000000

Domingos Rodrigues Pandeló Júnior

MODELO DE DETERMINAÇÃO DA PERFORMANCE RELATIVA EM PROVAS DE TRIATLO: UMA PROPOSTA COM BASE EM TAMANHO DE EFEITO

Tese apresentada à Universidade Federal de São Paulo para obtenção de título de Doutor em Ciências do Movimento Humano e Reabilitação.

SANTOS 2019

IV

000000

Domingos Rodrigues Pandeló Júnior

MODELO DE DETERMINAÇÃO DA PERFORMANCE RELATIVA EM PROVAS DE TRIATLO: UMA PROPOSTA COM BASE EM TAMANHO DE EFEITO

Tese apresentada à Universidade Federal de São Paulo para obtenção de título de Doutor em Ciências do Movimento Humano e Reabilitação

Orientador:

Prof. Dr. Emilson Colantonio

SANTOS 2019

IV

Pandeló Jr., Domingos Rodrigues Determinação da performance relativa em provas de triatlo: uma proposta com base em tamanho de efeito / Domingos Rodrigues Pandeló Jr. – Santos, 2019. xiii,122f. Tese de Doutorado - Universidade Federal de São Paulo. Campus Baixada Santista. Programa de Pós Graduação em Ciências do Movimento Humano e Reabilitação. Título em inglês: Determination of relative performance in triathlon events: a proposal based on effect size 1.Performance Relativa. 2.Triatlo. 3.Desempenho. 4.Tamanho de Efeito.

P a

iii n d e l ó

Domingos Rodrigues Pandeló Júnior

MODELO DE DETERMINAÇÃO DA PERFORMANCE RELATIVA EM PROVAS DE TRIATLO: UMA PROPOSTA COM BASE EM TAMANHO DE EFEITO

Presidente da banca: Prof. Dr. Emilson Colantonio

BANCA EXAMINADORA

Prof. Dr.______

Prof. Dr.______

Prof. Dr.______

Prof. Dr.______

Aprovada em: / /

iv

UNIVERSIDADE FEDERAL DE SÃO PAULO CAMPUS BAIXADA SANTISTA

DEPARTAMENTO DE CIÊNCIAS DO MOVIMENTO HUMANO

Chefe de Departamento: Prof. Dra. Nara Rejane Cruz De Oliveira

Coordenador do Programa de Pós-Graduação: Prof. Dr. Paulo H S M de Azevedo

v

Dedicatória

Ao meus pais, Domingos R Pandeló (in memorian) e Marina A Pandeló, pelo exemplo de vida que me deram. À minha esposa, Andressa Abreu, pelo apoio em todas as horas. Aos meus filhos Rodrigo Pandeló e Maria Eduarda Pandeló, por me fazerem mais feliz e melhor. Sem vocês, tudo seria mais difícl, senão impossível.

vi

RESUMO

PANDELÓ JR., D.R. Determinação da performance relativa em provas de triatlo: uma proposta com base em tamanho de efeito. 2019. f.122. Tese (Doutorado em Ciências do Movimento Humano e Reabilitação). Universidade Federal de São Paulo.

Introdução: A prática desportiva, especialmente no alto rendimento, é extremamente complexa, multifatorial, de modo que as provas são decididas no detalhe. Em geral, a análise da performance de um atleta é mensurada, em provas individuais, pela sua posição final na mesma. No presente estudo será apresentada uma proposta alternativa capaz de ranquear os atletas levando-se em consideração a sua consistência, com base nos tempos obtidos e não apenas a sua posição final. Objetivo: Estabelecer um modelo de performance relativa que possa ser utilizado para a comparação do desempenho de atletas, independentemente da época em que os mesmos competiram, bem como ranquear atletas na atualidade. Metodologia: 24 atletas foram selecionados para compor a amostra. O critério de seleção foi o de ter figurado pelo menos cinco vezes entre os 10 primeiros colocados na prova do campeonato mundial de Ironman, no Havaii. Foi apresentado uma proposta de modelo, capaz de mensurar a performance relativa de atletas, com base na comparação da sua performance com a média das performances dos seus competidores, ajustado pelo desvio-padrão da performance média dos competidores. Resultados: Com base no modelo proposto calculou-se o ranking global de performance dos 24 atletas selecionados, bem como calculou-se o ranking por modalidade (natação, ciclismo e corrida) para cada um dos competidores. Conclusões: Uma medida de performance relativa, calculada com base em tamanho de efeito, e considerando o desempenho de cada atleta em relação ao desempenho médio dos demais competidores, pode ser um instrumento adicional para se avaliar a performance relativa dos atletas, bem como auxiliar treinadores e atletas na busca por uma melhor performance. Palavras Chave: Performance Relativa, Triatlo, Desempenho, Tamanho de Efeito.

vii

ABSTRACT

PANDELÓ JR., D.R. Determination of relative performance in triathlon events: a proposal based on effect size. 2019. f.122. Tese (Doutorado em Ciências do Movimento Humano e Reabilitação). Universidade Federal de São Paulo.

Introduction: Sports practice, especially in high performance, is extremely complex, multifactorial, so the result is decided in detail. In general, the analysis of the performance of an athlete is measured, in individual tests, by their final position in it. In the present study will be presented an alternative proposal able to rank the athletes taking into account their consistency, based on the times obtained and not just their final position. Objective: Establish a relative performance measure that can be used to compare the performance of athletes, contemporaries and / or over time, as well as rank current athletes. Methodology: 24 athletes were selected to compose the sample. The selection criterion was to have figured at least five times in the top 10 in the Ironman World Championship in Hawaii. A model proposal was presented, able to measure the relative performance of athletes, based on the comparison of their performance with the average performance of their competitors, adjusted by the standard deviation of the average performance of the competitors. Results: Based on the proposed model, the overall performance ranking of the 24 selected athletes was calculated, as well as the ranking by modality (swimming, cycling and running) for each of the competitors. Conclusions: A relative performance measure, based on effect size, and considering the performance of each athlete in relation to the average performance of the other competitors, can be an additional instrument to evaluate the relative performance of the athletes, as well as to assist coaches and athletes in search of better performance.

Keywords: Relative Performance, Triathlon, Performance, Effect size.

viii

Lista de tabelas Tabela 1. Análise Top 10 2017 22 Tabela 2. Análise Top 10 2016 23 Tabela 3. Análise Top 10 2015 24 Tabela 4. Análise Top 10 2014 25 Tabela 5. Análise Top 10 2013 26 Tabela 6. Análise Top 10 2012 27 Tabela 7. Análise Top 10 2011 28 Tabela 8. Análise Top 10 2010 29 Tabela 9. Análise Top 10 2009 30 Tabela 10. Análise Top 10 2008 31 Tabela 11. Análise Top 10 2007 32 Tabela 12. Análise Top 10 2006 33 Tabela 13. Análise Top 10 2005 34 Tabela 14. Análise Top 10 2004 35 Tabela 15. Análise Top 10 2003 36 Tabela 16. Análise Top 10 2002 37 Tabela 17. Análise Top 10 2001 38 Tabela 18. Análise Top 10 2000 39 Tabela 19. Análise Top 10 1999 40 Tabela 20. Análise Top 10 1998 41 Tabela 21. Análise Top 10 1997 42 Tabela 22. Análise Top 10 1996 43 Tabela 23. Análise Top 10 1995 44 Tabela 24 Análise Top 10 1994 45 Tabela 25. Análise Top 10 1993 46 Tabela 26. Análise Top 10 1992 47 Tabela 27. Análise Top 10 1991 48 Tabela 28. Análise Top 10 1990 49 Tabela 29. Análise Top 10 1989 50 Tabela 30. Análise Top 10 1988 51 Tabela 31. Análise Top 10 1987 52 Tabela 32. Análise Top 10 1986 53 Tabela 33. Análise Top 10 1985 54 ix

Tabela 34. Análise Top 10 1984 55 Tabela 35. Análise Top 10 1983 56 Tabela 36. Análise Top 10 1982 57 Tabela 37. Análise Top 10 1981 58 Tabela 38. Índice de Performance Relativa Ajustada – Global 59 Tabela 39. Índice de Performance Relativa Ajustada – Natação 60 Tabela 40. Índice de Performance Relativa Ajustada – Ciclismo 61 Tabela 41. Índice de Performance Relativa Ajustada – Corrida 62 Tabela 42. Correlação entre as etapas com base nos índices de 63 performance Tabela 43. Coeficiente de variação entres as etapas 63

x

Sumário

Dedicatória vi Resumo vii Abstract viii Lista de tabelas ix 1. INTRODUÇÃO 1 2. OBJETIVOS 2 2.1. Objetivo Geral 2 2.2. Objetivo Específico 2 3.REVISÃO DA LITERATURA 3 3.1. Triatlo e Performance 3 3.1.1 Caracterização do Triatlo 3 3.1.2 Performance 4 3.2 Métodos Quantitativos Aplicados à Performance 8 3.2.1 Aspectos Básicos 8 3.2.2 Tamanho da Amostra 11 3.2.3 Medidas de Tamanho de Efeito 12 4. MÉTODOS 15 4.1 Procedimentos Éticos 15 4.2 Amostra 15 4.3 Índice de Performance Relativa Ajustado (IPRA) Concepções Teóricas 16 4.3.1 Concepções Teóricas 16 4.3.2 Concepções Metodológicas 16 4.4 Modelo Teórico – IPRA família d 18 5. RESULTADOS 19 5.1 Número de vezes no TOP 10 19 5.2 Mudanças nos tempos da prova ao longo dos anos 19 5.3 Tempo médio por modalidade 20 5.4. Resultados Anuais – TOP 10 (2017/1981) 21 5.5 Modelo Proposto: Índice de Performance Relativa Ajustada 59 5.5.1 Índice de Performance Relativa Ajustada IPRA – Global (IPRAg) 59 5.5.2 Índice de Performance Relativa Ajustada - Natação (IPRAn) 60 5.5.3 Índice de Performance Relativa Ajustada – Ciclismo (IPRA_cic) 61 5.5.4 Índice de Performance Relativa Ajustada – Corrida (IPRA_cor) 62 5.6 Correlações entre as Etapas 63

5.7 Coeficiente de Variação entre as Etapas 63 6. DISCUSSÃO 64 6.1 Número de vezes no TOP 10 64 6.2. Mudanças nos Tempos da Prova ao Longo dos Anos 64 6.3. Análise Resultados Anuais – TOP 10 65 6.3.1 Visão Geral 67 6.3.2 Busca de Padrões nos Resultados 67 6.4. Modelo Proposto: Índice de Performance Relativa Ajustado - IPRAd 69 6.4.1 IPRAd Geral 69 6.4.2 IPRAd Natação (IPRAn) 70 6.4.3 IPRAd Ciclismo (IPRAcic) 70 6.4.4 IPRAd Corrida (IPRAcor) 70 6.5 Análise Multivariada com os Índices de Performance Relativa 70 6.6. Aplicações Práticas 72 7. LIMITAÇÕES DO MODELO 73 8. CONCLUSÕES 74 REFERÊNCIAS 75 ANEXOS 84 ANEXO 1 84 ANEXO 2 91

1. INTRODUÇÃO

A medida de performance na prática desportivaé algo fundamental para o monitoramento e avaliação do desempenho. A melhora do desempenho é fruto de um somatório de aspectos que incluem inovações tecnológicas, do treinamento específico, mudanças na estratégia nutricional, além de outras possíveis variáveis (GLAZIER,2017). Além disso, especialmente no caso de atletas de elite, a performance esportiva, é complexa e multifatorial (BUEKERS et al., 2016).

Nas provas de triatlo, mesmo considerando-se uma prova realizada num mesmo percurso, podem existir muitas diferenças, em função da correnteza do mar, relevo, clima, dentre outros aspectos (HUE, 2011). Dessa forma, apesar das distâncias serem sempre as mesmas, em provas de mesmo tipo, as condições de relevo, de condições do mar, rio ou lago podem variar muito de uma prova para outra. Ainda que o percurso seja o mesmo, que a prova seja realizada num mesmo local, as condições climáticas podem variar anualmente (HUE, 2011), de forma que a comparação de tempos simplesmente, muitas vezes, pode não ser tão efetiva.

Propor uma metodologia para mensurar a performance relativa de um atleta em relação ao seu grupo competitivo pode ser uma proposta interessante, com aplicações práticas importantes. A vantagem de se medir a performance relativa está no fato de poder mensurar o desempenho relativo de atletas ao longo dos anos, com uma medida mais precisa de comparação, levando em consideração não apenas a posição final do atleta, mas o comportamento geral do mesmo em relação aos outros competidores. Cabe citar que até o presente momento, não há registros de trabalhos na literatura com propostas de modelos similares de análise de performance relativa em esporte.

Desta forma, algumas questões importantes podem ser consideradas na busca de medidas, ou modelos que permitam a comparação de desempenho de atletas ao longo do tempo e que possam fazer os ajustes necessários para que tais comparações sejam possíveis. Na tentativa de elucidar esses problemas, o presente trabalho vem propor um modelo de análise que permita avaliar a performance relativa, capaz de fazer os ajustes básicos necessários para a comparação de atletas em diferentes momentos, em diferentes

1 provas, de uma mesma modalidade. Para tanto, utilizar-se-á a prova de triatlo, na modalidade Ironman, apesar deste modelo poder ser aplicado para outros esportes que tenham seus resultados medidos por tempo, tais como provas de corrida (nas diversas modalidades), ciclismo, natação, dentre outras. Um primeiro esforço na busca de uma medida de performance relativa no triatlo foi realizado por Pandeló Jr & Azevedo (2016), no qual os autores estabeleceram um modelo de performance relativa em provas de triatlo, porém apenas com base na diferença dos tempos entre os atletas. O presente estudo pode ser considerado um avanço, pois apresenta uma metodologia alternativa, com a incorporação de uma medida de efeito na análise da performance de triatletas.

2. OBJETIVOS

2.1 Objetivo Geral

Estabelecer um modelo de performance relativa que possa ser utilizado para a comparação do desempenho de atletas, independentemente da época em que os mesmos competiram.

2.2 Objetivo Específico

Construir modelos de análises específicas, com a mesma metodologia proposta, para cada uma das etapas da prova de triatlo: natação, ciclismo e corrida.

2

3. REVISÃO DA LITERATURA

3.1 Triatlo e Performance

3.1.1 Caracterização do Triatlo

O triatlo é uma atividade multiesporte, constituida por natação, seguida de ciclismo e finalizando com uma corrida. Existem diversos tipos de provas de triatlo, quase sempre variando as distâncias. O short triatlo tem 750 m de natação, 20 km de ciclismo e 5 km de corrida. O triatlo olímpico, por sua vez tem o dobro das distâncias em todas as modalidades. Existem as provas de longa distância, que de maneira simples podem ser classificadas como meio Ironman e Ironman, sendo que o Ironman tem o dobro da distância de um meio Ironman (FRIEL, 2006).

“As provas de Ironman tiveram início em Oahu, no Hawaii, em 1978. É uma prova de triatlo de longa duração. A prova consiste de uma natação de 3,8 km uma etapa de ciclismo de 180 km, e uma corrida de 42,2 km, aproximadamente (extensão de uma maratona). A prova deve ser feita em até 17 hs” (PANDELO JR & AZEVEDO, 2016), conforme o regulamento da prova(www.ironman.com/triathlon/pages/resources/rules- and-regulations.aspx). Porém, os atletas profissionais (top 10) fazem, na atualidade, em um tempo médio de oito horas. Vale dizer, que no ano de 1981, tal tempo ficou perto de 10 hs e 30 min. Isso mostra a dimensão da redução do tempo dispendido, ao longo das últimas décadas.

O campeonato mundial de Ironman é disputado em Kona, Big Island, no Estado do Hawaii, nos Estados Unidos da América. A prova ocorre no mês de outubro e a participação, tanto para amadores, quanto para profissionais, ocorre mediante classificação, em função do desempenho em outras etapas do circuito de Ironman. Tanto os profissionais, quantos os amadores, para participarem do campeonato mundial de Ironman precisam obter a pontuação necessária, a qual deve ser obtida através da participação em outras provas, para terem o direito de participardo campeonato mundial. Dessa forma, a prova em questão agrega os melhores atletas profissionais e amadores em atividade (PANDELÓ JR & AZEVEDO, 2016).

3

3.1.2 Performance

Alguns estudos mostraram a complexidade de se avaliar a performance, especialmente se for considerado o aspecto multifatorial envolvido (FRANKS, GOODMAN,1986; BUEKERS et al., 2016). Dessa forma, a performance pode ser pensada como uma função matemática na qual, a variável dependente (performance), seja vista como uma função de treinamento, nutrição, recuperação, dentre outros fatores. Glazier (2017) fez uma interessante tentativa de entender um pouco mais a performance, considerando as múltiplas facetas envolvidas, na busca de um modelo unificado de análise, em que a performance é vista sob a ótica multifatorial, com impactos derivados da fisiologia, biomecânica, psicologia, nutrição, dentre outros, mostrando a interdependência entre tais fatores. Previamente, Margaritis (1996) fez uma análise sobre o estresse fisiológico modulado por diversos fatores, dentre eles condições ambientais. No referido estudo, também ficou evidente a multifatorialidade do triatlo, bem como a importância dos aspectos nutricionais em provas de longa duração.

No caso específico do triatlo, existem diversos estudos para se mensurar a performance de atletas com base em medidas fisiológicas ou de desempenho, com a ressalva de que as medidas de laboratório têm mais valor preditivo, do que de performance, em termos práticos, em função das condições da sua mensuração. Pode- se citar os trabalhos de Hendy & Boyer (1995); Carmo et al. (2014); Lepers (2008); Bentley, Newell, Bishop (2007); Laursen et al. (2002); Sleivert & Wenger (1993); Frohlich et al.(2013); dentre outros. Todavia, não são observados, nos trabalhos citados, uma preocupação com o estabelecimento de uma medida de performance. O trabalho de Atkinson & Nevill (2001) apresentou uma completa análise dos métodos para mensuração de performance, porém não se propôs a estabelecer uma medida em si.

Ainda com relação ao desempenho dos triatletas, ao longo das provas de Ironman, diversos estudos mostraram que o tempo de conclusão das provas reduziu bastante ao longo dos anos, provavelmente em função de mudanças de estratégias de treinamento, nutrição, bem como mudanças tecnológicas (BENTLEY et al., 2002; BENTLEY et al., 2008; JEUKENDRUP & MARTIN, 2001; JEUKENDRUP, JENTJENS, MOSELEY, 2005; LAURSEN et al., 2002). Especialmente no caso de atletas profissionais, foi encontrada

4 uma redução no tempo de provas talvez em função das inovações e avanços nas mais diversas áreas, desde equipamentos até estratégias nutricionais e de treinamento (WONEROW et al., 2017). Em outro interessante estudo que avaliou resultados entre 2002 e 2015, Kach et al. (2018) encontraram que a performance melhorou nas três modalidades para os triatletas profissionais, em função de diversos fatores potenciais, passando por mudanças tecnológicas até mudanças nas estratégias de treinamento e nutrição.

Adicionalmente, Stiefel et al. (2013) mostraram que existe uma idade na qual se alcança a melhor performance em provas de triatlo; eao que parece, a questão não é apenas a idade em si, mas todos os estímulos e adaptações recebidas ao longo de anos de treinamento, com os potenciais efeitos benéficos provenientes desse processo. Observou-se que a idade de performance máxima varia em função da distância da prova, sendo menor no triatlo olímpico e maior em provas de longa duração (como o Ironman). No estudo supra citado, os autores encontraram uma idade média de 32,2 ± 1,5 para homens e 33,0 ± 1,6 anos para mulheres. Knechtle et al. (2014), em estudo semelhante, encontraram uma idade média de 35,1 ± 3,6 para os homens e 34,0 ± 4,0 anos para as mulheres, em provas de longa duração (Ironman). Lepers et al. (2013) avaliaram as diferenças de performance no triatlo, em função do sexo, bem como da idade. O objetivo desse estudo foi analisar as mudanças na participação e tendências de desempenho das triatletas mais velhas (> 40 anos de idade) entre 1986 e 2010 no triathlon Ironman no Havaí; e os referidos autores encontraram diferença significativa entre os tempos de atletas, em função do sexo e idade.

Millet et al. (2002) analisaram, através de um modelo matemático, a relação entre treinamento e performance, bem como a transferência que se pode obter através do treino numa modalidade para outra. Neste estudo, os autores encontarram que a transferência entre modalidades (treinamento) foi observada entre ciclismo e corrida (r = 0,56), o que pode ser uma estratégia para evitar treinos muito volumosos em corrida, com maior impacto muscular (em termos de maior tempo de recuperação), apesar da correlação de 0,56 não ser considerada muito alta,já que a partir de 0,70 poderia ser um valor considerável. Os autores citadosencontraram que a corrida foi a disciplina chave para vitórias em provas de triatlo de longa duração, bem como que ocorreu transferência entre o treinamento de ciclismo para a corrida, e a relação entre treinamento e performance foi significativa entre

5 corrida (r = 0,74) e natação (r = 0,37). Além disso, foi observado que o treinamento de corrida parece ter a maior relação com a performane final (r = 0,52). Análise semelhante foi feita por Ofoghi et al. (2016), com resultados muito parecidos em termos de performance, predição de resultado e disciplina chave para a vitória.

