¿Por qué (a veces) fallan las predicciones?

La respuesta corta: porque la atmósfera es caótica, y eso impone un límite físico — no tecnológico — a lo que se puede predecir. La respuesta larga empieza en el invierno de 1961, con un ordenador del tamaño de un escritorio y uno de los accidentes más productivos de la historia de la ciencia.

El decimal que cambió la ciencia

Edward Lorenz, meteorólogo del MIT, simulaba una atmósfera de juguete — doce variables, nada más — en un Royal McBee LGP-30, una computadora primitiva que avanzaba a trompicones. Un día quiso repetir un tramo de una simulación y, para ahorrar tiempo, tecleó como punto de partida los valores de un listado impreso: 0,506, decía el papel. En la memoria de la máquina, el número completo era 0,506127. Una discrepancia de una parte entre diez mil; menos que el efecto de un soplo de aire en un termómetro.

Al principio, las dos simulaciones fueron gemelas. Luego empezaron a separarse. Y a los pocos «meses» de tiempo simulado no se parecían en nada: donde una ponía borrasca, la otra ponía calma. Lorenz descartó la avería y entendió que estaba ante una propiedad del propio sistema: en la atmósfera, las diferencias diminutas no se quedan diminutas — crecen, y acaban dominándolo todo. Lo publicó en 1963, y en 1972 tituló una charla con la pregunta que lo hizo célebre: ¿puede el aleteo de una mariposa en Brasil desencadenar un tornado en Texas? (El título, por cierto, no lo puso él, sino el organizador de la sesión.) Había nacido el «efecto mariposa», y con él la teoría del caos.

Caos no significa azar

Lo desconcertante del caos es que no hay dados escondidos. Las ecuaciones de la atmósfera son deterministas: el mismo punto de partida produce siempre el mismo futuro. El problema es que nunca conocemos el punto de partida con precisión infinita — entre estación y estación hay huecos, cada termómetro tiene su margen — y el caos consiste precisamente en que esos errores minúsculos se amplifican: en la atmósfera, un error en la condición inicial tiende a duplicarse en cuestión de un par de días.

Piensa en el saque inicial de una partida de billar. Golpea el taco con un ángulo una décima de grado distinto: el primer choque es casi idéntico, el tercero ya difiere visiblemente, y tras el quinto las bolas dibujan una partida completamente distinta. Nadie diría que el billar es aleatorio — es física newtoniana pura — y sin embargo predecir la posición de las bolas tras diez choques es, en la práctica, imposible. La atmósfera es una partida de billar con billones de bolas que no deja de chocar nunca.

Por qué el día 7 vale menos que el día 1

Esa duplicación del error marca un horizonte de predictibilidad. Un pronóstico a un día parte de un error inicial que apenas ha tenido tiempo de crecer; a siete días, ese mismo error se ha duplicado tres veces y ya contamina los rasgos grandes del mapa. Por eso la calidad no baja poco a poco, sino cada vez más deprisa: el día 2 se parece bastante al día 1; el día 7 es otra categoría de afirmación. Para el detalle del tiempo diario, el límite práctico ronda las dos semanas — y no es un límite de potencia de cálculo, sino de la física: se estima que la predicción útil ha ganado en torno a un día de horizonte por década de avances, un progreso enorme que, aun así, va rindiendo cada vez menos frente a ese muro.

Hay otro matiz que casi nunca se cuenta: no todos los días son igual de predecibles. Una semana de anticiclón estable es un examen fácil que cualquier modelo aprueba; una situación de tormentas de verano es una moneda al aire incluso a 24 horas. El mismo «día 3» puede ser muy fiable un mes y poco fiable al siguiente.

El truco contra el caos: el ensemble

Si la incertidumbre inicial no se puede eliminar, se puede hacer algo más inteligente: abrazarla. En lugar de lanzar el modelo una vez, se lanza decenas de veces, perturbando ligeramente la foto inicial dentro de su margen de error — el ECMWF, por ejemplo, ejecuta 51 copias de su modelo en cada ciclo. Si las 51 trayectorias acaban parecidas, el día es genuinamente predecible; si se abren en abanico, la propia atmósfera está avisando de que hay varios futuros compatibles con lo que sabemos. De ahí — y no de una corazonada — salen las probabilidades de los pronósticos modernos.

Y existe una segunda familia: el ensemble multimodelo. En vez de 51 copias del mismo modelo, se combinan varios modelos independientes, de centros distintos, con física, mallas y datos distintos. Como sus errores no van en la misma dirección, tienden a compensarse, y el promedio suele acertar más que cualquiera de sus miembros por separado. Es exactamente el enfoque de MeteoRanking: nueve modelos globales combinados en un único pronóstico, con más peso para los que más aciertan últimamente en tu ciudad.

Fallar en público

Nada de lo anterior es una excusa; es un marco para exigir cuentas. Que el caos garantice errores no dice cuántos ni cómo de grandes — eso hay que medirlo. En MeteoRanking comparamos cada día lo que dijo cada modelo (y nuestro propio combinado) con lo que de verdad ocurrió, y publicamos el error medio por ciudad y por variable, fecha a fecha, sin retoques — el detalle está en Cómo funciona. El caos asegura que a veces fallaremos; la verificación asegura que lo verás. Y si quieres entender el número más malinterpretado de todos los pronósticos, sigue por Qué significa de verdad «70 % de probabilidad de lluvia».

← Todos los artículos