Terremoto en Granada

Hipótesis de partida sobre el terremoto en Granada

Es sábado por la mañana y toca taller de investigación 🧪. La chispa nos la da una noticia: según publica RTVE.es, los testigos del terremoto en Granada repiten una frase casi idéntica: «estábamos durmiendo, pero nos despertamos, cogimos el móvil y salimos a la calle». Cuando muchas personas distintas describen la misma secuencia de decisiones, un investigador levanta la ceja 🤨: eso no es azar puro, eso parece una regla. Y las reglas encadenadas del tipo «si pasa esto, entonces aquello» tienen un nombre en análisis de datos: árbol de decisión.

Ojo, antes de emocionarnos: no tenemos ese dataset. Nadie ha encuestado sistemáticamente a los vecinos de Granada preguntándoles en qué planta vivían y si salieron. Así que este taller no es «mira qué resultado he encontrado», sino algo más honesto y, francamente, más formativo: diseñar el estudio que haría falta para responder la pregunta. Formulamos la hipótesis, decidimos qué datos recogeríamos, elegimos el método y anticipamos qué saldría. Los números que verás más abajo son ilustrativos para uso docente, y lo diremos cada vez que aparezcan.

La hipótesis, escrita como se debe escribir

Una hipótesis de andar por casa suena así: «la gente sale a la calle cuando tiembla». Inútil: no se puede refutar. Una hipótesis de investigación tiene que arriesgarse a estar equivocada. Nuestra versión:

• H₁ (principal): la decisión de evacuar durante un terremoto es predecible mediante un pequeño conjunto de variables observables (hora, planta, magnitud percibida, experiencia previa) con una exactitud claramente superior al azar (> 70 %).
• H₂ (sobre la estructura): la variable que más separa a quienes salen de quienes no es la magnitud percibida, y solo por debajo de ella importan la planta y la hora.
• H₀ (nula, la que intentamos tumbar): ninguna de esas variables aporta información; el modelo no supera la tasa de la clase mayoritaria.

Fíjate en el detalle: H₂ no habla de «relación», habla de jerarquía. Y eso es exactamente lo que un árbol de decisión responde de forma nativa, porque su primera pregunta —la raíz— es siempre la variable más informativa. Si el árbol pone «magnitud percibida» arriba del todo, H₂ sobrevive. Si pone «hora», hemos aprendido algo que no esperábamos 💡.

Los datos que necesitamos

Aquí es donde muchos trabajos de clase se caen: se salta directamente al modelo sin definir la unidad de análisis. Vamos despacio 🐢.

Unidad de análisis: una persona adulta que se encontraba en un edificio del área metropolitana de Granada en el momento del seísmo. No un edificio, no un barrio: una persona. Cada fila de nuestra tabla será un testimonio.

Variable objetivo (lo que queremos predecir): evacuo, binaria — «salió a la calle» / «se quedó dentro». Es una variable categórica, y por eso el problema es de clasificación supervisada, no de regresión.

Variables predictoras candidatas:

Variable	Tipo	Cómo se recogería	Por qué la sospechamos relevante
magnitud_percibida	Ordinal 1–5	Escala tipo EMS-98 autoinformada	Es el estímulo directo: más sacudida, más miedo
planta	Numérica (0–10)	Dato objetivo del domicilio	Los pisos altos oscilan más y la salida es más lenta
hora	Binaria (noche / día)	Hora oficial del seísmo (IGN)	De noche hay que despertarse, vestirse, decidir
experiencia_previa	Binaria (sí / no)	«¿Había vivido antes un terremoto?»	La costumbre puede reducir o aumentar la alerta
menores_en_casa	Binaria	Composición del hogar	Con niños cambia el cálculo de riesgo

Tabla 1. Diccionario de variables propuesto. Diseño ilustrativo para uso docente.

