El error cuadrático medio (ECM), conocido en inglés como MSE (mean squared error), es el promedio de los errores elevados al cuadrado. Se usa para medir qué tan bien predice un modelo (comparando pronósticos con valores reales) o qué tan bueno es un estimador (comparando sus resultados con el parámetro verdadero). Como elevar al cuadrado cambia las unidades (pesos al cuadrado, grados al cuadrado), casi siempre se reporta su raíz, la raíz del error cuadrático medio (RECM o RMSE), que vuelve a estar en las unidades de los datos. Al elevar al cuadrado, los errores grandes pesan mucho más que los pequeños: un modelo con un solo error enorme sale peor parado con el RMSE que con el error absoluto medio.
Fórmula
ECM = Σ (yᵢ − ŷᵢ)²n · RMSE = √ECM
yᵢ es el valor real y ŷᵢ el pronosticado. El ECM se descompone en dos partes que conviene mirar por separado:
ECM = (error medio)² + varianza de los errores (sesgo² + varianza)
El primer término mide si el modelo se equivoca sistemáticamente hacia un lado; el segundo, cuánto fluctúan sus errores.
Cómo se calcula
- Para cada caso, resta el pronóstico al valor real: ese es el error.
- Eleva cada error al cuadrado.
- Promedia los cuadrados: eso es el ECM.
- Saca la raíz cuadrada para obtener el RMSE en las unidades originales.
- Para diagnosticar, calcula también el error medio (sin elevar): si no es cercano a cero, hay sesgo.
Ejemplos resueltos
Ejemplo 1: pronóstico de ventas de cinco días
Una panadería pronosticó 125, 130, 130, 140 y 145 piezas; vendió 120, 135, 128, 150 y 142.
| Día | Real | Pronóstico | Error | Error² |
|---|---|---|---|---|
| 1 | 120 | 125 | −5 | 25 |
| 2 | 135 | 130 | 5 | 25 |
| 3 | 128 | 130 | −2 | 4 |
| 4 | 150 | 140 | 10 | 100 |
| 5 | 142 | 145 | −3 | 9 |
- ECM = 163 ÷ 5 = 32.6 piezas².
- RMSE = √32.6 ≈ 5.7 piezas.
- Error medio = 5 ÷ 5 = 1: el modelo se queda corto por una pieza en promedio. El sesgo al cuadrado (1) es una parte mínima del ECM; casi todo (31.6) es variación de los errores.
El día 4 aporta 100 de los 163 puntos: un solo error de 10 piezas explica el 61 % del ECM.
Ejemplo 2: dos modelos con perfiles de error opuestos
Los errores de dos modelos en seis días fueron:
- Modelo A: 3, −3, 3, −3, 3, −3.
- Modelo B: 0, 0, 0, 0, 0, 9.
| Medida | Modelo A | Modelo B |
|---|---|---|
| Error absoluto medio | 3 | 1.5 |
| RMSE | 3 | √(81 ÷ 6) ≈ 3.67 |
Con el error absoluto medio, B es el doble de bueno; con el RMSE, A es mejor. No hay contradicción: el RMSE castiga el único error grande de B. Si un error grande es especialmente costoso (quedarte sin inventario en el día de más ventas), el RMSE refleja mejor ese costo.
Relación con la varianza y los mínimos cuadrados
Si «pronosticas» todos los datos con su media, el ECM es exactamente la varianza poblacional, y el RMSE, la desviación estándar. La media es el valor constante que hace mínimo el ECM, igual que la recta de mínimos cuadrados es la que hace mínimo el ECM de una regresión lineal. Por eso media, varianza, regresión y ECM forman una misma familia.
Cuándo no usarlo
- Con datos con atípicos o errores de captura: un solo valor absurdo domina la medida. El error absoluto medio o la mediana de los errores absolutos son más estables.
- Para comparar series de escalas distintas: un RMSE de 50 es pequeño en ventas de 10,000 y enorme en ventas de 100. Usa una medida relativa o normaliza.
- Como único criterio: un ECM bajo en los datos con los que ajustaste el modelo no garantiza buenos pronósticos; evalúalo con datos que el modelo no haya visto.
Errores comunes
- Comparar un ECM con un RMSE (o con un error absoluto medio) como si estuvieran en las mismas unidades.
- Dividir entre n − 1 o entre n − p sin decirlo: en regresión, el «error cuadrático medio de los residuos» suele usar los grados de libertad, y los programas no coinciden.
- Promediar los RMSE de varios grupos en lugar de recalcular con todos los errores.
- Ignorar el signo de los errores al diagnosticar: un ECM aceptable puede esconder un sesgo sistemático.