Si RR (riesgo relativo) es “comparar probabilidades”, entonces los datos son el campo de batalla: una mala serie, un umbral mal definido o un reanálisis usado donde no toca pueden inflar o hundir el RR sin que te enteres. Aquí lo verás paso a paso, con foco en series, umbrales y trampas típicas (y cómo evitarlas).

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 RR visto desde datos (en una frase útil)

RR = P_A(E) / P_B(E). En datos, eso se traduce a: “¿Cuántas veces aparece el evento E en el conjunto A frente al conjunto B?”. Todo depende de que E esté definido de forma copiable y de que A y B sean comparables (misma métrica, mismo operador espacial, control de sesgos).

2. Idea clave en 30 segundos

• En una frase: RR sale de contar eventos iguales en dos mundos/ensembles, no de un único valor extremo.
• Señal típica: RR sin intervalo (rango) es una alerta roja.
• Confusión común: confundir “evento raro en la muestra” con “evento imposible”.

3. Datos mínimos que necesitas (y por qué)

• Serie temporal: diaria/horaria según el fenómeno (Tmax diaria para ola de calor; precip 24h para lluvia intensa; acumulados mensuales para sequía).
• Periodo suficiente: cuanto más extremo el umbral, más años/muestras necesitas.
• Control de calidad (QC): outliers, cambios de sensor, huecos, saltos raros.
• Metadatos: estación, cambio de emplazamiento, urbanización, entorno.

4. Paso crítico: definir el evento E desde la serie

Escribe E con plantilla: variable + ventana + región/operador + umbral + periodo base. Ejemplos:

• Ola de calor: 3 días seguidos con Tmax ≥ p99 (base 1981–2010) en área R (promedio espacial).
• Sequía: SPEI-6 ≤ −1,5 en cuenca X durante la estación cálida.

Si cambias el umbral, cambias el RR. Por eso este paso debe quedar “copiable”.

5. Umbrales: percentiles vs umbrales fijos

• Percentiles (p95, p99): útiles para comparar regiones distintas, pero dependen del periodo base y del dataset.
• Umbrales fijos (40 ºC, 200 mm/24h): fáciles de comunicar, pero no equivalen entre climas/regiones.
• Truco honesto: si dudas, reporta sensibilidad con 2–3 umbrales razonables (p98/p99 o 38/40 ºC).

6. Observación vs reanálisis: qué se ve y qué se pierde

Reanálisis es excelente para contexto y patrones, pero puede suavizar extremos locales (convección, rachas, microclimas). No es “malo”; es una herramienta distinta.

• Olas de calor: reanálisis suele ir mejor (campo suave y coherente).
• Lluvia convectiva: reanálisis puede subestimar picos; radar/pluvios mandan.
• Rachas: punto vs celda es el clásico error: no compares “tal cual”.

7. Cómo estimar probabilidades P(E) a partir de datos (sin magia)

Para P(E) necesitas muchas realizaciones: años, miembros de ensemble, o simulaciones. El esquema es:

• Define E (copiable)
• Cuenta ocurrencias en A: nA / NA
• Cuenta ocurrencias en B: nB / NB
• Calcula RR = (nA/NA)/(nB/NB)

Si nB es muy pequeño, RR puede “volarse”. Eso no es prueba, es limitación de muestra.

8. Intervalos: por qué RR debe ir con rango

En extremos, el “número central” engaña. Usa intervalos (por ejemplo, bootstrap) para obtener un rango razonable.

• Señal de alarma: RR enorme con intervalo no reportado.
• Cómo se explica: “bajo estos supuestos, entre X e Y veces”.

9. Trampas típicas en datos (las que más inflan RR)

• Definir E a posteriori: ajustar ventana/umbral tras ver el evento.
• Mezclar operadores: estación puntual vs celda de reanálisis sin equivalencia.
• Ignorar dependencia: contar días consecutivos como si fueran independientes.
• Unir series sin homogeneizar: cambios de instrumento/emplazamiento que crean saltos.
• Colas con N pequeño: p99,9 con pocas décadas → RR frágil.
• Confundir hazard con impacto: “más probable” no implica “más daños” sin exposición/vulnerabilidad.

10. Buenas prácticas (lo que te salva el informe)

• Escribe E como receta copiable y déjala fija.
• Declara dataset y periodo base (si hay percentiles).
• Alinea escala (punto/área) y documenta el operador.
• Reporta sensibilidad mínima (2–3 definiciones razonables).
• Publica RR con intervalo y método declarado.
• Añade siempre: “hazard ≠ impacto; depende de exposición y vulnerabilidad”.

11. Frases seguras para comunicar RR desde datos

• “Bajo estos supuestos y esta definición del evento, el evento es entre X y Y veces más probable en A que en B.”
• “El rango refleja incertidumbre por tamaño de muestra, colas y sesgos de datos/modelos.”
• “Este análisis caracteriza el hazard; el impacto depende de exposición y vulnerabilidad.”
• “El resultado es sensible a la definición del evento; mostramos esa sensibilidad.”

12. Resumen y claves finales

• RR se “ve” contando eventos iguales, no mirando un pico aislado
• La definición del evento manda más que el cálculo
• Reanálisis es contexto; los picos pueden requerir observación/radar
• RR sin intervalo y sin sensibilidad es un número frágil
• Comunicar hazard≠impacto evita la trampa más común

13. Mini-glosario

• RR: cociente de probabilidades del mismo evento entre dos mundos.
• Cola: extremos de una distribución (p99, p99,9…).
• Operador espacial: cómo pasas de grilla a “evento” (promedio, percentil espacial, bbox).
• Homogeneización: corrección de saltos artificiales por cambios en la serie.

14. Referencias y lecturas recomendadas

• IPCC
• WMO
• NOAA