La probabilidad no es una opinión: se puede comprobar con datos. Este artículo enseña a mirar ensembles “en números” (series, percentiles, excedencias) y a entender si un sistema está siendo útil o si está engañando con confianza falsa. Todo con ejemplos prácticos, sin estadística dura innecesaria.

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

1. Qué es y por qué importa

Cuando un modelo dice “30%”, la pregunta importante es: ¿en casos similares, ocurrió aproximadamente 3 de cada 10 veces? Si sí, esa probabilidad es útil aunque no “acierte” siempre. Si no, es ruido o está mal calibrada. Verlo en datos permite confiar cuando toca y desconfiar cuando toca.

2. Idea clave en 30 segundos

• En una frase: mirar ensembles en datos es mirar distribución (percentiles, rangos) y comprobar fiabilidad (si las probabilidades se cumplen).
• Señal típica: percentiles muy juntos (poca dispersión) con fallos frecuentes suele ser subdispersión (sobreconfianza).
• Confusión común: creer que “falló” porque no ocurrió, cuando era un 30% (que puede ser perfectamente correcto).

3. Cómo ver un ensemble como una distribución (sin fórmulas)

• Mediana (P50): escenario típico.
• Rango: P10–P90 (zona donde cae gran parte de los escenarios).
• Colas: P95/P99 (extremos plausibles con impacto alto).
• Excedencia: P(superar umbral) (lo más útil para decisiones por impacto).

4. Series temporales: qué mirar

• Abanico (fan chart): si el abanico se abre, sube incertidumbre.
• Saltos run a run: sensibilidad alta o señal débil.
• Umbrales: marca niveles operativos (por ejemplo, racha peligrosa, lluvia intensa).

5. Excedencia: el puente directo a decisiones

En vez de preguntar “¿cuánto lloverá?”, pregunta “¿qué probabilidad hay de superar X mm en Y horas?”. Para impactos, ese enfoque suele ser más robusto que un acumulado esperado.

6. Fiabilidad (calibración) explicada simple

Una probabilidad es fiable si coincide con la frecuencia real. Por ejemplo: de todas las veces que se predijo 40% de superar un umbral, se supera aproximadamente 4 de cada 10. Si el sistema predice 40% y ocurre 1 de cada 10, está siendo demasiado confiado. Si ocurre 7 de cada 10, está siendo demasiado prudente (infra-confianza).

7. Sesgo: cuando el sistema se inclina siempre al mismo lado

• Sesgo húmedo: sobreestima precipitación con frecuencia.
• Sesgo seco: infraestima acumulados, sobre todo en convectiva.
• Sesgo térmico: temperaturas sistemáticamente altas o bajas.

8. Dos métricas útiles sin humo: Brier y CRPS

• Brier (para eventos): mide lo “bueno” que es dar una probabilidad para un evento sí/no (por ejemplo, superar 20 mm/24h). Más bajo suele ser mejor.
• CRPS (para distribuciones): mide la calidad del pronóstico probabilista completo (no solo sí/no). Premia estar cerca y ser honesto con la incertidumbre.

9. Spread–skill (la idea práctica)

Si hay mucha dispersión, no esperes precisión fina. Si hay poca dispersión pero se falla mucho, hay sobreconfianza. Lo sano es que la dispersión se relacione con el error real: cuando el caso es difícil, el ensemble debe abrirse.

10. Checklist de sesgos humanos al leer porcentajes y datos

• Sesgo de certeza: tratar 60–70% como seguro.
• Sesgo de punto: exigir exactitud local (calle) en fenómenos convectivos.
• Sesgo del último pase: creer que el último run “siempre” es mejor.
• Sesgo de confirmación: escoger el percentil o la probabilidad que encaja con la idea previa.
• Anclaje: quedarse con la primera cifra vista.
• Olvido del umbral: hablar de probabilidad sin recordar qué evento se definió.

11. Errores comunes

• Comparar un número determinista con un abanico probabilista como si fueran lo mismo
• No definir umbral/ventana para excedencias
• Ignorar colas en impactos altos
• Confundir fiabilidad con “acertar siempre”

12. Buenas prácticas

• Trabajar por umbrales y ventanas
• Mirar P50 y P90 juntos (típico vs cola)
• Evaluar fiabilidad en tu zona/estación
• Comunicar por escenarios y grados de confianza

13. Resumen y claves finales

• Percentiles y excedencias convierten ensembles en decisiones.
• Fiabilidad significa que las probabilidades se cumplen a largo plazo.
• Brier mide eventos; CRPS mide el pronóstico probabilista completo.
• La lectura mejora mucho cuando controlas sesgos humanos.

14. Mini-glosario

• Fiabilidad: coherencia entre probabilidad y frecuencia real.
• Excedencia: superar un umbral definido.
• CRPS: métrica de calidad de pronóstico probabilista.
• Brier: métrica para probabilidades de eventos sí/no.

15. Referencias y lecturas recomendadas

• ECMWF: verificación y productos probabilistas
• NOAA: recursos de probabilistic forecasting y verificación
• WMO: guías de comunicación de incertidumbre y predicción probabilista