INICIO
ciencia · general
que es error y sesgo, Diana de dardos con tiros agrupados lejos del centro y dispersos alrededor del centro
ciencia ·#6545 ·Lectura 7 min. · Redactor: Cati Ariza

🎯 Error y sesgo: la diferencia que lo cambia todo

Respuesta corta
Verificado
Redactado por Humanos!

Error = Sesgo + Azar. El azar se cancela promediando; el sesgo nunca se cancela, por más que repitas el estudio.

01

Qué es error y sesgo: la frontera entre equivocarse una vez y equivocarse siempre

Empecemos por lo básico y lo más importante. El error, en su acepción más rigurosa, es la diferencia entre el valor observado y el valor verdadero. Cada vez que mides, preguntas, muestreas o modelas, el resultado se separa en mayor o menor grado de la magnitud real que intentas capturar. Y esa separación no es un concepto vago: se puede descomponer, y esa descomposición es lo que permite entender qué se corrige y qué no.


El sesgo es la parte del error que se repite siempre en la misma dirección. Es un componente sistemático que empuja permanentemente el resultado hacia un lado, con el mismo signo, en todas las repeticiones del estudio. Por eso sobrevive a cualquier promedio. Si el estudio se hiciera mil veces, el sesgo seguiría ahí, presente en cada una de las mil réplicas.


La relación entre ambos se expresa de forma sencilla: error = sesgo + azar. El azar, o error aleatorio, es la parte que unas veces va para un lado y otras para el otro. Esa parte aleatoria tiene una propiedad que la vuelve manejable: promedia a cero. Si se repitiera el estudio muchas veces, esos desvíos se cancelarían entre sí. La parte sistemática, en cambio, nunca se cancela.


La distinción importa porque ambos se corrigen de maneras opuestas. El error aleatorio se achica aumentando la muestra: cuantos más casos, menos se mueve el resultado de muestra en muestra. El sesgo no. Si el instrumento está mal calibrado o el universo está mal cubierto, relevar diez veces más casos da un resultado igual de equivocado, pero con más precisión aparente.


La analogía clásica para visualizarlo es la del tiro al blanco, donde el centro de la diana representa el valor verdadero y cada disparo una medición:


SituaciónQué se ve en la dianaQué significa
Sin sesgo, poco errorTiros agrupados alrededor del centroCaso ideal
Sin sesgo, mucho errorTiros dispersos pero el promedio da en el centroMolesto, pero honesto: con más disparos mejora
Con sesgo, poco errorTiros muy juntos pero lejos del centroEl peor caso: consistencia confundida con exactitud
Con sesgo, mucho errorDesastre evidenteAl menos no engaña a nadie

De ahí surge una diferencia conceptual clave, a menudo ignorada: la precisión es cuán juntos caen los tiros entre sí, y se puede medir con los datos que uno tiene. La exactitud es cuán cerca caen del centro, y para saberlo haría falta conocer el centro. Por eso el sesgo casi nunca se descubre mirando los propios datos: se descubre pensando cómo se produjeron, o comparándolos con otra fuente independiente.


En la investigación con muestras, el error aleatorio nace del hecho de trabajar con muestras de individuos y no con toda la población. Procede de la variabilidad inherente al muestreo y depende directamente del tamaño de la muestra: cuando este aumenta, el error disminuye. Está muy relacionado con la precisión o fiabilidad, y la estadística permite cuantificarlo.


El error sistemático o sesgo, en cambio, aparece cuando se introduce un defecto en el diseño del trabajo: en la selección de los individuos, en la información recogida o en su análisis. A diferencia del error aleatorio, no se atenúa al aumentar el tamaño de la muestra, y una vez introducido es prácticamente imposible de remediar en la fase de análisis. Va muy ligado al concepto de validez.


Los sesgos que afectan a la medida del efecto de intervenciones se agrupan en dos grandes tipos:

  • Sesgos de selección: ocurren por la forma en que los individuos son identificados y elegidos para el estudio.
  • Sesgos de información: ocurren cuando la información sobre enfermedad o exposición se recoge de forma sistemáticamente diferente entre grupos.

“El ruido irreducible (σ²) fija un suelo de error que ningún modelo puede atravesar, por sofisticado que sea.”

Dato clave
que es error y sesgo, Pantalla con gráfica de equilibrio sesgo-varianza en un escritorio con notas manuscritas
Imagen

Pantalla con gráfica de equilibrio sesgo-varianza en un escritorio con notas manuscritas

02

Error, sesgo y azar: tres piezas que explican casi todo lo que sale mal en un dato

Desde la teoría de la estimación, el sesgo estadístico se define como la diferencia entre el valor de un estimador y el valor real del parámetro estimado. Formalmente, un estimador es insesgado si su valor esperado coincide con el parámetro: E(θ̂) = θ. Su error total se mide con el error cuadrático medio, que se descompone en las mismas dos piezas: ECM(θ̂) = Var(θ̂) + [sesgo(θ̂)]². Esta identidad es la raíz de casi todas las discusiones modernas sobre ajuste de modelos.


Conviene separar dos sentidos de la palabra «sesgo» que se arreglan de maneras distintas:

  • Sesgo del dato: los datos se produjeron torcidos. El marco dejaba gente afuera, la balanza pesaba de más, la pregunta inducía la respuesta. Se arregla en el diseño.
  • Sesgo del estimador: los datos están perfectos pero la fórmula con la que se resumen apunta sistemáticamente al lado equivocado. Se arregla en el análisis.

