No hace falta ser estadístico para saber cuándo un dato meteorológico “huele raro”. La mayoría de outliers se detectan con sentido físico y 4 reglas simples: valores imposibles, saltos demasiado bruscos, incoherencias entre variables y patrones que se repiten siempre a la misma hora. Aquí tienes una guía práctica para limpiar tus series sin volverte loco.

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

1. Qué es un outlier (sin drama)

Un outlier es un dato que se sale de lo esperable para ese lugar y momento. A veces es real (una racha brutal, un chaparrón corto). Pero muchas veces es un fallo: sensor, instalación, interferencias, suciedad o “efectos raros” (sol, reflejos, hielo, insectos…).

2. Idea clave en 30 segundos

• En una frase: si un dato rompe la física del día (o rompe tus propias curvas) probablemente no es meteorología, es un problema de medición.
• Señal típica: saltos bruscos (p. ej. +3 ºC en 1 minuto) o valores imposibles (HR>100%, lluvia sin nubes).
• Confusión común: llamar “microclima” a un error repetitivo por sol/instalación.

3. Los 4 checks que detectan el 80% de los outliers

3.1 Valores imposibles

• Humedad relativa: <0% o >100% = error.
• Lluvia: valores negativos = error; lluvia “continua” con cielo despejado suele ser vibración o basculante sucio.
• Viento: dirección fija clavada (0° siempre) puede ser veleta atascada.
• Presión: saltos enormes de golpe suelen ser fallo del sensor o reinicio.

3.2 Saltos demasiado rápidos

La atmósfera cambia, sí, pero no teletransporta variables. Si ves un salto tipo “interruptor”, sospecha.

• Temperatura: saltos muy bruscos suelen ser sol/sombra, abrigo malo o sensor tocado.
• HR: bajadas/subidas a golpe de clic suelen ser radiación o sensor saturado.
• Presión: escalones repentinos suelen ser glitch.

3.3 Coherencia entre variables

• Si sube mucho la temperatura en 2 minutos, ¿baja la HR de forma coherente? Si no, raro.
• Si hay “lluvia intensa”, ¿sube la HR y baja algo la temperatura normalmente? Si no, sospecha.
• Si hay racha fuerte, ¿cambia algo la dirección? Si está clavada y la racha “aparece” sola, ojo.

3.4 Patrón repetitivo

Si el outlier ocurre cada día a la misma hora, probablemente no es el tiempo: es el sol, una sombra, un reflejo o una rutina (riego automático, aire acondicionado cercano, ventilación que arranca, etc.).

4. Outliers típicos (y su causa más frecuente)

• Picos de temperatura al mediodía: sol directo o reflejado, abrigo pobre, pared/tejado cerca.
• Humedad “loca” con sol: radiación calentando el sensor o mala ventilación.
• Lluvia fantasma: vibración, insectos en el pluvio, hojas, basculante sucio.
• Viento cero siempre: anemómetro atascado o muy protegido; o fallo de lectura.
• Dirección fija: veleta bloqueada.
• Presión con escalones: reinicio/lectura defectuosa/deriva o cambio brusco de altitud “configurada”.

5. Qué hacer cuando detectas uno

1. No borres a lo loco: marca el dato como sospechoso.
2. Mira alrededor: ¿hay nube/lluvia real? ¿hay sol directo? ¿hay viento fuerte?
3. Comprueba repetición: si se repite, es instalación o sensor.
4. Actúa por prioridad: limpiar, nivelar, mover el sensor, revisar baterías/conexión.

8. Errores comunes

• Eliminar datos reales extremos pensando que son fallo (a veces una racha o chaparrón sí es real).
• Justificar picos solares como “microclima”.
• No documentar cambios (mueves el sensor y luego comparas series como si nada).

9. Buenas prácticas

• Guarda un “log” de cambios: limpieza, mudanza, ajustes, baterías.
• Compara con 1–2 estaciones cercanas en eventos fuertes.
• Usa reglas simples: imposible, salto, incoherencia, repetición.

10. Resumen y claves finales

• Outlier = dato sospechoso, no automáticamente basura.
• Cuatro checks: imposible, salto, coherencia, repetición.
• Si se repite, casi seguro es sensor/instalación.
• Marca, revisa, corrige… y luego depura.

11. Mini-glosario

• Outlier: dato que se sale de lo esperable por error o por evento extremo real.
• QC (control de calidad): conjunto de reglas para detectar incoherencias.
• Deriva: el sensor se va “descalibrando” lentamente con el tiempo.

12. Referencias y lecturas recomendadas

• WMO: principios y buenas prácticas de observación y calidad
• NOAA: recursos educativos y guías de interpretación/observación