Eclipse solar 2026

El indicador clave: el eclipse solar 2026 medido en segundos de totalidad

Arriba tienes el panel: cuatro cifras y ninguna prosa de relleno. El KPI principal del eclipse solar 2026 son los segundos de totalidad que un observador registra desde una ciudad concreta, y ese número manda sobre todo lo demás. Según publica El Periódico, el fenómeno será visible desde varias ciudades y con horarios distintos según la ubicación. 🎯 Traducción para una sala de control: no hay «un» eclipse, hay tantas mediciones como puntos de observación, y cada una combina duración, hora local, altura del Sol y probabilidad de cielo despejado.

Vigila este indicador porque concentra el valor de toda la operación. Un desplazamiento de 60 km puede costar más de un minuto de totalidad; una nube a la hora equivocada lo reduce a cero. En términos de cuadro de mando, el KPI «segundos de totalidad efectivos» es un indicador de resultado, y todo lo demás (hora, altura solar, meteorología histórica) son indicadores adelantados que lo predicen. Ese es exactamente el terreno donde las reglas de asociación aportan más: detectar qué condiciones aparecen juntas de forma sistemática en las observaciones que salen bien.

KPIs secundarios que lo acompañan

Un dashboard con un solo número miente por omisión. Estos cuatro secundarios son los que dispararían una revisión si se desvían:

• Altura del Sol sobre el horizonte (°) 📐 — Por debajo de 10° el margen de error se dispara: cualquier montaña, edificio o bruma baja tapa el evento. Prioriza emplazamientos con horizonte limpio.
• Probabilidad histórica de cielo despejado (%) ☁️ — Es el KPI que más varianza aporta al resultado final. Un lugar con 2 minutos de totalidad y 30 % de cielo despejado rinde menos, en esperanza, que uno con 1 minuto y 80 %.
• Anchura de la banda de totalidad (km) 🗺️ — Marca la tolerancia logística: bandas anchas perdonan errores de posicionamiento, bandas estrechas no.
• Ocupación observada / capacidad del emplazamiento 👥 — El KPI operativo. Un mirador saturado degrada la calidad de la observación aunque la astronomía sea perfecta.

La lógica del panel es simple: el indicador clave del eclipse solar 2026 se explica por combinaciones de estos secundarios, no por ninguno en solitario. Y «combinaciones que aparecen juntas» es, literalmente, la definición del problema que resuelve el análisis de cesta.

Los datos para construir el panel (tabla + Figura 1)

Para montar el cuadro de mando necesitamos una fila por emplazamiento. Esta es la matriz base con la que trabajaremos en el aula. ⚠️ Datos ilustrativos para uso docente: las cifras son verosímiles y coherentes entre sí, pero han sido construidas para la práctica; no las uses para planificar un viaje real. Para cifras oficiales de trayectoria y horarios, consulta el catálogo de eclipses solares de la NASA/GSFC.

Emplazamiento (código)	Totalidad (s)	Altura del Sol (°)	Cielo despejado histórico (%)	Banda (km)
E1 — Interior alto	138	22	78	294
E2 — Meseta seca	124	18	81	288
E3 — Valle prelitoral	112	14	62	276
E4 — Costa norte	96	11	48	261
E5 — Litoral atlántico	71	8	39	240
E6 — Borde de banda	44	6	44	210

Fíjate en el patrón antes de calcular nada: los emplazamientos con más segundos de totalidad tienden a tener el Sol más alto y mejor meteorología histórica. Esa coocurrencia es la señal que vamos a formalizar. 🔎

Diseño del dashboard y la metodología (Figura 2)

Aquí es donde el panel deja de ser una lista de números y se convierte en un sistema de decisión. La metodología asignada son las reglas de asociación (análisis de cesta de la compra), la técnica de aprendizaje no supervisado que Agrawal y sus colegas popularizaron para responder a «¿qué productos se compran juntos?». Aquí la cesta no lleva pan y leche: lleva condiciones de observación del eclipse.

