Este artículo va a lo práctico: cómo “ver” la atribución de eventos en datos. No hace falta hacer un estudio completo para entender si una serie muestra desplazamiento, cómo se usan umbrales y percentiles, y qué trampas son típicas cuando alguien te suelta un “X veces más probable”.

Este artículo forma parte del tema Atribución en WikiMeteo.es, donde reunimos conceptos y guías prácticas para entender mejor el tiempo y el clima.

1. Qué significa “verlo en datos”

“Ver atribución en datos” no significa demostrar causalidad total, sino identificar y cuantificar señales como:

• Desplazamiento de la distribución: la serie se mueve hacia valores más altos (p.ej. temperaturas).
• Cambio en extremos: aumentan la frecuencia o la intensidad de superar ciertos umbrales.
• Cambios en retornos: lo que era “muy raro” se vuelve “menos raro”.

2. Idea clave en 30 segundos

• En una frase: en datos, atribución se traduce en cómo cambian las probabilidades y las colas de una serie respecto a un periodo de referencia.
• Señal típica: más días por encima de un percentil alto o umbral fijo, y retornos más cortos.
• Confusión común: confundir “más probable” con “100% causado”, o mezclar fenómeno con daños.

3. Paso 1: elige la variable y la escala correcta

Para atribución práctica, conviene empezar por variables que se miden bien:

• Temperatura: Tmax/Tmin/medias diarias (suele ser lo más robusto).
• Precipitación: acumulados 24 h o 3 días (ojo con localización).
• Índices: índice de calor, SPI/SPEI (si lo documentas bien).

Y decide la escala: estación/punto vs región. En eventos muy locales, regionalizar suele mejorar interpretabilidad.

4. Paso 2: prepara la serie (lo que casi nadie hace y luego vienen los lloros)

• Calidad: huecos, cambios de instrumento, relocaciones, urbanización (isla de calor).
• Homogeneidad: si la serie cambia por motivos no climáticos, te puede engañar.
• Periodo base: elige un periodo de referencia (p.ej., 30 años) y mantenlo estable cuando uses percentiles.

Si no puedes garantizarlo, al menos deja claro que hay incertidumbre extra.

5. Umbrales vs percentiles (y cuándo usar cada uno)

• Umbral absoluto: p.ej. Tmax > 40 °C. Útil para impactos (salud, infraestructuras), pero sensible a microclimas.
• Percentil: p.ej. p95 de Tmax. Útil para comparar climas distintos y para ver cambios de frecuencia de extremos “relativos”.

En atribución, es muy habitual usar percentiles para “extremos del lugar” y umbrales para “impactos”.

6. Cómo “se ve” un cambio de riesgo en una serie

Se ve en cosas como:

• Más superaciones: sube el número de días que superan el p95/p99 o un umbral fijo.
• Cola derecha más gorda: aparecen valores más extremos con más frecuencia.
• Duraciones mayores: olas de calor más largas (persistencia).

Un ejemplo claro: en olas de calor, verás que el percentil alto se supera más a menudo en décadas recientes.

7. RR y retornos en lenguaje humano

• RR (risk ratio): si RR=3, significa que bajo esa definición del evento, la probabilidad en el clima actual es 3 veces la del clima de referencia.
• Retorno: si algo era “1 vez cada 50 años” y pasa a “1 vez cada 20”, el riesgo ha aumentado aunque no puedas decir “lo causó al 100%”.

Ojo: si el evento era casi imposible en el baseline, RR puede dispararse y confundir. Ahí es mejor comunicar con retornos o con un “al menos” (lower bound).

8. Reanálisis y modelos: cómo usarlos sin que te tomen el pelo

• Reanálisis (p.ej., ERA5): muy bueno para contexto y coherencia espacial; en precipitación convectiva local puede suavizar o sesgar.
• Modelos: pueden tener sesgos sistemáticos; antes de “creer” un extremo modelado, mira si reproduce distribuciones y percentiles razonables.
• Ensembles: ayudan a estimar probabilidades; un único run no vale para riesgo.

9. Trampas comunes (sesgos + downscaling + cherry-picking)

• Sesgo de modelo: si el modelo subestima extremos, el RR puede estar mal.
• Downscaling mal entendido: bajar de escala no es magia; puede añadir artefactos si no se valida.
• Elegir el umbral “que más conviene”: si pruebas 20 umbrales y publicas el que sale más dramático, estás cocinando el resultado.
• Confundir significancia: que algo sea “significativo” no implica que sea grande o relevante para impactos.

10. Conectar con riesgos, impacto y vulnerabilidad (para no liar causas)

Un aumento del riesgo del fenómeno (hazard) no equivale a un aumento automático de daños. Los daños dependen también de:

• Exposición: más casas en zona inundable = más daño con la misma lluvia.
• Vulnerabilidad: drenaje, planificación, alertas, calidad constructiva, desigualdad.

Así que el mensaje correcto suele ser doble: “cambió el riesgo del fenómeno” + “los impactos dependen de vulnerabilidad”.

11. Errores comunes

• Quedarte solo con una serie corta (10 años) y sacar conclusiones fuertes.
• No definir el evento (umbral, región, ventana temporal) y comparar cosas distintas.
• Usar reanálisis como si fuera “la estación” para lluvia extrema puntual.
• Comunicar RR sin rango de incertidumbre.

12. Buenas prácticas

• Definir baseline y percentiles de forma consistente.
• Usar al menos dos vistas: umbral (impacto) y percentil (clima relativo).
• Reportar rangos e incertidumbre; si no hay, desconfía.
• Separar hazard de impacto y nombrar vulnerabilidad.

13. Resumen y claves finales

• En datos, atribución se ve como cambios en frecuencia/intensidad de extremos y en retornos.
• Percentiles sirven para extremos “del lugar”; umbrales sirven para impactos.
• RR explica cambio de probabilidad, no “culpa total”.
• Reanálisis y modelos son útiles, pero con sesgos: valida y contextualiza.
• Impactos dependen mucho de vulnerabilidad y exposición: no mezclar conceptos.

14. Mini-glosario

• Percentil: valor que deja por debajo un % de los datos (p95 = el 95% está por debajo).
• Retorno: frecuencia esperada de superar un umbral (aprox., con gran incertidumbre en colas).
• Sesgo: error sistemático de un modelo/dataset respecto a observaciones.
• Downscaling: técnicas para pasar a escala regional/local (requiere validación).
• Vulnerabilidad: susceptibilidad a sufrir daño ante un hazard dado.

15. Referencias y lecturas recomendadas

• World Weather Attribution: ejemplos de estudios y enfoque comunicativo
• IPCC (AR6): atribución y evaluación de evidencia
• WMO: guías y glosarios, y marcos de comunicación de riesgos e incertidumbre