Einstieg · Orientierung · Lernpfad

Was steckt hinter
diesem Modell?

Das 1500m-Gesamtmodell verbindet Sportphysiologie, Bayesianische Statistik und individualisierte Trainingssteuerung zu einem kohärenten Rahmen. Diese Seite erklärt, was das bedeutet — ohne Vorkenntnisse vorauszusetzen.

Für Trainer Für Studierende Für Wissenschaftler Kein Statistik-Vorwissen nötig

Ausgangspunkt

Eine Frage — zwei Antworten

Alles beginnt mit einer konkreten Situation auf dem Trainingsplatz.

Ein Trainer beobachtet seinen Athleten nach einer harten Intervalleinheit. Laktat: 8,2 mmol/l. Herzfrequenz: 178 bpm. Gefühlte Belastung: 8 von 10.

Seine Frage: „Hat das Training die gewünschte Wirkung — und passe ich die Belastung nächste Woche an?"

Diese Frage klingt einfach. Aber wie man sie beantwortet, hängt fundamental davon ab, welches statistische Denksystem man verwendet. Und hier beginnt der Unterschied zwischen dem klassischen und dem RAES-Ansatz.

Das entscheidende Unterschied

Frequentistisch oder Bayesianisch?

Beide Ansätze sind legitim — sie beantworten aber grundlegend verschiedene Fragen und eignen sich für unterschiedliche Kontexte.

Klassischer Ansatz

Frequentistische Statistik

Braucht viele Beobachtungen (große Stichprobe)
Fragt: Ist dieses Ergebnis zufällig? (p-Wert)
Jede Messung steht für sich — kein Vorwissen
Ergebnis: „signifikant" oder „nicht signifikant"
Stärke: Gruppenvergleiche, klinische Studien

„Wie wahrscheinlich sind meine Messwerte, wenn es keinen Trainingseffekt gibt?"

RAES-Ansatz

Bayesianische Statistik

Funktioniert auch mit wenigen Datenpunkten (N=1)
Fragt: Was weiß ich jetzt — nach dieser Messung?
Integriert Vorwissen explizit (Prior)
Ergebnis: Wahrscheinlichkeitsverteilung mit Unsicherheit
Stärke: Individuelle Athleten, Einzelfallanalyse

„Was ist — gegeben meinem bisherigen Wissen und dieser neuen Messung — die wahrscheinlichste Aussage?"

„Die frequentistische Statistik beantwortet Fragen über Populationen. Der Trainer aber arbeitet mit einem einzigen Menschen — einem Individuum, das keine statistische Population repräsentiert, sondern selbst das Objekt ist." — Sinngemäß nach Kruschke 2021 · Doing Bayesian Data Analysis

Kein Widerspruch, sondern Ergänzung: Frequentistische Methoden sind unverzichtbar für Grundlagenforschung, Gruppenvergleiche und Normwerterhebungen. Der Bayesianische Ansatz ergänzt dort, wo es um individuelle Athleten, kleine Stichproben und kontinuierliches Lernen aus neuen Daten geht — also genau im Hochleistungssport.

Der Kern des RAES-Ansatzes

Warum N=1 der Schlüssel ist

Eliteathleten sind keine Stichprobe — sie sind das Ziel.

🧬

Das Problem der kleinen Gruppe

Im Hochleistungssport gibt es schlicht nicht genug Athleten auf höchstem Niveau, um statistisch robuste Gruppen zu bilden. Eine Meta-Analyse (Polderman et al. 2015, Nature Genetics) mit über 17 000 Zwillingsstudien zeigt zudem: menschliche Eigenschaften — auch physiologische — sind zu einem erheblichen Teil individuell biologisch determiniert. Was für Gruppe A gilt, gilt nicht zwingend für Athlet B.

📈

Wissen, das wächst

Der Bayesianische Ansatz behandelt Wissen als etwas, das sich durch neue Beobachtungen kontinuierlich aktualisiert. Ein Prior — die Ausgangshypothese — wird durch jede neue Messung verfeinert. So entsteht ein individuelles Modell, das mit jedem Training, jeder Laktatmessung, jedem Wettkampf präziser wird. Genau das macht gute Trainer intuitiv — RAES formalisiert es.

⚗️

Synthetische Daten als Einstieg

Da RAES noch keine eigene Athletendatenbank aufgebaut hat, arbeiten die aktuellen Modelle mit synthetischen Priorverteilungen aus publizierten Referenzstudien (Ingham et al. 2008, Rosenfeld & Olson 2021). Das ist methodisch transparent und sauber — alle Module kennzeichnen ihren Datenstatus explizit. Mit zunehmenden Realdaten werden die Verteilungen schrittweise kalibriert.

Das Paket

Fünf Module — ein Rahmen

Jedes Modul ist eigenständig lesbar, aber zusammen bilden sie einen geschlossenen Erkenntnisweg vom Konzept bis zur Praxis.

Grundlage · Statistik

Bayesianische Einführung

Was ist Bayes? Wie unterscheidet es sich vom frequentistischen Denken? Priors, Posteriors, Bayes Factor — mit Sportbeispielen erklärt.

Einstieg empfohlen Konzept Kein Vorwissen nötig

Modul I · Wissenschaft

Physiologie des 1500m-Laufs

Energiestoffwechsel, VO₂max, Laktatschwelle, Laufökonomie — die physiologischen Grundlagen, auf denen das Modell aufbaut.

Studierende Wissenschaft Literaturbasiert

Modul II · Modellierung

KI-gestütztes Leistungsmodell

Wie werden Leistungsparameter zu einer individuellen Prognose? Das Bayesianische Multi-Parameter-Modell im Detail.

Fortgeschritten Modellierung N=1

Modul III · Methodik

N=1 Validierung

Wie prüfen wir, ob das Modell stimmt? Bayesianische Validierungslogik, ROPE, HDI und der Vergleich mit Wettkampfergebnissen.

Wissenschaft Methodenkritik ROPE · HDI

Modul IV · Praxis

Trainer-Portal

Athletenwerte eingeben — sofort individuelle Trainingszonen, Wettkampfprognose mit Monte-Carlo-Unsicherheitsband und Wochenplan.

Trainer Direkt nutzbar Monte Carlo

Wo fange ich an?

Dein Einstiegspfad

Je nach Hintergrund empfiehlt sich ein anderer Einstieg — alle Pfade führen zum selben Ziel.

🏃

Ich bin Trainer

Du willst deine Athleten besser verstehen und gezielter steuern — ohne tief in Statistik einzusteigen.

1 Trainer-Portal öffnen — Werte eingeben, Ergebnis sehen
2 Bayesian-Einführung — verstehen, was das Modell tut
3 Physiologie — Hintergrundwissen bei Bedarf

🎓

Ich bin Student

Du hast Grundkenntnisse in Statistik und Sportwissenschaft und willst das Bayesianische Denken verstehen.

1 Bayesian-Einführung — Konzept und Kontrast zu p-Werten
2 Physiologie — das fachliche Fundament
3 Leistungsmodell — Modellarchitektur im Detail
4 Validierung — Methodenkritik und ROPE

🔬

Ich bin Wissenschaftler

Du willst den methodischen Rahmen, die Priorannahmen und die Validierungslogik kritisch prüfen.

1 Validierung — Modellgüte und Kritik
2 Leistungsmodell — Priorstruktur und Annahmen
3 Bayesian-Einführung — RAES-Positionierung
4 Trainer-Portal — Monte-Carlo-Implementierung