Condición física (CTL)
Trainingload.ai muestra el CTL con una barra de progreso azul y una línea azul en el gráfico PMC.
La condición física (CTL), o carga crónica de entrenamiento, combina la duración y la carga de entrenamiento (TSS) para resumir el historial de entrenamiento de una persona. Trainingload.ai utiliza por defecto una constante de tiempo de 42 días y muestra el porcentaje actual en relación con el máximo histórico de CTL del usuario. El CTL resume un historial de carga modelado; no mide directamente la condición física, la adaptación, la salud ni el rendimiento competitivo.
Los valores de ejemplo solo sirven como vista previa de la interfaz.
De dónde procede el valor de condición física (CTL)
Trainingload.ai determina primero la carga de cada actividad según las métricas disponibles y la prioridad de fuentes configurada. Según la actividad y los ajustes, la fuente puede ser potencia, frecuencia cardíaca, ritmo o RPE de la sesión.
Esto significa que:
- Los datos de actividad ausentes o modificados pueden cambiar la condición física (CTL).
- Modificar los umbrales o la prioridad de fuentes puede cambiar la carga derivada y los valores PMC posteriores.
- Trainingload.ai selecciona una carga disponible por actividad según la prioridad configurada; mezclar fuentes con escalas incoherentes reduce la comparabilidad entre periodos.
- En un día sin carga de actividad registrada, la entrada diaria es cero y el CTL anterior disminuye gradualmente.
Fórmula
Trainingload.ai utiliza decaimiento exponencial con una constante de tiempo CTL predeterminada de 42 días:
decay_CTL = exp(-1 / 42)
CTL_today = CTL_yesterday × decay_CTL + daily_load × (1 − decay_CTL)exp es la función exponencial natural. Con la constante predeterminada, decay_CTL ≈ 0.976472, por lo que la carga de hoy recibe un peso aproximado de 0.023528.
Cómo interpretar la tendencia de condición física (CTL)
- CTL sube: la carga diaria reciente suele estar por encima del nivel CTL actual.
- CTL se mantiene: la carga reciente mantiene aproximadamente el nivel modelado.
- CTL baja: la carga reciente suele estar por debajo, incluso durante una reducción de entrenamiento o tapering.
Preguntas útiles
El CTL puede ayudar a responder:
- ¿La condición física (CTL) actual sube, se mantiene o baja?
- ¿Las sesiones omitidas o un periodo de recuperación cambiaron la tendencia a largo plazo?
- ¿El plan actual produce la dirección de carga prevista?
- ¿Un cambio de umbral o fuente redujo la comparabilidad?
El CTL no puede responder por sí solo:
- ¿El usuario se ha adaptado correctamente?
- ¿Es segura la sesión intensa de mañana?
- ¿El usuario está recuperado, sano o listo para competir?
- ¿Un usuario está en mejor condición que otro?
Antes de decidir, considera también las tendencias de rendimiento, la calidad de ejecución, el estado subjetivo, la fatiga (ATL) y la forma (TSB).
Referencias
- Intervals.icu: fórmulas de condición física, fatiga y forma
- Glosario de RUNALYZE: Chronic Training Load (CTL)
- Calvert et al. (1976): A Systems Model of the Effects of Training on Physical Performance
Páginas relacionadas
Training Stress Score (TSS)
Training Stress Score (TSS) estimates single-session training load by combining duration and relative intensity.
Fatiga (ATL)
Descubre cómo Trainingload.ai modela la Fatiga (ATL) a partir de la carga diaria y cómo interpretar la tendencia sin confundirla con una medición directa de fatiga.