왜 1.06인가요?

러닝이 순수하게 유산소적이고 피로가 없다면 기록은 거리에 따라 선형적으로 증가할 것입니다(지수 = 1.0). 지수 1.06은 거리가 길어질수록 비례적으로 더 많은 노력이 필요하다는 현실을 포착합니다. 즉, 페이스는 단순히 선형적이지 않고 거리에 따라 조금 더 느려집니다.

10K를 42:00에 마친 러너는 마라톤을 정확히 그 페이스의 4배로 뛰지 못할 것입니다. 에너지 고갈과 누적된 피로로 인해 조금 더 느려질 것입니다. 1.06 요인은 이러한 현실을 경험적으로 모델링한 것입니다.

훈련에서 예측 활용하기

예측된 마라톤 시간이 나오면 역산하여 훈련 페이스를 정하세요. 예를 들어 예측이 3시간 30분이라면 목표 마라톤 페이스는 약 4:58 min/km(7:59 min/mi)입니다. 대회 전 마지막 8주 동안 장거리 달리기와 마라톤 특화 훈련에 이 페이스를 사용하세요.

예측은 매 주요 대회 후에 업데이트할 때 가장 유용합니다. 훈련을 통해 체력이 향상되어 10K 기록이 단축되면 마라톤 예측도 함께 개선됩니다. 매 주기마다 풀 마라톤을 뛰지 않더라도 이러한 진행 상황을 추적하는 것은 훈련의 효과를 모니터링하는 신뢰할 수 있는 방법입니다.

⚠️ 주의해야 할 제한 사항

이 공식은 두 레이스 모두 최대 노력으로, 비슷한 조건에서 진행되었다고 가정합니다.

지형, 날씨, 고도 변화 또는 훈련의 특수성은 고려하지 않습니다.

두 거리가 비교적 가까울 때(예: 5K → 10K) 예측이 가장 정확합니다. 5K에서 마라톤으로 추정하는 것은 불확실성이 큽니다.

초보자는 예측을 뛰어넘는 경우가 많으며, 잘 훈련된 선수는 모델에 더 가깝게 나오는 경향이 있습니다.

레이스 예측 FAQ: 결과를 최대한 활용하기

Riegel 공식(1977년)은 거리를 넘나들며 러닝 시간을 예측하는 가장 널리 사용되는 모델입니다. 지구력의 근본적인 진실을 포착합니다—거리가 늘어날수록 페이스는 예측 가능한 비선형 속도로 느려집니다. 공식은 T2 = T1 × (D2/D1)^1.06입니다.

정확도는 진정한 최대 경쟁 노력에서 평탄한 코스의 인접 거리 간 예측에서 가장 높습니다. 10K에서 마라톤을 예측할 경우 이상적인 조건에서 2~4분 이내 결과를 기대하세요. 일반적인 오류 원인에는 레이스 시간 대신 훈련 시간 사용이 포함됩니다.

이 공식은 훈련 특이성을 고려하지 않습니다. 예측을 현실적인 상한으로 사용하고 보수적인 출발 전략을 계획하세요. 큰 거리 외삽(예: 5K에서 마라톤)의 경우 교차 확인으로 Cameron 공식 출력과 비교하세요.

어떻게 작동하나요?

Riegel 공식은 얼마나 정확한가요?

이상적인 조건(평탄한 코스, 좋은 날씨, 진정한 최대 노력) 하에서 10K로부터 마라톤 예측 시 2~4분 이내. 정확도는 인접 거리(10K에서 하프마라톤)에서 향상되고 큰 간격에서 감소합니다. 3:30~5:30분/km 페이스에서 가장 잘 작동합니다.

예측 시간이 너무 빠르거나 너무 느린 것 같은 이유는 무엇인가요?

대부분의 경우 입력 데이터가 진정한 경쟁 노력이 아니었습니다—편안한 롱런은 체력을 과소평가하고, 빠른 코스의 PB는 과대평가합니다. 코스와 날씨 차이도 영향을 미칩니다.

5K에서 마라톤처럼 매우 다른 거리에서 예측할 수 있나요?

기술적으로 가능하지만 간격이 커질수록 신뢰도가 낮아집니다. 5K에서 마라톤 점프의 경우 Cameron 예측도 실행하세요—더 보수적이고 종종 더 현실적인 마라톤 추정치를 제공합니다.

레이스 예측기 작동 원리