Principales variables que predicen la competencia motora: análisis con árboles de clasificación
Introducción: La competencia motora es una variable que marca la vida del ser humano. Por tal razón, realizar estudios de predicción que expliquen el comportamiento de esta es trascendental. Objetivo: El propósito del estudio fue explorar las principales variables que predicen la competencia moto...
Saved in:
| Main Authors: | , , , , , , , , , , , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
FEADEF
2025-05-01
|
| Series: | Retos: Nuevas Tendencias en Educación Física, Deportes y Recreación |
| Subjects: | |
| Online Access: | https://recyt.fecyt.es/index.php/retos/article/view/113239 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1849734003308888064 |
|---|---|
| author | Angel Anibal Mamani-Ramos Edgar Froilan Damian-Nuñez Edgar Eloy Carpio-Vargas Indalecio Mujica-Bermúdez Carlos Manuel Pérez-Reátegui Luis Martin Botton-Estrada Jorge Alber Quisocala-Ramos Henry Quispe-Cruz Carlos Vidal Cutimbo-Quispe Jhony Ruben Rodriguez-Mamani Rosario Patricia Palomino-Crisóstomo Willy Roger Cutipa-Salluca Kandy Faviola Tuero-Chirinos Naysha Sharon Villanueva-Alvaro Jhonny Jesús Lava-Gálvez |
| author_facet | Angel Anibal Mamani-Ramos Edgar Froilan Damian-Nuñez Edgar Eloy Carpio-Vargas Indalecio Mujica-Bermúdez Carlos Manuel Pérez-Reátegui Luis Martin Botton-Estrada Jorge Alber Quisocala-Ramos Henry Quispe-Cruz Carlos Vidal Cutimbo-Quispe Jhony Ruben Rodriguez-Mamani Rosario Patricia Palomino-Crisóstomo Willy Roger Cutipa-Salluca Kandy Faviola Tuero-Chirinos Naysha Sharon Villanueva-Alvaro Jhonny Jesús Lava-Gálvez |
| author_sort | Angel Anibal Mamani-Ramos |
| collection | DOAJ |
| description |
Introducción: La competencia motora es una variable que marca la vida del ser humano. Por tal razón, realizar estudios de predicción que expliquen el comportamiento de esta es trascendental.
Objetivo: El propósito del estudio fue explorar las principales variables que predicen la competencia motora según el análisis con árboles de clasificación.
Método: Participaron 291 niños peruanos de 6 a 10 años (M=8.35; DE=1.29), a quienes se les aplicó el test de desarrollo motor grueso; una prueba de matemática y lectura; un cuestionario sociodemográfico; y se les realizó las mediciones de masa corporal y estatura.
Resultados: Los resultados de predicción presentaron un modelo inicial con 22 nodos terminales con el 65.52 % de precisión, y un modelo optimizado con 10 nodos terminales con el 68.34 % de precisión.
Discusión: Este es el primer estudio que aplica el aprendizaje automático mediante el modelo árbol de clasificación en base a la metodología CRISP-DM para explorar las principales variables que predicen la competencia motora en niños de 6 a 10 años.
Conclusiones: Este estudio confirma que el aprendizaje automático mediante el modelo árbol de clasificación en base a la metodología CRISP-DM puede predecir la competencia motora en niños de 6 a 10 años con una precisión de 68.34 %, siendo las horas de práctica de actividad física al día la variable más importante, además de las horas de uso de dispositivos con pantalla al día y la masa corporal de siete variables.