Vale ressaltar, conforme encontrado no estudo de Peeling & Landers (2009), que em provas de curta duração, como no triatlo olímpico (1.5 km natação; 40 km ciclismo e 10 km corrida), com vácuo, a prova de natação é de suma importância sobre o resultado final, pois uma boa performance na natação permitirá ao atleta após a saída da água o início do percurso do ciclismo no primeiro bloco de competidores, com menor esforço em relação ao segundo bloco, que tentará buscar o primeiro bloco ao longo da prova. Dessa forma, quando iniciarem o percurso da corrida, aqueles atletas que saíram no primeiro bloco da natação terão uma maior probabilidade de estarem menos exaurídos fisicamente. Tal aspecto é disctutido no trabalho de Landers et al. (2008), com uma abordagem interessante. Os autores concluíram que a natação, neste tipo de prova é de vital importância, pois 90% dos ganhadores saíram no primeiro bloco no masculino e 70% das ganhadoras saíram no primeiro bloco, no feminino.

A prova por ser localizada no Hawaii, mais precisamente em Kona, está sujeita a uma elevada umidade do ar, com todos os efeitos provenientes desse fator na performance (HUE, 2011), além de uma temperatura elevada (KERR et al., 1998). Tais aspectos, característicos de climas tropicais tornam de extrema importância uma boa estratégia nutricional, envolvendo suplementação e hidratação (JEUKENDRUP, JENTJENS, MOSELEY, 2005). Outro ponto importante a ser considerado, ainda em relação as condições climáticas da prova, diz respeito ao fato das provas de Ironman, diferentemente das provas de triatlo olímpico, serem realizadas sem a permissão do uso do vácuo (non drafting) na etapa do ciclismo (ETXEBARRIA et al., 2014; HAUSSWIRTH & BRISSWALTER, 2008; MILLET & VLECK, 2000; PEELING & LANDERS, 2009). Dessa forma, no dia da prova, dependendo das condições do vento, a etapa de ciclismo pode ficar muito mais difícil, o que pode impactar de forma considerável o resultado final, dependendo da estratégia adotada pelo atleta em relação a isso.

Deve-se ter cuidado na interpretação das análises relativas das provas de triatlo, no que diz respeito à não percepção de que o triatlo não é simplesmente uma prova

6 composta de natação, ciclismo e corrida; mas sim uma prova composta de natação, mais ciclismo, mais corrida. Dessa forma, todas as análises, inclusive as estatísticas acerca da relevância de cada etapa da prova no resultado geral, devem levar esses aspectos em consideração, sob pena do resultado ser prejudicado.Não é incomum, um atleta modificar o seu ritmo planejado, ajustar a sua estratégia de corrida, no meio da prova, em função de diversos fatores, desde uma posição melhor do que a esperada numa etapa anterior até a necessidade de uma breve recuperação e busca de um reequilíbrio, para posterior volta a um ritmo mais agressivo, de forma a evitar uma exaustão precoce, a qual poderia por fim a sua prova (BONACCI et al., 2013).

Algumas análises interessantes de medidas alternativas de performance foram desenvolvidas como no trabalho de Malcata, Vandenbogaerde & Hopkins (2014), no qual os autores estabeleceram uma nova metodologia para mensurar o desempenho olímpico de um país, na natação, com um modelo que levou em consideração não apenas o número de medalhas ganhas, mas foi realizada uma análise do potencial de cada país. Tal trabalho pode ser considerado importante para se romper a medida de performance apenas pela posição final dos atletas, na medida em que foi feito o ajuste do resultado obtido, com o resultado potencialmente esperado. Em outro trabalho interessante, Malcata & Hopkins (2014) realizaram uma revisão sistemática para avaliar a variabilidade na performance competitiva de atletas em diversas modalidades, com a utilização do coeficiente de variação. Trata-se de um trabalho importante, pois assim como citado anteriormente, buscou-se novas abordagens para se avaliar a performance e o ranqueamento de atletas. O coeficiente de variação é uma ferramenta simples e pode ser efetivo para análise de movimentos ao longo do tempo, bem como entre as disciplinas da prova, como por exemplo o triatlo, onde há a presença de três modalidades distintas em uma mesma prova.

7

3.2 Métodos Quantitativos Aplicados à Performance

3.2.1 Aspectos Básicos

Um dos pontos centrais deste trabalho é a análise dos resultados das provas de Ironman no período considerado. Para tanto, algumas ferramentas matemáticas e estatísticas são utilizadas. Nenhuma delas é complexa e, nesta parte do trabalho, os principais conceitos usados são detalhados com o rigor adequado ao entendimento, porém sem entrar profundamente nas demonstrações matemáticas.Parece claro que os métodos quantitativos se constituem em importante ferramenta para a análise e interpretação de resultados em qualquer área do saber. Na área de saúde, todavia, a acuracidade da interpretação pode ser considerada ainda mais relevante, em função dos impactos potenciais de seu maluso. Como exemplos, especificamente na área da saúde, pode-se observar os trabalhos de Bland & Altman (1986), Goodman (2008) e Mukaka (2012).

As medidas matemáticas e estatísticas básicas aqui utilizadas são as seguintes: média aritmética, desvio padrão, correlação linear, regressão linear. Do ponto de vista estatístico, essas são as principais ferramentas utilizadas para as análises dos dados. A partir dos tempos dos atletas são calculados os tempos médios, bem como o seu desvio padrão. São conceitos simples, muito embora alguns pontos mereçam ser discutidos, especialmente no caso da correlação e da regressão linear. O conceito de média aritmética e de desvio padrão é bastante simples e de fácil aplicação, como pode ser visto na equação 1 (e.1). Todavia são dois conceitos bem explorados no presente estudo, especialmente para a determinação do Índice de Performance Relativa Ajustado.

N X =1/N ∑Xi (e.1)

Como descrito na equação 1, a média, é dada pela soma dos elementos considerados (Xi), dividido pelo número de elementos (N). Neste caso, a média em questão é a média aritmética simples.

8

Já o desvio-padrão é calculado pela raiz quadrada da variância, a qual por sua vez, é calculada pelo somatório do quadrado da diferença entre cada observação e a média das observações constantes da amostra (população), de acordo com a equação 2 (e.2).

σ 2 ∑ X E X 2 X ==1/N  i–   (e.2)

2 Na qual,σX é a variância, Xi é cada observação e E(X) é a esperança matemática

(média).

Outro conceito importante é o conceito de correlação. A correlação mede o grau de relação entre duas variáveis. O cálculo é feito inicialmente por meio do cálculo da covariância (e.3) e, posteriormente, chega-se a correlação pela divisão da covariância (Cov) pelo produto dos desvios padrões, dos pares considerados (e.4) (HAIR et al., 1988).

N N

(e.3)

Cov= ∑ ∑1/N Xi – EXYj – EY (e.4)

i =1 j =1

σ ρ XY XY = ------σXσY

Na qual, ρXY é a correlação entre X e Y; σXY é a covariância entre X e Y e σXσY é o produto do desvio padrão entre X e Y.

O conceito de correlação é muito usado, porém nem sempre de maneira adequada e alguns pontos merecem ser destacados. São apresentadas a seguir algumas premissas para a utilização da correlação, bem como alguns pontos problemáticos (ASUERO, SAYAGO, GONZÁLEZ, 2006; SCHOBER et al., 2018; BUJANG & BAHARUM, 2016). Em primeiro lugar, correlação não implica em casualidade. O simples fato de existir correlação

9 não garante, por si só, uma relação causa e efeito. Em segundo lugar, a correlação pode ser influenciada pelo tamanho da amostra, o que mostra a importância da correta mensuração da amostra. Em terceiro lugar, faz-se importante fazer um teste de linearidade (caso se esteja trabalhando com correlação linear). Um quarto ponto importante, a ser testado, é a homocedasticidade (igualdade de variância).

Outro ponto muito importante aqui verificado diz respeito a continuidade dos dados, pois este é um dos pressupostos para o uso da correlação linear. Caso os dados não sejam contínuos, outras alternativas podem ser usadas para a avaliação da relação entre as variáveis (uso de técnicas não paramétricas, por exemplo), tal como prescrito por Hair et al. (1988). Existem outras questões a serem analisadas, especialmente no que se refere a interpretação dos resultados. O que seria uma correlação alta. Em muitos estudos se trabalha com o coeficiente de determinação, também conhecido como “r quadrado”. Trata- se do coeficiente de correlação linear elevado ao quadrado e é comumente utilizado para se avaliar o percentual da variância explicada, em alguma análise.

A análise da distribuição dos dados de uma prova de Ironman mostra que essas premissas são invariavelmente não observadas, em função da grande variabilidade dos resultados no caso da consideração de todos os atletas, de ambos os sexos, amadores e profissionais (o que implica num desvio padrão muito grande). Um outro ponto a ser considerado diz respeito ao cálculo da correlação. A correlação é calculada inicialmente pelo cálculo da covariância. Para se calcular a covariância, sempre aos pares, utiliza-se cada observação, menos a média do seu grupo. Feito isso para ambos os pares, efetua-se a multiplicação e divide-se a somatória do resultado pelo número de observações, chegando-se a covariância.

A correlação pode ser obtida dividindo-se a covariância pelo produto dos desvios padrões dos pares considerados. Ora, obviamente, pela forma de cálculo, a correlação entre a etapa do ciclismo tende a ser maior do que a correlação da etapa da corrida, a qual tende a ser maior do que a etapa da natação. Isso se deve, basicamente a estrutura dos dados, a dispersão (desvio-padrão). A não observação destes aspectos pode nos levar a conclusões não tão precisas, ou pelo menos incompletas. Uma maneira de minimizar tal efeito é trabalhar com amostras mais homogêneas e com menor variabilidade.

10

Muito do que foi aqui colocado, aplica-se aos modelos de regressão linear. Os modelos de análise multivariada, do tipo linear, têm algumas premissas básicas, como as mencionadas acima. As principais são: linearidade, homocedasticidade, normalidade e ausência de multicolinearidade (correlações elevadas, em geral assim considerado-as acima de 0,7). A violação de algumas dessas premissas, dependendo da técnica utilizada, pode comprometer a análise dos resultados (HAIR et al., 1988). Por fim, Johnson & Wichern (1988) e Hair et al. (1988) postulam que a estrutura matricial, para se ter um maior grau de confiabilidade deve ter pelo menos cinco elementos. “The minimum size recomendation is five observations per independet variable”, especialmente no caso de se trabalhar com correlações e regressões.

3.2.2 Tamanho da Amostra

Um ponto crucial, que merece destaque, é a diferença entre significância estatística e significância prática. Vale lembrar, que a significância estatística pode ser brutalmente afetada pelo tamanho da amostra (CUMMING, 2012), de modo que em pequenas amostras, encontrar algum grau de significância estatística é uma tarefa árdua. No entanto, o contrário pode acontecer com amostras muito grandes. Só a título de esclarecimento, o ideal seria, no desenho da pesquisa, determinar-se o N, de acordo com o problema a ser estudado, bem como os métodos e ferramentas a serem empregados.

“The cliché “the bigger the better” can cause problems that users of statistical methods might not anticipate....”(RYAN, 2013). O N não deve ser grande nem pequeno. A amostra deve ter o tamanho adequado para o tipo de estudo que se pretende empreender. Caso não seja possível atingir o N necessário, o estudo pode ser conduzido, com as ressalvas devidas. Muitos estudos que procuraram mediar performance de atletas, especialmente no esporte de alto rendimento, como no caso aplicado nesta tese, buscaram homogeneidade dos dados a serem trabalhados.

A título de exemplo, pode-se citar o trabalho de Landers et al. (2008) em que os autores analisaram 10 atletas do sexo masculino e 10 atletas do sexo feminino (TOP 10) durante uma temporada do campeonato mundial de triatlo olímpico. Em outro estudo,

11

Malcata, Vandenbogaerde, Hopkins. (2014) analisaram a trajetória de carreira de atletas de alto nível (N=16) que participaram do campeonato mundial de triatlo olímpico, ou olimpíadas, analisando a performance na natação, ciclismo e corrida. Tal fato denota que nem sempre um N elevado em trabalhos dessa natureza se faz necessário.

3.2.3 Medidas de Tamanho de Efeito

Para Cohen,"the primary product of the research inquiry is one or more measures of effect size, not p values."(COHEN, 1990). Difícil discordar, pois as medidas de tamanho de efeito são muito importantes para se avaliar os resultados de um trabalho. Uma das vantagens de se trabalhar com medidas de tamanho de efeito é que se pode comparar resultados, mesmo que em estudos diferentes. Esta é uma das razões pelas quais são usados em metanálises. As medidas de tamanho de efeito podem ser divididas em dois grandes grupos, a família d (mensura diferença, distância entre grupos) e a família r (que mede o grau de relação entre grupos);tal como descrito por Ellis (2010).

Como visto, existem duas famílias de tamanho de efeito: a família r e a família d. Pode-se transformar o resultado de um, no resultado de outro, com base nas equações 5 (e.5) e 6 (e.6): 2푟 푑 = (푒. 5) √1 − 푟2

푑 푟 = (푒. 6) √푑2 + 4

Nas respectivas equações d e r são as medidas de tamanho de efeito.

Um outro cuidado deve ser tomado com abordagens simplistas de análise e regras de decisão. Cohen (1988) apresentou alguns parâmetros de análise, para servirem apenas de referência, mas que acabaram tomando um outro rumo. Assim, muitos relacionam, necessariamente, um tamanho do efeito, d, com valores de 0.2, 0.5 e 0.8 como sendo

12 considerados pequeno, médio e grande, respectivamente. Tal análise não está necessariamente errada, mas nem sempre estará certa. Como lembra Cumming (2012), os pesquisadores devem olhar para os seus dados, analisá-los e tentar extrair o máximo de informações dos mesmos, levando-se em consideração as peculiaridades do fenômeno estudado.

Será que um tamanho de efeito "pequeno" não pode ser importante? A resposta é sim, dependendo do contexto. O interessante da ciência e da pesquisa é isso. Em geral, regras engessadas e rígidas estão erradas. Em várias situações uma medida de tamanho de efeito pequena pode ter significância prática. Essa é uma regra básica: não se pode analisar tamanho de efeito, significância prática, sem levar em conta o contexto em que a pesquisa, o problema, está inserido. Só para ilustrar com um exemplo, similar ao utilizado por Ellis (2010), numa prova de triatlo olímpico, pequenas diferenças podem ser a diferença entre o primeiro e o quadragésimo colocado. Como já mencionado anteriormente e corroborado por Thompson (2008), Shaver (1993) e o próprio Cohen (1988), os padrões apresentados por Cohen, como tamanho de efeito pequeno, médio e grande, podem ser extremamente perigosos, caso sejam mal utilizados.

3.2.4 Outras Medidas de Análise

No presente estudo, não será usado para mensuração, para ranqueamento e mesmo nas interpretações de resultados nenhuma medida que faça uso de imposição de valores ad hoc, tal como o Smallest Worthwhile Change (SWC) (HOPKINS, HAWLEY, BURKE1999; BATTERHAM & HOPKINS, 2006), pois embora seja conceitualmente interessante, especialmente para o esporte de alto rendimento, peca na adoção de um fator de sensibilização, de forma ad hoc. No caso do SWC, a multiplicação pelo fator de 0,2, justificada com base nos valores sugeridos por Cohen (1988) para parâmetros de tamanho de efeito parece não fazer sentido, pois especialmente no caso de atletas de alto rendimento, uma pequena variação no tempo (em termos de rendimento), implica numa grande medida de efeito (MENGERSEN et al., 2016), uma vez que a variabilidade dos resultados é muito pequena.

Outra medida interessante, conforme colocado por O’Rourke & Hatcher (2013) é o escore Z. O escore Z nada mais é do que uma medida de padronização de resultados, de

13 valores. Dessa forma, sob muitos aspectos, se aproxima do índice de performance relativa ajustado. McGuigan (2017) mostra que os principais instrumentos existentes para a mensuração da performance são: Z escore, medidas de tamanho de efeito e SWC. O índice de performance relativa ajustado é uma proposta adicional, baseada nos fundamentos de tamanho de efeito (o qual também fundamenta, conceitualmente, o Z escore). A utilização de medidas de tamanho de efeito é uma interessante ferramenta a ser usada para a área de esportes (CUMMING, 2012; COHEN, 1990; ELLIS, 2010; KELLEY, 2007; PETERSON & BROWN, 2005).

14

4. METODOS

4.1 Procedimentos Éticos

O presente estudo foi realizado através de uma coleta de resultados de provas do Campeonato Mundial de Triatlo (Ironman), do sexo masculino, sem a intervenção direta com os atletas. O estudo foi submetido e aprovado pelo Comitê de Ética em Pesquisa em Seres Humanos da Universidade Federal de São Paulo. (UNIFESP) (3.006.548), sob o número 1258/2018 (ANEXO I).

4.2 Amostra

A amostra foi constituída por atletas que participaram do Campeonato Mundial de Triatlo (Ironmman) e que chegaram entre os 10 primeiros colocados, em pelo menos cinco edições, consecutivas ou não, entre os anos de 1981 e 2017. O número total de indivíduos selecionados, com base nesses critérios,foi de 24 triatletas profissionais. Por uma questão de se buscar limitar a base de dados a ser trabalhada, em função das múltiplas análises necessárias, optou-se por se trabalhar apenas com atletas do sexo masculino. A definição do critério de constituição da amostra levou em consideração o tratamento matemático e estatatístico pretendido, bem como as restrições, em termos de amostra, exigidos por estas técnicas (HAIR et al., 1998).

Um cuidado tomado na constituição da amostra foi o de se ter o número mínimo de sujeitos, principalmente, em função do tratamento de análise multivariada a ser realizado. Para tanto, segundo os critérios mínimos, conforme estabelecido por Hair et al. (1998) e, considerando-se a estrutura da regressão a ser aplicada, este número deveria ficar entre 15 e 30. Apesar de não ter-se realizado cálculos amostrais, a ideia foi trabalhar com um N suficiente para se analisar o que se pretendia, mas com a economia amostral, em função das múltiplas análises que seriam necessárias e acabariam por tornar o trabalho extenso em demasia. De acordo com os critérios acima citados, chegou-se a um N de 24 triatletas, o que pode ser considerada uma amostra adequada.

15

4.3 Índice de Performance Relativa Ajustado (IPRA)

4.3.1 Concepções Teóricas

O presente estudo propõe um modelo para a mensuração da performance relativa de atletas. Tal proposta de modelo, em sua estruturação metodológica apresenta um formato diferente do que normalmente é considerado. Não existe uma intervenção, nem grupos a serem comparados, nem tão pouco testes de hipóteses apresentados. Trata-se de um estudo transversal e retrospectivo. O resultado final deste trabalho é a apresentação da proposta do próprio modelo de performance relativa, capaz de auxiliar no ranqueamento de atletas, bem como, especialmente no caso de atividades multiesporte, auxiliar na estratégia de treinamento, além da escolha de provas.

Por uma questão de delimitação das análises, foram utilizados os dados dos triatletas profissionais, do sexo masculino, participantes do Ironman do Hawaii, do período entre 1981 a 2017, que tenham figurado entre os TOP 10, além de outras restrições a seguir apresentadas. Todavia, o modelo proposto e as análises poderiam ser efetuadas com qualquer outra prova, em qualquer outro esporte, desde que tenha a sua performance mensurada por tempo. A base de dados utilizada foi do site www.slowtwich.com (top ironman hawaii finishers archive).

O modelo teórico proposto parte de algumas premissas (P) básicas, estabelecidas a seguir: P1. O desempenho na prova foi dado. Os dados trabalhados neste estudo foram os tempos dos atletas nas provas; P2. Parte-se do princípio de que, por serem atletas profissionais, e selecionados entre os melhores do mundo, tenham acesso as melhores estratégias de treinamento, de nutrição, de hidratação, bem como equipamentos.

4.3.2 Considerações Metodológicas

O cálculo do IPRA está descrito, em etapas, a seguir, conforme os pontos discutidos,

16 anteriormente, referente à constituição da amostra: 1) Compilação dos resultados no período entre 1981 e 2017; 2) Seleção dos atletas que figuraram entre os TOP 10, em cada um dos anos selecionados; 3) Seleção dos atletas que figuraram pelo menos cinco vezes entre os TOP 10. No caso de atletas que figuraram mais de cinco vezes entre os TOP 10, foram escolhidos os cinco melhores resultados; 4) Cálculo do tempo médio dos TOP 10 em cada um dos anos (em segundos); 5) Diferença entre o desempenho dos atletas selecionados, nos respectivos anos, e o desempenho médio dos atletas profissionais, no período selecionado; 6) Com base na diferença encontrada no item cinco pode-se verificar a diferença relativa em segundos (e calcular a variação percentual, ou “excesso de performance”) e, com base numa medida de tamanho de efeito proposta, calculada a sua performance relativa.

