La predictabilidad es la capacidad de anticipar una variable o un evento con un nivel de error útil para una pregunta concreta. El caos ayuda a explicar por qué pequeñas diferencias del estado inicial pueden crecer, aunque el sistema siga reglas. Esto no convierte toda previsión en inútil: cambia qué podemos anticipar, con qué detalle y cómo expresamos la incertidumbre.

La analogía de una ruta con varias salidas

Imagina avanzar por una red de caminos. Mientras las rutas próximas siguen juntas, una pequeña diferencia de salida puede importar poco. Cerca de una bifurcación puede conducir a destinos distintos. La atmósfera no tiene caminos pintados, pero su estado influye en cómo crecen y se orientan las diferencias.

La analogía no significa que cada discrepancia crezca siempre ni al mismo ritmo. Tampoco una pequeña diferencia obliga a una catástrofe. El crecimiento depende de la situación, variable y escala. Por eso se estudia un conjunto de escenarios, además de una única ruta.

Reglas precisas y resultado incierto

Un sistema puede ser determinista: con estado inicial y reglas idénticos produce la misma evolución bajo ese marco. Si el estado se conoce con error, las trayectorias próximas pueden separarse. «Caótico» describe esa sensibilidad y estructura del comportamiento, sin ser sinónimo de elegir números al azar.

Lorenz mostró estas ideas con un modelo idealizado en 1963. Sus variables representan una simplificación de convección, no directamente el tiempo de una ciudad. El trabajo abrió una explicación fundamental, pero su conclusión no fija un plazo universal de días de acierto para toda la atmósfera.

Qué incertidumbres entran en la previsión

Las observaciones no cubren todos los lugares y alturas con exactitud infinita. La estimación inicial combina datos y modelo. El modelo representa procesos mediante aproximaciones y una resolución limitada. Ambas fuentes pueden influir y no son totalmente independientes, porque el propio modelo participa en la construcción del análisis.

Disponer de más datos y mejores modelos puede mejorar la previsión. Esa mejora no elimina automáticamente todos los límites ni permite resolver cada detalle a cualquier plazo. Tampoco se usa «caos» para atribuir cualquier error sin investigar observación, cálculo y proceso físico.

El límite depende de la pregunta

Anticipar un entorno de circulación regional y la hora exacta de una tormenta en una calle son preguntas distintas. También cambian los límites entre temperatura, viento, precipitación y caudal. Una previsión puede seguir siendo útil para una de ellas y tener poca precisión para otra.

La tolerancia importa: «¿habrá una entrada húmeda hacia el oeste peninsular?» permite un soporte diferente de «¿cuántos milímetros caerán aquí a esta hora?». Definir región, periodo y condición ayuda a evaluar qué información conserva el pronóstico.

Ocho ejemplos de utilidad y límite

• Preparar una salida: una orientación general sobre días húmedos puede ser útil mientras la hora exacta de lluvia permanece incierta.
• Tormenta local: representar ambiente favorable no localiza necesariamente cada célula ni su recorrido.
• Entrada atlántica: varios escenarios pueden coincidir en corredor intenso y discrepar entre Galicia y Portugal. La posición requiere otra comprobación.
• Temperatura: añadir muchos decimales a una predicción no elimina incertidumbre ni demuestra exactitud equivalente.
• Bifurcación sinóptica: pequeñas diferencias pueden cambiar trayectoria de una baja; se conserva el conjunto de posibilidades.
• Mapa medio: la media de estructuras desplazadas puede parecer suave y representar mal los escenarios individuales.
• Acuerdo de miembros: puede coexistir con un error compartido de relieve o humedad. El acuerdo no es observación.
• Promedio temporal: un resultado sobre un periodo amplio y otro para una hora tienen tolerancias y operadores distintos.

Un ejemplo ibérico

Ramos et al. estudian pronósticos de ríos atmosféricos en Iberia occidental y muestran el caso del 4-01-2016 en norte de Portugal. Intensidad, orientación y punto de entrada se evalúan por separado. El ejemplo ilustra por qué una señal regional y su ubicación local pueden tener precisión diferente.

La investigación usa sistemas y métricas de un periodo histórico. No prueba que cada error proceda exclusivamente de caos ni garantiza un horizonte fijo del ciclo actual. La referencia de transporte es análisis del modelo; la precipitación de estaciones tiene otra evidencia.

Para qué sirve el ensemble

Un ensemble reúne escenarios que representan parte de la incertidumbre inicial y del modelo. Permite revisar rutas, tiempos y resultados posibles. Su dispersión informa de diferencias representadas, pero puede omitir fuentes o conservar sesgos comunes.

La frecuencia de miembros que cumplen una condición requiere región y ventana definidas. Una probabilidad útil necesita evaluación y calibración. El conjunto no garantiza que incluya todo lo que puede suceder; se contrasta con observaciones y referencias adecuadas.

Tiempo, clima y escalas

Perder detalle de una trayectoria no implica perder automáticamente toda información estadística. Un promedio, una distribución o una respuesta a condiciones persistentes plantea otra pregunta. Las fuentes de predictabilidad y las referencias cambian con la escala temporal y el objetivo.

No se transforma esta distinción en garantía de cada pronóstico largo. La predicción de un resultado concreto debe evaluarse en su contexto. El plazo que produce un sistema es diferente del plazo en que una variable conserva habilidad demostrada.

Errores, prácticas y mini checklist

Errores: caos como puro azar, número fijo de días para todo, más decimales como más certeza y acuerdo como verdad. Buenas prácticas: definir pregunta, tolerancia, región, periodo y referencia; mirar escenarios y comprobar resultados.

Checklist: ¿qué se anticipa?, ¿con qué detalle?, ¿qué error es útil?, ¿qué incertidumbres representa el sistema?, ¿cómo varían los miembros?, ¿qué habilidad se ha verificado? Un dato desconocido permanece desconocido; no se rellena con cero.

Glosario y conclusión

Condición inicial: estado desde el que empieza el pronóstico. Caos: comportamiento sensible a pequeñas diferencias bajo reglas definidas. Dispersión: diferencias entre escenarios. Habilidad: rendimiento frente a una referencia. Calibración: relación entre probabilidad emitida y resultados.

La predictabilidad importa porque permite ajustar la pregunta y la confianza al contenido real del pronóstico. El límite se estudia por variable, escala y situación.

Fuentes y lecturas recomendadas

• Lorenz (1963), Deterministic Nonperiodic Flow: modelo idealizado, sensibilidad y límites de extrapolación.
• Lorenz (1969): predictabilidad de un flujo con muchas escalas, tolerancia y supuestos del modelo.
• ECMWF, IFS CY50R1, parte V, junio 2026: incertidumbre inicial y de modelo, ensembles y crecimiento dependiente del flujo.
• ECMWF: explicación de fuentes de incertidumbre e interdependencia con asimilación; los detalles actuales se contrastan con CY50R1.
• ECMWF, Ensemble Verification I (2019): calibración y verificación probabilística.
• Ramos et al. (2020): ejemplo ibérico de intensidad, orientación y entrada con habilidades diferentes.