RAES Logo
Modellierung Schwimmen · Einstieg
Für Trainer, Studierende und Wissenschaftler — ein Wegweiser durch das Modell
Kapitel: Einstieg Physiologie Leistungsmodell N=1 Validierung Trainer-Portal

Einstieg · Orientierung · Lernpfad

Was steckt hinter
diesem Modell?

Das Schwimm-Gesamtmodell (50–400 m, alle vier Lagen) 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 Schwimmtrainer sieht die Splits nach einem 200m-Freistil-Renneinsatz. Laktat: 9,6 mmol/l. 4. Bahn deutlich langsamer als die ersten drei. Die 100m-Zwischenzeit lag im Zielbereich.

Seine Frage: „Ist der Einbruch auf der letzten Bahn ein Trainingsdefizit der anaeroben Kapazität — oder normale Streuung für diesen Athleten?"

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 (Energiesysteme: Gastin 2001, Pyne & Sharp 2014, Maglischo 2003 · Stroke-Kinematik: Meyn 2026, Eur. J. Phys. 47 025808). Das ist methodisch transparent und sauber — alle Module kennzeichnen ihren Datenstatus explizit. Mit zunehmenden Realdaten werden die Verteilungen schrittweise kalibriert.

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. 1 Trainer-Portal öffnen — Werte eingeben, Ergebnis sehen
  2. 2 Physiologie — Hintergrundwissen bei Bedarf
🎓
Ich bin Student
Du hast Grundkenntnisse in Statistik und Sport­wissenschaft und willst das Bayesianische Denken verstehen.
  1. 1 Physiologie — das fachliche Fundament
  2. 2 Leistungsmodell — Modellarchitektur im Detail
  3. 3 Validierung — Methodenkritik und ROPE
🔬
Ich bin Wissenschaftler
Du willst den methodischen Rahmen, die Priorannahmen und die Validierungslogik kritisch prüfen.
  1. 1 Validierung — Modellgüte und Kritik
  2. 2 Leistungsmodell — Priorstruktur und Annahmen
  3. 3 Trainer-Portal — Monte-Carlo-Implementierung
Das Modell ist work in progress — und das ist keine Einschränkung, sondern Programm. Bayesianisches Denken bedeutet: Wissen ist nie abgeschlossen, sondern wächst mit jeder neuen Beobachtung. Wenn RAES-eigene Athletendaten verfügbar sind, werden die synthetischen Priors ersetzt — das Modell wird präziser, ohne seine Struktur zu verändern.

Fragen, Anmerkungen und Kooperationsanfragen sind ausdrücklich willkommen — sowohl von der wissenschaftlichen als auch von der Trainerseite.