Calculadora de RMSE, MAE y MAPE
Pega los valores reales y tus predicciones en el mismo orden para medir cuánto se equivoca el modelo o el pronóstico. Obtienes la raíz del error cuadrático medio junto con las demás medidas de error habituales.
Funciona en tu navegador: nada de lo que escribes se envía a ningún sitio.
Cómo se usa
- Pega los valores reales (observados) en la primera casilla.
- Pega los valores predichos, en el mismo orden, en la segunda.
- Consulta el RMSE, el MAE y las demás medidas.
Fórmulas
Con n pares y el error eᵢ = realᵢ − predichoᵢ:
- MAE = Σ|eᵢ| ÷ n
- MSE = Σeᵢ² ÷ n
- RMSE = √MSE
- MAPE = 100 × Σ|eᵢ ÷ realᵢ| ÷ n, en porcentaje
- Sesgo = Σ(predichoᵢ − realᵢ) ÷ n; si es positivo, las predicciones son demasiado altas de media
- R² = 1 − Σeᵢ² ÷ Σ(realᵢ − media de los reales)²
Ejemplo resuelto
Reales: 3; −0,5; 2; 7. Predichos: 2,5; 0; 2; 8.
Errores: 0,5; −0,5; 0; −1. MAE = (0,5 + 0,5 + 0 + 1) ÷ 4 = 0,5. MSE = (0,25 + 0,25 + 0 + 1) ÷ 4 = 0,375, así que RMSE = √0,375 = 0,612. MAPE = (0,5/3 + 0,5/0,5 + 0 + 1/7) ÷ 4 × 100 = 32,7 %; solo el valor −0,5 aporta un 100 %, lo que muestra cómo se comporta el MAPE cerca de cero. Sesgo = (−0,5 + 0,5 + 0 + 1) ÷ 4 = 0,25. La media de los valores reales es 2,875 y Σ(real − media)² = 29,19, así que R² = 1 − 1,5 ÷ 29,19 = 0,949.
Consejos y errores frecuentes
- Mantén las dos listas alineadas: un valor que falte desplaza todos los pares siguientes.
- Compara el RMSE solo entre modelos que predicen los mismos datos en las mismas unidades.
- El MSE está en unidades al cuadrado; da el RMSE cuando quieras una cifra en las unidades de los datos.
Preguntas frecuentes
¿Qué diferencia hay entre RMSE y MAE?
Los dos están en las unidades de tus datos. El MAE es el tamaño medio de los errores. El RMSE eleva los errores al cuadrado antes de promediarlos, así que los errores grandes pesan más; el RMSE siempre es al menos igual que el MAE, y una diferencia grande entre ellos indica unos pocos fallos grandes.
¿Qué es un buen RMSE?
No hay un umbral universal: depende de la escala de los datos. Compara el RMSE con la dispersión de los valores reales, o entre modelos sobre los mismos datos. El R² lo lleva a una escala de tipo 0 a 1.
¿Por qué no aparece el MAPE?
El MAPE divide cada error entre el valor real, así que no está definido cuando algún valor real es 0, y se dispara cuando los valores reales están cerca de 0. En ese caso usa el MAE o el RMSE.
¿Puede el R² ser negativo?
Sí. Aquí R² = 1 − Σ errores² ÷ Σ (real − media)². Si las predicciones son peores que predecir siempre la media de los valores reales, baja de 0.