Calculadora de erro quadrático médio

📋

Etapas

Como usar esta calculadora

3 etapas

1

Insira seus valores reais e previstos

Liste os valores reais observados no campo Real e as previsões ou previsões do seu modelo no campo Previsto, na ordem correspondente. Ambas as listas devem conter o mesmo número de valores — a calculadora os emparelha posição por posição.

2

Leia MSE, RMSE e MAE

A guia MSE mostra o erro quadrático médio e uma tabela linha por linha de resíduos e erros quadráticos. Mude para a guia RMSE para ver o erro nas unidades originais dos seus dados ou para a guia MAE para ver o erro absoluto médio, que é menos sensível a valores discrepantes.

3

Compare modelos ou cenários

Troque um conjunto diferente de previsões (de outro modelo ou uma previsão revisada) para ver como o MSE, o RMSE e o MAE mudam. Um valor mais baixo em todos os três significa que as novas previsões se ajustam melhor aos dados reais.

⚡

Referência

Fórmula e metodologia

3 fórmulas

Erro quadrático médio

MSE = Σ(actual − predicted)² / n

O MSE calcula a média da diferença quadrada entre cada valor real e seu valor previsto correspondente em todas as n observações emparelhadas. A quadratura do resíduo torna todos os erros positivos e penaliza mais os erros grandes do que os pequenos.

Erro quadrático médio raiz

RMSE = √MSE

Tirar a raiz quadrada do MSE retorna o erro para as mesmas unidades dos dados originais, o que torna o RMSE mais fácil de interpretar diretamente em relação aos seus valores reais do que o MSE quadrado.

Erro absoluto médio

MAE = Σ|actual − predicted| / n

O MAE calcula a média do valor absoluto de cada resíduo em vez de elevá-lo ao quadrado, de modo que cada erro contribui proporcionalmente para o seu tamanho e não para o seu quadrado - valores discrepantes grandes têm menos influência no MAE do que no MSE ou no RMSE.

✓

Referência geral

Confiabilidade, metodologia e fontes

Metodologia e fontes

Responsabilidade editorial

Autor: Calculover Editorial Team - Editor

Responsável editorial: Calculover Editorial Team - Editorial owner

Última revisão: 2026-07-31

Última verificação: 2026-07-31

Limitações e orientações

O erro quadrático médio (MSE) é a média das diferenças quadráticas entre os valores reais e previstos: MSE = Σ(real − previsto)² / n. A raiz do erro quadrático médio (RMSE) é a raiz quadrada do MSE, retornando o erro às unidades originais. O erro médio absoluto (MAE) calcula a média das diferenças absolutas em vez de elevá-las ao quadrado, por isso é menos sensível a grandes valores discrepantes do que o MSE/RMSE. Todas as três são métricas de perda/erro para modelos de regressão e previsão – valores mais baixos indicam um melhor ajuste aos dados, mas nenhuma delas por si só prova que um modelo generaliza para novos dados.

Orientação profissional:

Principais fontes

📖

Glossário

Principais termos explicados

7 termos

Erro quadrático médio (MSE) A média das diferenças quadradas entre os valores reais e previstos. Expresso em unidades quadradas dos dados originais, MSE é a função de perda padrão minimizada pela regressão ordinária de mínimos quadrados.

Erro quadrático médio raiz (RMSE) A raiz quadrada de MSE. O RMSE é expresso nas mesmas unidades que os dados originais, tornando-o mais diretamente interpretável do que o MSE, ao mesmo tempo que penaliza mais os erros grandes do que os pequenos.

Erro absoluto médio (MAE) A média das diferenças absolutas (não quadradas) entre os valores reais e previstos. O MAE é mais robusto para valores discrepantes do que o MSE ou o RMSE porque não eleva ao quadrado os resíduos.

Erro de previsão O termo geral para a diferença entre o que um modelo previu e o que realmente ocorreu. MSE, RMSE e MAE são estatísticas resumidas que agregam erros de previsão em muitas observações.

Residual A diferença sinalizada entre um único valor real e seu valor previsto correspondente (real − previsto). Os resíduos são os blocos de construção do MSE, RMSE e MAE.

Regressão Uma técnica de modelagem que prevê um resultado numérico contínuo de uma ou mais variáveis de entrada. MSE é a função de perda mais comumente minimizada ao ajustar um modelo de regressão.

