Predictores de carrera: qué dice y qué no (y por qué Riegel falla cuando más lo necesitas)

El número que todos quieren y pocos entienden

Corres una media maratón en 1:35 y antes de cruzar la línea ya hiciste la cuenta: "entonces mi maratón debería ser cerca de 3:18." Metes el tiempo en una calculadora online, sale un número, lo escribes en el plan de entrenamiento y empiezas a organizar tu vida alrededor de él.

El problema no es que calcules. El problema es que tratas ese número como una predicción meteorológica certera cuando en realidad es una estimación estadística construida sobre un supuesto que casi nunca se cumple del todo: que tu capacidad de resistencia a distintas duraciones decae de forma predecible y constante.

Vamos a desarmar la fórmula de Riegel, ver de dónde sale, por qué dos exponentes tan parecidos (1.06 y 1.09) pueden darte diferencias de varios minutos, y —lo más importante para tu entrenamiento— en qué condiciones el modelo se cae por completo.

El origen: Peter Riegel y la ecuación de 1977

Peter Riegel, ingeniero y corredor, publicó en 1977 un modelo matemático simple basado en datos de rendimiento humano en distintas distancias y duraciones, no solo en carreras de calle. Su fórmula:

T2 = T1 × (D2/D1)^1.06

Donde T1 es tu tiempo conocido, D1 la distancia de esa carrera, D2 la distancia que quieres predecir, y 1.06 el exponente de fatiga.

La lógica detrás del exponente es elegante: si la relación fuera perfectamente lineal (exponente = 1.0), correr el doble de distancia tomaría exactamente el doble de tiempo, lo cual nunca pasa porque nadie mantiene el mismo ritmo relativo cuando dobla la duración del esfuerzo. El exponente mayor a 1.0 captura matemáticamente la fatiga acumulada: cuanto más larga la distancia objetivo, proporcionalmente más lento será el ritmo comparado con la carrera de referencia.

Riegel no diseñó esto específicamente para corredores de elite ni para la transición media maratón → maratón. Lo construyó observando patrones de decaimiento de rendimiento en una variedad de eventos de resistencia humana (incluyendo natación y ciclismo), buscando una regla general. Esa generalidad es su fortaleza y su talón de Aquiles: funciona razonablemente bien en promedio, y falla en los márgenes.

¿Por qué 1.06 versus 1.09 cambia tanto?

Aquí está el detalle que la mayoría de las calculadoras online esconde: el exponente de Riegel no es una constante universal. Es un parámetro ajustado empíricamente, y distintos estudios y poblaciones arrojan valores distintos.

• 1.06 es el valor original de Riegel, derivado de una muestra amplia y heterogénea de eventos de resistencia.
• 1.07–1.08 aparece en re-análisis posteriores con poblaciones específicas de corredores de calle.
• 1.09–1.10 se ajusta mejor a corredores recreativos de volumen más bajo, donde la caída de rendimiento entre distancias es más pronunciada que en corredores de alto kilometraje semanal.

Hagamos la aritmética con un ejemplo concreto. Media maratón en 1:35:00 (5700 segundos):

• Con exponente 1.06: T2 = 5700 × 2^1.06 = 5700 × 2.0845 ≈ 11,882 segundos → 3:18:02
• Con exponente 1.09: T2 = 5700 × 2^1.09 = 5700 × 2.1282 ≈ 12,131 segundos → 3:22:11

Cuatro minutos de diferencia solo por cambiar el segundo decimal del exponente. Para un corredor que está calibrando ritmo de maratón al segundo por kilómetro, esa diferencia es la distancia entre un plan de carrera razonable y uno que te manda a la pared en el kilómetro 32.

La razón por la que el exponente sube en corredores de menor volumen es fisiológicamente coherente: el modelo de Riegel asume que tu "resistencia a la fatiga" es relativamente constante entre distancias, pero esa resistencia depende directamente de cuánto entrenamiento de resistencia aeróbica tienes acumulado. Un corredor que entrena 90 km/semana tiene una curva de decaimiento más plana (exponente más cercano a 1.06) que uno que entrena 40 km/semana y cuya reserva de glucógeno y economía de carrera se degradan más rápido al extender la duración del esfuerzo (exponente más cercano a 1.09 o incluso mayor).