Los datos objetivos del seísmo (magnitud real, profundidad, epicentro, hora exacta) no hay que inventárselos: están publicados por el Instituto Geográfico Nacional, que mantiene el catálogo oficial de terremotos de España. Eso permitiría cruzar el testimonio subjetivo de cada persona con la intensidad medida en su zona: un ejercicio precioso sobre la diferencia entre lo que pasó y lo que se sintió.

Diseño del estudio

Hipótesis formulada y variables definidas, toca la parte que separa un estudio serio de una anécdota: el diseño.

Tipo de estudio

Sería un estudio observacional, transversal y retrospectivo. Observacional porque no manipulamos nada (evidentemente no vamos a provocar terremotos). Transversal porque medimos en un único momento. Retrospectivo porque preguntamos por algo que ya ocurrió — y ahí ya hay una grieta que abordaremos en «Limitaciones».

Muestreo

El error clásico sería lanzar un formulario por redes sociales y quedarnos con quien conteste. Eso nos daría una muestra de gente joven, conectada y probablemente impresionada por el suceso. Mejor: muestreo estratificado por distrito y por planta de residencia, con cuotas fijadas a partir del padrón, y n ≈ 600 testimonios. Con menos de ~300 casos, un árbol de decisión se vuelve inestable: cambia de forma con solo mover unos pocos registros.

Diseño del análisis: por qué un árbol y no otra cosa

Podríamos usar una regresión logística. Sería perfectamente válida. Pero elegimos un árbol de decisión por tres razones muy concretas de este problema:

1. Interpretabilidad total. Un árbol se lee en voz alta: «si la sacudida fue fuerte y vives por encima de la tercera planta, sales». Un coeficiente logístico no se lee así, y aquí el público objetivo son vecinos y protección civil, no estadísticos.
2. Captura interacciones sin pedírselo. Sospechamos que la noche influye solo cuando la sacudida es moderada (si es brutal, sales a las 4 de la mañana igual). Eso es una interacción, y un árbol la descubre sola al ramificar.
3. Encaja con el testimonio real. «Estábamos durmiendo → nos despertamos → cogimos el móvil → salimos» ya es un camino de decisiones encadenadas. El modelo imita la forma del fenómeno.

El algoritmo por dentro: ¿cómo elige el árbol su primera pregunta?

No lo elige por intuición, lo elige por impureza. El criterio más habitual es el índice de Gini, que mide cómo de mezclada está una caja de casos:

Gini = 1 − (p_sale² + p_queda²)

Si en un nodo el 50 % sale y el 50 % se queda, Gini = 1 − (0,25 + 0,25) = 0,50: máxima confusión. Si el 90 % sale, Gini = 1 − (0,81 + 0,01) = 0,18: nodo casi puro 🎯. El algoritmo prueba todos los cortes posibles de todas las variables y se queda con el que más reduce la impureza media. Después repite el proceso en cada rama. Se detiene cuando el nodo es puro, cuando quedan pocos casos, o cuando le ponemos un tope de profundidad para que no se vuelva loco.

Análisis propuesto (tabla + Figura 1)

Vamos a poner números — ilustrativos para uso docente, insisto — para que el taller se pueda ejecutar de verdad en clase. Imaginemos que los 600 testimonios se agrupan en seis perfiles y observamos qué porcentaje evacuó en cada uno:

Perfil	Magnitud percibida	Planta	Hora	n	% que evacuó
A	Fuerte (4–5)	Alta (≥3)	Noche	96	92 %
B	Fuerte (4–5)	Baja (<3)	Noche	104	78 %
C	Moderada (3)	Alta (≥3)	Noche	88	61 %
D	Moderada (3)	Alta (≥3)	Día	112	44 %
E	Moderada (3)	Baja (<3)	Día	108	27 %
F	Leve (1–2)	Cualquiera	Cualquiera	92	12 %

Tabla 2. Tasa de evacuación por perfil (n = 600). Datos ilustrativos para uso docente, construidos para el taller; no proceden de una encuesta real.

