Cómo usar la calculadora
- Introduce ambas listas en el mismo orden: el primer número de una corresponde al primero de la otra. Mantén una unidad coherente en cada lista y elimina encabezados y símbolos de unidad.
- Separa los números con espacios, comas o punto y coma. Usa un punto decimal, como 1.5. La coma siempre separa valores, incluso si el idioma de salida utiliza coma decimal. Se admite notación científica, como 2e-3.
- Los resultados y gráficos se actualizan cuando ambas listas son válidas. Si la entrada está incompleta o no coincide en longitud, el resultado queda vacío. Pulsa Calcular para ver la explicación de un error.
- Copiar resultados copia el resumen numérico como texto. Borrar vacía los datos y resultados. El gráfico sirve de explicación en pantalla; no se exportan imágenes ni archivos de datos.
Ejemplo
¿Cuánto se desviaron las predicciones? Error = real − predicho. Por encima de cero, la predicción fue baja; por debajo, alta.
e = Valores reales − Valores predichos · RMSE = √(Σe² / n)
Valores reales: 3 5 7 · Valores predichos: 2 5 9
Errores: 1, 0, −2 · RMSE ≈ 1,29 · MAE = 1
Los campos contienen este ejemplo al abrir la página. Modifícalos con tus datos y calcula.
Cómo interpretar los resultados
Introduce observaciones y predicciones ya disponibles para resumir sus diferencias sin entrenar ni elegir un modelo. Puedes comprobar un ejercicio, comparar pronósticos sobre los mismos casos reservados o identificar errores grandes que dominan una puntuación.
El error con signo es e = real − predicho. Un error positivo indica una predicción demasiado baja; uno negativo, demasiado alta. SSE = Σ(e²), MSE = SSE / n, RMSE = √MSE y MAE = Σ|e| / n. Todos los pares tienen el mismo peso.
SSE suma el error cuadrático total y suele aumentar al añadir predicciones imperfectas. MSE divide por el número de pares, y RMSE recupera la unidad original. MAE es el error absoluto medio en esa unidad y da menos énfasis a los errores grandes que el cálculo cuadrático.
El gráfico sitúa un punto por par y lo conecta con cero. El eje horizontal representa el orden de entrada, no una escala temporal. Los errores positivos y negativos pueden cancelarse al promediarlos; las cuatro métricas no negativas evitan esa cancelación.
Ejemplos resueltos
Real = 3, 5, 7 y predicho = 2, 5, 9 producen errores 1, 0, −2. SSE = 5, MSE ≈ 1,67, RMSE ≈ 1,29 y MAE = 1. La primera predicción es baja y la tercera alta; solo la segunda cae sobre cero.
Real = 10, 20 y predicho = 12, 18 producen errores −2 y 2. Su media con signo es cero, pero SSE = 8, MSE = 4, RMSE = 2 y MAE = 2. Si ambas listas fueran idénticas, las cuatro métricas serían cero.
Entrada, precisión y resultados
Compara modelos con las mismas observaciones, unidades y período de evaluación. Un valor menor es mejor para esa métrica y ese conjunto, pero no existe aquí un umbral universal de calidad. Cambiar unidades modifica las puntuaciones y añadir casos fáciles puede mejorar los promedios. Para evaluar datos futuros, usa observaciones que no hayan servido para ajustar el modelo.
Las listas deben tener el mismo número de valores, entre 2 y 200. Se rechazan entradas vacías, texto, NaN e infinito. Se admiten ceros, negativos y repeticiones. Si falta una observación, elimina su par completo para conservar la correspondencia.
La magnitud de cada entrada no nula debe estar entre 1e-100 y 1e100. El navegador calcula con unos 15–16 dígitos significativos. Se rechazan valores distintos que se almacenan como el mismo número; reduce el desplazamiento o cambia de unidades.
Los resultados se muestran normalmente con dos decimales como máximo. Los valores pequeños no nulos usan notación científica, sin redondear los cálculos intermedios. Los ejes indican explícitamente sus desplazamientos y factores de escala para mantener visibles las diferencias pequeñas.
Preguntas frecuentes
¿Por qué MSE se divide entre n y no n − 2?
Aquí se evalúan predicciones suministradas mediante la media de errores cuadrados. Estimar la varianza del ruido de una regresión puede requerir grados de libertad residuales; es otra tarea estadística.
¿Puedo comparar SSE con cantidades distintas de datos?
No directamente en general, porque SSE acumula todos los errores cuadrados. Las medias reducen el efecto del tamaño, pero todavía requieren casos, unidades y pesos comparables.
¿Por qué RMSE puede superar mucho a MAE?
Elevar al cuadrado da mayor influencia a errores grandes antes de extraer la raíz. Una diferencia amplia puede indicar pocos fallos importantes; revisa el gráfico y los pares originales.
¿Se admiten ceros, negativos y listas constantes?
Sí, porque ninguna fórmula divide por el valor real. No se incluyen MAPE, errores porcentuales, ajuste de modelos, carga CSV ni imputación automática de datos faltantes.