Verificación de predicciones · Última actualización: 2026-01-27

Datos de referencia: qué usar y qué sesgos tienen: errores comunes

El fallo más caro en verificación no es “calcular mal una métrica”: es creer que estás midiendo el rendimiento cuando en realidad estás midiendo sesgos de la referencia, un operador mal elegido, o una comparación injusta. Y entonces ajustas el sistema… y lo empeoras. Aquí tienes los errores más comunes al usar datos de referencia (pluvios, radar, estaciones, series) y cómo evitarlos, con ejemplos de precipitación y observación. Incluimos pistas muy claras para que no te engañen RMSE, MAE o una fiabilidad “bonita” cuando el problema real está en otro sitio.

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

Accesos directos:

  • Trampa nº1: operador incorrecto (punto vs área).
  • Trampa nº2: referencia sin QC.
  • Trampa nº3: comparar periodos/regímenes distintos.
  • Trampa nº4: métricas mal interpretadas (RMSE, MAE, fiabilidad).
  • Relacionado: precipitacion,observacion
  • Tags: bias metricas rmse
  • Keywords: FSS MAE climatología fiabilidad

1. Qué es y por qué importa

La referencia (observado) no es “la verdad perfecta”. Es un sistema de medida con limitaciones: representatividad (un punto no es un área), sesgos instrumentales, huecos, cambios de emplazamiento, y errores de QC. Si verificas sin auditar esto, puedes obtener conclusiones totalmente equivocadas y tomar decisiones malas.

2. Idea clave en 30 segundos

  • En una frase: si el observado está sesgado o el operador no encaja, la métrica te cuenta una historia falsa
  • Señal típica: cambias el modelo por “mala RMSE” y empeoras la detección de eventos
  • Confusión común: fiabilidad buena = pronóstico útil (puede no serlo)

3. Error común: usar un operador que no mide tu objetivo

  • Punto vs área: en precipitación convectiva, un pluvio puede “fallar” aunque el sistema esté bien a escala útil.
  • Ventana temporal: verificar 1h cuando el impacto es 3–6h cambia el diagnóstico.
  • Umbral mal definido: eventos raros con umbrales demasiado bajos disparan falsas alarmas.

4. Error común: tratar la referencia como perfecta

  • Pluvios: subcaptación con viento, salpicaduras, obstrucciones, mantenimiento.
  • Radar: atenuación, beam blocking, bright band, Z-R, cambios de calibración y QC.
  • Viento: exposición/obstáculos; un sensor “malo” castiga cualquier sistema.

5. Error común: no hacer control de calidad (QC)

  • Outliers no filtrados (valores imposibles)
  • Huecos tratados como ceros
  • Cambios de estación sin documentar (move/altura/entorno)

6. Error común: comparar periodos injustos

  • Regímenes distintos: convectivo vs estratiforme
  • Estacionalidad: mezclar meses con climatología distinta
  • Muestras pequeñas: un episodio extremo domina RMSE

7. Error común: interpretar mal RMSE, MAE y bias

  • Bias: muestra deriva sistemática (útil para corregir).
  • MAE: error típico (robusta).
  • RMSE: castiga extremos; si solo miras RMSE, puedes “aplanar” el sistema.

8. Error común: fiabilidad sin contexto

Una curva de fiabilidad bonita puede salir de un sistema “tímido” que casi nunca da probabilidades altas. Puede estar calibrado y, aun así, ser poco útil si no discrimina bien o si el umbral operativo da muchas falsas alarmas.

9. Error común: olvidar baseline (climatología/persistencia)

Si no ganas a la climatología o a “no evento”, no hay mejora real. Baseline es el antídoto contra el autoengaño.

10. Ejemplos rápidos (precipitación y observación)

  • Precipitación convectiva: verificar punto y declarar “fracaso” cuando el fallo es desplazamiento → usa FSS/neighborhood o object-based.
  • Observación: radar sin QC como verdad → te “inventa” sesgos que no son del pronóstico.

11. Errores comunes

  • Operador incorrecto
  • Referencia sin QC
  • Comparación injusta de periodos
  • Mirar una sola métrica

12. Buenas prácticas

  • Auditar referencia (QC, cambios, representatividad)
  • Definir objetivo y operador antes de la métrica
  • Panel mínimo: bias + MAE/RMSE + matriz en umbral
  • Probabilístico: fiabilidad y discriminación

13. Resumen y claves finales

  • La referencia no es perfecta: hay que conocer sesgos
  • Operador incorrecto = conclusiones falsas
  • RMSE no es “la” verdad: vigila que no aplastes eventos
  • Fiabilidad sin discriminación puede ser inútil
  • Baseline evita autoengaños

14. Mini-glosario

  • QC: control de calidad de datos
  • Representatividad: si un punto representa un área o no
  • FSS: score espacial por vecindario
  • Fiabilidad: calibración probabilística

15. Referencias y lecturas recomendadas

  • WMO: verificación y observación
  • NOAA: métricas y buenas prácticas
  • AEMET: documentación de observación y verificación