Vale destacar aqui que, apesar da prova ter começado no ano de 1978, apenas no ano de 1981 houve mais de 10 atletas disputando a prova na categoria profissional. O ano de 1978 não houve a categoria profissional e foi uma competição de amadores. A escolha de atletas que figuraram pelo menos cinco vezes entre os TOP 10 levou em consideração questões de tamanho da amostra, como já discutido, bem como a construção de matrizes de estrutura [5x5] para o cálculo de alguns pontos do trabalho, como as correlações, por exemplo, conforme sugerido por Johnson & Wichern (1988). Os resultados referentes à temporada de 2018 não entraram no cômputo do presente estudo, pois o presente projeto já estava em andamento quando da referida prova. Mas, após os resultados de 2018, uma análise foi efetuada e pôde-se verificar que estes não influenciariam a constituição da amostra.

Uma primeira análise foi feita com o tempo total de prova, calculando-se o índice de performance global. Posteriormente, foram calculados índices de performances por modalidade (natação, ciclismo e corrida). O atual modelo utilizou uma medida de tamanho de efeito como forma de se mensurar a performace relativa entre atletas. A utilização de tal medida pode reduzir em muito, as limitações inerentes à comparação de resultados de performance de atletas ao longo do tempo, bem como em diferentes provas (PANDELÓ JR, 2017). Os modelos de tamanho de efeito podem ser baseados em distâncias entre os

17 pontos observados (família d), como o Cohen d, por exemplo, ou baseados em medidas de relações entre os pontos (família r), como a correlação de Pearson, por exemplo. No presente trabalho, apresenta-se o modelo teórico sugerido para o cálculo de uma medida de performance relativa baseado na família d. Uma possível abordagem para o cálculo de um índice de performance relativa, com base na família r está disponível no Anexo 2 deste trabalho.

4.4 Modelo Teórico - IPRA família d

A utilização de uma medida de efeito da família d é bem mais usual do que medidas de efeito da família r. No presente estudo, a medida de tamanho de efeito foi calculada pela diferença entre o tempo do atleta na prova (ou modalidade considerada) e o tempo médio dos TOP 10 considerados (“excesso de performance”), sendo que esta diferença foi dividida pelo desvio padrão dos TOP 10. Trata-se, portanto de um ajuste no “excesso de performance” do atleta em relação à média dos TOP 10. A sensibilização pelo desvio padrão é de suma importância justamente para que se possa trabalhar de forma relativa, para assim comparar os resultados de um atleta de 1985, com um outro de 2015. Por exemplo, os dados, mostram que a competição em 1985 era menos competitiva (maior variabilidade) do que em 2015. Dessa forma, um “excesso de performance” de um atleta de 5%, em relação à média, por exemplo, teria uma leitura diferente do mesmo valor em 1985 e em 2015. Além disso, com a sensibilização pelo desvio padrão, eventuais mudanças de performance em função de variações nas condições climáticas são automaticamente ajustadas, ainda que parcialmente. O ajuste pelo desvio padrão procura resolver estes pontos e permite a comparação ao longo do tempo.

IPRAd = (푅푎−푅푝) (eq. 7) 휎푝

Onde: Ra = performance (tempo) do atleta a; Rp = performance média dos TOP 10 p = desvio padrão dos TOP 10

18

5. RESULTADOS

5.1 Número de vezes no TOP 10

Como já destacado, no presente estudo, para fazer parte da amostra houve a necessidade do atleta ter figurado pelo menos cinco vezes entre os TOP 10.Apesar de já mencionado anteriormente, vale à pena relembrar que, no caso de atletas com mais de cinco figurações entre o TOP 10, os cinco melhores resultados foram escolhidos (Figura 1).

11 11 10 9 9 8 8 8 8 7 7 7 6 6 6 6 6 5 5 5 5 5 5 5

KenGlah

Jeff Devlin Jeff

PeterReid

Dave Scott Dave

Pauli Kiuru Pauli

Andy Potts Andy

Mark Allen Mark

Scott Tinley Scott

JurgenZack

Greg Welch Greg

Timo Bracht Timo

Rutger Beke Rutger

LotharLeder Eneko Llanos Eneko

Faris Al-Sutan Faris

CraigAlexander

Norman Stadler Norman

Andreas Raelert Andreas

Sebastian Kienle Sebastian

Cameron Widoff Cameron

Camerow BrownCamerow

TimothyDeBoom Chris McCormack Chris ThomasHellriegel Figura 1. Número de vezes que um triatleta figurou no TOP 10.

5.2 Mudanças nos tempos da prova ao longo dos anos

Pela análise da Figura 2 pode-se verificar as alterações no tempo da prova, dos TOP 10, ao longo dos anos. Pode-se perceber uma acentuada redução, especialmente nos primeiros cinco anos de prova. Com o aumento da competitividade, bem como com o desenvolvimento de novas tecnologias, em todas as áreas, a redução continuou a ocorrer, ao longo dos anos, embrora de forma menos acentuada do que em relação aos anos iniciais.

19

Figura 2. Tempo médio de prova dos Top 10 ao longo dos anos.

5.3 Tempo médio por modalidade

As Figuras 3, 4 e 5 mostram o tempo médio, em segundos, nas diversas modalidades, ao longo dos anos. Pode-se observar uma tendência de redução, de uma maneira geral ao longo dos anos, com oscilações pontuais (para mais ou menos), em função de fatores ambientais, tais como correnteza (na natação), vento, calor e umidade (no ciclismo e corrida).

4100

3900

3700

3500

3300

3100

2900

2013 1991 2016 2015 2014 2012 2011 2010 2009 2008 2007 2006 2005 2004 2003 2002 2001 2000 1999 1998 1997 1996 1995 1994 1993 1992 1990 1989 1988 1987 1986 1985 1984 1983 1982 1981 2017 Figura 3. Tempo médio gasto na natação pelos triatletas ao longo do período investigado.

20

21000

20000

19000

18000

17000

16000

15000

2009 1998 1987 2016 2015 2014 2013 2012 2011 2010 2008 2007 2006 2005 2004 2003 2002 2001 2000 1999 1997 1996 1995 1994 1993 1992 1991 1990 1989 1988 1986 1985 1984 1983 1982 1981 2017 Figura 4. Tempo médio gasto no ciclismo pelos triatletas ao longo do período investigado.

13000

12500

12000

11500

11000

10500

10000

2016 2015 2014 2013 2012 2011 2010 2009 2008 2007 2006 2005 2004 2003 2002 2001 2000 1999 1998 1997 1996 1995 1994 1993 1992 1991 1990 1989 1988 1987 1986 1985 1984 1983 1982 1981 2017 Figura 5. Tempo médio gasto na corrida pelos triatletas ao longo do período investigado.

5.4. Resultados Anuais – TOP 10 (2017/1981)

Nas tabelas,de 1 a 37, encontram-se os tempos dos atletas selecionados (TOP 10), nas três modalidades (natação, ciclismo e corrida), bem como os respectivos tempos médios. Ainda, consta o “excesso de performance”, expresso em porcentagem.

21

O “excesso de performance”, quando negativo implica num desempenho melhor do que a média, isto é, do TOP 10, na medida em que o indicador é calculado pela diferença de tempo do atleta em relação à média. As tabelas seguintes constituem-se nos principais elementos a serem usados para o cálculos dos indicadores a serem propostos, no presente trabalho.

5.4.1. Ano de 2017

Tabela 1. Análise TOP 10 2017 Atleta Natação Ciclismo Corrida Total Patrick Lange 0:48:45 4:28:53 2:39:59 8:01:40 Lionel Sanders 0:53:41 4:14:19 2:51:53 8:04:07 David Mcnamee 0:48:40 4:28:55 2:45:30 8:07:11 Sebastian Kienle 0:53:44 4:14:57 2:57:11 8:09:59 James Cunnama 0:49:09 4:21:02 2:56:46 8:11:24 Terenzo Bozzone 0:48:41 4:26:20 2:53:47 8:13:06 Andy Potts 0:49:01 4:31:02 2:50:26 8:14:43 Patrik Nilsson 0:48:34 4:29:02 2:55:51 8:18:21 Ben Hoffman 0:48:52 4:22:00 3:04:16 8:19:26 Boris Stein 0:53:48 4:23:59 3:00:42 8:22:24 Média 0:50:18 4:24:03 2:53:38 8:12:14 “Excesso de Performance” Δ%Natação Δ%Ciclismo Δ%Corrida Patrick Lange -3,07% 1,83% -7,86% Lionel Sanders 6,74% -3,69% -1,01% David Mcnamee -3,23% 1,84% -4,69% Sebastian Kienle 6,84% -3,45% 2,04% James Cunnama -2,27% -1,14% 1,80% Terenzo Bozzone -3,20% 0,87% 0,09% Andy Potts -2,54% 2,65% -1,84% Patrik Nilsson -3,43% 1,89% 1,28% Ben Hoffman -2,83% -0,78% 6,12% Boris Stein 6,98% -0,02% 4,07%

22

5.4.2 Ano de 2016

Tabela 2. Análise TOP 10 2016 Atleta Natação Ciclismo Corrida Total Jan Frodeno 0:48:02 4:29:00 2:45:34 8:06:30 Sebastian Kienle 0:52:27 4:23:55 2:49:03 8:10:02 Patrick Lange 0:48:57 4:37:49 2:39:45 8:11:14 Ben Hoffman 0:48:55 4:28:06 2:51:45 8:13:00 Andi Boecherer 0:48:10 4:28:07 2:52:05 8:13:25 Tim O'Donnell 0:48:12 4:29:10 2:55:01 8:16:20 Boris Stein 0:54:10 4:23:04 2:55:19 8:16:56 Bart Aernouts 0:53:58 4:32:37 2:48:44 8:20:30 Ivan Rana 0:48:52 4:38:13 2:50:17 8:21:51 Van Frederik Lierde 0:48:49 4:35:33 2:53:21 8:21:59 Média 0:50:03 4:30:33 2:50:05 8:15:11 “Excesso de Performance” % Natação % Ciclismo % Corrida Jan Frodeno -4,04% -0,58% -2,66% Sebastian Kienle 4,79% -2,45% -0,61% Patrick Lange -2,20% 2,68% -6,08% Ben Hoffman -2,27% -0,91% 0,98% Andi Boecherer -3,77% -0,90% 1,17% Tim O'Donnell -3,70% -0,51% 2,90% Boris Stein 8,22% -2,77% 3,07% Bart Aernouts 7,82% 0,76% -0,80% Ivan Rana -2,37% 2,83% 0,11% Van Frederik Lierde -2,47% 1,85% 1,92%

23

5.4.3 Ano de 2015

Tabela 3. Análise TOP 10 2015 Atleta Natação Ciclismo Corrida Total Jan Frodeno 00:50:50 04:27:27 02:52:21 08:14:40 Andreas Realert 00:52:24 04:30:52 02:50:02 08:17:43 Tim O’Donnell 00:52:24 04:26:13 02:55:46 08:18:50 Andy Potts 00:50:56 04:32:41 02:53:45 08:21:25 Tyler Butterfield 00:52:33 04:29:35 02:56:19 08:23:09 Cyril Viennot 00:52:35 04:34:27 02:53:05 08:25:05 Eneko Llanos 00:52:36 04:26:56 03:04:10 08:28:10 Sebastian Kienle 00:52:36 04:25:53 03:06:08 08:29:43 Brent McMahon 00:52:26 04:27:51 03:06:02 08:30:13 Boris Stein 00:57:27 04:30:48 02:58:48 08:31:43 Média 0:52:41 4:29:16 2:57:39 8:24:04 “Excesso de Performance” Δ % Natação Δ % Ciclismo Δ % Corrida Jan Frodeno -3,50% -0,68% -2,98% Andreas Realert -0,53% 0,59% -4,28% Tim O’Donnell -0,53% -1,13% -1,06% Andy Potts -3,31% 1,27% -2,19% Tyler Butterfield -0,24% 0,12% -0,75% Cyril Viennot -0,18% 1,92% -2,57% Eneko Llanos -0,15% -0,87% 3,67% Sebastian Kienle -0,15% -1,26% 4,78% Brent McMahon -0,47% -0,53% 4,72% Boris Stein 9,06% 0,57% 0,65%

24

5.4.4 Ano de 2014

Tabela 4. Análise TOP 10 2014 Atleta Natação Ciclismo Corrida Geral Sebastian Kienle 00:54:38 04:20:46 02:54:36 08:14:18 Ben Hoffman 00:51:20 04:32:20 02:51:25 08:19:23 Jan Frodeno 00:50:56 04:37:19 02:47:46 08:20:32 Andy Potts 00:50:56 04:36:56 02:48:18 08:21:38 Cyril Viennot 00:54:32 04:31:18 02:51:55 08:22:19 Nils Frommhold 00:51:14 04:34:11 02:52:45 08:22:29 Tim Van Berkel 00:51:21 04:36:45 02:50:53 08:23:26 Frederik Van Lierde 00:51:03 04:32:17 02:56:21 08:24:11 Bart Aernouts 00:55:43 04:37:47 02:50:12 08:28:28 Romain Guillame 00:51:08 04:34:23 02:59:58 08:30:15 Média 0:52:17 4:33:24 2:52:25 8:22:42 “Excesso de Performance” Δ % Natação Δ % Ciclismo Δ% Corrida Sebastian Kienle 4,49% -4,62% 1,27% Ben Hoffman -1,82% -0,39% -0,58% Jan Frodeno -2,59% 1,43% -2,70% Andy Potts -2,59% 1,29% -2,39% Cyril Viennot 4,30% -0,77% -0,29% Nils Frommhold -2,01% 0,29% 0,19% Tim Van Berkel -1,79% 1,22% -0,89% Frederik Van Lierde -2,36% -0,41% 2,28% Bart Aernouts 6,56% 1,60% -1,28% Romain Guillame -2,20% 0,36% 4,38%

25

5.4.5 Ano de 2013

Tabela 5. Análise TOP 10 2013 Atleta Natação Ciclismo Corrida Geral Frederik Van Lierde 00:51:02 04:25:35 02:51:18 08:12:29 Luke McKenzie 00:51:17 04:22:25 02:57:20 08:15:19 Sebastian Kienle 00:54:13 04:22:33 02:58:35 08:19:24 James Cunnama 00:51:13 04:34:21 02:52:37 08:21:46 Timothy O'Donnell 00:51:04 04:35:37 02:51:07 08:22:25 Ivan Rana 00:51:06 04:40:34 02:47:54 08:23:43 Tyler Butterfield 00:51:24 04:30:10 02:58:22 08:24:09 Bart Aernouts 00:57:26 04:39:46 02:44:03 08:25:38 Timo Bracht 00:51:21 04:34:46 02:56:07 08:26:32 Faris Al-Sultan 00:51:19 04:29:56 03:05:46 08:31:13 Média 0:52:09 4:31:34 2:54:19 8:22:16 “Excesso de Performance” Δ % Natação Δ% Ciclismo Δ % Corrida Frederik Van Lierde -2,13% -2,21% -1,73% Luke McKenzie -1,65% -3,37% 1,73% Sebastian Kienle 3,98% -3,32% 2,45% James Cunnama -1,77% 1,02% -0,97% Timothy O'Donnell -2,06% 1,49% -1,83% Ivan Rana -2,00% 3,31% -3,68% Tyler Butterfield -1,42% -0,52% 2,32% Bart Aernouts 10,15% 3,02% -5,89% Timo Bracht -1,52% 1,18% 1,03% Faris Al-Sultan -1,58% -0,60% 6,57%

26

5.4.6 Ano de 2012

Tabela 6. Análise TOP 10 2012 Atleta Natação Ciclismo Corrida Geral Pete Jacobs 00:51:28 04:35:15 02:48:05 08:18:37 Andreas Raelert 00:55:17 04:36:34 02:47:23 08:23:40 Frederik Van Lierde 00:51:36 04:35:25 02:52:49 08:24:09 Sebastian Kienle 00:55:21 04:33:23 02:54:24 08:27:08 Faris Al-Sultan 00:51:39 04:35:53 02:56:49 08:28:33 Timo Bracht 00:53:45 04:37:16 02:55:36 08:30:57 Andy Potts 00:50:32 04:43:52 02:53:18 08:31:45 Timothy O'Donnell 00:51:37 04:44:15 02:53:59 08:33:28 David Dellow 00:51:33 04:40:27 02:59:02 08:35:02 Dirk Bockel 00:52:30 04:34:17 03:05:47 08:36:21 Média 0:52:32 4:37:40 2:54:43 8:28:58 “Excesso de Performance” Δ% Natação Δ% Ciclismo Δ% Corrida Pete Jacobs -2,02% -0,87% -3,80% Andreas Raelert 5,24% -0,39% -4,20% Frederik Van Lierde -1,77% -0,81% -1,09% Sebastian Kienle 5,37% -1,54% -0,18% Faris Al-Sultan -1,68% -0,64% 1,20% Timo Bracht 2,32% -0,14% 0,50% Andy Potts -3,80% 2,23% -0,81% Timothy O'Donnell -1,74% 2,37% -0,42% David Dellow -1,87% 1,00% 2,47% Dirk Bockel -0,06% -1,22% 6,33%

27

5.4.7 Ano de 2011

Tabela 7: Análise TOP 10 2011 Atleta Natação Ciclismo Corrida Total Craig Alexander 00:51:56 04:24:05 02:44:02 08:03:56 Pete Jacobs 00:51:38 04:31:01 02:42:29 08:09:11 Andreas Raelert 00:51:58 04:26:52 02:47:47 08:11:07 Dirk Bockel 00:51:44 04:24:17 02:53:03 08:12:58 Timo Bracht 00:53:37 04:35:07 02:47:25 08:20:12 Mike Aigroz 00:52:31 04:30:42 02:54:07 08:21:07 Raynard Tissink 00:52:08 04:28:38 02:56:36 08:22:15 Andi Boecherer 00:51:49 04:25:45 03:01:43 08:23:19 Luke McKenzie 00:51:47 04:24:15 03:05:54 08:25:42 Faris Al-Sultan 00:51:55 04:29:30 03:01:40 08:27:18 Média 0:52:06 4:28:01 2:53:29 8:17:42 “Excesso de Performance” Δ% Natação Δ% Ciclismo Δ% Corrida Craig Alexander -0,33% -1,47% -5,44% Pete Jacobs -0,91% 1,12% -6,34% Andreas Raelert -0,27% -0,43% -3,28% Dirk Bockel -0,71% -1,39% -0,25% Timo Bracht 2,90% 2,65% -3,49% Mike Aigroz 0,79% 1,00% 0,37% Raynard Tissink 0,05% 0,23% 1,80% Andi Boecherer -0,55% -0,85% 4,75% Luke McKenzie -0,62% -1,41% 7,16% Faris Al-Sultan -0,36% 0,55% 4,72%

28

5.4.8 Ano de 2010

Tabela 8: Análise TOP 10 2010 Atleta Natação Ciclismo Corrida Total Chris McCormack 0:51:36 04:31:51 02:43:41 08:10:37 Andreas Raelert 0:51:27 04:32:27 02:44:25 08:12:17 Marino Vanhoenacker 0:51:33 04:31:00 02:46:46 08:13:14 Craig Alexander 0:51:32 04:39:35 02:41:59 08:16:53 Raynard Tissink 0:52:25 04:30:48 02:52:44 08:20:11 Timo Bracht 0:53:52 04:29:42 02:53:18 08:21:00 Eneko Llanos 0:51:38 04:39:23 02:47:03 08:22:02 Dirk Bockel 0:51:12 04:35:48 02:52:02 08:22:59 Pete Jacobs 0:51:15 04:47:05 02:41:06 08:23:26 Faris Al-Sultan 0:51:25 04:32:40 02:55:28 08:24:04 Média 0:51:48 4:35:02 2:47:51 8:18:40 “Excesso de Performance” Δ % Natação Δ % Ciclismo Δ % Corrida Chris McCormack -0,37% -1,16% -2,48% Andreas Raelert -0,66% -0,94% -2,05% Marino Vanhoenacker -0,47% -1,47% -0,65% Craig Alexander -0,50% 1,65% -3,50% Raynard Tissink 1,21% -1,54% 2,91% Timo Bracht 4,01% -1,94% 3,24% Eneko Llanos -0,31% 1,58% -0,48% Dirk Bockel -1,14% 0,28% 2,49% Pete Jacobs -1,05% 4,38% -4,02% Faris Al-Sultan -0,72% -0,86% 4,54%