Cuándo el modelo funciona razonablemente bien

Riegel tiende a acertar dentro de un margen aceptable (2-4%) cuando se cumplen estas condiciones simultáneamente:

1. Volumen de entrenamiento consistente y suficiente — generalmente 60+ km/semana sostenidos en las 8-12 semanas previas, con al menos una tirada larga que se acerque a 28-32 km para la distancia de maratón.
2. Condiciones ambientales comparables entre la carrera de referencia y el objetivo — temperatura, humedad y altitud similares.
3. Carrera de referencia reciente y bien ejecutada — una media maratón corrida con buen pacing hace 3-5 semanas predice mejor que una de hace 4 meses o una que se corrió con mal manejo de ritmo.
4. Distancia de referencia no demasiado corta — predecir un maratón desde un 5K es estadísticamente mucho menos confiable que hacerlo desde una media maratón, porque el sistema energético predominante cambia sustancialmente entre esas duraciones.

Bajo estas condiciones, el modelo sirve como punto de partida razonable para fijar un rango de ritmo objetivo, no un número de precisión quirúrgica.

Cuándo el modelo se rompe: los tres asesinos silenciosos

Calor y humedad

Este es, en mi experiencia trabajando con corredores que se preparan para maratones de otoño en climas variables, el factor que más destruye la validez de Riegel. El modelo no tiene ningún término para temperatura. Asume implícitamente que las condiciones térmicas de la carrera de referencia y la carrera objetivo son equivalentes.

La realidad fisiológica es que el estrés termorregulador compite directamente con el sistema cardiovascular por gasto cardíaco: a mayor temperatura corporal, más sangre se redirige a la piel para disipar calor, dejando menos disponible para los músculos activos. Esto eleva la frecuencia cardíaca a un ritmo dado y acelera la fatiga percibida independientemente de tu fitness aeróbico real. Si corriste tu media maratón de referencia en una mañana fresca de 8°C y tu maratón objetivo se corre a 22°C con humedad alta, cualquier predicción de Riegel se vuelve optimista de forma significativa, a veces por 10-15 minutos o más en un maratón completo.

Altitud

Mismo problema estructural: el modelo no corrige por presión parcial de oxígeno. Si tu referencia fue a nivel del mar y tu objetivo está a 1800-2500 metros, la reducción en disponibilidad de oxígeno impacta tu VO2max efectivo y tu capacidad de sostener el ritmo relativo que el modelo asume constante. La predicción de Riegel en estos casos necesita un ajuste manual aparte —generalmente agregar varios segundos por kilómetro según la altitud específica— porque el modelo matemático simplemente no contempla esta variable.

Falta de volumen específico de resistencia

Este es el fallo menos discutido pero quizás más relevante para corredores recreativos. Riegel predice bien la relación entre dos eventos cuando ambos están "entrenados" de forma proporcional. Si corriste una media maratón sólida apoyándote en velocidad y buena economía de carrera pero tu tirada larga máxima en el ciclo fue de 18 km, no tienes la base aeróbica ni la resistencia del sistema de utilización de grasas como combustible que exige un maratón completo.

En este escenario, el "muro" del kilómetro 30-32 no es un fallo de pacing: es un fallo de preparación específica que ninguna fórmula puede predecir, porque la fórmula asume que tu fisiología escala proporcionalmente con la distancia, y simplemente no lo hace cuando falta el estímulo específico de resistencia prolongada (depleción de glucógeno, adaptaciones de oxidación de grasa, fortaleza muscular excéntrica para absorber el impacto repetido).

Lo que la evidencia dice sobre monitorear la respuesta fisiológica, no solo el número final

Parte de por qué me interesa tanto este tema es que la obsesión con el número final de la calculadora distrae de algo más útil: entender cómo tu cuerpo está respondiendo al proceso de entrenamiento que debería sustentar ese número.

La investigación reciente en biomarcadores de ejercicio [PMID:41922043] subraya que métricas fisiológicas objetivas —variabilidad de frecuencia cardíaca, marcadores de estrés metabólico, indicadores de recuperación— ofrecen una ventana mucho más rica sobre la preparación real de un atleta que una sola fórmula basada en un resultado de carrera. Si tu HRV se está deteriorando semana a semana durante el bloque de maratón, o tu frecuencia cardíaca en reposo sube de forma sostenida, eso te dice más sobre si vas a sostener el ritmo "predicho" que el segundo decimal del exponente de Riegel.