Ya solo mirando la tabla se intuye la jerarquía: los dos perfiles con magnitud fuerte están arriba (92 % y 78 %), el perfil leve está muy abajo (12 %), y en medio los moderados se separan según planta y hora. Visualicémoslo 📊:

El gráfico de barras hace un trabajo que la tabla no hace: enseña que la caída no es suave, sino escalonada. Hay un salto grande de F a E (12 % → 27 %) y otro de D a C (44 % → 61 %). Esos escalones son justo lo que un árbol de decisión busca: puntos de corte donde la población se parte en dos grupos claramente distintos.

Resultados esperables (Figura 2)

Si aplicásemos el algoritmo a esos 600 casos, ¿qué árbol saldría? Podemos anticiparlo razonando con Gini. En la raíz tenemos 600 personas y un 52 % de evacuación global: Gini ≈ 1 − (0,52² + 0,48²) = 0,499, casi máxima impureza. Ahora probemos el corte «magnitud percibida ≥ moderada»: separa el perfil F (12 %, muy puro hacia «no sale») del resto (≈ 59 %). La reducción de impureza es la mayor de todas las variables disponibles. Esa es la raíz, y con ella H₂ queda respaldada ✅.

Léelo de arriba abajo y verás por qué este método engancha tanto en el aula: ¿la sacudida fue perceptible? Si no, esta persona se queda en casa. Si sí, ¿fue fuerte? Si lo fue, sale — da igual la planta y la hora. Si fue solo moderada, entonces sí importa la hora: de noche sale, de día se queda. Cuatro preguntas, cero fórmulas, y una regla que cualquiera puede aplicar mentalmente.

¿Y cómo de bueno sería el modelo?

Con estas hojas, el árbol acertaría en torno al 76 % de los casos, frente al 52 % de la clase mayoritaria: la ganancia sobre el azar es real y H₁ se sostendría. Pero un buen investigador no se queda en la exactitud: reportaría también la matriz de confusión, distinguiendo los dos errores. Predecir «no evacúa» a alguien que sí evacuó es un fallo menor. Predecir «evacúa» a alguien que se quedó atrapado dentro es el error caro. En prevención de riesgos casi nunca queremos el modelo más exacto, sino el que minimiza el error costoso 🧠.

Limitaciones y sesgos

Toca la sección incómoda, la que más nota da en un trabajo y la que más gente omite. Nuestro diseño tiene agujeros y hay que nombrarlos:

• Sesgo de supervivencia y de respuesta. Solo responde quien puede y quiere responder. Las personas más afectadas —realojadas, hospitalizadas— quedarían infrarrepresentadas justo en el grupo más informativo.
• Sesgo de recuerdo. Al ser retrospectivo, cada testimonio está reconstruido a posteriori. Si al día siguiente los medios repiten «la gente salió a la calle», el recuerdo se contamina con el relato colectivo.
• Subjetividad de la magnitud percibida. Nuestra variable estrella no es física, es psicológica. Dos vecinos del mismo edificio pueden puntuar 3 y 5. Cruzarla con la intensidad medida por el IGN mitigaría el problema, no lo elimina.
• Inestabilidad del árbol. Es la debilidad conocida del método: cambia unas decenas de casos y la raíz puede cambiar. Se corrige validando con k-fold y comparando con un random forest, que promedia muchos árboles.
• Sobreajuste. Sin podar, el árbol crecería hasta memorizar la muestra: 100 % de acierto en entrenamiento y un desastre con datos nuevos. Limitar la profundidad no es hacer trampa, es hacer ciencia.
• Correlación no es causalidad. Que el árbol prediga bien no significa que la planta cause la evacuación. Predecir y explicar son cosas distintas, y confundirlas es el error conceptual más frecuente en análisis de datos.

