Esta calculadora estima un intervalo de confianza para la proporción de clientes que pertenece a un segmento determinado. Utiliza el número de clientes del segmento, el total observado y el nivel de confianza para mostrar tanto la cuota estimada como un rango de incertidumbre.
Puede ayudar a comunicar el peso de un segmento en una base de clientes sin presentar la cifra puntual como si fuera exacta. Es especialmente útil cuando la segmentación se ha evaluado sobre una muestra y se quiere entender cuánto podría variar la proporción al extrapolarla a la población.
1. Introduzca el total observado. Incluya solo clientes evaluados bajo el mismo criterio de segmentación.
2. Indique los clientes del segmento. El valor no puede superar el total.
3. Elija el nivel de confianza. 95 % es una opción común, aunque puede ajustarse al contexto.
4. Interprete el rango. Use los límites para expresar la incertidumbre alrededor de la cuota del segmento.
x es el número de clientes del segmento, n el total observado y z el valor crítico del nivel de confianza. Los límites se acotan entre 0 % y 100 %.
El intervalo expresa un rango plausible para la proporción poblacional del segmento bajo las hipótesis del modelo.
La aproximación no corrige sesgos de selección ni errores de clasificación del propio modelo de segmentación.
Datos: 224 clientes de un total de 800 y 95 % de confianza.
Cálculo: p̂ = 224 / 800 = 0,28. EE = √(0,28 × 0,72 / 800) ≈ 0,01587. Margen ≈ 1,96 × 0,01587 = 0,0311.
Resultado: 28,00 %, con intervalo aproximado de 24,89 % a 31,11 %.
Interpretación: el segmento representa un 28 % de la muestra y la incertidumbre estadística ronda ±3,11 puntos.
La calculadora la obtiene dividiendo los clientes del segmento entre el total de clientes observados.
Sí, siempre que la pregunta sea la proporción de clientes que pertenecen a ese segmento. La suma entre segmentos no tiene por qué ser 100 % si existe solapamiento.
No directamente. Mide incertidumbre muestral de una proporción observada, no la estabilidad del clustering o del modelo frente a cambios de datos.
El error estándar disminuye aproximadamente con la raíz cuadrada del tamaño muestral, por lo que una muestra mayor suele estrechar el intervalo.
Con muestras pequeñas o proporciones extremas, métodos binomiales como Wilson pueden ofrecer mejor comportamiento que la aproximación normal usada aquí.