29

5.4.9 Ano de 2009

Tabela 9: Análise TOP 10 2009 Atleta Natação Ciclismo Corrida Total Craig Alexander 0:50:57 04:37:33 02:48:05 08:20:21 Chris Lieto 0:51:07 04:25:11 03:02:35 08:22:56 Andreas Raelert 0:51:00 04:38:00 02:51:04 08:24:32 Chris McCormack 0:52:51 04:32:45 02:55:59 08:25:20 Rasmus Henning 0:51:06 04:37:07 02:55:33 08:28:17 Timo Bracht 0:54:30 04:33:49 02:56:27 08:28:52 Dirk Bockel 0:50:50 04:37:29 02:57:42 08:29:55 Pete Jacobs 0:50:03 04:38:41 02:57:14 08:30:15 Andy Potts 0:47:45 04:46:07 02:52:15 08:30:30 Faris Al-Sultan 0:50:53 04:33:40 03:03:11 08:31:44 Média 0:51:06 4:36:02 2:56:00 8:27:16 “Excesso de Performance” Δ% Natação Δ% Ciclismo Δ % Corrida Craig Alexander -0,30% 0,55% -4,50% Chris Lieto 0,03% -3,93% 3,74% Andreas Raelert -0,20% 0,71% -2,81% Chris McCormack 3,42% -1,19% -0,01% Rasmus Henning -0,01% 0,39% -0,26% Timo Bracht 6,65% -0,80% 0,25% Dirk Bockel -0,53% 0,52% 0,96% Pete Jacobs -2,06% 0,96% 0,70% Andy Potts -6,56% 3,65% -2,14% Faris Al-Sultan -0,43% -0,86% 4,08%

30

5.4.10 Ano de 2008

Tabela 10: Análise TOP 10 2008 Atleta Natação Ciclismo Corrida Total Craig Alexander 0:51:43 04:37:19 02:45:00 08:17:45 Eneko Llanos 0:51:39 04:33:26 02:51:48 08:20:50 Rutger Beke 0:54:44 04:34:44 02:47:49 08:21:23 Ronnie Schildknecht 0:54:56 04:34:25 02:48:19 08:21:46 Cameron Brown 0:51:50 04:36:46 02:53:39 08:26:17 Patrick Vernay 0:51:58 04:42:49 02:51:40 08:30:23 Andy Potts 0:48:40 04:46:00 02:54:31 08:33:50 Mathias Hecht 0:51:42 04:36:55 03:01:12 08:34:02 Michael Lovato 0:52:58 04:45:20 02:52:11 08:34:47 Eduardo Sturla 0:54:47 04:34:26 03:03:19 08:36:53 Média 0:52:30 4:38:13 2:52:57 8:27:48 “Excesso de Performance” Δ % Natação Δ% Ciclismo Δ% Corrida Craig Alexander -1,48% -0,32% -4,59% Eneko Llanos -1,61% -1,72% -0,66% Rutger Beke 4,26% -1,25% -2,97% Ronnie Schildknecht 4,64% -1,37% -2,68% Cameron Brown -1,26% -0,52% 0,41% Patrick Vernay -1,01% 1,65% -0,74% Andy Potts -7,29% 2,80% 0,91% Mathias Hecht -1,51% -0,47% 4,77% Michael Lovato 0,90% 2,56% -0,44% Eduardo Sturla 4,36% -1,36% 6,00%

31

5.4.11 Ano de 2007

Tabela 11: Análise TOP 10 2007 Atleta Natação Ciclismo Corrida Total Chris McCormack 0:51:48 04:37:32 02:42:02 08:15:34 Craig Alexander 0:51:40 04:38:11 02:45:13 08:19:04 Torbjorn Sindballe 0:53:25 04:25:26 02:57:25 08:21:30 Timothy DeBoom 0:51:39 04:38:20 02:48:29 08:22:33 Marino Vanhoenacker 0:53:21 04:33:06 02:53:00 08:23:31 Chris Lieto 0:51:37 04:28:18 03:00:16 08:25:49 Eneko Llanos 0:51:47 04:38:12 02:51:43 08:26:00 Luc Van Lierde 0:51:42 04:38:18 02:55:28 08:30:01 Michael Lovato 0:53:24 04:49:17 02:54:03 08:33:28 Patrick Vernay 0:54:36 04:36:12 02:48:13 08:35:10 Média 0:52:30 4:36:17 2:51:35 8:25:16 “Excesso de Performance” Δ% Natação Δ% Ciclismo Δ % Corrida Chris McCormack -1,33% 0,45% -5,57% Craig Alexander -1,58% 0,69% -3,71% Torbjorn Sindballe 1,75% -3,93% 3,40% Timothy DeBoom -1,62% 0,74% -1,81% Marino Vanhoenacker 1,62% -1,15% 0,82% Chris Lieto -1,68% -2,89% 5,06% Eneko Llanos -1,36% 0,69% 0,08% Luc Van Lierde -1,52% 0,73% 2,26% Michael Lovato 1,72% 4,70% 1,44% Patrick Vernay 4,00% -0,03% -1,96%

32

5.4.12 Ano de 2006

Tabela 12: Análise TOP 10 2 Atleta Natação Ciclismo Corrida Total Normann Stadler 0:54:04 04:18:23 02:55:03 08:11:56 Chris McCormack 0:53:51 04:29:24 02:46:02 08:13:07 Faris Al-Sultan 0:53:36 04:29:37 02:50:44 08:19:04 Rutger Beke 0:54:35 04:33:33 02:48:16 08:21:04 Eneko Llanos 0:53:45 04:29:26 02:55:00 08:22:28 Marino Vanhoenacker 0:54:04 04:29:13 02:56:59 08:24:17 Luke Bell 0:53:57 04:29:34 02:56:55 08:24:26 Cameron Brown 0:53:55 04:29:26 02:58:05 08:25:22 Chris Lieto 0:53:48 04:25:35 03:02:47 08:27:37 Patrick Vernay 0:54:36 04:36:12 02:52:48 08:28:13 Média 0:54:01 4:29:02 2:54:16 8:21:45 “Excesso de Performance” Δ% Natação Δ% Ciclismo Δ % Corrida Normann Stadler 0,09% -3,96% 0,45% Chris McCormack -0,31% 0,13% -4,72% Faris Al-Sultan -0,77% 0,21% -2,03% Rutger Beke 1,05% 1,68% -3,44% Eneko Llanos -0,50% 0,15% 0,42% Marino Vanhoenacker 0,09% 0,07% 1,56% Luke Bell -0,13% 0,20% 1,52% Cameron Brown -0,19% 0,15% 2,19% Chris Lieto -0,40% -1,28% 4,89% Patrick Vernay 1,08% 2,66% -0,84%

33

5.4.13 Ano de 2005

Tabela 13: Análise TOP 10 2005 Atleta Natação Ciclismo Corrida Total Faris Al-Sultan 0:49:54 04:25:24 02:54:51 08:14:17 Cameron Brown 0:52:23 04:33:08 02:50:13 08:19:36 Peter Reid 0:52:23 04:27:51 02:55:59 08:20:04 Rutger Beke 0:55:01 04:30:30 02:52:41 08:22:30 Cameron Widoff 0:52:16 04:28:44 02:57:47 08:23:01 Chris McCormick 0:53:06 04:37:06 02:49:10 08:23:52 Raynard Tissink 0:54:48 04:31:37 02:55:11 08:25:52 Tom Soderdahl 0:52:19 04:35:23 02:54:17 08:25:57 Francisco Pontano 0:49:56 04:35:45 02:58:07 08:27:24 Stephan Vuckovic 0:52:11 04:36:56 02:56:39 08:29:35 Média 0:52:26 4:32:14 2:54:29 8:23:13 “Excesso de Performance” Δ% Natação Δ% Ciclismo Δ % Corrida Faris Al-Sultan -4,82% -2,51% 0,21% Cameron Brown -0,09% 0,33% -2,45% Peter Reid -0,09% -1,61% 0,85% Rutger Beke 4,94% -0,64% -1,04% Cameron Widoff -0,31% -1,29% 1,89% Chris McCormick 1,28% 1,79% -3,05% Raynard Tissink 4,52% -0,23% 0,40% Tom Soderdahl -0,21% 1,15% -0,12% Francisco Pontano -4,76% 1,29% 2,08% Stephan Vuckovic -0,47% 1,72% 1,24%

34

5.4.14 Ano de 2004

Tabela 14: Análise TOP 10 2004 Atleta Natação Ciclismo Corrida Total Normann Stadler 0:54:27 04:37:58 02:57:53 08:33:29 Peter Reid 0:53:12 05:01:38 02:46:10 08:43:40 Faris Al-Sultan 0:50:39 04:55:44 02:54:51 08:45:14 Alex Taubert 0:53:34 04:49:45 03:00:37 08:48:35 Rutger Beke 0:54:35 04:59:57 02:55:55 08:54:26 Torjborn Sindballe 0:53:07 04:48:51 03:12:32 08:58:45 Cameron Widoff 0:51:31 04:59:36 03:04:07 08:59:25 Timo Bracht 0:54:54 04:58:42 03:05:59 09:03:11 Rene Rovera 0:56:28 05:04:30 02:59:41 09:04:32 Raynard Tissink 0:53:18 05:02:45 03:00:46 09:04:51 Média 0:53:35 4:55:57 2:59:51 8:53:37 “Excesso de Performance” Δ % Natação Δ% Ciclismo Δ% Corrida Normann Stadler 1,63% -6,07% -1,09% Peter Reid -0,70% 1,92% -7,61% Faris Al-Sultan -5,46% -0,07% -2,78% Alex Taubert -0,02% -2,09% 0,43% Rutger Beke 1,88% 1,35% -2,19% Torjborn Sindballe -0,86% -2,40% 7,05% Cameron Widoff -3,84% 1,24% 2,37% Timo Bracht 2,47% 0,93% 3,41% Rene Rovera 5,40% 2,89% -0,09% Raynard Tissink -0,51% 2,30% 0,51%

35

5.4.15 Ano de 2003

Tabela 15: Análise TOP 10 2003 Atleta Natação Ciclismo Corrida Total Peter Reid 0:50:36 04:40:04 02:47:38 08:22:35 Rutger Beke 0:52:28 04:37:59 02:54:12 08:28:27 Cameron Brown 0:50:38 04:39:57 02:55:34 08:30:08 Normann Stadler 0:52:44 04:33:40 03:02:50 08:32:47 Luke Bell 0:50:33 04:39:42 03:00:19 08:34:38 Jurgen Zack 0:51:42 04:38:49 03:01:02 08:35:19 Faris Al-Sultan 0:48:57 04:42:01 03:00:29 08:35:51 Cameron Widoff 0:50:39 04:39:43 03:01:40 08:35:59 Michael Lovato 0:52:33 04:44:04 02:56:13 08:36:56 Mika Luoto 0:51:44 04:49:35 02:53:04 08:37:19 Média 0:51:15 4:40:33 2:57:18 8:33:00 “Excesso de Performance” Δ% Natação Δ% Ciclismo Δ % Corrida Peter Reid -1,28% -0,17% -5,45% Rutger Beke 2,36% -0,92% -1,75% Cameron Brown -1,22% -0,22% -0,98% Normann Stadler 2,88% -2,46% 3,12% Luke Bell -1,38% -0,31% 1,70% Jurgen Zack 0,86% -0,62% 2,10% Faris Al-Sultan -4,50% 0,52% 1,79% Cameron Widoff -1,18% -0,30% 2,46% Michael Lovato 2,52% 1,25% -0,61% Mika Luoto 0,93% 3,22% -2,39%

36

5.4.16 Ano de 2002

Tabela 16: Análise TOP 10 2002 Atleta Natação Ciclismo Corrida Total Timothy DeBoom 0:52:02 04:45:21 02:50:22 08:29:56 Peter Reid 0:53:20 04:44:15 02:53:48 08:33:06 Cameron Brown 0:52:13 04:45:15 02:56:06 08:35:34 Thomas Hellriegel 0:53:23 04:34:52 03:05:47 08:36:59 Alex Taubert 0:53:29 04:45:12 02:57:02 08:38:58 Francois Chabaud 0:52:14 04:39:17 03:05:57 8.40:39 Markus Forster 0:55:17 04:47:15 02:59:29 8.44:28 Mika Luoto 0:53:24 04:51:39 02:59:00 8.45:45 Cameron Widoff 0:52:05 04:44:51 03:06:33 8.45:53 Olaf Sabatschus 0:55:36 04:44:31 03:00:18 8.46:18 Média 0:53:18 4:44:15 2:59:26 8:34:55 “Excesso de Performance” Δ % Natação Δ% Ciclismo Δ % Corrida Timothy DeBoom -2,39% 0,39% -5,05% Peter Reid 0,05% 0,00% -3,14% Cameron Brown -2,04% 0,35% -1,86% Thomas Hellriegel 0,15% -3,30% 3,54% Alex Taubert 0,33% 0,34% -1,34% Francois Chabaud -2,01% -1,75% 3,63% Markus Forster 3,71% 1,06% 0,03% Mika Luoto 0,18% 2,60% -0,24% Cameron Widoff -2,29% 0,21% 3,96% Olaf Sabatschus 4,31% 0,09% 0,48%

37

5.4.17 Ano de 2001

Tabela 17: Análise TOP 10 2001 Atleta Natação Ciclismo Corrida Total Timothy DeBoom 0:52:01 04:48:17 02:45:54 08:31:18 Cameron Brown 0:52:16 04:53:29 02:58:05 08:46:10 Thomas Hellriegel 0:55:35 04:47:42 03:01:25 08:47:40 Normann Stadler 0:56:14 04:45:13 03:05:57 08:49:43 Lothar Leder 0:52:08 04:56:01 02:59:42 08:49:49 Marc Herremans 0:54:06 04:58:25 02:55:59 08:51:19 Andreas Niedrig 0:52:13 04:53:26 03:04:44 08:53:00 Cameron Widoff 0:54:01 05:02:04 02:57:20 08:55:33 Steve Larsen 01:00:45 04:33:32 03:19:09 08:56:28 Christoph Mauch 0:54:03 05:02:42 02:58:10 08:57:30 Média 0:54:20 4:52:05 3:00:39 8:49:51 “Excesso de Performance” Δ % Natação Δ % Ciclismo Δ % Corrida Timothy DeBoom -4,27% -1,30% -8,16% Cameron Brown -3,81% 0,48% -1,42% Thomas Hellriegel 2,29% -1,50% 0,43% Normann Stadler 3,49% -2,35% 2,94% Lothar Leder -4,05% 1,35% -0,52% Marc Herremans -0,44% 2,17% -2,58% Andreas Niedrig -3,90% 0,46% 2,27% Cameron Widoff -0,59% 3,42% -1,83% Steve Larsen 11,80% -6,35% 10,25% Christoph Mauch -0,53% 3,63% -1,37%

38

5.4.18 Ano de 2000

Tabela 18: Análise TOP 10 2000 Atleta Natação Ciclismo Corrida Total Peter Reid 0:51:45 04:39:32 02:48:10 08:21:00 Timothy DeBoom 0:50:33 04:40:30 02:49:59 08:23:09 Normann Stadler 0:52:51 04:35:14 02:56:00 08:26:44 Lothar Leder 0:51:41 04:43:58 02:50:26 08:28:14 Thomas Hellriegel 0:51:52 04:38:25 02:59:57 08:33:34 Christoph Mauch 0:51:39 04:39:05 03:02:40 08:35:37 Peter Kropko 0:51:38 04:51:03 02:52:28 08:39:17 Spencer Smith 0:50:47 04:41:33 03:08:31 08:43:05 Cameron Widoff 0:51:53 04:56:31 02:54:11 08:45:23 Ken Glah 0:51:32 04:39:40 03:12:55 08:46:20 Média 0:51:37 4:42:33 2:57:32 8:34:14 “Excesso de Performance” Δ % Natação Δ% Ciclismo Δ % Corrida Peter Reid 0,26% -1,07% -5,27% Timothy DeBoom -2,07% -0,73% -4,25% Normann Stadler 2,39% -2,59% -0,86% Lothar Leder 0,13% 0,50% -4,00% Thomas Hellriegel 0,48% -1,46% 1,36% Christoph Mauch 0,06% -1,23% 2,89% Peter Kropko 0,03% 3,01% -2,85% Spencer Smith -1,62% -0,35% 6,19% Cameron Widoff 0,51% 4,94% -1,88% Ken Glah -0,16% -1,02% 8,67%

39

5.4.19 Ano de 1999

Tabela 19: Análise TOP 10 1999 Atleta Natação Ciclismo Corrida Total Luc Van Lierde 0:50:38 04:41:26 02:42:46 08:17:17 Peter Reid 0:50:46 04:41:39 02:47:56 08:22:54 Timothy DeBoom 0:48:51 04:42:58 02:51:23 08:25:42 Christoph Mauch 0:53:00 04:39:22 02:52:29 08:27:06 Olivier Bernhard 0:53:38 04:48:44 02:41:57 08:27:12 Thomas Hellriegel 0:53:07 04:38:38 02:54:03 08:28:49 Frank Heldoorn 0:53:07 04:49:38 02:51:12 08:36:34 Christopher Legh 0:50:35 04:48:12 02:55:36 08:37:22 Christophe Buquet 0:56:45 04:45:43 02:53:07 08:38:21 Peter Sandvang 0:50:37 04:40:13 03:06:34 08:39:20 Média 0:52:06 4:43:39 2:51:42 8:30:04 “Excesso de Performance” Δ % Natação Δ % Ciclismo Δ % Corrida Luc Van Lierde -2,83% -0,78% -5,21% Peter Reid -2,57% -0,71% -2,20% Timothy DeBoom -6,25% -0,24% -0,19% Christoph Mauch 1,71% -1,51% 0,45% Olivier Bernhard 2,93% 1,79% -5,68% Thomas Hellriegel 1,94% -1,77% 1,37% Frank Heldoorn 1,94% 2,11% -0,29% Christopher Legh -2,92% 1,60% 2,27% Christophe Buquet 8,91% 0,73% 0,82% Peter Sandvang -2,86% -1,21% 8,66%

40

5.4.20 Ano de 1998

Tabela 20: Análise TOP 10 1998 Atleta Natação Ciclismo Corrida Total Peter Reid 0:52:04 04:42:23 02:47:31 08:24:30 Luc Van Lierde 0:48:48 04:52:45 02:47:58 08:31:57 Lothar Leder 0:50:43 04:55:20 02:44:58 08:32:57 Christoph Mauch 0:51:41 04:50:02 02:53:39 08:38:06 Spencer Smith 0:49:02 04:53:30 02:53:40 08:39:07 Christopher Leigh 0:55:12 04:46:14 02:56:43 08:40:45 Rene Rovera 0:55:05 04:55:19 02:48:03 08:41:10 Thomas Hellriegel 0:52:08 04:41:45 03:08:34 08:45:21 Rainer Muller-Horner 0:51:47 04:53:55 02:59:03 08:46:52 Timothy DeBoom 0:49:14 04:52:17 03:04:43 08:48:59 “Excesso de Performance” △% Natação △ % Ciclismo △% Corrida Peter Reid 0,96% -2,74% -3,99% Luc Van Lierde -5,38% 0,83% -3,74% Lothar Leder -1,66% 1,72% -5,46% Christoph Mauch 0,21% -0,11% -0,48% Spencer Smith -4,93% 1,08% -0,47% Christopher Leigh 7,03% -1,42% 1,28% Rene Rovera 6,81% 1,71% -3,69% Thomas Hellriegel 1,09% -2,96% 8,07% Rainer Muller-Horner 0,41% 1,23% 2,62% Timothy DeBoom -4,54% 0,67% 5,86%

41

5.4.21 Ano de 1997

Tabela 21: Análise TOP 10 1997 Atleta Natação Ciclismo Corrida Total Thomas Hellriegel 0:53:08 04:47:57 02:51:56 08:33:01 Jurgen Zack 0:52:12 04:45:33 03:01:33 08:39:18 Lothar Leder 0:52:22 04:58:53 02:49:15 08:40:30 Peter Reid 0:52:24 04:56:32 02:54:20 08:43:16 Cristian Bustos 0:53:17 04:55:43 02:55:02 08:44:02 Cameron Widoff 0:52:25 04:56:21 02:55:32 08:44:18 Ken Glah 0:52:10 04:49:00 03:04:27 08:45:37 Holger Lorenz 0:52:19 04:59:31 02:54:05 08:45:55 Alex Taubert 0:53:10 05:03:07 02:51:32 08:47:49 Frank Heldoorn 0:52:29 04:59:22 02:57:53 08:49:44 Média 0:52:36 4:55:12 2:55:33 8:43:21 “Excesso de Performance” △% Natação △ % Ciclismo △% Corrida Thomas Hellriegel 1,03% -2,46% -2,06% Jurgen Zack -0,75% -3,27% 3,41% Lothar Leder -0,43% 1,25% -3,59% Peter Reid -0,37% 0,45% -0,70% Cristian Bustos 1,31% 0,18% -0,30% Cameron Widoff -0,34% 0,39% -0,01% Ken Glah -0,81% -2,10% 5,06% Holger Lorenz -0,53% 1,46% -0,84% Alex Taubert 1,09% 2,68% -2,29% Frank Heldoorn -0,21% 1,41% 1,32%