Paso 1: convertir el panel en transacciones binarias

Las reglas de asociación no trabajan con números continuos, así que discretizamos cada KPI en un ítem de sí/no. Cada emplazamiento pasa a ser una «cesta» con los ítems que cumple:

• SOL_ALTO = altura ≥ 14°
• CIELO_BUENO = despejado histórico ≥ 60 %
• BANDA_ANCHA = banda ≥ 270 km
• TOTALIDAD_ALTA = totalidad ≥ 110 s (el KPI objetivo)

Cesta	SOL_ALTO	CIELO_BUENO	BANDA_ANCHA	TOTALIDAD_ALTA
E1	✅	✅	✅	✅
E2	✅	✅	✅	✅
E3	✅	✅	✅	✅
E4	—	—	—	—
E5	—	—	—	—
E6	—	—	—	—

Paso 2: las tres métricas que gobiernan el panel 🧮

Para una regla A → B:

• Soporte = proporción de cestas que contienen A y B a la vez. Mide cuán frecuente es el patrón. Filtra lo anecdótico.
• Confianza = soporte(A ∪ B) / soporte(A). Mide cuán fiable es la implicación: de las veces que aparece A, ¿en cuántas aparece B?
• Lift = confianza / soporte(B). Es el KPI decisivo: si vale 1, A y B son independientes y la regla no aporta nada; por encima de 1, A eleva la probabilidad de B. Una confianza alta con lift ≈ 1 es una trampa clásica y por eso el panel vigila las tres a la vez.

Para no quedarnos con un ejemplo de juguete que da confianza 1,00 en todo, ampliamos el conjunto a 50 observaciones simuladas (los seis emplazamientos anteriores más réplicas en días y horarios distintos, donde la nubosidad real introduce ruido). Estas son las reglas resultantes, ordenadas por lift:

Regla	Soporte	Confianza	Lift	¿Accionable?
SOL_ALTO + CIELO_BUENO → TOTALIDAD_ALTA	0,30	0,72	1,80	✅ Sí, regla estrella
CIELO_BUENO → TOTALIDAD_ALTA	0,34	0,63	1,58	✅ Sí
SOL_ALTO → TOTALIDAD_ALTA	0,36	0,60	1,50	✅ Sí
BANDA_ANCHA → TOTALIDAD_ALTA	0,42	0,55	1,38	⚠️ Vigilar
SOL_ALTO → CIELO_BUENO	0,38	0,58	1,07	⚠️ Lift casi 1
BANDA_ANCHA → CIELO_BUENO	0,46	0,54	1,00	❌ No, independientes

Datos ilustrativos para uso docente generados a partir de la matriz anterior. Con el algoritmo Apriori en Python (mlxtend) o en R (arules), este cálculo cabe en cinco líneas; la documentación oficial de scikit-learn sobre aprendizaje no supervisado sirve para situar la familia de técnicas a la que pertenece.

Lee el gráfico como leerías un panel de operaciones: arriba y a la derecha está el valor. La burbuja verde grande (soporte 0,30, confianza 0,72, lift 1,80) es la única que combina las tres métricas en zona buena. La burbuja roja de abajo a la derecha tiene el mayor soporte de todas (0,46) y una confianza que a primera vista parece aceptable (0,54), pero su lift de 1,00 la delata: BANDA_ANCHA y CIELO_BUENO son independientes. 💡 Esa es la lección que ningún KPI aislado enseña.

Alertas y umbrales

Un dashboard sin umbrales es un adorno. Estos son los cortes operativos del panel, con la acción asociada a cada uno:

Métrica	Verde ✅	Ámbar ⚠️	Rojo ❌	Acción al dispararse
Soporte	≥ 0,30	0,15 – 0,29	< 0,15	Rojo: descartar la regla, muestra insuficiente
Confianza	≥ 0,60	0,45 – 0,59	< 0,45	Ámbar: no decidir sin comprobar el lift
Lift	≥ 1,40	1,10 – 1,39	≤ 1,05	Rojo: dispara alerta de regla espuria
Totalidad observada (s)	≥ 110	70 – 109	< 70	Rojo: reubicar el emplazamiento
Altura del Sol (°)	≥ 14	10 – 13	< 10	Rojo: verificar obstáculos en el horizonte

La regla de oro del panel: ninguna alerta verde en confianza es válida si el lift está en rojo. En el análisis de cesta clásico, el ejemplo canónico es que casi todo el mundo compra pan, así que «X → pan» tendrá siempre confianza alta y lift 1. Aplicado al eclipse solar 2026: casi todos los emplazamientos de la trayectoria tienen banda ancha, así que esa condición no discrimina nada. Vigila el lift, no la confianza. 🔔

Qué decisiones permite tomar

El panel existe para decidir, no para contemplar. Estas son las tres decisiones que habilita, cada una anclada a un número del cuadro de mando:

1. Priorizar emplazamientos. La regla estrella (lift 1,80) dice que combinar SOL_ALTO y CIELO_BUENO multiplica por 1,8 la probabilidad de registrar totalidad alta. Decisión: reservar recursos de observación en E1 y E2 antes que en E3, aunque los tres cumplan el umbral verde de totalidad.
2. Descartar criterios inútiles. BANDA_ANCHA → CIELO_BUENO tiene lift 1,00. Decisión: eliminar la anchura de banda del algoritmo de selección meteorológica y dejar de gastar tiempo en optimizarla. Ahorro directo de esfuerzo.
3. Definir el plan B. Los emplazamientos con confianza ámbar (0,45–0,59) no se descartan: se convierten en alternativas de contingencia si la previsión del día cambia. Decisión: mantener E3 y E4 activados con equipo mínimo.