Precisão da previsão Quão próximos os valores previstos de um modelo correspondem aos resultados reais que ocorreram posteriormente. MSE, RMSE e MAE são três das métricas mais comuns usadas para quantificar a precisão das previsões.

👥

Situações comuns

Exemplos práticos

3 exemplos

📈

Verificação do modelo de regressão

Conjunto de validação pequeno

Real 3, -0.5, 2, 7 Previsto 2.5, 0, 2, 8

Os quatro resíduos são 0,5, -0,5, 0 e -1. Elevá-los ao quadrado e calcular a média dá um MSE de 0,375, então RMSE ≈ 0,612 - o que significa que as previsões normalmente estão erradas em cerca de 0,61 unidades. O MAE é 0,5, uma vez que o erro absoluto médio é menor do que o RMSE sugeriria, mostrando que os erros são bastante uniformes e não dominados por uma grande falha.

📊

Previsão de vendas

Previsão de cinco pontos versus valores reais

Real 10, 20, 30, 40, 50 Previsto 12, 18, 33, 36, 52

Erros de -2, 2, -3, 4 e -2 unidades ao quadrado para 4, 4, 9, 16 e 4, dando um MSE de 7,4 e um RMSE de cerca de 2,72 unidades. O ponto previsto em 36 (40 reais) contribui com o maior erro quadrático, portanto aumenta o RMSE mais do que o MAE (que calcula a média dos erros absolutos uniformemente em 2,6).

🎯

Teste de estresse atípico

Uma grande falha entre previsões que de outra forma seriam próximas

Real 100, 150, 200, 250, 300 Previsto 110, 140, 210, 240, 305

Embora quatro das cinco previsões estejam dentro de 10 unidades, o MSE e o RMSE ponderam o maior resíduo (250 vs. 240, uma falha de 10) da mesma forma que os outros aqui, porque todos os resíduos são de tamanho semelhante - mas se um resíduo fosse muito maior, o MSE/RMSE aumentaria acentuadamente, enquanto o MAE aumentaria apenas modestamente, ilustrando por que o MAE é a métrica mais resistente a valores discrepantes dos dois.

🔗

Referência

Citar esta calculadora

APA e MLA

Use um destes formatos para citar esta calculadora em um trabalho ou relatório.

APA

MLA

📄

Análise detalhada

Compreendendo o erro quadrático médio, RMSE e MAE

3 capítulos · 4 min de leitura

O erro quadrático médio (MSE) é a métrica mais amplamente usada para avaliar quão bem as previsões de um modelo de regressão ou previsão correspondem à realidade. Esta calculadora percorre o MSE junto com seus dois parentes mais próximos – RMSE e MAE – para que você possa ver não apenas o número, mas o que ele significa para o seu modelo.

Como funcionam MSE, RMSE e MAE

MSE = Σ(real − previsto)² / n eleva ao quadrado cada resíduo antes da média, o que significa que uma única falha grande pode dominar o resultado - um resíduo duas vezes maior contribui quatro vezes para o erro quadrático. RMSE = √MSE desfaz a quadratura no final, retornando a métrica para as mesmas unidades dos dados originais, para que seja diretamente comparável aos valores que você está prevendo. MAE = Σ|real − previsto| / n ignora totalmente a quadratura e calcula a média do tamanho absoluto de cada erro, de modo que trata um erro de 10 exatamente duas vezes pior que um erro de 5 - nem mais, nem menos.

Entradas e o que elas significam

Insira seus valores reais (os resultados reais observados) e valores previstos (o que um modelo ou previsão produziu) como duas listas correspondentes, separadas por vírgulas, espaços ou novas linhas. A ordem é importante: o primeiro valor real é emparelhado com o primeiro valor previsto e assim por diante. Ambas as listas devem conter o mesmo número de entradas — a calculadora sinaliza uma incompatibilidade em vez de adivinhar quais valores combinam.