42

5.4.22 Ano de 1996

Tabela 22: Análise TOP 10 1996 Atleta Natação Ciclismo Corrida Total Luc Van Lierde 0:51:36 04:30:44 02:41:48 08:04:08 Thomas Hellriegel 0:54:22 04:24:50 02:46:55 08:06:07 Greg Welch 0:51:23 04:35:43 02:51:51 08:18:57 Peter Reid 0:54:22 04:30:33 02:59:42 08:24:37 Dave Scott 0:53:16 04:49:55 02:42:20 08:28:31 Alexander Taubert 0:55:31 04:42:52 02:52:22 08:30:45 Peter Kropko 0:54:14 04:48:12 02:52:29 08:34:55 Jean Moureau 0:55:40 04:41:55 02:57:54 08:35:29 Jan Van Der Marel 0:59:48 04:37:54 02:58:14 08:35:56 Matthias Klumpp 0:56:57 04:47:12 02:51:59 08:36:08 Média 0:54:43 4:38:59 2:51:33 8:25:33 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Luc Van Lierde -5,69% -2,96% -5,69% Thomas Hellriegel -0,64% -5,07% -2,70% Greg Welch -6,09% -1,17% 0,17% Peter Reid -0,64% -3,02% 4,75% Dave Scott -2,65% 3,92% -5,38% Alexander Taubert 1,47% 1,39% 0,47% Peter Kropko -0,88% 3,30% 0,54% Jean Moureau 1,74% 1,05% 3,70% Jan Van Der Marel 9,29% -0,39% 3,89% Matthias Klumpp 4,08% 2,95% 0,25%

43

5.4.23 Ano de 1995

Tabela 23: Análise TOP 10 1995 Atleta Natação Ciclismo Corrida Total Mark Allen 0:51:50 04:46:35 02:42:09 08:20:34 Thomas Hellriegel 0:55:17 04:29:37 02:58:05 08:22:59 Rainer Mueller 0:52:12 04:45:54 02:47:17 08:25:23 Greg Welch 0:51:47 04:46:31 02:50:56 08:29:14 Ken Glah 0:51:54 04:46:47 02:51:59 08:30:40 Cristian Bustos 0:56:01 04:49:23 02:48:05 08:33:29 Jurgen Zack 0:53:41 04:40:23 02:59:59 08:34:03 Lothar Leder 0:53:29 04:44:35 02:56:02 08:34:06 Pauli Kiuru 0:51:59 04:46:55 02:55:14 08:34:08 Timothy DeBoom 0:51:54 04:47:07 02:59:16 08:38:17 Média 0:53:00 4:44:23 2:52:54 8:30:17 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Mark Allen -2,21% 0,78% -6,22% Thomas Hellriegel 4,30% -5,19% 3,00% Rainer Mueller -1,52% 0,54% -3,25% Greg Welch -2,31% 0,75% -1,14% Ken Glah -2,09% 0,85% -0,53% Cristian Bustos 5,68% 1,76% -2,79% Jurgen Zack 1,28% -1,40% 4,09% Lothar Leder 0,90% 0,07% 1,81% Pauli Kiuru -1,93% 0,89% 1,35% Timothy DeBoom -2,09% 0,96% 3,68%

44

5.4.24 Ano de 1994

Tabela 24: Análise TOP 10 1994 Atleta Natação Ciclismo Corrida Total Greg Welch 0:50:22 04:41:07 02:48:58 08:20:27 Dave Scott 0:51:48 04:39:16 02:53:28 08:24:32 Jeff Devlin 0:58:49 04:34:06 02:59:01 08:31:56 Jurgen Zack 0:54:15 04:35:32 03:04:13 08:34:00 Olaf Sabatschus 0:59:14 04:42:06 02:53:23 08:34:42 Lothar Leder 0:54:20 04:45:47 02:59:19 08:39:26 Frank Heldoorn 0:54:13 04:42:53 03:02:53 08:39:59 Jean Moureau 0:54:12 04:42:23 03:04:19 08:40:54 Ken Glah 0:51:48 04:37:42 03:12:13 08:41:43 Hideya Miyazuka 0:58:32 04:47:23 03:01:32 08:47:27 Média 0:54:45 4:40:49 2:59:56 8:35:31 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Greg Welch -8,01% 0,10% -6,09% Dave Scott -5,40% -0,55% -3,59% Jeff Devlin 7,42% -2,39% -0,51% Jurgen Zack -0,92% -1,88% 2,38% Olaf Sabatschus 8,18% 0,45% -3,64% Lothar Leder -0,77% 1,77% -0,34% Frank Heldoorn -0,98% 0,73% 1,64% Jean Moureau -1,01% 0,55% 2,44% Ken Glah -5,40% -1,11% 6,83% Hideya Miyazuka 6,90% 2,34% 0,89%

45

5.4.25 Ano de 1993

Tabela 25: Análise TOP 10 1993 Atleta Natação Ciclismo Corrida Total Mark Allen 0:50:40 04:29:00 02:48:05 08:07:45 Pauli Kiuru 0:51:05 04:28:06 02:55:16 08:14:27 Wolfgang Dittrich 0:48:30 04:30:29 03:01:14 08:20:13 Ken Glah 0:50:41 04:33:54 02:59:26 08:24:01 Jurgen Zack 0:51:52 04:27:42 03:06:44 08:26:18 Paul Huddle 0:53:32 04:39:39 02:54:36 08:27:47 Bruce Thomas 0:50:29 04:38:15 03:00:05 08:28:49 Holger Lorenz 0:51:47 04:35:29 03:05:35 08:32:51 Jeff Devlin 0:53:40 04:44:20 02:55:18 08:33:18 Olaf Sabatschus 0:57:05 04:40:08 02:56:55 08:34:08 Média 0:51:56 4:34:42 2:58:19 8:24:58 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Mark Allen -2,44% -2,08% -5,74% Pauli Kiuru -1,64% -2,40% -1,71% Wolfgang Dittrich -6,61% -1,54% 1,63% Ken Glah -2,41% -0,29% 0,62% Jurgen Zack -0,13% -2,55% 4,72% Paul Huddle 3,08% 1,80% -2,09% Bruce Thomas -2,80% 1,29% 0,99% Holger Lorenz -0,29% 0,28% 4,07% Jeff Devlin 3,33% 3,51% -1,70% Olaf Sabatschus 9,91% 1,98% -0,79%

46

5.4.26 Ano de 1992

Tabela 26: Análise TOP 10 1992 Atleta Natação Ciclismo Corrida Total Mark Allen 0:51:27 04:35:23 02:42:18 08:09:08 Cristian Bustos 0:52:35 04:34:16 02:49:38 08:16:29 Pauli Kiuru 0:51:18 04:36:26 02:49:45 08:17:29 Wolfgang Dittrich 0:48:35 04:38:17 02:56:27 08:23:19 Jurgen Zack 0:53:34 04:32:28 02:59:02 08:25:04 Greg Welch 0:49:32 04:37:20 03:00:01 08:26:53 Paul Huddle 0:51:37 04:41:19 02:54:30 08:27:26 Jeff Devlin 0:54:35 04:39:06 02:56:57 08:30:28 Teemu Vesala 0:57:30 04:43:51 02:56:08 08:37:29 Ray Browning 0:51:26 04:41:31 03:07:37 08:40:34 Média 0:52:13 4:38:00 2:55:14 8:25:26 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Mark Allen -1,47% -0,94% -7,38% Cristian Bustos 0,71% -1,34% -3,20% Pauli Kiuru -1,75% -0,56% -3,13% Wolfgang Dittrich -6,96% 0,10% 0,69% Jurgen Zack 2,59% -1,99% 2,17% Greg Welch -5,14% -0,24% 2,73% Paul Huddle -1,15% 1,19% -0,42% Jeff Devlin 4,54% 0,40% 0,98% Teemu Vesala 10,12% 2,11% 0,51% Ray Browning -1,50% 1,27% 7,06%

47

5.4.27 Ano de 1991

Tabela 27: Análise TOP 10 1991 Atleta Natação Ciclismo Corrida Total Mark Allen 0:50:14 04:46:07 02:42:09 08:18:32 Greg Welch 0:51:02 04:45:21 02:48:10 08:24:34 Jeff Devlin 0:54:12 04:43:11 02:50:31 08:27:55 Pauli Kiuru 0:51:08 04:45:20 02:53:38 08:30:07 Wolfgang Dittrich 0:48:02 04:42:58 02:59:48 08:30:48 Scott Tinley 0:53:59 04:49:59 02:59:07 08:43:06 Ken Glah 0:51:06 04:50:03 03:05:19 08:46:29 Ben Van Zelst 0:54:02 04:55:08 03:00:39 08:49:51 Cristian Bustos 0:52:55 04:54:52 03:03:04 08:50:52 Stefan Kolm 0:51:25 04:52:21 03:09:19 08:53:06 Média 0:51:48 4:48:32 2:57:10 8:37:32

“Excesso de Performance” △% Natação △% Ciclismo △% Corrida

Mark Allen -3,04% -0,84% -8,48% Greg Welch -1,50% -1,10% -5,08% Jeff Devlin 4,62% -1,85% -3,76% Pauli Kiuru -1,30% -1,11% -2,00% Wolfgang Dittrich -7,29% -1,93% 1,48% Scott Tinley 4,20% 0,50% 1,10% Ken Glah -1,37% 0,53% 4,60% Ben Van Zelst 4,29% 2,29% 1,96% Cristian Bustos 2,14% 2,20% 3,33% Stefan Kolm -0,76% 1,32% 6,85%

48

5.4.28 Ano de 1990

Tabela 28: Análise TOP 10 1990 Atleta Natação Ciclismo Corrida Total Mark Allen 0:51:43 04:43:45 02:52:48 08:28:17 Scott Tinley 0:52:36 04:51:33 02:53:30 08:37:40 Pauli Kiuru 0:52:48 04:51:32 02:55:04 08:39:24 Rob Barel 0:52:20 04:50:24 03:03:03 08:45:48 Greg Welch 0:51:51 04:52:20 03:01:56 08:46:07 Henry Kiens 0:51:48 04:52:26 03:02:21 08:46:36 Paul Huddle 0:53:47 04:51:30 03:03:19 08:47:37 Jurgen Zack 0:53:46 04:49:05 03:07:26 08:50:17 Ray Browning 0:52:17 04:51:54 03:12:54 08:57:06 Jeff Devlin 0:57:20 04:55:59 03:04:09 08:57:29 Média 0:53:02 4:51:03 3:01:39 8:45:38 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Mark Allen -2,47% -2,51% -4,87% Scott Tinley -0,80% 0,17% -4,49% Pauli Kiuru -0,43% 0,17% -3,62% Rob Barel -1,31% -0,22% 0,77% Greg Welch -2,22% 0,44% 0,16% Henry Kiens -2,31% 0,48% 0,39% Paul Huddle 1,43% 0,16% 0,92% Jurgen Zack 1,40% -0,67% 3,18% Ray Browning -1,40% 0,29% 6,19% Jeff Devlin 8,12% 1,70% 1,38%

49

5.4.29 Ano de 1989

Tabela 29: Análise TOP 10 1989 Atleta Natação Ciclismo Corrida Total Mark Allen 0:51:17 04:37:52 02:40:04 08:09:15 Dave Scott 0:51:16 04:37:53 02:41:03 08:10:13 Greg Welch 0:51:39 04:43:43 02:56:53 08:32:16 Ken Glah 0:51:24 04:38:57 03:02:10 08:32:32 Pauli Kiuru 0:53:29 04:43:08 02:56:03 08:32:42 Scott Tinley 0:54:15 04:38:53 03:03:43 08:36:52 Jurgen Zack 0:52:23 04:39:20 03:06:49 08:38:33 Yves Cordier 0:51:20 04:41:50 03:06:01 08:39:13 Ray Browning 0:51:33 04:42:04 03:05:57 08:39:35 Wolfgang Dittrich 0:48:13 04:39:04 03:12:38 08:39:56 Média 0:51:41 4:40:16 2:59:08 8:31:07 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Mark Allen -0,77% -0,86% -10,64% Dave Scott -0,80% -0,85% -10,10% Greg Welch -0,06% 1,23% -1,26% Ken Glah -0,55% -0,47% 1,69% Pauli Kiuru 3,49% 1,02% -1,72% Scott Tinley 4,97% -0,50% 2,56% Jurgen Zack 1,36% -0,34% 4,29% Yves Cordier -0,67% 0,56% 3,84% Ray Browning -0,25% 0,64% 3,80% Wolfgang Dittrich -6,70% -0,43% 7,54%

50

5.4.30 Ano de 1988

Tabela 30: Análise TOP 10 1988 Atleta Natação Ciclismo Corrida Total Scott Molina 0:51:28 04:36:50 03:02:42 08:31:00 Mike Pigg 0:51:20 04:37:44 03:04:06 08:33:11 Ken Glah 0:51:29 04:40:20 03:06:47 08:38:37 Scott Tinley 0:56:07 04:44:37 03:02:26 08:43:11 Mark Allen 0:51:23 04:54:20 02:57:38 08:43:22 Ray Browning 0:56:11 04:47:30 03:09:57 08:53:38 Dirk Aschmoneit 0:51:18 04:56:34 03:06:12 08:54:15 Todd Jacobs 0:56:15 04:55:37 03:04:01 08:55:53 Hideya Miyazuka 0:59:26 04:54:08 03:04:00 08:57:35 Pauli Kiuru 0:56:06 04:59:16 03:05:25 09:00:49 Média 0:54:06 4:48:42 3:04:19 8:47:09 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Scott Molina -4,88% -4,11% -0,88% Mike Pigg -5,12% -3,80% -0,12% Ken Glah -4,85% -2,90% 1,33% Scott Tinley 3,72% -1,41% -1,03% Mark Allen -5,03% 1,95% -3,63% Ray Browning 3,84% -0,41% 3,05% Dirk Aschmoneit -5,18% 2,73% 1,02% Todd Jacobs 3,96% 2,40% -0,17% Hideya Miyazuka 9,85% 1,88% -0,18% Pauli Kiuru 3,69% 3,66% 0,59%

51

5.4.31 Ano de 1987

Tabela 31: Análise TOP 10 1987 Atleta Natação Ciclismo Corrida Total Dave Scott 0:50:47 04:53:48 02:49:26 08:34:13 Mark Allen 0:51:00 04:53:47 03:00:31 08:45:19 Greg Stewart 01:03:16 05:00:00 02:55:36 08:58:53 Mike Pigg 0:51:01 05:00:54 03:10:38 09:02:34 Ken Glah 0:53:22 04:53:30 03:18:24 09:05:17 Scott Tinley 0:54:35 05:01:25 03:12:36 09:08:37 Nicholaus Martin 01:00:31 05:08:37 03:01:20 09:10:29 Todd Jacobs 0:58:00 05:09:37 03:05:21 09:12:58 George Hoover 0:51:22 05:14:43 03:09:46 09:15:53 Pauli Kiuru 0:56:02 05:20:47 02:59:11 09:16:00 Média 0:55:00 5:03:43 3:04:17 9:03:01 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Dave Scott -7,66% -3,26% -8,06% Mark Allen -7,26% -3,27% -2,04% Greg Stewart 15,04% -1,22% -4,71% Mike Pigg -7,23% -0,93% 3,45% Ken Glah -2,96% -3,36% 7,66% Scott Tinley -0,75% -0,76% 4,51% Nicholaus Martin 10,04% 1,61% -1,60% Todd Jacobs 5,47% 1,94% 0,58% George Hoover -6,59% 3,62% 2,98% Pauli Kiuru 1,89% 5,62% -2,77%

52

5.4.32 Ano de 1986

Tabela 32: Análise TOP 10 1986 Atleta Natação Ciclismo Corrida Total Dave Scott 0:50:53 04:48:32 02:49:11 08:28:37 Mark Allen 0:51:00 04:49:29 02:55:34 08:36:04 Scott Tinley 0:53:06 04:57:18 03:10:11 09:00:37 Klaus Barth 0:53:22 04:53:21 03:16:57 09:03:42 Greg Stewart 0:57:02 04:58:31 03:09:37 09:05:10 Ken Glah 0:53:11 05:00:05 03:16:13 09:09:30 Tony Sattler 01:00:45 04:57:33 03:12:06 09:10:25 Mark Surprenant 0:51:45 05:00:38 03:20:51 09:13:15 Mike Pigg 0:51:43 05:08:20 03:16:40 09:16:43 Mac Martin 0:56:54 04:50:27 03:32:38 09:20:00 Média 0:53:58 4:56:25 3:12:00 9:02:24 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Dave Scott -5,72% -2,66% -11,88% Mark Allen -5,50% -2,34% -8,56% Scott Tinley -1,61% 0,30% -0,94% Klaus Barth -1,11% -1,04% 2,58% Greg Stewart 5,68% 0,71% -1,24% Ken Glah -1,45% 1,23% 2,20% Tony Sattler 12,57% 0,38% 0,05% Mark Surprenant -4,11% 1,42% 4,61% Mike Pigg -4,17% 4,02% 2,43% Mac Martin 5,43% -2,02% 10,75%

53

5.4.33 Ano de 1985

Tabela 33: Análise TOP 10 1985 Atleta Natação Ciclismo Corrida Total Scott Tinley 0:55:13 04:54:07 03:01:33 08:50:54 Chris Hinshaw 0:49:53 04:57:50 03:28:56 09:16:40 Carl Kupferschmid 01:11:47 05:10:35 03:04:09 09:26:32 Hannes Blaschke 01:03:24 05:02:13 03:26:36 09:32:15 Tom Charles 01:02:23 05:28:09 03:04:41 09:35:14 Danny Banks 0:51:58 05:06:56 03:38:54 09:37:49 Mike Pigg 0:57:52 05:23:12 03:17:06 09:38:10 Klaus Barth 0:55:20 05:19:33 03:28:15 09:43:09 Steven Mudgett 01:01:53 05:26:03 03:18:31 09:46:27 Michael Kirtley 01:02:27 05:40:23 03:04:31 09:47:22 Média 0:59:13 5:14:54 3:17:19 9:31:27 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Scott Tinley -6,75% -6,60% -7,99% Chris Hinshaw -15,76% -5,42% 5,89% Carl Kupferschmid 21,22% -1,37% -6,67% Hannes Blaschke 7,06% -4,03% 4,70% Tom Charles 5,35% 4,21% -6,40% Danny Banks -12,24% -2,53% 10,94% Mike Pigg -2,28% 2,64% -0,11% Klaus Barth -6,56% 1,48% 5,54% Steven Mudgett 4,50% 3,54% 0,61% Michael Kirtley 5,46% 8,09% -6,49%

54

5.4.34 Ano de 1984

Tabela 34: Análise TOP 10 1984 Atleta Natação Ciclismo Corrida Total Dave Scott 0:50:21 05:10:59 02:53:00 08:54:20 Scott Tinley 0:55:24 05:18:52 03:03:57 09:18:45 Grant Boswell 0:53:07 05:15:04 03:15:44 09:23:55 Rob Barel 0:53:03 05:10:22 03:23:45 09:27:11 Mark Allen 0:50:22 04:59:21 03:45:19 09:35:02 John Howard 01:07:52 04:56:49 03:33:57 09:38:39 David Evans 0:59:00 05:21:32 03:23:23 09:43:55 Chris Hinshaw 0:49:07 05:20:26 03:39:15 09:48:49 Steve Sine 01:03:03 05:39:07 03:14:11 09:56:21 Scott Skultety 0:58:45 05:33:37 03:26:39 09:59:02 Média 0:56:00 5:16:37 3:21:55 9:34:36 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Dave Scott -10,10% -1,78% -14,32% Scott Tinley -1,08% 0,71% -8,90% Grant Boswell -5,16% -0,49% -3,06% Rob Barel -5,28% -1,97% 0,91% Mark Allen -10,07% -5,45% 11,59% John Howard 21,18% -6,25% 5,96% David Evans 5,34% 1,55% 0,73% Chris Hinshaw -12,30% 1,21% 8,58% Steve Sine 12,58% 7,11% -3,83% Scott Skultety 4,90% 5,37% 2,34%

