El valor esperado (o promedio muestral) de la diferencia al cuadrado entre un estimador o pronóstico y la cantidad que se estima; para un estimador θ̂ de θ, MSE(θ̂) = E[(θ̂ − θ)^2].

Principio

La MSE se descompone en varianza y sesgo al cuadrado: MSE(θ̂) = Var(θ̂) + [Bias(θ̂)]^2, lo que hace explícito el compromiso entre la variabilidad del estimador y el error sistemático bajo una pérdida cuadrática.

Demostración

Para un pronóstico ŷ y la realización y, la MSE muestral sobre T observaciones es (1/T) Σ_{t=1}^T (y_t − ŷ_t)^2; comparar la MSE entre modelos es un método estándar para evaluar la precisión predictiva cuadrática media y obtener la RMSE tomando la raíz cuadrada.

Aplicación incorrecta

Usar la MSE como único criterio de rendimiento puede ser engañoso cuando la pérdida es asimétrica, cuando los valores extremos dominan las desviaciones cuadráticas o cuando diferencias de escala hacen inválidas las comparaciones; puede ocultar errores dependientes del patrón.

Consecuencia

Minimizar la MSE produce estimadores que equilibran sesgo y varianza bajo pérdida cuadrática y proporciona un objetivo simple y diferenciable para estimación y selección de modelos; también sustenta muchas reglas de puntuación y métodos de calibración.

Inversión

Funciones de pérdida alternativas, como el error absoluto medio (MAE) o pérdidas de cuantiles, invierten el énfasis de las desviaciones cuadráticas hacia penalizaciones absolutas o asimétricas y pueden preferirse cuando la robustez o costes de decisión específicos importan.

Límite

La MSE presupone preferencias de pérdida cuadrática y es sensible a colas pesadas y valores atípicos; se aplica a estimadores puntuales y pronósticos, pero debe interpretarse en relación con la escala, el horizonte y si los errores son independientes o heterocedásticos.

Tensión semántica

La MSE suele compararse con RMSE (su raíz cuadrada) y MAE; RMSE conserva las unidades de la variable y enfatiza errores grandes, mientras que MAE es más robusto — elegir entre ellos refleja la tensión entre sensibilidad a grandes desviaciones e interpretabilidad.

Síntesis

El error cuadrático medio cuantifica la desviación cuadrática media entre predicciones/estimadores y valores verdaderos, se descompone en varianza y sesgo al cuadrado para revelar el compromiso sesgo‑varianza, y sirve como criterio central, aunque no universalmente apropiado, para evaluar estimadores y pronósticos.