“Ver el factual en datos” significa aprender a leer series y distribuciones sin confundir: (1) lo que miden instrumentos, (2) lo que reconstruye un reanálisis y (3) lo que simula un ensemble. En atribución, el factual sirve para estimar P1: la probabilidad de un evento en el clima actual, y eso se ve en datos con umbrales, percentiles y rangos.

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 dato estás mirando (primera pregunta obligatoria)

• Observación: estación/pluviómetro/radar/satélite (mide o deriva una magnitud)
• Reanálisis: “mejor estimación” de campos completos combinando observaciones + modelo
• Ensemble factual: muchas simulaciones para estimar probabilidades (P1)

Si mezclas estas tres cosas como si fueran lo mismo, te salen conclusiones muy seguras… y muy frágiles.

2. Idea clave en 30 segundos

• En una frase: en datos, factual = distribución (frecuencia), no la curva exacta del episodio.
• Señal típica: P1 se estima contando cuántas simulaciones superan un umbral.
• Confusión común: “si el reanálisis no muestra el pico, entonces no existió” (picos locales pueden suavizarse).

3. Cómo construir una serie “comparable”

• Misma variable: no mezcles lluvia diaria con acumulado 3 días sin decirlo
• Misma ventana: 24h vs 72h cambia totalmente extremos
• Misma región: punto vs promedio de una caja (un promedio baja extremos)
• Misma temporada: comparar verano con otoño puede engañar

4. Percentiles y valores fijos (cuándo usar cada uno)

• Percentil (p95/p99): útil para comparar regiones/climas distintos (p99 en costa no equivale a p99 en interior)
• Valor fijo: útil si el impacto se dispara a partir de un número (p. ej., umbral de aviso)
• Trampa típica: cambiar umbral “hasta que salga significativo”

5. “Colas”: dónde viven los extremos

Los extremos están en la cola de la distribución. Si tu dataset suaviza la cola (reanálisis o promedio espacial), tu evento puede parecer menos raro o directamente no aparecer.

6. Cómo estimar P1 con datos de ensemble

• Define el umbral
• Cuenta en el ensemble cuántas veces se supera
• P1 ≈ n/N
• Añade un rango: si N es pequeño, la incertidumbre es grande

7. Intervalos de confianza: cómo leerlos sin autoengañarte

• Intervalo amplio: no es “malo”, es honestidad (pocos datos o evento raro)
• No significa: “el valor real está garantizado dentro” (depende del método)
• Buena práctica: siempre acompañar con explicación de por qué el rango es así

8. Ejemplo práctico: sequía (simplificado)

• Evento: déficit de precipitación 3 meses + anomalía de humedad del suelo
• Observación: pluvios + índices
• Reanálisis: patrón regional y coherencia
• Ensemble factual: cuántas simulaciones caen por debajo del umbral

Ojo: la sequía suele ser evento compuesto (lluvia + evaporación + suelos + gestión). Di qué componente estás atribuyendo.

9. Errores comunes

• Comparar punto (estación) con promedio de celda sin aclararlo
• Usar reanálisis para “picos” locales como si fuera pluviómetro
• Ignorar cambios de estación/entorno (homogeneidad)
• Confundir hazard (extremo meteorológico) con impacto (daño)
• No declarar ventanas/región/temporada

10. Buenas prácticas

• Describe fuente y escala (punto vs celda vs caja)
• Usa percentiles para comparabilidad regional cuando toque
• Incluye rangos (intervalos) y explica por qué
• Documenta sensibilidad: ¿cambia mucho si mueves umbral o ventana?

11. Frases seguras (copiables)

• “En el ensemble factual, la probabilidad de superar este umbral es P1, con un rango X–Y por tamaño de muestra e incertidumbre.”
• “El reanálisis se usa para patrones regionales; el pico local se cuantifica con observaciones.”
• “Este resultado describe el hazard; el impacto depende de exposición y vulnerabilidad.”

12. Mini-glosario

• Cola: parte extrema de una distribución
• P1: probabilidad en mundo factual
• Reanálisis: reconstrucción de campos completos (observaciones + modelo)
• Evento compuesto: combinación de condiciones que genera el riesgo

13. Referencias y lecturas recomendadas

• Met Office
• NOAA
• IPCC