Tutorial

MAE

Tutorial práctico sobre el cálculo del Error Absoluto Medio (MAE) en R. Incluye definición de datos reales frente a predicciones, cálculo manual paso a paso y visualización de los errores individuales con respecto al MAE global.

Ver repositorio Abrir tutorial

Descripción

El MAE (Mean Absolute Error) mide la magnitud promedio de los errores de un modelo de predicción, sin considerar su dirección.

Es una métrica sencilla e intuitiva: cuanto menor sea su valor, mejor replica el modelo los datos reales. Útil en modelos de regresión y predicción numérica.

Contenido del tutorial

Definición de vectores de valores reales y predicciones.
Cálculo de errores absolutos por observación.
Promedio de errores: fórmula del MAE.
Visualización de reales vs. predicciones con barras de error.

Cálculo del MAE en R

reales      <- c(102, 98, 110, 105, 95, 112, 101)
predicciones <- c(100, 100, 108, 110,  90, 115,  99)

errores_absolutos <- abs(reales - predicciones)
mae_resultado     <- mean(errores_absolutos)

print(paste("MAE:", round(mae_resultado, 2)))
# [1] "MAE: 3"

Visualización

plot(reales, type = "b", col = "blue",
     pch = 16, ylim = c(85, 120),
     main = "Reales vs Predicciones",
    xlab = "Observación", ylab = "Valor")

lines(predicciones, type = "b",
      col = "red", pch = 17)

for (i in seq_along(reales)) {
  lines(c(i, i), c(reales[i], predicciones[i]),
        col = "darkgray", lty = 2)
}

Las líneas verticales grises representan el error absoluto de cada observación. El MAE es el promedio de todas esas longitudes.

Nota metodológica

A diferencia del RMSE, el MAE trata todos los errores por igual sin penalizar los grandes de forma desproporcionada. Es preferible cuando los errores grandes no son especialmente perjudiciales o cuando se busca una métrica robusta.

Volver a tutoriales Ir al inicio