De forma similar, sabemos que el ejercicio aeróbico sostenido tiene efectos medibles sobre el factor neurotrófico derivado del cerebro (BDNF) [PMID:25455510], lo cual influye indirectamente en la capacidad de manejo del esfuerzo percibido y la resiliencia mental durante esfuerzos largos — un componente que ninguna fórmula matemática captura pero que determina si colapsas mentalmente en el kilómetro 35 o sostienes el ritmo con la cabeza fría.

También vale la pena notar que la composición corporal y la calidad del sueño interactúan con el rendimiento de resistencia de formas que los modelos de predicción ignoran completamente. Investigación sobre el índice de redondez corporal y su relación con trastornos del sueño mediados por depresión [PMID:40055626] nos recuerda que la preparación para una carrera de resistencia es un sistema integrado —sueño, composición corporal, estado de ánimo, carga de entrenamiento— y no una ecuación aislada de tiempo y distancia.

Entrenamiento cruzado y el supuesto de "aptitud aeróbica transferible"

Un dato interesante que respalda indirectamente por qué Riegel necesita contexto individual: un estudio comparando HIIT en bicicleta versus carrera para pérdida de grasa y composición de microbiota intestinal en hombres con sobrepeso [PMID:38233990] mostró que, aunque ambas modalidades generan adaptaciones metabólicas significativas, los mecanismos y la especificidad de las adaptaciones varían según el modo de ejercicio. Esto refuerza un punto que aplico constantemente con atletas: la aptitud aeróbica general no es completamente transferible entre modalidades ni entre distancias. Tu VO2max puede ser excelente, pero si no tienes el volumen específico de carrera a pie que desarrolla economía de carrera y resistencia muscular localizada para 42.2 km, ningún modelo matemático va a compensar esa brecha.

Cómo uso Riegel en la práctica con mis atletas

No descarto la fórmula — la uso como punto de partida de una conversación, no como veredicto final. El proceso que sigo:

1. Calculo el rango, no un número único: corro ambos exponentes (1.06 y 1.09) y trato el resultado como un rango de 4-6 minutos, no una cifra exacta.
2. Ajusto por condiciones ambientales comparando temperatura y humedad esperada entre la carrera de referencia y el objetivo, aplicando corrección manual cuando la diferencia es de más de 8-10°C.
3. Reviso el volumen y la tirada larga máxima del bloque de entrenamiento antes de confiar en la predicción. Sin al menos 2-3 tiradas de 28+ km bien ejecutadas, bajo la confianza en el número un escalón completo.
4. Trato el resultado como techo probable, no como ritmo de salida. Salir al ritmo exacto que predice la fórmula desde el kilómetro 1 es, en mi experiencia, la forma más común de convertir una buena predicción en un mal resultado. Prefiero que el atleta empiece 5-8 segundos/km más conservador y evalúe en el kilómetro 25-28 si puede acelerar hacia ese número.

Conclusión: el número es una hipótesis, no una promesa

La fórmula de Riegel es una herramienta estadística útil construida sobre un patrón real de decaimiento de rendimiento humano. Pero un patrón promedio no es tu fisiología individual en un día específico, bajo condiciones específicas, con una preparación específica. El exponente 1.06 versus 1.09 no es un detalle trivial — es la diferencia entre asumir que tienes la base aeróbica de un corredor de alto volumen o la de uno que todavía la está construyendo.

Usa el número. Pero pregúntale a tu entrenamiento, a tu tirada larga, al clima del día de carrera y a cómo se siente tu cuerpo en las últimas semanas, antes de comprometerte con él en el kilómetro 1.

Referencias

• Riegel, P.S. (1977). Time predicting. Runner's World.
• Siebers M, Bizjak DA. Exercise biomarkers. Adv Clin Chem. 2026. [PMID:41922043]
• Szuhany KL, Bugatti M, Otto MW. A meta-analytic review of the effects of exercise on brain-derived neurotrophic factor. J Psychiatr Res. 2015. [PMID:25455510]
• Couvert A, Goumy L, et al. Effects of a Cycling versus Running HIIT Program on Fat Mass Loss and Gut Microbiota Composition in Men with Overweight/Obesity. Med Sci Sports Exerc. 2024. [PMID:38233990]
• Gong H, Zhao Y, et al. Association between body roundness index and sleep disorder: the mediating role of depression. BMC Psychiatry. 2025. [PMID:40055626]