55

5.4.35 Ano de 1983

Tabela 35: Análise TOP 10 1983 Atleta Natação Ciclismo Corrida Total Dave Scott 0:50:52 05:10:48 03:04:16 09:05:57 Scott Tinley 0:57:24 05:03:58 03:05:08 09:06:30 Mark Allen 0:52:08 05:13:32 03:15:26 09:21:06 Marc Thompson 01:01:20 05:20:49 03:26:57 09:49:07 Robert Roller 0:53:30 05:32:13 03:30:38 09:56:23 Mark MacIntyre 01:03:29 05:52:59 03:00:47 09:57:16 Bob Curtis 01:00:14 05:23:00 03:38:44 10:01:59 Thomas Boughey 0:50:50 05:36:17 03:34:51 10:01:59 Mac Martin 0:59:50 05:25:22 03:39:14 10:04:27 Kurt Madden 0:57:58 05:43:56 03:23:27 10:05:21 Média 0:56:45 5:26:17 3:21:57 9:45:00 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Dave Scott -10,38% -4,75% -8,75% Scott Tinley 1,13% -6,84% -8,33% Mark Allen -8,15% -3,91% -3,23% Marc Thompson 8,06% -1,68% 2,48% Robert Roller -5,74% 1,82% 4,30% Mark MacIntyre 11,85% 8,18% -10,48% Bob Curtis 6,12% -1,01% 8,31% Thomas Boughey -10,44% 3,06% 6,39% Mac Martin 5,42% -0,28% 8,56% Kurt Madden 2,13% 5,41% 0,74%

56

5.4.36 Ano de 1982

Tabela 36: Análise TOP 10 1982 Atleta Natação Ciclismo Corrida Total Dave Scott 0:50:52 05:10:16 03:07:15 09:08:23 Scott Tinley 01:00:58 05:18:09 03:09:21 09:28:28 Jeff Tinley 0:58:05 05:21:05 03:17:43 09:36:53 Scott Molina 0:52:48 05:26:20 03:31:15 09:50:23 Jody Durst 0:55:41 05:23:33 03:33:29 09:52:43 Kurt Madden 0:56:16 05:35:16 03:33:04 10:04:36 George Yates 01:07:42 05:26:20 03:33:18 10:07:20 Dean Harper 0:53:30 05:47:06 03:27:19 10:07:55 Reed Gregerson 0:55:32 05:38:38 03:34:14 10:07:24 Ferdy Massimino 0:53:32 05:28:51 03:47:44 10:10:07 Média 0:56:30 5:27:33 3:27:28 9:51:25 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida Dave Scott -9,96% -5,28% -9,75% Scott Tinley 7,92% -2,87% -8,73% Jeff Tinley 2,81% -1,98% -4,70% Scott Molina -6,54% -0,37% 1,82% Jody Durst -1,43% -1,22% 2,90% Kurt Madden -0,40% 2,35% 2,70% George Yates 19,84% -0,37% 2,81% Dean Harper -5,30% 5,97% -0,07% Reed Gregerson -1,70% 3,38% 3,26% Ferdy Massimino -5,24% 0,39% 9,77%

57

5.4.37 Ano de 1981

Tabela 37: Análise TOP 10 1981 Atleta Natação Ciclismo Corrida Total John Howard 01:11:12 05:03:29 03:23:48 09:38:29 Tom Warren 0:59:40 05:37:09 03:27:49 10:04:28 Scott Tinley 01:05:34 05:47:52 03:19:21 10:12:47 Thomas Boughey 0:56:26 05:57:00 03:30:14 10:23:40 Dennis Hansen 01:03:48 06:01:45 03:21:10 10:26:43 Dante Dettamanti 01:01:09 05:36:15 03:41:38 10:29:02 James Butterfield 01:27:48 05:58:30 03:05:08 10:31:26 Jonathan Durst 0:58:07 05:33:47 04:02:17 10:34:11 Conrad Kress 01:02:26 05:49:40 03:46:09 10:38:15 Ronald Krueper 01:02:56 06:00:57 03:25:28 10:39:11 Média 1:04:55 5:44:38 3:30:18 10:21:49 “Excesso de Performance” △% Natação △% Ciclismo △% Corrida John Howard 9,69% -11,94% -3,09% Tom Warren -8,08% -2,17% -1,18% Scott Tinley 1,01% 0,94% -5,21% Thomas Boughey -13,06% 3,59% -0,03% Dennis Hansen -1,71% 4,96% -4,34% Dante Dettamanti -5,79% -2,43% 5,39% James Butterfield 35,26% 4,02% -11,97% Jonathan Durst -10,47% -3,15% 15,21% Conrad Kress -3,82% 1,46% 7,54% Ronald Krueper -3,05% 4,73% -2,30%

58

5.5 Modelo Proposto: Índice de Performance Relativa Ajustada

5.5.1 Índice de Performance Relativa Ajustada IPRA – Global (IPRAg)

O cálculo do desempenho geral dos atletas foi efetuado com base numa medida de tamanho de efeito. Na verdade, o IPRAg, foi calculado pela diferença entre o tempo do atleta e a média dos atletas TOP 10, dividido pelo desvio-padrão dos tempos médios dos mesmos. Na tabela 38, a diferença de tempo está em variação percentual para facilitar a análise, todavia, para os cálculos do índice de performance, deve-se utilizar a diferença de tempo, medida em segundos.

Tabela 38. Índice de Performance Relativa Ajustada - Global Atleta IPRAg % DP 1 Peter Reid -3,2598 -1,83% 173,39 2 Mark Allen -3,0272 -3,03% 306,42 3 Dave Scoot -1,7804 -6,52% 1246,47 4 Lothar Leder -1,7519 -1,92% 341,46 5 Greg Welch -1,6434 -1,35% 252,16 6 Craig Alexander -1,5807 -1,85% 354,66 7 Andreas Raelert -1,2194 -1,09% 269,15 8 Jeff Devlin -1,0880 -1,65% 468,57 9 Scott Tinlley -1,0880 -4,42% 1387,70 10 TImothy DeBoom -0,9679 -1,29% 413,70 11 Chris McCormack -0,8756 -0,89% 308,60 12 Thomas Hellriegel -0,8466 -1,44% 527,03 13 Pauli Kiuru -0,7813 -1,19% 468,97 14 Rutger Beke -0,7278 -0,42% 701,61 15 Sebastian Kienle -0,6911 -0,82% 355,96 16 Norman Stadler -0,6210 -1,43% 715,94 17 Faris Al-Sultan -0,2893 -0,66% 697,46 18 Cameron Brown -0,2583 -0,43% 512,58 19 Eneko Llanos -0,2054 -0,21% 309,63 20 Jurgen Zack -0,0242 -0,03% 412,81 21 Cameron Widoff 0,2730 0,59% 669,48 22 Timo Bracht 0,3195 0,78% 748,14 23 Andy Potts 0,5942 0,30% 153,15 24 Ken Glah 1,9646 1,88% 292,79 *Onde % significa delta percentual; e DP significa desvio padrão.

59

5.5.2 Índice de Performance Relativa Ajustada - Natação (IPRAn)

A metodologia para o cálculo do IPRAn usou o mesmo fundamento conceitual do cálculo do IPRAg, como mostra a Tabela 39.

Tabela 39. Índice de Performance Relativa Ajustada – Natação

Atleta IPRAn  % DP Rn 3 Dave Scoot -4,9868 -8,79% 58,87 1 2 Mark Allen -2,8126 -2,32% 25,95 2 23 Andy Potts -2,2979 -3,92% 53,35 3 17 Faris Al-Sultan -1,8713 -3,44% 58,14 4 10 TImothy DeBoom -1,8291 -3,32% 57,41 5 5 Greg Welch -1,4508 -3,66% 80,51 6 24 Ken Glah -1,0898 -2,59% 75,79 7 18 Cameron Brown -0,8775 -1,70% 61,31 8 6 Craig Alexander -0,8437 -0,85% 31,29 9 21 Cameron Widoff -0,6337 -1,26% 63,12 10

19 Eneko Llanos -0,5752 -0,79% 43,46 11

4 Lothar Leder -0,5427 -1,37% 80,34 12 1 Peter Reid -0,4190 -0,51% 37,71 13 12 Thomas Hellriegel -0,3873 -1,47% 126,00 14 13 Pauli Kiuru -0,3582 -0,33% 29,03 15 9 Scott Tinlley 0,0101 0,04% 118,52 16 20 Jurgen Zack 0,2150 0,40% 59,54 17

11 Chris McCormack 0,2794 0,52% 57,99 18

7 Andreas Raelert 0,6654 0,72% 33,96 19 16 Norman Stadler 0,8684 2,09% 76,46 20 14 Rutger Beke 1,5659 2,88% 58,24 21 22 Timo Bracht 1,6615 2,54% 48,03 22 15 Sebastian Kienle 2,4607 5,08% 63,72 23 8 Jeff Devlin 2,7293 5,64% 65,36 24

*Onde % significa delta percentual; DP significa desvio padrão e Rnsignifica a classificação do atleta no índice considerado.

60

5.5.3 Índice de Performance Relativa Ajustada – Ciclismo (IPRAcic)

A metodologia para o cálculo do IPRAcic usou o mesmo fundamento conceitual do cálculo do IPRAg, como verifica-se na Tabela 40.

Tabela 40. Índice de Performance Relativa Ajustada - Ciclismo Atleta IPRAcic  % DP Rcic 15 Sebastian Kienle -3,2746 -3,07% 152,69 1 20 Jurgen Zack -1,8355 -2,23% 205,72 2 9 Scott Tinlley -1,7805 -3,16% 335,29 3 12 Thomas Hellriegel -1,7501 -3,48% 342,38 4 16 Norman Stadler -1,6747 -3,50% 356,12 5 3 Dave Scoot -1,0042 -3,58% 671,57 6 24 Ken Glah -0,6395 -2,19% 587,30 7 2 Mark Allen -0,5146 -1,12% 369,23 8 13 Pauli Kiuru -0,3241 -0,57% 296,85 9 10 TImothy DeBoom -0,1957 -0,24% 207,42 10 17 Faris Al-Sultan -0,1456 -0,49% 559,09 11 7 Andreas Raelert -0,0763 -0,09% 199,14 12 14 Rutger Beke -0,0411 -0,14% 559,06 13 1 Peter Reid -0,0290 -0,95% 164,41 14 19 Eneko Llanos -0,0290 -0,03% 185,92 15 11 Chris McCormack 0,0012 0,00% 160,47 16 18 Cameron Brown 0,0391 0,09% 383,66 17 8 Jeff Devlin 0,1170 0,25% 369,33 18 22 Timo Bracht 0,2277 0,75% 549,77 19 21 Cameron Widoff 0,3653 0,73% 343,33 20 6 Craig Alexander 0,5096 0,23% 73,78 21 5 Greg Welch 0,5401 0,57% 178,84 22 4 Lothar Leder 0,7252 1,32% 314,12 23 23 Andy Potts 1,6691 2,05% 200,71 24

*Onde % significa delta percentual; DP significa desvio padrão e Rcicsiginifica a classificação do atleta no índice considerado.

61

5.5.4 Índice de Performance Relativa Ajustada – Corrida (IPRAcor)

A metodologia para o cálculo do IPRAcor usou o mesmo fundamento conceitual do cálculo do IPRAg, como mostra a Tabela 41.

Tabela 41. Índice de Performance Relativa Ajustada - Corrida Atleta IPRAcor  % DP Rcor 2 Mark Allen -5,4357 -6,53% 127,56 1 9 Scott Tinlley -4,2549 -7,76% 216,64 2 3 Dave Scott -4,0484 -10,58% 309,70 3 11 Chris McCormack -3,6168 -3,13% 89,80 4 6 Craig Alexander -2,8664 -4,36% 157,20 5 1 Peter Reid -2,6828 -4,02% 158,34 6 4 Lothar Leder -2,6012 -2,76% 112,95 7 10 TImothy DeBoom -2,2396 -3,95% 186,37 8 7 Andreas Raelert -2,0676 -3,34% 168,41 9 13 Pauli Kiuru -2,0442 -2,44% 127,58 10 5 Greg Welch -1,9269 -2,71% 148,73 11 14 Rutger Beke -1,8747 -2,25% 126,42 12 18 Cameron Brown -1,8446 -2,30% 132,17 13 23 Andy Potts -1,2105 -1,27% 109,70 14 22 Timo Bracht -0,8864 -1,08% 128,39 15 8 Jeff Devlin -0,6092 -0,71% 125,42 16 17 Faris Al-Sultan -0,2548 -0,30% 125,59 17 12 Thomas Hellriegel -0,2310 -0,41% 187,86 18 19 Eneko Llanos 0,4947 0,63% 131,80 19 21 Cameron Widoff 0,9560 0,99% 110,67 20 15 Sebastian Kienle 1,0532 1,00% 98,56 21 16 Norman Stadler 1,2071 0,91% 80,69 22 24 Ken Glah 1,5246 2,20% 155,97 23 20 Jurgen Zack 2,4297 3,35% 146,11 24

*Onde % significa delta percentual; DP significa desvio padrão e Rcor siginifica a classificação do atleta no índice considerado.

62

5.6 Correlações entre as Etapas

A tabela 42 mostra as correlações entre as diversas etapas da prova, com todas as combinações possíveis, para a análise da dinâmica da prova.

Tabela 42. Correlação entre as etapas com base nos índices de performance

Etapas Correlação

IPRAg x IPRAn 0,174

IPRAg x IPRAcic 0,007

IPRAg x IPRAcor 0,690

IPRAn x IPRAcic - 0,253

IPRAcic x IPRAcor - 0,279

IPRAn x IPRAcor 0,403

5.7 Coeficiente de Variação entre as Etapas

Já a tabela 43 mostra a média, o desvio padrão, bem como o coeficiente de variação (relação entre o desvio padrão e a média) para cada uma das etapas consideradas.

Tabela 43. Coeficiente de variação entres as etapas Natação Ciclismo Corrida Média período 10,23% 54,91% 34,47% Desvio padrão 0,27% 0,70% 0,54% Coeficiente de variação 2,63% 1,28% 1,57%

63

6. DISCUSSÃO

O principal objetivo do presente estudo foi estabelecer um modelo de performance relativa que possa ser utilizado para a comparação do desempenho de atletas, independentemente da época em que os mesmos competiram, bem como auxiliar na estratégia de treinamento e competições, com base nesses resultados. Usou-se, como exemplo a modalidade esportiva triatlo, mas tal modelo pode ser aplicado em qualquer atividade que tenha seu resultado medido pelo tempo. Por uma questão de delimitação do mesmo, trabalhou-se apenas com atletas profissionais do sexo masculino, que figuraram entre os TOP 10, por pelo menos cinco vezes, mas este modelo pode ser aplicado em outras modalidades, com qualquer perfil de atleta, sem maiores dificuldades metodológicas.

6.1. Número de vezes no TOP 10

As análises deste estudo mostraram que os atletas Mark Allen e Scoot Tinley foram os atletas que mais figuraram no TOP 10, no período considerado, cada um com 11 aparições. Em seguida Ken Glah, aparece com 10 participações no TOP 10, seguidos por Faris-Al-Sutan e Peter Reid, com nove aparições, cada (Figura 1). Pode- se argumentar que com o passar dos anos, com o aumento da competitividade da prova, ficou mais difícil figurar tantas vezes no TOP 10, como no início do campeonato mundial de Ironman (BARBOSA et al, 2019).

6.2. Mudanças nos tempos da prova ao longo dos anos

As análises do tempos médios das provas trouxe algumas observações a serem consideradas. Pôde-se observar que no início houve uma redução considerável no tempo médio de prova dos TOP 10. Isso era de se esperar com o aumento da competitividade em provas deste tipo. Cabe aqui lembrar que o Campeonato Mundial de Ironman teve início, de forma mais efetiva em 1981, pois nas primeiras provas haviam poucos competidores.Assim sendo, a partir de 1986 os tempos ficaram mais próximos à média, o que efetivamente ocorreu a partir de 1988 (Figura 2). Vale ressaltar que eventuais oscilações no tempo de provas são naturais, ao longo dos anos, em função de características específicas das condicionantes climáticas

64

(temperatura, umidade, vento e correnteza).

O tempo médio por modalidade mostrou o óbvio em relação ao tipo de prova. A etapa de natação é a mais curta, representando aproximadamente 10% da prova, seguida do ciclismo que representa aproximadamente 55% da prova, na média, ficando a corrida com aproximadamente 35% do total (Tabela 43). Alguns trabalhos mostraram que a etapa do ciclismo é a que tem maior correlação com o tempo final de prova (CARMO et al., 2014, FERNANDEZ-REVELLES, 2018). Do ponto de vista estatístico, tal resultado é encontrado, principalmente em função da característica dos dados de natação, ciclismo e corrida. Especialmente nos casos de provas nas quais se consideram todos os participantes, a etapa de ciclismo tende a ter a maior duração (média) e uma variabilidade (desvio-padrão) muito grande.

A provável explicação deste fato, à luz da estatística, pode estar relacionada às violações de alguns princípios na utilização das técnicas de covariância e correlação, tais como linearidade, homocedasticidade, normalidade e a não multicolinearidade, por exemplo (HAIR et al., 1998). Para o uso da correlação, algumas premissas básicas devem ser observadas e, quando trabalhada de forma global, considerando-se todos os competidores de uma prova de triatlo, especialmente de Ironman (onde a variabilidade dos resultados é maior), muitas das premissas são invariavelmente violadas (especialmente a homocedasticidade), com reflexos diretos nos resultados encontrados.

6.3. Análise Resultados Anuais – TOP 10

6.3.1. Visão Geral

A análise dos números do TOP 10, conforme descrito no item 5.4, nasessão de resultados (Tabelas 1 à 37), parece indicar algumas coisas interessantes. Em primeiro lugar fica evidente, como já mencionado, a redução do tempo médio de prova. Diversos estudos dão possíveis explicações para isso (BENTLEY et al., 2002, 2008; BUEKERS, 2016). Assim sendo, mudanças tecnológicas, bem como de estratégias nutricionais, de

65 treinamento, de recuperação, dentre outras, podem ter colaborado para que isso ocorresse.

No que se refere a mudanças tecnológicas, o ciclismo parece ter sido a modalidade mais influenciada, com a incorporação de novidades tecnológicas tais como os quadros de carbono, as rodas de carbono, bem como os medidores de potência (VIEIRA et al, 2015). Ocorre que uma melhor performance no ciclismo, em função de inovações tecnológicas tendem a levar a uma melhor performance, com redução do tempo médio na corrida (SURIANO et al., 2007, BERNARD et al., 2007, VERCRUYSSEN et al., 2002), principalmente em função do menor nível de fadiga na etapa anterior. Evidentemente que estratégias de treinamento no ciclismo também tiveraram o seu efeito, na medida em que auxiliaram na otimização de resultados na corrida (FOSTER et al., 1993; BIJKER, DE GROOT & HOLLANDER, 2002; BERNARD et al., 2007).

Assim, os avanços tecnológicos, aliados ao estudo de estratégias de treinamento mais adequadas, bem como ao estudo dos efeitos da fadiga em atividades prolongadas no ciclismo (ABBISS & LAURSEN, 2005), bem como os efeitos acumulativos das etapas subsequentes do triatlo na performance global (VLECK, BURGI & BENTLEY, 2006; GUEZENNEC, 1996; HAUSSWRITH et al., 1996; LAURSEN, RHODES & LANGILL, 2000) podem ter ajudado na redução geral dos tempos de prova.

Um outro ponto crucial, especialmente na prova que foi usada como exemplo no presente estudo, diz respeito às questões de hidratação e suplementação. A prova é realizada no Hawaii, em um clima tropical, com níveis elevados de temperatura e umidade. Nestas condições, especialmente considerando-se a duração da prova, bem como o nível e esforço empreendido, tais aspectos de estratégia nutricional são de fundamental importância (PEIFFER & ABBISS, 2011; JEUKENDRUP, JENTJENS & MOSELEY, 2005).

De certa forma, todas essas inovações e estratégias estão sumarizadas nos trabalhos de LEPERS (2008) e BARBOSA et al. (2019), nos quais os autores analisam as mudanças, ao longo do tempo, na performance dos atletas de elite (profissionais).

66

Barbosa et al. (2019), investigaram essas questões no período entre 1983 e 2018, portanto similar ao presente estudo. Os principais achados desse estudo mostraram que tanto homens quanto mulheres (profissionais) reduziram significamente o seu tempo de prova, ao longo do tempo. A maior redução foi observada no ciclismo, seguida da corrida, corroborando com os resultados encontrados neste estudo como pode-se verificar nas tabelas de 1 a 37.

6.3.2. Busca de Padrões nos Resultados

A análise do coeficiente de variação ao longo dos anos mostrou uma redução gradual em todas as modalidades, assim como no resultado geral, conforme foi observado por Figueiredo, Marques & Lepers (2016) e Malcata & Hopkins (2014). Isso pode ser considerado um indicativo de maior competitividade. Analisando de forma isolada, os maiores coeficientes de variação foram observados na natação e na corrida (Tabela 43). O ciclismo apresentou uma situação mais homogênea ao longo do período analisado, com menor coeficiente de variação. As análises das figuras 3, 4 e 5, indicam um tendência de redução de tempo nas provas, especialmente no ciclismo e na corrida, ao longo dos anos. Evidentemente, alterações pontuais podem ser observadas e muitas vezes estão relacionadas a fatores climáticos como salientado por Hue (2011) e Kerr et al. (1998). Ainda, levando em consideração os fatores climáticos, especialmente nas edições dessa prova em que as condições climáticas foram desfavoráveis (correnteza, vento, calor e umidade), a estratégia de pace (ritmo de prova) é de fundamental importância (HUE, 2011; KREIDER et al., 1988).

