Si hay una frase que salva proyectos (y titulares) es esta: correlación no es causalidad. Y en meteorología/clima esto se multiplica: el sistema tiene muchas piezas moviéndose a la vez, y es facilísimo que dos cosas “vayan juntas” sin que una cause la otra. Este artículo es la base antes de hacer atribución: vamos a entender qué es correlación, qué es causalidad, y cómo no confundirnos cuando hablamos de extremos (lluvia, frío, bloqueos…) y de cambio climático.

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 es correlación y qué es causalidad

Correlación significa que dos variables tienden a cambiar juntas (suben/bajan a la vez, o una sube cuando la otra baja). Puede ser casual, indirecto o porque hay un “tercero” detrás.

Causalidad significa que cambiar A provoca un cambio en B (manteniendo el resto comparable). En ciencias del clima, rara vez es “A causa B” sin matiz: solemos hablar de mecanismos y de cambios en el riesgo.

2. Idea clave en 30 segundos

• En una frase: que dos cosas coincidan no prueba causa; para hablar de causa necesitamos mecanismo + contrafactual + incertidumbre.
• Señal típica: puedes explicar “qué pasaría si A no hubiera ocurrido” (contrafactual) aunque sea con rango.
• Confusión común: “ha pasado a la vez, así que es por eso” (la trampa clásica).

3. Por qué esto importa tanto en atribución

La atribución intenta responder preguntas tipo “¿ha cambiado el riesgo de este evento por el calentamiento global?” Para hacerlo bien hay que evitar dos atajos peligrosos:

• Atajo 1: ver una correlación (p.ej. más calor medio) y afirmar causa directa del evento.
• Atajo 2: ver incertidumbre y concluir “no sabemos nada”.

Lo correcto suele ser: mecanismo plausible + evidencia estadística con rangos + lenguaje calibrado.

4. Cómo se “prueba” causalidad en la práctica (sin magia)

• Mecanismo físico: una cadena causa-efecto que tenga sentido meteorológico (energía, humedad, dinámica, circulación).
• Contrafactual: comparar con un mundo/periodo de referencia (más frío, otro baseline) manteniendo el resto lo más comparable posible.
• Control de confusores: separar factores que también influyen (NAO/bloqueos, humedad disponible, topografía, urbanización…)
• Incertidumbre explícita: rangos, intervalos de confianza, sensibilidad.

5. Ejemplos meteorológicos (para que lo veas claro)

5.1 Lluvia extrema

• Correlación típica: “mares más cálidos → más lluvias fuertes”. Puede ser cierto como tendencia física, pero no garantiza que un episodio concreto sea “causado” por eso.
• Causalidad bien planteada: “el calentamiento aumenta capacidad de vapor (termidinámica), lo que puede aumentar la intensidad potencial; pero la ocurrencia depende de dinámica (DANA/borrasca) y de la estructura convectiva”.
• Qué hacer: separar hazard (lluvia) de impacto (inundación) y usar contrafactual con ensembles si es posible.

5.2 Bloqueos y patrones

• Correlación típica: “cuando hay bloqueo, hay ola de calor”. Es correlación fuerte, pero decir “el bloqueo causó X” es incompleto si no explicas el transporte de masa de aire, la persistencia y el balance radiativo.
• Causalidad útil: “el bloqueo favorece persistencia y subsidencia; el fondo más cálido eleva el nivel base”.

5.3 Olas de frío

• Trampa frecuente: “si hace frío, no hay calentamiento global” (confunde tiempo con clima).
• Lectura correcta: el frío puede ocurrir por circulación y advección; la atribución pregunta si el riesgo/intensidad cambia en un clima más cálido, no si desaparece la variabilidad.

6. Ensembles, reanálisis e incertidumbre (lo básico)

• Ensembles: no son “muchas predicciones”, son una forma de muestrear incertidumbre y estimar probabilidades.
• Reanálisis: útil para reconstruir el guion del episodio (contexto), pero no siempre reproduce extremos puntuales perfectos.
• Intervalos de confianza: no son un adorno; son el “tamaño” de lo que sabemos.

7. Errores comunes

• Confundir coincidencia temporal con causa.
• Elegir una explicación bonita y olvidar confusores.
• Tratar un mapa o una serie como prueba causal completa.
• Comunicar sin rangos (“seguro que…”).
• Usar impacto como si fuera fenómeno físico.

8. Buenas prácticas

• Empieza por el mecanismo (qué cadena física tiene sentido).
• Formula un contrafactual (qué compararías si pudieras).
• Declara incertidumbre y sensibilidad.
• Comunica como cambio de riesgo, no como culpa.

9. Frases seguras para comunicar (sin sobreprometer)

• “Consistente con un aumento del riesgo bajo un clima más cálido, con incertidumbre.”
• “Bajo este marco (región/umbral), el riesgo parece aumentar/disminuir dentro de un rango.”
• “Este resultado depende de supuestos y del dataset; por eso damos sensibilidad.”
• “No atribuimos los daños: eso requiere vulnerabilidad/exposición.”
• “No concluyente” es un resultado válido si los rangos son amplios.

10. Resumen y claves finales

• Correlación = van juntas; causalidad = A provoca B (con contrafactual y mecanismo).
• En atribución, casi siempre hablamos de cambios en el riesgo con rangos.
• La incertidumbre no invalida: se comunica.
• Separar fenómeno físico de impacto evita el peor error.

11. Mini-glosario

• Correlación: relación estadística; no implica causa.
• Causalidad: relación causa-efecto; requiere marco comparativo.
• Contrafactual: escenario de referencia “sin” el factor de interés.
• Confusor: variable que afecta a ambas y crea falsa relación.
• Ensemble: conjunto de simulaciones para estimar probabilidad/incertidumbre.
• Reanálisis: reconstrucción consistente usando modelos + observaciones.

12. Referencias y lecturas recomendadas

• IPCC (AR6): atribución, confianza e incertidumbre
• Copernicus/ECMWF: reanálisis y productos de contexto
• ECMWF: documentación sobre ensembles y uso de probabilidades