Un gráfico con muchas previsiones casi juntas transmite confianza. Pero esa confianza tiene dos preguntas detrás: cuánto coinciden las simulaciones y cuánto ha demostrado acertar el sistema. Spread describe la dispersión entre miembros de un ensemble; skill describe su habilidad frente a una referencia. Entender la diferencia ayuda a leer una previsión sin confundir acuerdo con certeza.
Spread: cuánto se separan las previsiones
Una predicción por conjuntos calcula varios escenarios. Si sus temperaturas previstas son parecidas para una hora, la dispersión es pequeña. Si unas suben y otras bajan mucho, es mayor. Puede expresarse con diferentes medidas, como desviación estándar o separación entre percentiles.
No toda anchura de un dibujo utiliza la misma medida. Una banda puede contener la parte central de la distribución y otra todos los miembros. Tampoco es comparable una amplitud de 4 °C con otra de 4 mm: corresponden a variables y unidades distintas.
Skill: qué aporta frente a una referencia
Para saber si una previsión ayuda, se compara su comportamiento con una alternativa sencilla o relevante: el clima habitual, mantener las condiciones recientes u otro sistema. Una puntuación de habilidad resume esa mejora en una muestra de casos, para una variable, lugar y plazo definidos.
Ejemplo propio: un sistema se equivoca menos en máximas diarias que usar siempre la temperatura habitual de la época. Esa mejora puede ser útil para temperatura, pero no demuestra que sitúe mejor cada tormenta ni que anticipe todas las rachas.
Por qué pueden estar juntos y equivocarse
Los miembros comparten un modelo, datos y parte de sus aproximaciones. Pueden suavizar una montaña, representar mal una inversión o desplazar de forma parecida un frente. Su acuerdo no incorpora necesariamente todos esos errores.
Ejemplo propio: casi todos indican una mínima entre 5 y 6 °C, pero una inversión local deja 1 °C en el valle. El conjunto parecía preciso y la temperatura observada quedó fuera. El episodio invita a revisar representatividad y sesgos, sin deducir que todo el sistema carezca de utilidad.
Un ejemplo entre 7 y 10 días
Situación didáctica inventada: para una excursión prevista dentro de siete días, los escenarios coinciden bastante en un descenso de temperatura. Para el décimo día, unos recuperan condiciones suaves y otros mantienen frío. Hay una señal más estable para el primer tramo y varias alternativas para el segundo.
Se puede planificar ropa y alternativas, pero no fijar una hora exacta de lluvia únicamente con ese dibujo. Al acercarse la fecha, se revisan las nuevas previsiones y los avisos. No existe un día universal en que toda predicción deje de servir: depende del fenómeno, la escala y la situación.
Dispersión grande tampoco significa fracaso
Un conjunto amplio puede describir honestamente una situación difícil. Si permite identificar alternativas y asignarles probabilidades útiles, conserva valor. Una previsión que muestra mucha duda puede resultar más adecuada que otra excesivamente segura.
A la inversa, una media puede acertar un día por casualidad aunque los miembros estén muy separados. La evaluación requiere muchos casos. No se califica la fiabilidad de un sistema por una sola captura que salió bien o mal.
Probabilidades que merecen confianza
Una probabilidad del 70 % pretende describir una frecuencia en situaciones comparables: si está bien calibrada, el evento debería ocurrir aproximadamente siete de cada diez veces en una muestra suficientemente amplia. No asegura el resultado del próximo episodio.
Ejemplo propio: se reúnen cien pronósticos que daban 70 % de superar un umbral y el evento ocurre en cuarenta y cinco. Ese grupo sugiere un exceso de confianza para el evento evaluado. Hace falta conocer la muestra y sus incertidumbres antes de aplicar una corrección.
Qué mirar antes de usar la palabra confianza
- Variable: temperatura, acumulado de lluvia, viento medio o racha.
- Plazo: rendimiento comprobado a siete días no equivale al de mañana.
- Escala: señal regional y condición en un punto necesitan comprobaciones distintas.
- Historial: busca evaluación frente a observaciones y una referencia clara.
- Consecuencias: decide qué alternativa necesitas si ocurre un escenario menos probable.
Errores frecuentes
No interpretes un valor de skill como porcentaje de días acertados, ni un spread pequeño como garantía de seguridad. Tampoco uses una puntuación de temperatura en altura para justificar automáticamente una previsión de lluvia en tu municipio.
Una climatología puede ser una referencia útil y una predicción un producto útil, pero ninguna es una observación actual. Cerca del episodio hay que contrastar lo previsto con estaciones, radar o satélite, según la variable y la calidad de los datos disponibles.
Conclusión
Spread responde cuánto difieren los escenarios mostrados; skill responde cuánto mejor funciona el pronóstico que una referencia comprobable. La confianza útil nace de combinar ambos con calibración, escala y consecuencias. Ante una pluma compacta, pregunta también si ese acuerdo ha resultado fiable en situaciones parecidas y cuándo conviene revisar la decisión.