まとめ
- MBE mide la diferencia promedio entre los valores predichos y los observados, indicando la dirección y magnitud del sesgo.
- Con un ejemplo de predicción de generación eléctrica, calculamos MBE para visualizar las tendencias de subestimación o sobrestimación.
- Combinado con MAE o RMSE, permite separar el análisis del sesgo de la precisión general del modelo.
1. Definición #
$$ \mathrm{MBE} = \frac{1}{n} \sum_{i=1}^n (\hat{y}_i - y_i) $$
- MBE positivo: el modelo sobreestima en promedio.
- MBE negativo: el modelo subestima en promedio.
- MBE ≈ 0: las sobre y subestimaciones se compensan.
2. Cálculo en Python #
import numpy as np
def mbe(y_true: np.ndarray, y_pred: np.ndarray) -> float:
"""Mean Bias Error (MBE)."""
return float(np.mean(y_pred - y_true))
print(f"MBE: {mbe(y_test, y_pred):.3f}")
Su implementación es sencilla: es solo la media de las diferencias.
La unidad del resultado es la misma que la de la variable objetivo.
3. Interpretación #
- Si MBE ≈ 0 pero MAE es grande, los errores positivos y negativos se cancelan, aunque el modelo sea impreciso.
- Un MBE alto indica un sesgo sistemático (sub o sobreestimación); puede requerir corrección de sesgo.
- También se conoce como Error Medio (ME) y se usa ampliamente en meteorología y energía.
4. Aplicaciones Prácticas #
- Predicción de demanda: Un MBE negativo indica subestimación constante, lo que puede generar escasez. Útil para definir factores de corrección.
- Predicción energética: Detecta desviaciones sistemáticas en la generación o demanda para ajustar el modelo o sus variables.
- Comparación de modelos: Si dos modelos tienen MAE similar, el que tenga menor MBE es menos sesgado y preferible.
5. Comparación con Otras Métricas #
| Métrica | Función | Relación Complementaria |
|---|---|---|
| MAE / RMSE | Tamaño medio del error | Útil junto a MBE para evaluar precisión y sesgo |
| MAPE / WAPE | Error porcentual | No muestra la dirección del sesgo |
| MBE | Magnitud y signo del sesgo | Identifica tendencias de sub o sobreestimación |
Resumen #
- MBE es una métrica sencilla para cuantificar el sesgo sistemático en las predicciones.
- Debe usarse junto con MAE o RMSE para evaluar tanto la precisión como el sesgo.
- En entornos empresariales es intuitivo —por ejemplo, “promedio de +3 litros de sobreestimación”— y fácil de comunicar a los responsables de decisión.