toolbox
Inicio / IA, datos y tecnología / Estimador de la tasa de error de precisión de previsiones

Estimador de la tasa de error de precisión de previsiones

Este estimador calcula qué porcentaje de previsiones evaluadas terminó clasificado como error según el criterio que utilice tu equipo. Es una forma directa de resumir la frecuencia de fallos cuando cada predicción puede etiquetarse como correcta o incorrecta, por ejemplo porque queda dentro o fuera de un margen de tolerancia definido.

La tasa de error resulta especialmente útil para controles operativos, cuadros de mando y comparaciones entre periodos o modelos que comparten el mismo criterio de validación. Además del porcentaje de error, la página muestra la tasa de acierto y las cantidades absolutas para evitar que un porcentaje aislado oculte el tamaño de la muestra. No refleja cuánto se equivocó una previsión cuando falla; para eso hacen falta métricas de magnitud como MAE, RMSE o MAPE.

Datos de entrada

Resultado
—
Tasa de error
Tasa de acierto—
Previsiones correctas—
Errores registrados—
Errores por 1.000 previsiones—

1. Define qué cuenta como error
Aplica antes una regla clara, como estar fuera de una tolerancia o incumplir una clasificación esperada.

2. Introduce el total evaluado
Cuenta todas las previsiones incluidas en el mismo periodo y con datos reales disponibles.

3. Añade las previsiones erróneas
Escribe cuántas incumplieron el criterio definido.

4. Revisa tasa y recuentos
Comprueba el porcentaje de error, la tasa de acierto y los errores por cada 1.000 previsiones.

5. Compara con bases equivalentes
Mantén igual horizonte, tolerancia y fuente de datos cuando compares periodos o modelos.

Fórmula principal:

Tasa de error (%) = errores / total × 100
Tasa de acierto (%) = (total − errores) / total × 100

Variables:

  • errores: número de previsiones clasificadas como incorrectas
  • total: número total de previsiones evaluadas

Supuestos: Cada previsión se cuenta una sola vez y pertenece a una de dos categorías: error o acierto. El criterio de clasificación debe ser estable durante la comparación.

Qué significa el resultado

El porcentaje indica cuántas previsiones fallan el criterio de aceptación definido por cada 100 casos evaluados.

Una tasa de error baja no implica necesariamente errores pequeños cuando se producen; combina esta métrica con una medida de magnitud si es relevante.

Datos:

  • 1.000 previsiones evaluadas
  • 120 previsiones fuera del criterio de acierto

Cálculo:
Tasa de error = 120 / 1.000 × 100 = 12 %.
Tasa de acierto = 880 / 1.000 × 100 = 88 %.

Resultado:
Tasa de error = 12 %; 120 errores por cada 1.000 previsiones.

Interpretación:
El proceso falla aproximadamente 12 de cada 100 previsiones bajo el criterio utilizado.

¿Debo contar previsiones sin dato real disponible?

No si todavía no pueden validarse. El denominador debería contener solo los casos que realmente se han podido evaluar con el mismo criterio.

¿Cómo elijo el umbral que define un error?

Debe responder al uso operativo del pronóstico, no a la calculadora. Por ejemplo, una empresa puede aceptar un margen absoluto o porcentual distinto según el producto o el horizonte.

¿La tasa de error puede comparar modelos con escalas distintas?

Sí si el criterio es binario y comparable entre ellos. Si las tolerancias o condiciones cambian, la comparación deja de ser directa.

¿Qué comprobación evita un dato inválido?

El número de errores debe estar entre 0 y el total evaluado. La calculadora bloquea valores negativos o superiores al total.

¿En qué se diferencia de MAPE?

La tasa de error cuenta fallos según una regla binaria. MAPE cuantifica el tamaño porcentual medio del error y puede distinguir entre errores pequeños y grandes.