A tabela 43 mostra que a natação, apesar de ser a prova com menor participação relativa no tempo total de prova, apresentou o maior coeficiente de variação. Tal fato pode ser interessante e merece uma reflexão, pois o coeficiente de variação é uma medida de variabilidade ajustada importante para se considerar a importância relativa das etapas. O segundo maior coeficiente de variação foi o da corrida e o ciclismo, por sua vez, apesar de apresentar uma participação relativa de mais de 50% do tempo total da prova, apresentou um menor coeficiente de variação. Tal fato, pode ser um indício de que um maior esforço é empreendido na etapa de ciclismo, acarretando um impacto aos atletas, como foi observado pelo coeficiente de

67 variação na etapa da corrida.

Em média, analisando todo o período considerado, pôde-se observar que a natação representou 10,23%, o ciclismo 54,91% e a corrida 34,47% do tempo total da prova, respectivamente (Tabela 43). O Coeficiente de variação médio, ao longo do período considerado (1981 a 2017) foi de 2,63% na natação, 1,28% no ciclismo e 1,57% na corrida. Na busca por padrões, o ponto mais interessante é a análise das correlações. Ao analisar as correlações entre a natação e o ciclismo (nat_cic) e entre o ciclismo e a corrida (cic_cor) pode-se chegar a algumas reflexões interessantes.Vale destacar que a correlação nat_cic, nos últimos dez anos, apresentou sete resultados negativos e apenas três positivos.

Não dá para afirmar que seja uma tendência, mas analisando a performance individual dos atletas, em alguns casos, pode-se imaginar uma situação na qual o atleta com uma natação acima da média, que saia com alguns minutos de vantagem da água possa imprimir um ciclismo mais conservador, poupando energia para a etapa decisiva, ou seja, a corrida. Alguns estudos sustentam tal possibilidade (LANDERS et al., 2008; PEELING, BISHOP & LANDERS, 2005), além do trabalho de Frohlich et al. (2008) que comenta a relevância da corrida em termos de resultado final. A análise da correlação entre ciclismo e corrida do presente estudo, parece deixar isso bem claro, em termos de padrão médio, pois como regra, em apenas seis anos teve-se uma correlação positiva entre o cic_cor. Ou seja, em geral, o atleta que pedalar mais rápido que a média, deverá correr a um ritmo abaixo da média. A questão é verificar o quanto vale à pena um esforço maior na etapa do ciclismo; e qual será o impacto dessa estratégia na etapa de corrida. A análise da evolução da performance global durante a prova de Iroman, entre atletas de elite, ao longo do tempo, parece corroborar tal suposição, como tem sido observado por alguns autores (BARBOSA et al., 2019; WONEROW et al., 2017; LEPERS, 2008).

68

6.4 Modelo Proposto: Índice de Performance Relativa Ajustado –IPRAd

6.4.1 IPRAd Geral

O cálculo do desempenho geral dos atletas foi efetuado com base numa medida de tamanho de efeito. Na verdade, o IPRAd foi calculado pela diferença entre o tempo do atleta e a média, dividido pelo desvio-padrão dos tempos médios dos atletas. Ou seja, trata-se de uma medida de performance relativa, ajustada. Dessa forma torna-se possível a comparação de resultados ao longo do tempo. Um atleta que competiu num momento menos competitivo, como por exemplo, Dave Scoot, teria o seu “excesso de performance” (D) sensibilizado (dividido) por uma maior variabilidade, em função da maior dispersão dos resultados entre os TOP 10, provavelmente em função da menor competitividade. Um valor negativo do IPRA indica uma performance acima da média, um índice positivo indica uma performance abaixo da média.

Apesar de permitir a comparação de atletas que competiram em períodos diferentes, o presente modelo funciona melhor com atletas que competiram simultaneamente, pois neste caso, as suposições a serem impostas ao modelo são menores. Com base neste modelo, Peter Reid, Mark Allen e Dave Scott figuram entre os três maiores nomes de todos os tempos, conforme a Tabela 38. Pôde-se observar que o “excesso de performance” D (tempo do atleta – tempo médio dos TOP 10) foi dividido pelo desvio padrão (DP) dos tempos dos TOP 10 para que se faça os ajustes relativos. Dessa forma, quem competiu um período “menos competitivo”, teve um maior DP e teve um impacto direto disso no seu índice. Esta foi a maneira encontrada para que fosse possível comparar resultados de períodos distintos de tempo. Isso explica a razão pela qual Peter Reid figurou em primeiro lugar e Dave Scott, que teve o maior “excesso de performance” ficou em terceiro. O mesmo raciocínio serve para explicar a segunda colocação de Mark Allen, apesar de ter um “excesso de performance” maior do que o primeiro colocado, Peter Reid.

Este modelo pode ser aplicado para qualquer nível de atleta. Caso o objetivo seja apenas o cálculo dos índices de performance relativa, a heterogeneidade dos competidores não será um óbice, pois tal fato será ajustado pelo DP. Caso seja do

69 interesse observar as correlações entre as etapas, ou rodar alguma regressão para verificar o peso relativo de cada etapa recomenda-se que se trabalhe com submodelos, dividindo-se a amostra em grupos competitivos mais homogêneos, pois neste caso o risco de violação das premissas exigidas para a utilização da análise de correlação ou regressão estariam sendo melhor observados.

6.4.2 IPRAd Natação (IPRAn)

A metodologia para o cálculo do IPRAn usou o mesmo fundamento conceitual do cálculo do IPRA global. Dave Scoot apresentou o melhor índice na etapa de natação, seguido por Mark Allen e Andy Potts, conforme a Tabela 39.

6.4.3 IPRAd Ciclismo (IPRAcic)

A metodologia para o cálculo do IPRAcic usou o mesmo fundamento conceitual do cálculo do IPRA global. Sebastian Kienle apresentou o melhor índice no ciclismo, seguido por Jurgen Zack e Scoot Tinlley, conforme a Tabela 40.

6.4.4 IPRAd Corrida (IPRAcor)

A metodologia para o cálculo do IPRAcor usou o mesmo fundamento conceitual do cálculo do IPRA global. Mark Allen apresentou a melhor performance, seguido por Scott Tinlley e Dave Scott, conforme a Tabela 41.

6.5 Análise Multivariada com os Índices de Performance Relativa

O IPRAg, o IPRAn, o IPRAcic e o IPRAcor podem ser analisados em conjunto, na busca de inferência de relações existentes entre eles. Para tanto, com base nos dados disponíveis nas tabelas 38, 39, 40 e 41 calculou-se a correlação entre os mesmos, bem como aplicou-se uma regressão para a estimativa dos coeficientes, na tentativa de verificar- se o peso relativo de cada etapa da prova no resultado geral, com base nos resultados do modelo proposto. AsTabelas 42 e 43, mostram as correlações entre as etapas, bem como as correlações anuais. Em primeiro lugar pode-se verificar uma correlação negativa entre a

70 natação e ociclismo e entre o ciclismo e a corrida. Isso parece corroborar a tese de que em provas de triatlo, ser um bom nadador pode ser algo importante, apesar da etapa de natação ser pouco representativa no total da prova.

A análise das correlações presentes na Tabela 42 trás alguns pontos interessantes para reflexão. Em primeiro lugar, parece que a corrida é a etapa que tem maior correlação com o resultado geral, o que pode indicar que esta é uma etapa decisiva. Chama a atenção a correlação entre a etapa de natação e corrida, pois a mesma parece indicar que uma boa natação pode ser importante para uma boa corrida. Analisando-se as correlações entre natação e ciclismo e entre ciclismo e corrida pôde- seelaborar um modelo de análise interessante, pois pôde-se inferir ainda que de forma geral, que uma boa natação poderia levar a um ciclismo mais conservador (menos intenso), o que em média, poderia levar a uma melhor corrida. Trata-se de um achado interessantee que pode ser mais explorado em outros estudos, pois tal fato pode ser de vital importância para estratégias de provas.No cômputo geral, a importância da natação já fôra levantada nos trabalhos de Landers et al. (2008) e Peeling, Bishop & Landers (2005).

A importância da corrida, no resultado final de uma prova de triatlo, também já foi corroborada por Frohlich et al. (2008).Os autores mostraram que a corrida foi a parte mais importante da prova de triatlo com base na análise de correlação entre as três disciplinas (natação, ciclismo e corrida). Sem dúvida a corrida é decisiva, mas tal análise é complexa, pois as etapas não são independentes, na medida em que o esforço empreendido em uma etapa tende a impactar o desempenho na etapa subsequente. Dessa forma, a análise de correlação tem que ser relativizada, especialmente em trabalhos que consideram todos os atletas, todas as faixas etárias, todos os gêneros, pois isso tende a aumentar a variabilidade dos dados (e inflar as correlações), conforme já discutido anteriormente.

Estes resultados, de certa forma, contrariam alguns estudos sobre triatlo (CARMO et al., 2014; FERNANDEZ-REVELEZ, 2018; BARBOSA et al., 2019), onde a etapa do ciclismo não é a etapa decisiva. Na verdade, parece que, efetivamente, a etapa decisiva é a corrida. As análises das correlações entre o IPRAg e os índices das etapas (IPRAn, IPRAcic, IPRAcor), conforme as Tabelas 42 e 43, parecem confirmar tal fato, na medida em que a correlação entre o IPRAg_IPRAcor foi de 0,690; entre o IPRAg_IPRAn foi de 0,174 e entre

71 o IPRAg_IPRAcic foi de 0,007. A análise estatística de tais elementos é complexa quer pela dificuldade em se observar os requisitos básicos para se trabalhar com análise multivariada (HAIR et al., 1998), quer em função das características específicas das provas de triatlo, nas quais as etapas são interdependentes e não independentes, de forma que uma etapa influencia de forma direta na performance da outra. Os estudos que trataram de estratégia de prova (ABBISS & LAURSEN, 2008; VLECK, BURGI & BENTLEY, 2006; GUEZENNECN et al., 1996; VERCRUYSSEN et al., 2002; LAURSEN et al., 2000) confirmaram tal fato, bem como refletem a importância da estratégia de prova no cômputo geral.

O presente estudo mostrou ser possível a utilização de uma medida de performance relativa para avaliação de atletas. Ao longo do trabalho ficou demonstrado não apenas a possibilidade de criação de um índice global, bem como a subdivisão, em índices derivados, no caso de atividades multiesporte. Como o modelo trabalha com a padronização dos resultados (via DP), pôde-se comparar resultados ao longo do tempo, muito embora o maior objetivo do modelo tenha sido a sua utilização entre atletas contemporâneos para o seu ranqueamento, para a adoção de estratégias, ou na otimização da performance.

6.6 Aplicações Práticas

O IPRAd permitiu a comparação entre o desempenho de atletas que competiram em diferentes épocas, em diferentes provas, pois não considerou unicamente os tempos obtidos em sua análise, mas sim os tempos relativos (relacionando com o tempo médio dos competidores). Assim sendo, pode ser considerada uma medida mais efetiva de análise de desempenho. No limite, um atleta pode ganhar menos provas, mas se for mais constante em seus resultados, em relação à média dos competidores, pode ter um bom índice de desempenho. Da mesma forma, aquele atleta que ganhou uma ou mais provas, por uma pequena diferença, mas teve um desempenho inconstante (maior variabilidade dos seus tempos em relação à média), ao longo do tempo, quando comparado aos seus concorrentes, pode apresentar um índice de desempenho relativo mais baixo. Assim sendo, tal medida de performance pode representar uma mudança importante na forma de ranqueamento dos atletas, com importantes aplicações práticas do ponto de vista de estruturação de treinamento e até mesmo em termos de estratégias de busca de patrocínios, na medida que para um atleta consistente, a medida pode implicar em um

72 aumento de performance relativa com efeitos positivos na busca de tais benefícios.

Outro ponto a ser considerado, é que o IPRAd pode ser calculado por modalidades, e não com base no resultado global. Até a performance nas transições (tempo gasto entre as trocas de modalidades, como da natação para o ciclismo e do ciclismo para a corrida) podem ser consideradas; desde que se tenha tais dados para o cálculo do IPRAd de transições. Entretanto, o principal aspecto a ser considerado no IPRAd é a possibilidade de se fazer comparações de desempenho de atletas em provas diferentes e em períodos diferentes. Esse tipo de análise não é possível com a simples comparação dos tempos. Em função disso, o IPRAd pode ser usado, inclusive como instrumento seletivo, para determinar atletas que irão representar um país, ou uma equipe, em determinada competição. Caso o IPRAd seja calculado de forma fragmentada, como no caso do triatlo, com índices específicos para as etapas de natação, ciclismo e corrida, tais informações podem ser utilizadas para que os técnicos e atletas redirecionem a estratégia de treinamento com o objetivo de melhora de performances relativas nas disciplinas necessárias.

7. Limitações do Modelo

Como todo e qualquer modelo, algumas simplificações são feitas e isso acarreta algum grau de fraqueza. Uma das limitações do presente modelo é a suposição de que todos os atletas analisados têm e/ou tiveram acesso às mesmas tecnologias (equipamentos, estratégia de treinamento, nutrição, dentre outras). Outra possível limitação diz respeito ao fato do modelo, especialmente em comparações de atletas que competiram em momentos diferentes, supor que todos foram afetados, da mesma forma, por condições climáticas. Tal fato é uma suposição que pode ser feita, todavia não é possível afirmar que uma maior correnteza no mar, ou um vento mais intenso no dia da prova, ou mesmo uma temperatura e/ou umidade relativa do ar mais elevada afetaria de forma idêntica os competidores (HUE, 2011).

73

8. CONCLUSÕES

De acordo com o estabelecimento do modelo de performance relativa para a comparação do desempenho de triatletas, independentemente da época em que os mesmos competiram, o principais achados deste estudo foram: i) A possibilidade de construção de um modelo para avaliar a performance relativa em provas de triatlo, com a construção de um modelo global, bem como modelos específicos, por modalidades de cada um dos componentes da prova; ii) A sugestão de que a natação pode ser uma etapa decisiva, mesmo em provas de longa duração de triatlo, como na modalidade de Ironman; iii) A importância do ajuste feito, pelo desvio padrão, para que a análise possa ser feita, de modo a tentar-se extrair eventuais mudanças nas condições da prova (correnteza, vento, calor, umidade); iv) A importância de se calcular o índice de performance por modalidade para que possa servir de subsídio para o treinador na preparação dos seus atletas e na escolha das provas, levando-se em consideração os pontos fortes e fracos dos atletas e as características das provas; v) A importância da consistência da porformance, no cômputo geral, para que se obtenha um bom índice. Em função disso, o índice de performance relativa pode ser utilizado como critério de seleção de atletas na formação de equipes que representarão, por exemplo, um país em um determinado evento esportivo.

74

REFERÊNCIAS BIBLIOGRÁFICAS

1. ABBISS, C.R; LAURSEN, P.B. Describing and understanding pacing strategies during athletic competition. Sports Med, v.38, n.3, p. 239–252, 2008

2. ABBISS, CR; LAURSEN, P.B. Models to explain fatigue during prolonged endurance cycling. Sports Med, v.35, n.10, p.865–898, 2005

3. ASUERO, G.A; SAYAGO, A; GONZÁLEZ, G. The Correlation Coefficient: An Overview. Crit Rev Anal Chem, v.36, n.1, p.41-59, 2006

4. ATHAYDE, G. Building a mean-downside risk portfolio frontier. In: Managing Downside Risk in Financial Markets. Sortino and Satchell eds. Oxford: Butterworth-Heinemann, 2011

5. ATKINSON, G, NEVILL, A.M. Selected issues in the design and analysis of sport performance research. J Sports Sci, v.19, p. 811-27, 2001

6. BALLESTRO, E. Mean-Semivariance Efficient Frontier: A Downside Risk Model for Portfolio Selection. Appl Math Finance,v.12, n.1, p.1-15, 2005

7. BATTERHAM, A.M, HOPKINS, W.G. Making meaningful inferences about magnitudes. Int J Sports Physiol Perf, v.1, p. 50–7, 2006

8. BARBOSA, L.P et al. Celebrating 40 years of Ironman: How the Champions Perform. Int J Environ Res Public Health, v.16, n.6, p.1019, 2019

9. BENTLEY, D.J. et al. Specific aspects of contemporary triathlon: implications for physiological analysis and performance. Sports Med, v.32, p.345-59, 2002

75

10. BENTLEY, D.J. et al. Maximising performance in triathlon: applied physiological and nutritional aspects of elite and non-elite competitions. J Sci Med Sport, v.11, n.4, p. 407-16, 2008

11. BENTLEY, D.J.; NEWELL, J.; BISHOP, D. Incremental exercise test design and analysis: implications for performance diagnostics in endurance athletes. Sports Med, v.37, n.7, p.575-86, 2007

12. BERNARD, T. et al. Constant versus variable-intensity during cycling: effects on subsequent running performance. Eur J Appl Physiol, v. 99, n.2, p.103–111, 2007

13. BIJKER, K.E; DE GROOT, G; HOLLANDER, A.P. Differences in leg muscle activity during running and cycling in humans. Eur J Appl Physiol, v.87, n.6, p. 556–561, 2002

14. BLAND, J.M.; ALTMAN, D.G. Statistical methods for assessing agreement between two methods of clinical measurement. Lancet, p. 307-10, 1986

15. BONACCI, J. et al. Rating of perceived exertion during cycling is associated with subsequent running economy in triathletes. J Sci Med Sport, v.16, n.1, p. 49-53, 2013

16. BUEKERS, M. et al. Interdisciplinary Research: A Promising Approach to Investigate Elite. Perform in Sports, Quest May, p. 3-15, 2016

17. BUJANG, M.A.; BAHARUM, N. Sample size guideline for correlation analysis. World J Soc Sci Res, v.3, n.1, p. 37-46, 2016

18. CARMO, E.C. et al. Análise do desempenho de atletas de elite no “Ironman” Brasil entre os anos de 2003 e 2010. Rev Bras Ed Fís Esp, Jan-Mar, v.28, n. 2, p. 57-64, 2014

76

19. COHEN, J. Statistical power analysis for the behavioral sciences. 2ed Hillsdale, NJ: Lawrence Earlbaum Associates, 1988

20. COHEN, J. Things I have learned (so far). Am Psychol, v.45, p. 1304-1312, 1990

21. CUMMING, G. Understanding The New Statistics: Effect Sizes, Confidence Intervals, and Meta-Analysis. New York: Routledge, 2012

22. ELLIS, P.D. The Essential Guide to Effect Sizes: Statistical Power, Meta- Analysis, and the Interpretation of Research Results. Cambridge, UK: Cambridge University Press, 2010

23. ETXEBARRIA, N. et al. Variability in Power Output During Cycling in International Olympic-Distance Triathlon. Int J Sports Physiol Perform, v.9, n.4, p. 732-734, 2014

24. FERNANDEZ-REVELLES, A.B. Infographic. Correlation between phases and final result in Men's triathlon competition at the Olympic Games in Sydney 2000, Br J Sports Med, 2018

25. FIGUEIREDO P; MARQUES, E.A; LEPERS, R. Changes in contribution of swim, cycle, and run performances on overall triathlon performance over a 26-year period. J Strength Cond Res, v.30, n.9, p. 1, 2016

26. FOSTER, C. et al. Effect of pacing strategy on cycle time trial performance. Med Sci Sports Exerc, v.25, n.3, p. 383–388,1993

27. FRANKS, I.M; GOODMAN, D. A systematic approach to analysing sports performance. J Sports Sci, v.4, n.1, p. 49-59, 1986

28. FRIEL, J. Your first triathlon. Velo Press. Bolder, Colorado, 2006

77

29. FRÖHLICH, M. et al. Consequences of the Three Disciplines on the Overall Result in Olympic-distance Triathlon. Intern Journal of Sport Sci Eng, v.2, n.4, p. 204–210, 2008

30. FRÖHLICH, M. et al. Model-theoretic optimization approach to triathlon performance under comparative static conditions – Results based on the Olympic games 2012. Intern Journal of Kines Sports Sci, v.1, n.3, p. 9-14, 2013

31. GLAZIER, P.S. Towards a Grand Unified Theory of sports performance. Human Mov Sci Dec, v.56 (Pt A), p.139 – 156, 2017

