Cuando miramos datos (series, récords, percentiles) es facilísimo caer en la trampa: “sube a la vez → es la causa”. Aquí vamos a aprender a ver qué te dicen los datos y qué NO te pueden prometer, especialmente en extremos (olas de calor, lluvias intensas) y en atribución. Vamos con enfoque práctico: series, umbrales, periodos de retorno, y cómo hablar con rangos sin asustar ni vender humo.

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 “ver causalidad en datos” (sin inventarnos cosas)

Los datos por sí solos te muestran asociaciones (correlaciones, tendencias, cambios en distribución). Para hablar de causalidad (o atribución) necesitas como mínimo: definir el evento, comparar con un contrafactual/baseline y cuantificar incertidumbre. En clima casi nunca decimos “X causó Y”; solemos decir “X cambió el riesgo de Y en este rango”.

2. Idea clave en 30 segundos

• En una frase: una serie no demuestra causa; demuestra cómo cambia la probabilidad, y eso se comunica con rangos.
• Señal típica: puedes responder “¿comparado con qué?” (baseline) y “¿con qué incertidumbre?” (intervalo).
• Confusión común: confundir un récord con “prueba” causal, o confundir significancia con certeza.

3. Paso 1: define el evento de forma operativa

• Variable: Tmáx, precip 24h, duración de ola de calor, etc.
• Ventana: 1 día, 3 días, semana… (importa muchísimo).
• Región: punto (estación) vs área (rejilla/cuenca).
• Umbral: absoluto (p.ej. 40 ºC) o percentil (p.ej. P95).

Si no defines esto, todo lo demás es arena.

4. Paso 2: mira la serie con “ojos correctos”

• Nivel base: ¿sube la media? (tendencia).
• Extremos: ¿cambia la cola? (percentiles altos, récords, frecuencia).
• Estacionalidad: ¿cambia en verano pero no en invierno?
• Autocorrelación: los extremos se agrupan (olas) y eso afecta a inferencias.

5. Umbrales y percentiles (qué elegir y por qué)

• Umbral absoluto: útil para impacto (p.ej. calor peligroso), pero depende de región.
• Percentil: útil para comparar regiones, pero cuidado: si el clima cambia, el percentil “se mueve” según cómo lo definas.
• Duración: una ola de calor no es solo “un día alto”: define duración e intensidad acumulada si aplica.

6. Periodo de retorno (sin trampas)

El periodo de retorno es una manera de hablar de rareza (“1 en 50 años”), pero:

• depende de la definición del evento y de la estación del año
• requiere series suficientemente largas y consistentes
• en clima cambiante, “50 años” no es fijo: el retorno cambia con el tiempo

7. Risk Ratio (RR) e intervalos de confianza (lo esencial)

En atribución, una pregunta típica es: “¿cuánto cambia la probabilidad de este evento en el clima actual respecto al baseline?” Eso se resume con métricas como RR (risk ratio) y se comunica siempre con intervalos de confianza (rangos).

• RR > 1: más probable en el clima actual (bajo ese framing).
• RR < 1: menos probable.
• Intervalo amplio: evidencia limitada o evento muy raro / datos insuficientes.

8. Ejemplos prácticos con datos

8.1 Ola de calor

• Qué mirar: percentiles altos (P95/P99), duración, noches tropicales, y si la cola se “engorda”.
• Trampa típica: ver tendencia en media y afirmar causalidad del evento concreto.
• Lectura sana: “la distribución se desplaza; algunos umbrales se cruzan más a menudo; el evento entra en un régimen más probable”.

8.2 Lluvias intensas

• Qué mirar: máximos diarios, intensidades horarias, percentiles altos, y coherencia espacial (no solo una estación).
• Trampa típica: una estación con récord por tormenta local y concluir señal climática global.
• Lectura sana: separar “potencial termodinámico” (más vapor) de “dinámica” (disparo y organización convectiva).

9. Checklist de lectura de datos (antes de atribuir)

• ¿Evento definido (variable/región/ventana/umbral)?
• ¿Serie homogénea (cambios de estación, huecos, instrumentación)?
• ¿Punto vs área (representatividad)?
• ¿Cambio en cola (percentiles altos) además de media?
• ¿Rangos/intervalos presentes?
• ¿Sensibilidad (si cambio umbral o región, el resultado aguanta)?

10. Errores comunes

• Confundir récord con prueba causal.
• Usar “retorno” como si fuera una verdad fija en clima cambiante.
• Ignorar homogeneidad y calidad de serie.
• Comparar estaciones no comparables (costa vs interior) sin normalizar.
• Comunicar un número sin intervalo.

11. Buenas prácticas

• Reporta definición + baseline + rango (siempre).
• Incluye una mini sensibilidad (umbral/región/ventana).
• Explica diferencia entre hazard e impacto (vulnerabilidad).
• Usa frases calibradas (“consistente con…”, “en este rango…”).

12. Frases seguras para comunicar resultados

• “Bajo esta definición y región, el evento es más/menos probable que en el baseline, con este rango.”
• “La evidencia es consistente con un aumento del riesgo, pero la incertidumbre es relevante.”
• “No atribuimos daños: el impacto depende de vulnerabilidad y exposición.”
• “No concluyente es un resultado válido cuando los rangos son amplios.”

13. Resumen y claves finales

• Los datos enseñan cambios en probabilidad y distribución, no culpas.
• Extremos requieren mirar colas (percentiles altos) y definir bien el evento.
• Siempre intervalos + sensibilidad + comunicación calibrada.

14. Mini-glosario

• Periodo de retorno: medida de rareza bajo una distribución (cambia si el clima cambia).
• RR (risk ratio): razón de probabilidades entre dos climas/baselines.
• Intervalo de confianza: rango plausible del estimador (incertidumbre).
• Cola: parte extrema de la distribución (donde viven los récords).
• Homogeneidad: consistencia de una serie sin “saltos” no climáticos.

15. Referencias y lecturas recomendadas

• IPCC (AR6): atribución, confianza e incertidumbre
• Met Office: recursos sobre atribución y comunicación de extremos
• NOAA: guías de extremos y estadística aplicada (retornos, percentiles)