Del cuaderno al aula

Este taller es fácilmente trasladable a Matemáticas aplicadas a las Ciencias Sociales, Geografía, Biología y Geología o cualquier asignatura de proyecto. La secuencia que funciona:

1. Sesión 1 (50 min): leer la noticia, extraer la secuencia de decisiones del testimonio y redactar la hipótesis en la pizarra. Todos los grupos escriben su H₁ y su H₀.
2. Sesión 2: construir el diccionario de variables sin ordenador. Solo papel: nombre, tipo, cómo se mide. Aquí se aprende más que en cualquier otro momento.
3. Sesión 3: calcular Gini a mano en dos o tres nodos con la Tabla 2. Con calculadora básica basta y el concepto queda para siempre.
4. Sesión 4: dibujar el árbol en cartulina y defenderlo ante la clase, que hace de comité revisor buscando sesgos.
5. Ampliación: replicar con rpart en R o DecisionTreeClassifier en Python y comparar el árbol de la máquina con el de la cartulina.

Si buscas más propuestas de este tipo, en la sección de recursos para profesores hay material adicional para llevar el análisis de datos al aula sin necesidad de software complicado. Y la parte de dibujar el árbol a mano funciona incluso en 3º de ESO: el algoritmo es exigente conceptualmente, pero su resultado es un dibujo que se entiende de un vistazo 📚.

Mini-retos para el aula sobre el terremoto en Granada

1. Impureza a mano. Calcula el índice de Gini del perfil C (61 % evacúa) y del perfil F (12 % evacúa). ¿Cuál de los dos nodos es más «puro» y qué significa eso para el árbol?
2. Cambia la raíz. ¿Y si el árbol hubiera empezado preguntando «¿es de noche?» en lugar de por la magnitud? Dibuja ese árbol alternativo con la Tabla 2 y razona si acierta más o menos.
3. El error que importa. Construye la matriz de confusión del árbol de la Figura 2. ¿Cuántos falsos negativos hay? Argumenta por qué en una emergencia ese error pesa más que el contrario.
4. Diseña tu variable. Propón una sexta variable predictora que no esté en la Tabla 1, justifica por qué crees que ayudaría y explica exactamente cómo la medirías.
5. Caza el sesgo. Si la encuesta se difundiera solo por Instagram, ¿qué grupos quedarían fuera? ¿En qué dirección se desviarían los resultados sobre el terremoto en Granada?
6. Datos reales. Busca en el catálogo del IGN los seísmos registrados en la provincia de Granada en el último año y construye una tabla de frecuencias por rangos de magnitud.
7. Poda razonada. El árbol podría crecer hasta 6 niveles. Escribe tres argumentos a favor de detenerlo en 3 y uno en contra.
8. Debate final. ¿Debería protección civil usar un modelo así para decidir a qué edificios avisar primero? Enumera dos beneficios y dos riesgos éticos.

Cierre crítico

Cerramos el cuaderno con una advertencia que vale para todo el curso. Hemos construido un árbol elegante, legible y con buena pinta… sobre datos que no existen. Y ese es precisamente el valor pedagógico del ejercicio: hemos recorrido todo el método —hipótesis, variables, diseño, algoritmo, resultados esperables, sesgos— sin colar ni una sola conclusión sobre lo que realmente ocurrió en Granada. Un artículo que dijera «el 92 % de los vecinos de pisos altos salió a la calle» estaría mintiendo. Este dice «así es como habría que averiguarlo», que es una afirmación mucho más modesta y mucho más útil.

La lección de fondo sobre el terremoto en Granada no es sismológica, es metodológica: un modelo predictivo no descubre la verdad, la aproxima a partir de datos que alguien decidió recoger de una manera concreta. Cambia la muestra y cambia el árbol. Cambia la pregunta y cambia la raíz. Por eso el orden importa tanto: primero la hipótesis, después los datos, y solo al final el algoritmo. Hacerlo al revés —tener un algoritmo y buscarle una pregunta— es la forma más elegante de equivocarse con seguridad 🔎.

Nos leemos el próximo sábado con otra hipótesis. Mientras tanto, quien quiera seguir practicando encontrará más talleres como este entre los artículos del blog ✅.