El ejemplo canónico de sesgo del estimador es la varianza: dividir por n en vez de por n−1 subestima la varianza poblacional siempre, y por eso existe la corrección. De forma análoga, se usan fórmulas corregidas para la desviación estándar muestral.


En el terreno del aprendizaje automático, estos conceptos se reformulan como el equilibrio sesgo-varianza. El error total de predicción de cualquier modelo supervisado se descompone en tres componentes:


ComponenteQué mideCómo se reduce
Sesgo²Cuán sistemáticamente equivocado está el modelo por su arquitecturaModelo más complejo, mejores características
VarianzaCuán sensible es a la muestra concreta que vioMás datos, regularización, bagging, early stopping
Ruido irreducible (σ²)Aleatoriedad del proceso generador de datosNada. Ningún modelo puede eliminarlo

Un modelo con sesgo alto subajusta: no captura los patrones reales porque es demasiado simple. La señal es que el rendimiento es pobre tanto en entrenamiento como en prueba, con ambos errores altos y cercanos. Causas habituales: usar un modelo lineal para datos no lineales, elegir pocas características, regularización excesiva o detener el entrenamiento demasiado pronto.


Un modelo con varianza alta sobreajusta: es tan flexible que ajusta cada detalle del entrenamiento incluido el ruido. Entrenado con una muestra traza una curva, entrenado con otra traza una completamente distinta. La señal inconfundible: error de entrenamiento muy bajo, error de prueba sustancialmente más alto.


En la práctica, leer curvas de aprendizaje permite diagnosticar el problema de un vistazo:

  • Ambos errores altos y convergen → problema de sesgo: el cuello de botella es el modelo, no el tamaño muestral.
  • Error de entrenamiento bajo, validación mucho más alto con brecha que no se cierra → problema de varianza: aquí añadir datos sí ayuda.
  • Ambos bajos con brecha pequeña → el modelo está en la zona buena.

La tensión entre sesgo y varianza no es una limitación de los algoritmos actuales: es una consecuencia matemática. Al aumentar complejidad se reduce sesgo pero sube varianza, y viceversa. El error total forma una curva en U en función de la complejidad del modelo.


Una implicación clave: minimizar el error de entrenamiento no minimiza el error esperado de prueba. Se puede llevar el sesgo casi a cero ajustando perfectamente los datos de entrenamiento, pero hacerlo suele disparar la varianza en una cantidad aún mayor. Por eso memorizar los datos de entrenamiento es el objetivo equivocado.


La perspectiva de «esperanza sobre conjuntos de entrenamiento» es crucial: en la práctica solo se entrena un modelo con un conjunto de datos, pero la descomposición describe el comportamiento esperado si se hubiera entrenado con muchas muestras aleatorias distintas. Un modelo de varianza alta entrenado con los datos reales puede ser muy distinto de lo que sería con otra muestra. Por eso la validación cruzada es un diagnóstico tan valioso: su desviación estándar entre pliegues mide directamente la varianza en el sentido real de la descomposición.

Conclusión:

¿que es error y sesgo?

Tal como yo lo veo, lo verdaderamente peligroso del sesgo no es que exista, es que se esconde detrás de una apariencia impecable. Los datos sesgados se ven perfectos: son coherentes, tienen poca dispersión y pasan todos los controles internos. Un resultado sesgado y preciso es visualmente indistinguible de un resultado correcto, y por eso el caso más peligroso no es el desorden evidente sino la consistencia engañosa. Se puede ser muy preciso y estar muy equivocado al mismo tiempo. Buscar el sesgo dentro de los propios datos es, en la práctica, una estrategia condenada al fracaso: hay que buscarlo en cómo se produjeron, no en lo que dicen. Y en machine learning, ese suelo de ruido irreducible que ningún modelo puede atravesar te obliga a ser honesto contigo mismo sobre dónde termina la señal y empieza el mundo real. Es complicado dar una sola respuesta sobre cómo manejar error y sesgo, porque cada contexto exige pensar en varias opciones válidas de diagnóstico y prevención.


Fuentes: 1º Estadistica.ar, 2º UOC.cat, 3º Probabilidadyestadistica.net, 4º Statisticsfundamentals.com
IMAGEN1-AUTOR:Nexuscurioso|Licencia:Todos los derechos reservados|Url:---
IMAGEN2-AUTOR:Nexuscurioso|Licencia:Todos los derechos reservados|Url:---
Redacción: Cati Ariza · Actualizado en: 09/11/2026
Valoración para Respuesta Valoración para Respuesta Valoración para Respuesta Valoración para Respuesta Valoración para Respuesta Valoración para Respuesta Valoración para Respuesta Valoración para Respuesta Valoración para Respuesta Valoración para Respuesta
4.6 / 5 · 41 valoraciones Valorar

¿Tienes algo que aportar? Envíanos tu respuesta

Error aleatorio y sistemático: qué son y por qué importan en cualquier medición Error aleatorio y sistemático: qué son y por qué importan en cualquier medición Error aleatorio: qué es, por qué ocurre y cómo se cuantifica Error aleatorio: qué es, por qué ocurre y cómo se cuantifica
¿Quieres ver más respuestas sobre que es error y sesgo?