toolbox
Inicio / IA, datos y tecnología / Calculadora del intervalo de confianza de la precisión de previsiones

Calculadora del intervalo de confianza de la precisión de previsiones

Esta calculadora estima el intervalo de confianza de una tasa de precisión de previsiones. Parte del porcentaje de predicciones consideradas correctas y del número de casos evaluados para mostrar un rango plausible alrededor de esa precisión observada. Es útil al comparar modelos de demanda, ventas, inventario, tráfico o cualquier sistema de pronóstico en el que cada observación pueda clasificarse como acierto o fallo.

El intervalo ayuda a distinguir una diferencia aparente de una mejora que está respaldada por una muestra suficientemente grande. Un intervalo estrecho indica mayor precisión estadística; uno amplio señala que el resultado todavía es sensible al tamaño de la muestra. El cálculo usa una aproximación normal para una proporción y, por tanto, conviene interpretarlo con cautela cuando la muestra es pequeña o la tasa de acierto está muy cerca de 0 % o 100 %.

Datos de entrada

%
Resultado
—
Intervalo de confianza de la precisión
Límite inferior—
Límite superior—
Margen de error—
Error estándar—

1. Indica el tamaño de la evaluación
Escribe cuántas previsiones independientes se compararon con su resultado real.

2. Introduce la precisión observada
Usa el porcentaje de casos que cumplieron tu criterio de acierto.

3. Elige el nivel de confianza
Selecciona 90 %, 95 % o 99 %. Un nivel mayor produce un intervalo más amplio.

4. Interpreta los límites
Revisa el límite inferior y superior junto con el margen de error para valorar la incertidumbre.

5. Compara modelos con el mismo criterio
Si contrastas varios sistemas, usa la misma definición de “acierto” y periodos comparables.

Fórmula principal:

p̂ = aciertos / n
SE = √[p̂ × (1 − p̂) / n]
IC = p̂ ± z × SE

Variables:

  • p̂: proporción de previsiones correctas, expresada entre 0 y 1
  • n: número de previsiones evaluadas
  • SE: error estándar de la proporción
  • z: valor crítico asociado al nivel de confianza

Supuestos: Se emplea la aproximación normal para una proporción binomial. El resultado es más fiable cuando la muestra es suficientemente grande y np̂ y n(1−p̂) no son muy pequeños.

Qué significa el resultado

El rango muestra los valores de precisión poblacional compatibles con la precisión observada bajo este modelo aproximado.

No mide por sí solo sesgo, MAE, RMSE ni la magnitud de los errores; solo trata la precisión como una proporción de aciertos.

Datos:

  • 500 previsiones evaluadas
  • Precisión observada: 82 %
  • Nivel de confianza: 95 %

Cálculo:
p̂ = 0,82; SE = √(0,82 × 0,18 / 500) ≈ 0,01718.
Margen = 1,96 × 0,01718 ≈ 0,03367.

Resultado:
IC ≈ 0,82 ± 0,03367 = 78,63 % a 85,37 %.

Interpretación:
La muestra sugiere una precisión central del 82 %, con un margen aproximado de 3,37 puntos porcentuales al 95 %.

¿Qué significa que el intervalo sea amplio?

Que la estimación de la precisión todavía tiene bastante incertidumbre. Aumentar el número de previsiones evaluadas suele estrechar el intervalo si la tasa observada se mantiene parecida.

¿Puedo usar una precisión basada en tolerancia, por ejemplo ±5 %?

Sí, siempre que cada previsión se clasifique de forma coherente como acierto o fallo usando ese mismo umbral. El cálculo no decide qué tolerancia es adecuada para tu caso.

¿Por qué un nivel del 99 % da un rango mayor que uno del 95 %?

Porque exige cubrir una mayor proporción de resultados compatibles con el modelo estadístico. Esa mayor confianza se obtiene a costa de menor precisión del intervalo.

¿Qué ocurre si la precisión es 0 % o 100 %?

La aproximación normal puede producir un error estándar artificialmente nulo en los extremos. En esos casos conviene usar métodos binomiales más robustos, como Wilson o Clopper–Pearson.

¿Este intervalo sustituye a métricas como MAE o MAPE?

No. El intervalo cuantifica la incertidumbre de una tasa de acierto binaria, mientras que MAE o MAPE describen la magnitud del error de las previsiones.