertas cualidades durante un periodo. La misma resultante estimada tiene significados distintos según esa finalidad. Declarar prioridades permite interpretar una disminución prevista sin convertirla en justificación automática de cualquier deterioro.

Una puesta a punto razonada necesita relacionar el historial con observaciones de ejecución. La curva puede aportar una hipótesis sobre el equilibrio de efectos, pero la actuación se comprueba en una tarea. Si los datos contradicen la estimación, se revisa el proceso. La preparación no mejora por coincidir visualmente con un gráfico: mejora debe observarse bajo criterios pertinentes.

Cuatro fichas para interpretar datos y curvas con criterio

Las fichas siguientes utilizan situaciones hipotéticas para estudiar decisiones de registro e interpretación. No proponen ensayos con estudiantes ni cargas máximas para producir fatiga. Cada caso conserva una pregunta concreta: qué representa la entrada, qué se observa como salida, qué supone el modelo y qué información falta para evaluarlo.

Ficha 1. Dos sesiones con el mismo número. Una hoja registra dos cargas iguales, pero una sesión consiste en acciones breves y la otra en trabajo continuo. El grupo reconstruye duración, organización e intensidad a partir de los registros disponibles. Si esos campos no existen, se conserva la falta de información. El objetivo es identificar qué diferencias quedaron ocultas al producir el índice.

La tarea se amplía comparando cómo cambiaría la pregunta si interesara una prueba de fuerza o una de resistencia. No se inventa la respuesta fisiológica de las sesiones. Se discute si el índice conserva información pertinente para cada salida. El aprendizaje se evalúa por la coherencia de las preguntas y por distinguir desconocimiento de equivalencia.

Ficha 2. Una curva coincide y otra predice. Se presentan dos descripciones hipotéticas: una se ajustó con todos los datos y otra con un periodo anterior a la observación. El lector identifica qué información utilizó cada cálculo. El propósito es separar ajuste retrospectivo y predicción, sin declarar superior una herramienta antes de conocer su error.

La ficha incluye una columna para fecha de cálculo, datos disponibles y resultado que se evaluará. Después se propone una referencia sencilla de comparación. Esta organización permite reconocer una filtración temporal de información. No hace falta utilizar un algoritmo avanzado para comprender por qué una decisión real no podía conocer lo que sucedió después.

Ficha 3. La observación no coincide con el modelo. Una prueba registrada difiere de la estimación. Se revisan método, condiciones, datos faltantes y posibles cambios de tarea. El grupo escribe explicaciones alternativas y qué información necesitaría para examinarlas. No denomina automáticamente el residuo «fatiga mental» o «mala recuperación».

El criterio de progreso es elaborar una interpretación más delimitada. Puede concluirse que el dato requiere revisión, que el modelo tiene error en esa fase o que no existe información suficiente para separar causas. Esa respuesta conserva valor científico porque no transforma una diferencia matemática en una medición biológica que nunca se realizó.

Ficha 4. Una mejora de prueba no se traslada al juego. Un resultado físico aumenta mientras una actuación deportiva permanece igual. Se identifican demandas comunes y diferencias de coordinación, información y tiempo disponible. La ficha conecta la salida del modelo con la tarea de destino, conservando ambas como variables distintas.

Para continuar, se formula una observación que permita estudiar esa relación, sin inventar sus resultados. Los juegos y sus demandas motrices ayudan a reconocer que una capacidad se expresa dentro de condiciones cambiantes. La finalidad es interpretar transferencia, no utilizar un modelo de carga como sustituto de la enseñanza técnica y táctica.

Preguntas sobre fitness-fatigue y predicción del rendimiento

Las preguntas del modelo suelen mezclar nombres fisiológicos, cálculos y decisiones prácticas. Separar esos niveles ayuda a leer una curva con precisión. Las respuestas siguientes distinguen una representación útil de una medición directa y recuerdan que la entrada, la salida y la validación delimitan qué puede aportar a la preparación.

¿Qué es el modelo fitness-fatigue?

Es una representación del entrenamiento mediante una contribución positiva y otra negativa que evolucionan con el tiempo. El rendimiento estimado combina ambas con una referencia inicial. Permite interpretar diferencias entre carga y actuación, pero sus estados son cálculos del modelo y no mediciones directas de toda la condición del deportista.

¿En qué se diferencia de la supercompensación?

La explicación de un factor relaciona la preparación con una trayectoria de disminución, recuperación y posible aumento de un recurso. La de dos factores separa efectos positivos y negativos con evolución distinta. Ambas son simplificaciones; ninguna determina por sí sola la duración adecuada entre sesiones para todas las tareas.

¿La curva de fatigue mide fatiga central o periférica?

No identifica directamente esos mecanismos. Representa una contribución negativa ajustada según el historial y la salida elegida. Para estudiar fatiga central o periférica se necesitan métodos pertinentes. Un nombre fisiológico en una gráfica no convierte una estimación de rendimiento en una medición independiente de cada proceso que lo limita.

¿Pueden copiarse las constantes de una aplicación?

Las constantes dependen de la definición de carga, la prueba, el periodo y el ajuste utilizado. Copiarlas conserva una convención, pero no demuestra que describan a otra persona. Antes de utilizarlas para decisiones deben examinarse unidades, condiciones iniciales, error y capacidad para describir datos que no participaron en su estimación.