32. GOODMAN, S. A Dirty Dozen: Twelve P-Value Misconceptions. Semin Hematol, v.45, p. 135-140, 2008

33. GUEZENNEC, C.Y. et al. Increase in energy-cost of running at the end of a triathlon. Eur J Appl Physiol Occup Physiol, v.73, p. 440–445, 1996

34. HAIR, J.FJr et al. Multivariate data analysis. Prentice Hall, 1998

35. HAUSSWIRTH, C. et al. Variability in energy cost of running at the end of a triathlon and a marathon. Int J Sports Med, v.17, n.8, p.572–579, 1996

36. HAUSSWIRTH, C; BRISSWALTER, J. Strategies for Improving Performance in Long Duration Events Olympic Distance Triathlon. Sports Med, v.38, n.11, p. 881-891, 2008

37. HENDY, H.M; BOYER, B.J. Specificity in the relationship between training and performance in triathlons. Percep Motor Skill, v.81, p.1231-40, 1995

38. HOPKINS, W; HAWLEY, J; BURKE, L. Design and analysis of research on sport performance enhancement. Med Sci Sports Exerc, v.31, n.3, p.472-485, 1999

78

39. HUE, O. The Challenge of Performing Aerobic Exercise in Tropical Environments: Applied Knowledge and Perspectives. Int J Sports Physiol Perform, v.6, n.4, p. 443-454, 2011

40. JEUKENDRUP, A.E; MARTIN, J. Improving cycling performance: how should we spend our time and money?. Sports Med, v.31, n.7, p. 559-69, 2001

41. JEUKENDRUP, A.E.; JENTJENS, R; MOSELEY, L. Nutritional considerations in triathlon. Sports Med, v.35, n.2, p. 163-181, 2005

42. JOHNSON, R.A; WICHERN, D.W. Applied Multivariate Statistical Analysis. Prentice-Hall, 1988

43. KÄCH, I et al. The age-related performance decline in Ironman triathlon starts earlier in swimming than in cycling and running. J Strength Cond Res, v.32, n.2, p. 379-395, 2018

44. KELLEY, K. Confidence intervals for standardized effect sizes: Theory, application, and implementation. J Stat Soft, v.20, n.8, p. 1-24, 2007

45. KERR, C.G. et al. Hyperthermia druring Olympic triathlon: influence of body heat storage during the swimming stage. Med Sci Sport Exerc, v. 30, n.1, p. 99-104, 1998

46. KREIDER, R.B. et al. Cardiovascular and thermal responses of triathlon performance. Med Sci Sports Exerc, v.20, n.4, p. 385–390, 1988

47. LANDERS, G.J. et al. Swim Positioning and its Influence on Triathlon Outcome. Int J Exerc Sci, Jul, v.1, n.3, p. 96-105, 2008

48. LAURSEN, P.B; RHODES, E.C; LANGILL, R.H. The effects of 3000-m swimming on subsequent 3-h cycling performance: implications for ultraendurance triathletes. Eur J Appl Physiol. v.83, n.1, p. 28–33, 2000

79

49. LEPERS, R. et al. Relative improvements in endurance performance with age: evidence from 25 years of Hawaii Ironman racing. Age (Dordr), v.35, n.3, p.953– 962, 2013

50. LEPERS, R. Analysis of Hawaii ironman performances in eleite triathletes from 1981 to 2007. Med Sci Sport Exerc, v.40, p. 1828-34, 2008

51. MALCATA, R.M.; HOPKINS, W.G. Variability of Competitive Performance of Elite Athletes: Systematic Review. Sports Med, v.44, p. 1763, 2014

52. MALCATA, R.M.; VANDENBOGAERDE, T.J.; HOPKINS, W.G. Using Athletes “World Rankings to Assess Countries” Performance. Int J Sports Physiol Perform, v.9, p.133-38, 2014

53. MARGARITIS, I. Facteurs limitants de la performance en triathlon. Can J Appl Physiol, Feb, v.21, n.1, p. 1-15, 1996

54. MCGUIGAN, M. Monitoring Training and Performance in Athletes. Champaign, IL: Human Kinetics, 2017

55. MENGERSEN, K.L. et al. Bayesian Estimation of Small Effects in Exercise and Sports Science. PLoS ONE, v.11, n.4, e0147311, 2016

56. MILLET, G.P. et al. Modelling the Transfers of Training Effects on Performance in Elite Triathletes. Int J Sports Med, January, v. 23, n.1, p. 55-63, 2002

57. MILLET, G.P.; VLECK, V.E. Physiological and biomechanical adaptations to the cycle to run transition in Olympic triathlon: review and practical recommendations for training. Br J Sports Med, v.34, n. 5, 384-390, 2000

80

58. MUKAKA, M.M. Statistics corner: A guide to appropriate use of correlation coefficient in medical research definitions of correlation and clarifications. Malawi Med J, v.24, n.3, 69–71, 2012

59. O’ROURKE, N.; HATCHER, L. A Step-by-Step Approach to Using SAS for Factor Analysis and Structural Equation Modeling. 2ed. Cary, NC: SAS Press, 2013

60. OFOGHI, B. et al. Performance analysis and prediction in triathlon. J Sports Sci, v.34, n.7, p. 607-612, 2016

61. PANDELÓ JR, D.R; AZEVEDO, P.H.S.M. Índice de Performance Relativa (IPR): proposta de uma medida alternativa para a mensuração da performance em provas de triatlo. R. Bras. Ci. e Mov, v.24, n.3, p. 26-34, 2016

62. PANDELÓ JR, D.R. An alternative approach to measure effect size. R. Bras. Ci. e Mov, v.25, n.4, p. 176-180, 2017

63. PEELING, P.D.; LANDERS, G.J. Swimming intensity during triathlon: A review of current research and strategies to enhance race performance. J Sports Sci, v.27, n.10, p.1079-1085, 2009

64. PEELING, P.D.; BISHOP, D.J.; LANDERS, G.J. Effect of swimming intensity on subsequent cycling and overall triathlon performance. Br J Sports Med, Dec, v.39, n.12, p. 960 – 4, 2005

65. PEIFFER, J.J; ABBISS, C.R. Influence of environmental temperature on 40 km cycling time-trial performance. Int J Sports Physiol Perform, v.6, n.2, p. 208– 220, 2011

66. PETERSON, R.A.; BROWN, S.P. On the use of beta coefficients in meta- analysis. J Appl Psychology, v. 90, p. 175-181, 2005

81

67. RYAN, T.P. Sample Size Determination and Power. John Wiley & Sons, Inc, 2013

68. SCHOBER, P. et al. Correlation Coefficients: Appropriate Use and Interpretation. Anesth & Analg, May, v.5, n.126, p. 1763-68, 2018

69. SHAVER, J.P. Statistical Significance Testing in Contemporary Practice: Some Proposed Alternatives With Comments From Journal Editors. The J Exp Edu, v.61, 1993

70. SLEIVERT, G.G.; WENGER, H.A. Physiological predictors os short course triathlon performance. Med Sci Sports Exerc, Jul, v.25, n.7, p. 871-6, 1993

71. STIEFEL, M. et al. The age of peak performance in Ironman triathlon: a cross- sectional and longitudinal data analysis. Extr Physi Med, p. 2:27, 2013

72. SURIANO, R. et al. Variable power output during cycling improves subsequent treadmill run time to exhaustion. J Sci Med Sport, v.10, n.4, p. 244–251, 2017

73. THOMPSON, B. Computing and interpreting effect sizes, confidence intervals, and confidence intervals for effect sizes, in J.W. Osborne (editor), Best Pratices in Quantitative Methods. Thousand Oaks, CA, 2008

74. Top Ironmam Hawaii Finishers Archive Disponível em: . Acesso em: 07/07/2018.

75. VERCRUYSSEN, F. et al. Influence of cycling cadence on subsequent running performance in triathletes. Med Sci Sports Exerc. v.34, n.3, p. 530–536, 2002

82

76. VIEIRA, M.E.M. et al. Medidor de Potência Fisiológica para Ciclistas. Seminário de Eletrônica e Automação. SEA, Universidade Tecnológica Federal do Paraná, 2015

77. VLECK, V.E; BÜRGI, A; BENTLEY, D.J. The consequences of swim, cycle, and run performance on overall result in elite olympic distance triathlon. Int J Sports Med. v.27, n.1, p. 43–48, 2006

78. WONEROW, M. et al. Performance Trends in Age Group Triathletes in the Olympic Distance Triathlon at World Championships 2009-2014. Chinese J Phys, v.60, n.3, 2017

83

ANEXOS

Anexo 1

Aprovação Comitê de Ética

PARECER CONSUBSTANCIADO DO CEP

DADOS DO PROJETO DE PESQUISA

Título da Pesquisa:Modelo de determinação da performance relativa em provas de triatlo uma propostacom base em tamanho de efeito

Pesquisador: Domingos Rodrigues Pandelo Junior

Área Temática:

Versão: 1

CAAE: 01702518.3.0000.5505

Instituição Proponente: Universidade Federal de São Paulo Campus Baixada Santista

Patrocinador Principal: Financiamento Próprio

DADOS DO PARECER

Número do Parecer: 3.006.548

Apresentação do Projeto:

84

Projeto CEP/UNIFESP n:1258/2018

Trata-se de projeto de doutorado de Domingos R Pandeló Junior. Orientador: Prof. Dr° Emilson Colantoni.

Projeto vinculado ao Departamento de Ciências do Movimento Humano, Campus Baixada Santista,

UNIFESP.

APRESENTAÇÃO: A prática desportiva, especialmente no alto rendimento, é extremamente complexa, multifatorial, e as provas são decididas no detalhe. Em geral, a análise da performance de um atleta é mensurada, em provas individuais, pela sua posição final na mesma. No presente estudo será apresentada uma proposta alternativa capaz de ranquear os atletas levando-se em consideração a sua consistência, com base nos tempos obtidos. Objetivo: Estabelecer uma medida de performance relativa que possa ser utilizada para a comparação do desempenho de atletas, contemporâneos e/ou ao longo do tempo. Metodologia: Para tanto, para a medida de performance relativa, calculada com base em tamanho de efeito, e considerando o desempenho de cada atleta em relação ao desempenho médio dos demais competidores, será apresentado um modelo alternativo que pode ser facilmente replicado e auxiliará treinadores e atletas na busca por uma melhor performance.

-HIPÓTESE: Acredita-se ser possível criar uma medida para capturar os elementos necessários para a avaliação do desempenho relativo de atletas ao longo do tempo.

Objetivo da Pesquisa:

-OBJETIVO PRIMÁRIO: Portanto, o objetivo deste estudo é estabelecer uma medida de performance relativa que possa ser utilizada para a comparação do desempenho de atletas, contemporâneos e/ou ao longo do tempo.

85

Avaliação dos Riscos e Benefícios:

Em relação aos riscos e benefícios, o pesquisador declara:

-RISCOS: não se aplica.

-BENEFÍCIOS: O IPR permite a comparação entre o desempenho de atletas que competiram em diferentes épocas, em diferentes provas, pois não considera unicamente os tempos obtidos em sua análise, mas sim os tempos relativos (relacionando com o tempo médio dos competidores). Assim sendo, pode ser considerada uma medida mais efetiva de análise de desempenho. No limite, um atleta pode ganhar menos provas, mas se for mais constante em seus resultados, em relação à média dos competidores, pode ter um bom índice de desempenho. Da mesma forma, aquele atleta que ganhou uma ou mais provas, por uma pequena diferença, mas tem um desempenho inconstante (maior variabilidade dos seus tempos em relação à média), ao longo do tempo, quando comparado aos seus concorrentes, pode apresentar um índice de desempenho relativo mais baixo. Assim sendo, tal medida de performance pode representar uma mudança importante na forma de ranqueamento dos atletas, com importantes aplicações práticas do ponto de vista de estruturação de treinamento e até mesmo em termos de estratégias de busca de patrocínios, na medida que para um atleta consistente, a medida pode implicar em um aumento de performance relativa, com efeitos positivos na busca de patrocínios. Outro ponto a ser considerado é que o IPR pode ser calculado por modalidades, e não com base no resultado global, como fizemos. Para o cálculo por modalidade seriam calculados com base nos tempos de natação, ciclismo e corrida. Até a performance nas transições (tempo gasto entre as trocas de modalidades, como da natação para o ciclismo e do ciclismo para a corrida) poderiam ser consideradas para o cálculo do IPR. O principal aspecto a ser considerado no IPR, como já mencionado, é a possibilidade de se fazer comparações de desempenho de atletas em provas diferentes, em períodos diferentes. Tal tipo de análise não é possível com a simples comparação dos tempos. No modelo, mais importante é a consistência de desempenho e o quanto o atleta teve uma performance relativa acima da média dos concorrentes. Em função disso, o IPR pode ser usado, inclusive como instrumento seletivo, para determinar atletas que irão representar um país, ou uma equipe, em determinadacompetição. Caso o IPR seja calculado de forma fragmentada, no caso do Página 02 de 05

86

UNIFESP - HOSPITAL SÃOPAULO – HOSPITALUNIVERSITÁRIO DA UNIVERSIDADE DE SÃO PAULO

Continuação do Parecer: 3.006.548 triatlon com índices específicos para as etapas de natação, ciclismo e corrida, tais informações podem ser utilizadas para que os técnicos e atletas redirecionem a estratégia de treinamento com o objetivo de melhora da performance relativas nas disciplinas necessárias.

Comentários e Considerações sobre a Pesquisa:

TIPO DE ESTUDO: análise de resultado (tempo para finalizar a prova) e provas Campeonato Mundial de Triatlo (Ironmman).

LOCAL: Departamento de Ciências do Movimento Humano, Campus Baixada Santista, UNIFESP. PARTICIPANTES: amostra será constituída pelos resultados de atletas que participaram do Campeonato Mundial de Triatlo (Ironmman) e que chegaram entre os 10 primeiros colocados, em pelo menos cinco edições, consecutivos ou não. O número total de indivíduos será de 16 triatletas profissionais, todos do sexo masculino, e selecionados com base nos critérios a pré-estabelecidos de acordo com o modelo proposto.

PROCEDIMENTOS:

-O presente estudo apresentará um modelo para a mensuração da performance de atletas, com base nos resultados obtidos nas provas, a partir da elaboração do Índice de Performance Relativa (IPR).

- será realziada coleta de resultados de provas do Campeonato Mundial de Triatlo (Ironman), do sexo masculino, sem a intervenção direta com os atletas.

O modelo teórico proposto parte de algumas premissas (P) básicas, estabelecidas a seguir:

P1. O desempenho na prova será dado. Nenhuma análise será feita em relação à

87

UNIFESP - HOSPITAL SÃOPAULO – HOSPITALUNIVERSITÁRIO DA UNIVERSIDADE DE SÃO PAULO

Continuação do Parecer: 3.006.548 estratégia de treinamento, de nutrição e hidratação, por exemplo. Para o modelo aqui proposto, a análise será efetuada única e exclusivamente em função do desempenho final na prova, medido pelo tempo de conclusão da mesma. A exclusão de tais aspectos não limita a análise, pois pode-se supor que, entre atletas profissionais, as estratégias e tecnologias utilizadas são semelhantes.

P2. O tempo médio da prova pode ser utilizado como um divisor dos atletas em dois grupos. Um grupo dos atletas que concluíram a prova acima do tempo médio (atletas com pior desempenho) e um outro grupo dos atletas que concluíram a prova abaixo do tempo médio (atletas com melhor desempenho).

P3. A análise pura e simples, com base no descrito na premissa 2 (P2) é limitada, pois faz- se necessária uma discussão mais profunda acerca do desempenho relativo do atleta em relação à média de cada prova. Dessa forma, a análise de um indicador que trate do desempenho relativo deatleta em relação à média é um avanço importante na mensuração do desempenho.

(mais informações, ver projeto detalhado).

Considerações sobre os Termos de apresentação obrigatória:

1- Foram apresentados os principais documentos: folha de rosto; projeto completo; cópia do cadastro CEP/UNIFESP, orçamento financeiro e cronograma apresentados adequadamente.

2-Propõe dispensa do TCLE? Sim Justificativa: Não há intervenção com seres humanos

88

UNIFESP - HOSPITAL SÃOPAULO – HOSPITALUNIVERSITÁRIO DA UNIVERSIDADE DE SÃO PAULO

Continuação do Parecer: 3.006.548

Recomendações: Atenção: em submissões futuras, lembrar que, em relação ao orçamento: foi informado que o custo do projeto será de R$ 0,00. Lembramos que nenhum projeto de pesquisa pode ter custo 0,00. Sempre há custos, por mínimos que sejam. Neste caso, por exemplo, haverá pelo menos custos de material de escritório e informática.

Conclusões ou Pendências e Lista de Inadequações: Aprovado (ver recomendação acima)

Considerações Finais a critério do CEP: O CEP informa que a partir desta data de aprovação, é necessário o envio de relatórios parciais (semestralmente), e o relatório final, quando do término do estudo.

Este parecer foi elaborado baseado nos documentos abaixo relacionados: Tipo Documento Arquivo Postagem Autor Situação

PB_INFORMAÇÕES_BÁSICAS_D Informações Básicas O_P 19/10/2018 Aceito do Projeto ROJETO_1224058.pdf 11:35:12 Projeto Detalhado / PPVF.docx 19/10/2018 Domingos Rodrigues Aceito Brochura 11:34:28 Pandelo Junior Investigador Outros CEP.pdf 19/10/2018 Domingos Rodrigues Aceito 11:30:52 Pandelo Junior

Folha de Rosto FR.pdf 19/10/2018 Domingos Rodrigues Aceito 11:30:34 Pandelo Junior

89

UNIFESP - HOSPITAL SÃOPAULO – HOSPITALUNIVERSITÁRIO DA UNIVERSIDADE DE SÃO PAULO

Continuação do Parecer: 3.006.548

Situação do Parecer:

Aprovado

Necessita Apreciação da CONEP:

Não

SAO PAULO, 07 de Novembro de 2018

Assinado por:

Miguel Roberto Jorge (Coordenador(a))

Endereço: Rua Francisco de Castro, 55 Bairro: VILA CLEMENTINO CEP: 04.020-050 UF: SP Município: SAO PAULO E-mail: Telefone: (11)5571-1062 Fax: (11)5539-7162 [email protected]

90

91

Anexo 2

IPRA família r

O índice IPRA é calculado com base na análise do indicador de performance relativa, calculada com base na semicovariância (Cov) entre os tempos do atleta, com a média dos competidores, bem como com base na semivariância (Var) dos tempos dos competidores. Assim, a forma de cálculo é a seguinte:

(eq 1) Onde:

 βa = IPRAr medida de performance relativa da família r, do atleta a

 ra = variação no tempo do atleta a (de uma prova para outra)

 rp = variação no tempo da média dos TOP 10 (de uma prova para outra)

Para a análise em conjunto das variações percentuais positivas e negativas (do atleta ou da média dos competidores) trabalha-se com os conceitos de semivariância e semicovariância.

A semivariância pode ser calculada da seguinte forma:

2 푠2 = E(Min (푟푎 − 푟푝 ) – 0), onde (eq 2)

Se (푟푎 − 푟푝 ) > 0, (푟푎 − 푟푝 ) = 0 (eq 3)

Se (푟푎 − 푟푝 ) < 0, ( 푟푎 − 푟푝 )<0 (eq 4)

A semicovariância, por sua vez, pode ser calculada da seguinte forma:

Scv= E((Min (푟푎 − 푟푚푎) ,0)) x E((Min (푟푝 − 푟푚푝) ,0)) (eq 5)

Onde

푟푚푎 = 푣푎푟푖푎çã표 푚é푑푖푎 푛표 푡푒푚푝표 푑표 푎푡푙푒푡푎 푛표푠 푎푛표푠 푐표푛푠푖푑푒푟푎푑표푠

푟푚푝 = 푣푎푟푖푎çã표 푚é푑푖푎 푛표 푡푒푚푝표 푑표푠 푇푂푃 10 푛표푠 푎푛표푠 푐표푛푠푖푑푒푟푎푑표푠 92

De tal forma que o índice de performance relativa, neste caso específico, seria o downside, pois teria que se fragmentar a análise em duas partes (em função de variações positivas e negativas). Foi em função disso que foi utilizada a semivariância e semicovariância nos cálculos. Desta forma, o Índice de Performance Relativa seria expresso por:

E((Min (푟푎 − 푟푚푎 ) ,0)) x E((Min (푟푝 − 푟푚푝 ) ,0)) 2 (eq 6) E(Min (푟푝 − 푟푚푝 ) – 0)

A ideia de se trabalhar com a semicovariância e semivariância e não com a covariância e variância foi em função de se querer avaliar não a variabilidade de performance, mas sim a variação positiva de performance para que se pudesse efetivamente ranquear os atletas (ATHAYDE, 2001; BALLESTRO, 2005). Trata-se, portanto, de uma medida de tamanho de efeito, da família r, que pode ser usada com bastante acuracidade para se avaliar performance relativa de atletas (PANDELÓ JR, 2017).

93