Predictor de tiempo de carrera

Última actualización: 2026-05-22

Predicción de tiempo de carrera

La predicción de tiempo de carrera es un método que estima el tiempo esperado en una distancia objetivo a partir de una marca conocida en otra distancia, aplicando una ley matemática de escalado. Introduciendo un resultado reciente, la calculadora devuelve una predicción para la distancia deseada y una tabla de comparación para cada distancia estándar de 1500 m al maratón, usando uno de dos modelos consolidados.

El modelo de Riegel

La fórmula más usada es la de Riegel (Pete Riegel, 1981). El tiempo de carrera escala con la distancia elevada a una potencia ligeramente superior a 1:

$t_2 = t_1 \cdot \left(\frac{d_2}{d_1}\right)^{e}$

Aplicando logaritmos se linealiza:

$\log t_2 = \log t_1 + e \cdot \log\!\left(\frac{d_2}{d_1}\right)$

El exponente $e$ — valor estándar 1,06 — captura el hecho empírico de que el ritmo se ralentiza al aumentar la distancia. Con $e = 1{,}06$, duplicar la distancia cuesta cerca de un 4,3 % de ritmo ($2^{1{,}06} \approx 2{,}085$). Un exponente de 1,0 implicaría que es posible mantener cualquier ritmo en cualquier distancia; 1,20 implicaría una caída mucho más fuerte de la que muestran los corredores entrenados.

Como el exponente es un mejor ajuste empírico y no una ley fisiológica, la calculadora permite modificarlo. Valores hacia 1,03 se ajustan mejor a corredores orientados a la velocidad con buen mantenimiento del ritmo; valores hacia 1,10, a corredores cuya resistencia decae más rápido de la media — la investigación de Tanda y otros sugiere que el maratón suele ajustar mejor con un exponente por encima de 1,06.

El modelo de Cameron

Riegel usa un único exponente para todas las distancias. La fórmula de Cameron (David Cameron, 1998) usa en cambio una función de fatiga dependiente de la distancia, ajustada a marcas de nivel mundial de 400 m a 50 millas:

$t_2 = t_1 \cdot \frac{d_2}{d_1} \cdot \frac{f(d_1)}{f(d_2)}, \qquad f(x) = 13.49681 - 0.000030363\,x + \frac{835.7114}{x^{0.7905}}$

con $x$ en metros. Como el término de fatiga cambia de forma a lo largo de las distancias, Cameron suele ser algo más realista en el extremo largo, prediciendo tiempos de maratón un poco más lentos que Riegel. Comparando los dos modelos: si coinciden de cerca, la predicción es robusta; si divergen, la estimación real suele estar en medio.

Ejemplos

Los dos modelos van muy juntos en distancias cercanas y se abren en abanico a medida que crece la separación con la carrera conocida — justo donde una predicción es de por sí menos fiable.

Escenarios prácticos

Objetivo de maratón

Fijar el tiempo objetivo de maratón duplicando sin más una media reciente suele ser optimista. Los modelos muestran que una 10K en 45 minutos predice ~3:27–3:30 de maratón, no 3:00 (que requeriría un 10K en 37:30). La brecha entre predicción y aspiración indica cuánto entrenamiento específico de distancia falta.

Elección de grupo de liebres

Las liebres en carrera se ofrecen en intervalos fijos (3:30, 3:40, 3:50 maratón, etc.). El tiempo previsto de la tabla indica el grupo que corresponde a la marca de referencia. Cuando Riegel y Cameron quedan a ambos lados de un límite, el grupo más prudente es la salida más segura.

Comparación de marcas en distancias distintas

Dos corredores con pruebas distintas — un 5K en 19:30 y una media en 1:30 — no son directamente comparables. La tabla de todas las distancias convierte cualquier marca a una base común: se lee la media prevista del corredor de 5K (o el 5K previsto del de media) y se compara directamente.

Referencia cruzada hacia pista

Las fórmulas también extrapolan hacia abajo: un 5K en 16:00 predice un 1500 m en torno a 4:28un 5K en 16:00 predice una milla en torno a 4:49. Los atletas de pista lo usan para comprobar que su resistencia se traduce en velocidad de distancia.

Dónde se queda corta la predicción

• Asume entrenamiento consistente entre distancias. Quien solo entrena 5Ks rendirá por debajo de la previsión de maratón; la resistencia de fondo es una adaptación aparte.
• Los modelos son empíricos. El exponente de Riegel y la función de fatiga de Cameron son ajustes por regresión, no derivaciones. La marca real de maratón suele quedar por detrás de ambas predicciones para corredores no entrenados específicamente para maratón.
• Fallan en los extremos. Los sprints por debajo de 1500 mLos sprints por debajo de la milla y las ultradistancias (50K+) siguen una fisiología distinta y ninguno de los modelos extrapola limpiamente ahí.
• No tienen en cuenta perfil, meteo ni pacing. Las previsiones asumen condiciones similares; un 10K llano y rápido no se compara directamente con un maratón en cuesta y con viento.

Para corredores populares que apuntan a distancias estándar en condiciones similares, la predicción de carrera es una herramienta de planificación útil — mejor que adivinar —, pero los números deben interpretarse como una referencia, no como una garantía.