Calculadora de RMSE (raíz del error cuadrático medio)

Calculadora de RMSE (raíz del error cuadrático medio)

Popular AI Skill PRO

Ingresar cálculo

Fórmula

RMSE=1n∑i=1n(Reali−Predichoi)2\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( {{\text{Real}_i}} - {{\text{Predicho}_i}} \right)^2}
Estadísticas de uso

Publicidad

Resultados

Raíz del error cuadrático medio
0,6124
RMSE
Puntos de datos (n) 4
Error cuadrático medio (MSE) 0,375
Error absoluto medio (MAE) 0,5

Informar de un error en esta página

¿Qué es el RMSE (raíz del error cuadrático medio)?

La raíz del error cuadrático medio, conocida por sus siglas en inglés RMSE (Raíz del error cuadrático medio), es una de las métricas más utilizadas para medir cuánto se alejan las predicciones de un modelo de los valores observados (reales). Expresa el tamaño típico del error de predicción en las mismas unidades que los datos, lo que facilita mucho su interpretación. Cuanto menor es el RMSE, mejor es el ajuste, y un RMSE igual a cero significa que las predicciones son perfectas.

Diagrama de dispersión con una línea de regresión y segmentos verticales de residuos entre los puntos y la línea
El RMSE resume los residuos: las distancias verticales entre los puntos reales y los valores predichos.

Cómo usar esta calculadora

Introduce tus valores reales y tus valores predichos en dos listas, separadas por comas o espacios. Ambas listas deben tener el mismo número de elementos; si no coinciden, la calculadora utiliza los primeros n pares emparejados. Pulsa en calcular para obtener el RMSE, junto con el error cuadrático medio (MSE) y el error absoluto medio (MAE), que aportan contexto adicional.

La fórmula explicada

El RMSE se calcula en cuatro pasos: (1) resta cada valor predicho de su valor real para obtener el error, (2) eleva al cuadrado cada error para que los valores positivos y negativos no se cancelen entre sí, (3) promedia esos errores al cuadrado para obtener el MSE y (4) extrae la raíz cuadrada para volver a las unidades originales. Al elevar al cuadrado, los errores grandes pesan más, por lo que el RMSE es más sensible a los valores atípicos que el MAE.

$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$

Publicidad
Diagrama plano que muestra los pasos de la fórmula del RMSE, de los errores al cuadrado, al promedio y a la raíz cuadrada
Cada error se eleva al cuadrado, se promedia y luego se le saca la raíz cuadrada para volver a las unidades originales.

Ejemplo resuelto

Supongamos que reales = [3, -0,5, 2, 7] y predichos = [2,5, 0,0, 2, 8]. Los errores son 0,5, -0,5, 0, -1. Al cuadrado: 0,25, 0,25, 0, 1, que suman 1,5. Al dividir entre \(n = 4\) obtenemos un \(\text{MSE} = 0{,}375\). La raíz cuadrada da un \(\text{RMSE} \approx 0{,}6124\). El MAE es \((0{,}5 + 0{,}5 + 0 + 1)/4 = 0{,}5\).

Publicidad

Más ejemplos resueltos

Ambos ejemplos usan pronósticos de temperatura en °C durante cinco días. Cada error es \(e_i = \text{Real}_i - \text{Pronosticado}_i\). Los errores al cuadrado dan el ECM y el REMC, y los errores absolutos dan el EAM. Los dos conjuntos de datos son iguales excepto por el día 5, así que puedes ver qué efecto tiene un único fallo grande en cada métrica.

Ejemplo 1: Un pronóstico razonablemente preciso

Temperaturas reales: 20, 22, 25, 24, 21. Temperaturas pronosticadas: 21, 20, 25, 27, 22.

Día Real (°C) Pronosticado (°C) Error \(e_i\) Error al cuadrado \(e_i^2\) Error absoluto \(|e_i|\)
1 20 21 −1 1 1
2 22 20 2 4 2
3 25 25 0 0 0
4 24 27 −3 9 3
5 21 22 −1 1 1
Suma 15 7
  1. Suma de los errores al cuadrado: \(1 + 4 + 0 + 9 + 1 = 15\)
  2. ECM: $$\text{ECM} = \frac{15}{5} = 3$$
  3. REMC: $$\text{REMC} = \sqrt{3} \approx 1.7321$$
  4. EAM: $$\text{EAM} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$

Resultado: REMC ≈ 1.7321 °C y EAM = 1.4 °C. Los dos valores son cercanos (REMC/EAM ≈ 1.24) porque todos los errores tienen un tamaño similar.

Ejemplo 2: El mismo pronóstico con un fallo grande

Todo se mantiene igual excepto el día 5, cuando el pronóstico fue de 31 °C en lugar de 22 °C. La temperatura real seguía siendo de 21 °C.

Día Real (°C) Pronosticado (°C) Error \(e_i\) Error al cuadrado \(e_i^2\) Error absoluto \(|e_i|\)
1 20 21 −1 1 1
2 22 20 2 4 2
3 25 25 0 0 0
4 24 27 −3 9 3
5 21 31 −10 100 10
Suma 114 16
  1. Suma de los errores al cuadrado: \(1 + 4 + 0 + 9 + 100 = 114\)
  2. ECM: $$\text{ECM} = \frac{114}{5} = 22.8$$
  3. REMC: $$\text{REMC} = \sqrt{22.8} \approx 4.7749$$
  4. EAM: $$\text{EAM} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$

Resultado: REMC ≈ 4.7749 °C y EAM = 3.2 °C.

Comparación de los dos ejemplos

Métrica Ejemplo 1 Ejemplo 2 Aumento
ECM (°C²) 3 22.8 ×7.6
REMC (°C) 1.7321 4.7749 +3.0428 (×2.76)
EAM (°C) 1.4 3.2 +1.8 (×2.29)
REMC ÷ EAM 1.24 1.49 —

Un único pronóstico que se equivocó en 10 °C representó 100 de los 114 errores al cuadrado totales, es decir, alrededor del 88 %. El EAM cuenta ese fallo como 10 de las 16 unidades de error totales. Como el REMC eleva al cuadrado cada error antes de promediar, aumentó mucho más que el EAM. Cuando el REMC es mucho mayor que el EAM, normalmente son unos pocos errores grandes los que determinan la puntuación. Revisa esos puntos individuales antes de decidir si todo el modelo es malo.

Unidades: el REMC y el EAM están en °C, la misma unidad que los datos. El ECM está en °C², que es la razón por la que el REMC suele ser más fácil de interpretar.

Preguntas frecuentes

¿Qué valor de RMSE se considera bueno? Depende por completo de la escala de tus datos. Compara el RMSE con el rango o la media de tu variable objetivo, o con un modelo de referencia.

¿En qué se diferencia el RMSE del MAE? El RMSE eleva los errores al cuadrado antes de promediarlos, por lo que penaliza con más fuerza los errores grandes, mientras que el MAE trata todos los errores de forma proporcional.

¿Puede ser negativo el RMSE? No. Como es la raíz cuadrada de una media de cuadrados, el RMSE siempre es cero o positivo.

Última actualización:

Lo más popular en Matemáticas y Estadísticas

Ver todas las calculadoras de Matemáticas y Estadísticas