|
| format | Article |
| id | doaj-art-8bfb5e7fe1574f41b6c953fd2abc739b |
| institution | DOAJ |
| issn | 1579-1726 1988-2041 |
| language | English |
| publishDate | 2025-05-01 |
| publisher | FEADEF |
| record_format | Article |
| series | Retos: Nuevas Tendencias en Educación Física, Deportes y Recreación |
| spelling | doaj-art-8bfb5e7fe1574f41b6c953fd2abc739b2025-08-20T03:07:55ZengFEADEFRetos: Nuevas Tendencias en Educación Física, Deportes y Recreación1579-17261988-20412025-05-016810.47197/retos.v68.113239Principales variables que predicen la competencia motora: análisis con árboles de clasificaciónAngel Anibal Mamani-Ramos0Edgar Froilan Damian-Nuñez1Edgar Eloy Carpio-Vargas2Indalecio Mujica-Bermúdez3Carlos Manuel Pérez-Reátegui4Luis Martin Botton-Estrada5Jorge Alber Quisocala-Ramos6Henry Quispe-Cruz7Carlos Vidal Cutimbo-Quispe8Jhony Ruben Rodriguez-Mamani9Rosario Patricia Palomino-Crisóstomo10Willy Roger Cutipa-Salluca11Kandy Faviola Tuero-Chirinos12Naysha Sharon Villanueva-Alvaro13Jhonny Jesús Lava-Gálvez14Universidad Nacional Mayor de San MarcosUniversidad Nacional Mayor de San MarcosUniversidad Nacional del Altiplano de PunoUniversidad Nacional de San Cristóbal de HuamangaUniversidad Nacional de la Amazonía PeruanaUniversidad Nacional Mayor de San MarcosUniversidad Nacional Mayor de San MarcosUniversidad Nacional del Altiplano de PunoUniversidad Nacional del Altiplano de PunoUniversidad Nacional del Altiplano de PunoUniversidad Nacional de Educación Enrique Guzmán y ValleUniversidad Nacional del Altiplano de PunoUniversidad Nacional del Altiplano de PunoUniversidad Nacional del Altiplano de PunoUniversidad Nacional Mayor de San Marcos Introducción: La competencia motora es una variable que marca la vida del ser humano. Por tal razón, realizar estudios de predicción que expliquen el comportamiento de esta es trascendental. Objetivo: El propósito del estudio fue explorar las principales variables que predicen la competencia motora según el análisis con árboles de clasificación. Método: Participaron 291 niños peruanos de 6 a 10 años (M=8.35; DE=1.29), a quienes se les aplicó el test de desarrollo motor grueso; una prueba de matemática y lectura; un cuestionario sociodemográfico; y se les realizó las mediciones de masa corporal y estatura. Resultados: Los resultados de predicción presentaron un modelo inicial con 22 nodos terminales con el 65.52 % de precisión, y un modelo optimizado con 10 nodos terminales con el 68.34 % de precisión. Discusión: Este es el primer estudio que aplica el aprendizaje automático mediante el modelo árbol de clasificación en base a la metodología CRISP-DM para explorar las principales variables que predicen la competencia motora en niños de 6 a 10 años. Conclusiones: Este estudio confirma que el aprendizaje automático mediante el modelo árbol de clasificación en base a la metodología CRISP-DM puede predecir la competencia motora en niños de 6 a 10 años con una precisión de 68.34 %, siendo las horas de práctica de actividad física al día la variable más importante, además de las horas de uso de dispositivos con pantalla al día y la masa corporal de siete variables. https://recyt.fecyt.es/index.php/retos/article/view/113239Competencia motoraactividad físicadispositivos con pantallamasa corporalniñosCRISP-DM |
| spellingShingle | Angel Anibal Mamani-Ramos Edgar Froilan Damian-Nuñez Edgar Eloy Carpio-Vargas Indalecio Mujica-Bermúdez Carlos Manuel Pérez-Reátegui Luis Martin Botton-Estrada Jorge Alber Quisocala-Ramos Henry Quispe-Cruz Carlos Vidal Cutimbo-Quispe Jhony Ruben Rodriguez-Mamani Rosario Patricia Palomino-Crisóstomo Willy Roger Cutipa-Salluca Kandy Faviola Tuero-Chirinos Naysha Sharon Villanueva-Alvaro Jhonny Jesús Lava-Gálvez Principales variables que predicen la competencia motora: análisis con árboles de clasificación Retos: Nuevas Tendencias en Educación Física, Deportes y Recreación Competencia motora actividad física dispositivos con pantalla masa corporal niños CRISP-DM |
| title | Principales variables que predicen la competencia motora: análisis con árboles de clasificación |
| title_full | Principales variables que predicen la competencia motora: análisis con árboles de clasificación |
| title_fullStr | Principales variables que predicen la competencia motora: análisis con árboles de clasificación |
| title_full_unstemmed | Principales variables que predicen la competencia motora: análisis con árboles de clasificación |
| title_short | Principales variables que predicen la competencia motora: análisis con árboles de clasificación |
| title_sort | principales variables que predicen la competencia motora analisis con arboles de clasificacion |
| topic | Competencia motora actividad física dispositivos con pantalla masa corporal niños CRISP-DM |
| url | https://recyt.fecyt.es/index.php/retos/article/view/113239 |
| work_keys_str_mv | AT angelanibalmamaniramos principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT edgarfroilandamiannunez principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT edgareloycarpiovargas principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT indaleciomujicabermudez principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT carlosmanuelperezreategui principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT luismartinbottonestrada principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT jorgealberquisocalaramos principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT henryquispecruz principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT carlosvidalcutimboquispe principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT jhonyrubenrodriguezmamani principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT rosariopatriciapalominocrisostomo principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT willyrogercutipasalluca principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT kandyfaviolatuerochirinos principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT nayshasharonvillanuevaalvaro principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion AT jhonnyjesuslavagalvez principalesvariablesquepredicenlacompetenciamotoraanalisisconarbolesdeclasificacion |