Limites e casos extremos

MSE e RMSE são sensíveis a valores discrepantes: um único resíduo muito grande pode inflacionar ambas as métricas, mesmo que todas as outras previsões sejam precisas, o que às vezes é exatamente o que você deseja (quando erros grandes são especialmente caros) e às vezes enganoso (quando um ponto de dados incorreto distorce toda a pontuação). O MAE é mais robusto para valores discrepantes, mas trata todos os tamanhos de erro proporcionalmente, de modo que pode subestimar o impacto de uma falha rara e grave. Nenhuma dessas três métricas por si só diz se um modelo é estatisticamente significativo ou se será generalizável para novos dados. Para isso, combine-os com testes fora da amostra, um coeficiente de determinação (R²) ou validação cruzada.

❓

Perguntas

Perguntas frequentes

6 perguntas

Qual é a fórmula do erro quadrático médio?+

MSE = Σ(real − previsto)² / n. Pegue a diferença entre cada valor real e previsto, eleve ao quadrado, some todas as diferenças quadradas e divida pelo número de observações emparelhadas (n).

Como calculo o RMSE do MSE?+

RMSE é simplesmente a raiz quadrada de MSE: RMSE = √MSE. Esta calculadora calcula ambos automaticamente quando você insere os valores reais e previstos correspondentes.

Qual é a diferença entre MSE/RMSE e MAE?+

O MSE e o RMSE elevam ao quadrado cada resíduo antes de calcular a média, de modo que erros grandes são penalizados desproporcionalmente mais do que erros pequenos. Em vez disso, o MAE calcula a média do valor absoluto de cada resíduo, tratando cada unidade de erro do mesmo tamanho, independentemente do tamanho da falha individual – tornando o MAE mais resistente a valores discrepantes.

Em quais unidades são expressos MSE, RMSE e MAE?+

O MSE é expresso em unidades quadradas dos seus dados originais (por exemplo, dólares² se você estiver prevendo dólares), o que dificulta a interpretação direta. O RMSE e o MAE são expressos nas mesmas unidades dos dados originais, portanto podem ser comparados diretamente com os valores reais.

Um MSE mais baixo é sempre melhor?+

Sim — para um determinado conjunto de dados e tarefa de modelagem, um MSE mais baixo (e RMSE e MAE correspondentemente mais baixos) indica previsões que estão mais próximas dos valores reais, em média. No entanto, comparar o MSE em diferentes conjuntos de dados ou diferentes escalas de dados não é significativo, uma vez que o MSE depende da magnitude dos valores previstos.

Como o MSE, o RMSE e o MAE são usados na regressão?+

MSE é a função de perda que a regressão de mínimos quadrados comum minimiza diretamente, e é por isso que é frequentemente relatada junto com um modelo de regressão ajustado. RMSE e MAE são comumente usados posteriormente, em uma validação prolongada ou conjunto de teste, para relatar a precisão do desempenho do modelo em dados nos quais não foi treinado.

Baixe na hora um PDF de uma página com seus resultados. Informe seu e-mail para receber também dicas ocasionais sobre nossas calculadoras — sem spam e com opção de cancelamento a qualquer momento. Privacidade.

Valores reais vs. valores previstos

Erro meio quadrado

Erro ao quadrado da mídia raiz

Erro Absoluto Médio

Como usar esta calculadora

Insira seus valores reais e previstos

Leia MSE, RMSE e MAE

Compare modelos ou cenários

Fórmula e metodologia

Confiabilidade, metodologia e fontes

Principais termos explicados

Exemplos práticos

Verificação do modelo de regressão

Previsão de vendas

Teste de estresse atípico

Citar esta calculadora

Compreendendo o erro quadrático médio, RMSE e MAE

Como funcionam MSE, RMSE e MAE

Entradas e o que elas significam

Limites e casos extremos

Perguntas frequentes

Receba um PDF personalizado com seus resultados

Calculadora de erro quadrático médio

Valores reais vs. valores previstos

Erro meio quadrado

Erro ao quadrado da mídia raiz

Erro Absoluto Médio

Como usar esta calculadora

Insira seus valores reais e previstos

Leia MSE, RMSE e MAE

Compare modelos ou cenários

Fórmula e metodologia

Confiabilidade, metodologia e fontes

Principais termos explicados

Exemplos práticos

Citar esta calculadora

Compreendendo o erro quadrático médio, RMSE e MAE

Como funcionam MSE, RMSE e MAE

Entradas e o que elas significam

Limites e casos extremos

Perguntas frequentes

Receba um PDF personalizado com seus resultados

Explore mais

Calculadoras relacionadas

Guias e artigos