Esta forma de razonar —de la coocurrencia al criterio de decisión— es transferible a cualquier ámbito. Es exactamente lo que hace un supermercado cuando coloca dos productos juntos, lo que hace una plataforma cuando te recomienda un contenido y lo que puede hacer un centro educativo cuando detecta qué combinaciones de hábitos aparecen juntas en los expedientes con mejor rendimiento. Si te interesa profundizar en este tipo de análisis aplicado, en la sección de recursos interactivos de Canal Docente encontrarás material para practicar con datos reales.

Aplicación didáctica en el aula

Ocho retos para trabajar el eclipse solar 2026 con reglas de asociación. Nivel: Bachillerato y ciclos de datos. ⏱️ Sesión de 55 minutos.

1. 🧮 Calcula a mano. Con la matriz binaria de seis cestas, calcula el soporte de SOL_ALTO, el soporte conjunto de SOL_ALTO + TOTALIDAD_ALTA y la confianza de la regla. ¿Por qué sale 1,00 y por qué eso es sospechoso con solo 6 observaciones?
2. 📊 Cambia el umbral. Redefine TOTALIDAD_ALTA como ≥ 90 s en lugar de ≥ 110 s. Recalcula soporte y confianza. ¿Qué reglas aparecen y cuáles desaparecen? Discute cómo la discretización condiciona el resultado.
3. 🎯 Caza el lift engañoso. Inventa una condición que se cumpla en 5 de las 6 cestas (por ejemplo, ES_DE_DIA). Calcula el lift de «esa condición → TOTALIDAD_ALTA». Explica por qué la confianza alta no sirve aquí.
4. 📈 Dibuja tu Figura 2. En papel milimetrado o con una hoja de cálculo, reproduce el gráfico de burbujas con soporte en X, confianza en Y y radio proporcional al lift. Marca la línea de umbral 0,60.
5. 🔎 Traduce el ejemplo clásico. Escribe la regla «pan → leche» de un supermercado y su equivalente exacto en el contexto del eclipse. Identifica antecedente, consecuente y qué significaría un lift de 2,5.
6. 🧠 Debate metodológico. Las reglas de asociación detectan coocurrencia, no causalidad. Busca en la tabla una regla con lift alto donde la relación causal sea, en realidad, geométrica (la trayectoria de la sombra) y no meteorológica. ¿Qué variable oculta está actuando?
7. 💻 Implementa. Con mlxtend en Python o arules en R, carga la matriz binaria y ejecuta Apriori con soporte mínimo 0,15. Compara la salida del algoritmo con tus cálculos manuales del reto 1.
8. 📚 Diseña tu propio panel. Elige un fenómeno de tu entorno (asistencia a clase, uso de la biblioteca, resultados por asignatura), define 4 ítems binarios y propón las 3 reglas que vigilarías. Justifica los umbrales de alerta.

Reflexión final

El eclipse solar 2026 se agota en poco más de dos minutos, pero la forma de pensarlo dura mucho más. Este panel demuestra algo que se repite en cualquier sala de control: los números sueltos no deciden nada, y las combinaciones de números sí. Las reglas de asociación son la herramienta que convierte una tabla de observaciones en un conjunto de afirmaciones verificables del tipo «cuando pasa esto y esto, suele pasar aquello», con tres métricas que impiden autoengañarse. 🧠

Quédate con la disciplina del lift. Es el filtro que separa un patrón real de una coincidencia frecuente, y es la razón por la que un analista honesto descarta la mitad de las reglas que su algoritmo escupe. Un cuadro de mando bien construido no es el que enseña más cifras: es el que dice qué mirar, qué ignorar y cuándo dispararse la alerta. ✅ Ese aprendizaje sirve para un eclipse, para un supermercado y para un aula. Y para practicarlo no hace falta esperar a que la Luna tape el Sol: con la tabla de este artículo y una hoja de cálculo ya tienes el laboratorio montado.