Esta herramienta combina dos bloques: un ponderador nacional de encuestas (quién va primero, quién crece, quién cae) y una proyección territorial (dónde se concentra su fuerza). Al mover un deslizador, ambos bloques se recalculan en vivo y la suma total se mantiene rígidamente en 100%.

¿Por qué un ponderador propio y no el de La Silla Vacía?

Cuando publicamos la primera versión del simulador en abril 2026, usamos provisionalmente el ponderador de La Silla Vacía —el agregador colombiano más serio disponible públicamente—. Después de las consultas interpartidistas del 8 de marzo de 2026 tomamos la decisión de construir uno propio por tres razones metodológicas concretas:

• El régimen cambió. La Ley 2494 de 2025 elevó los requisitos mínimos de muestra y transparencia para encuestas electorales en Colombia. La precisión histórica de las firmas antes de 2025 ya no es necesariamente predictiva de su desempeño hoy: CNC era de las mejores antes de la ley y quedó en el medio en su primer test post-Ley; firmas digitales como Atlas Intel mejoraron relativamente. Cualquier ponderador que siga usando reputaciones pre-2025 está calibrado a un mundo que ya no existe.
• Tenemos un nuevo benchmark verificable. Las consultas del 8 de marzo de 2026 son el único evento electoral post-Ley 2494 con resultado oficial. Recalibrar contra ese evento es lo metodológicamente correcto. El ponderador propio asigna a cada firma un peso q_firma ∈ [0,40 ; 1,00] linealmente inverso a su error medio absoluto (MAE) frente al resultado real del 8M.
• Transparencia radical. Publicamos la matriz completa de pesos por encuesta, el detalle del cálculo de bias por firma y el cruce contra la distribución muestral declarada (índice de representatividad muestral KL vs censo Divipole). Ningún agregador colombiano publica este nivel de detalle hoy. Los datos crudos están en ponderador-detalle.json.

Eso no significa que nuestro ponderador sea más preciso que el de La Silla en sentido absoluto —sería arrogante afirmarlo con un solo evento de calibración—. Significa que el método es auditable, está alineado al régimen normativo vigente, y se actualizará con cada nuevo resultado verificable (primera vuelta, segunda vuelta).

1. Ponderador nacional (insumo)

El % de intención inicial de cada candidato se toma de nuestro ponderador propio, calibrado contra el resultado oficial de las consultas interpartidistas del 8 de marzo de 2026 —único ground truth disponible bajo el régimen de la Ley 2494 de 2025—. Para cada firma encuestadora se computa el error medio absoluto (MAE) entre su predicción pre-consultas y el resultado real, después se le asigna un peso q_firma ∈ [0,40 ; 1,00] linealmente inverso a su MAE. Sumamos los componentes q_modo (presencial / digital / mixto / telefónico) y un decaimiento exponencial por recencia. Sólo incluimos candidatos con intención superior al 1%: las fórmulas residuales complican el modelo sin ganancia analítica.

2. Suma total forzada a 100%

Si el ponderador externo reporta una suma distinta de 100 —por redondeos o porque publican menos candidatos— el residual lo absorbe automáticamente la categoría Blanco / Indecisos. La suma del ponderador siempre marca 100.0%.

Al mover un deslizador hacia arriba, los demás candidatos ceden proporcionalmente a su % actual (el que más tiene, más cede); al moverlo hacia abajo, ocurre lo inverso. Importante: cualquier candidato cuyo deslizador hayas tocado queda fijo (con un candado 🔒 al lado de su porcentaje). Si después mueves otros deslizadores, esos candidatos fijados no se ajustan; sólo se mueven los que aún no has tocado. Para soltar un candidato basta con presionar su candado, o usar Restablecer para volver a la base del ponderador y limpiar todos los candados.

3. Proyección territorial (bias)

Para proyectar el % nacional al nivel departamental usamos un modelo proporcional multiplicativo:

El bias(c, t) es un multiplicador regional: 1,0 significa que el candidato vota en el territorio t al mismo nivel que el promedio nacional; 1,8 que tiene 80% más fuerza; 0,5 que tiene la mitad. Este coeficiente se calibra con señales empíricas: resultados presidenciales históricos de candidatos equivalentes (2010–2022), consultas interpartidistas 2025 y 2026, y votación al Congreso 2026 por partido o movimiento. La votación directa al candidato siempre pesa más que la señal partidista (Oraculus, México 2024; Silver, 2024).

El territorio t puede ser uno de cinco niveles jerárquicos, cada uno con su propia capa de bias calibrada con la señal a esa resolución:

• Departamento (33 departamentos + circunscripciones especiales).
• Municipio (1.122 municipios — agregación nacional cubierta).
• Comuna o localidad (Bogotá: 20 localidades, Medellín: 16 comunas, Cali, Barranquilla, Ibagué, Manizales, Pereira y otras 7 ciudades capitales).
• Puesto de votación (en cobertura por ciudad — actualmente Bogotá y Medellín, resto en construcción).
• Barrio (cuando el puesto agrupa varios barrios — cobertura inicial Bogotá y Medellín).

En todos los niveles aplicamos el mismo formalismo y la misma fuente de calibración. La granularidad puesto/barrio se construye combinando la geoGeoreferenciación de puestos publicada por la Registraduría con la cartografía de comunas y localidades de cada ciudad. Detalle completo de los seis perfiles de pesos y las equivalencias históricas en el documento metodológico.

4. Votación estimada por depto

Los votantes esperados por departamento toman como base el 54% del potencial electoral —participación típica de primera vuelta presidencial en el escenario 2022—, distribuido según el comportamiento real por depto del escrutinio Senado 2026. Esto preserva las asimetrías locales (alta participación en Córdoba, más baja en ciertos municipios de Antioquia) en vez de asumir una tasa plana nacional.

Los modelos proporcionales multiplicativos como el nuestro presentan una tensión clásica entre dos consistencias mutuamente excluyentes (Hanretty, 2024). Aplicamos la versión más adecuada a cada vista:

Vista nacional (suma sobre todos los deptos) — usamos el bias normalizado por candidato, definido como bias_norm(c, d) = bias_raw(c, d) ÷ promedio ponderado de bias_raw(c) por votantes esperados:

Esta normalización garantiza la consistencia global: el ranking de votos preserva el ranking de pct nacional. Si Abelardo tiene mayor pct que Paloma, sus votos también serán mayores.

Vista de un depto (drill-down) — usamos normalización local:

Donde share_local(c, d) = pct(c) × bias_raw(c, d) / Σ_c' pct(c') × bias_raw(c', d). Esto da consistencia local: los votos de los candidatos en un depto suman exactamente los votantes esperados de ese depto. Aquí sí son legítimas las inversiones locales (un candidato con menor pct nacional puede sacar más votos en un depto donde es más fuerte).

El coloreado del mapa siempre usa bias_raw y share_local: el ranking competitivo entre candidatos por depto refleja la fuerza relativa real, sin la corrección de la normalización por candidato.

5. Bandas de incertidumbre

Este borrador reporta proyecciones puntuales. En la siguiente iteración incorporaremos una banda de incertidumbre de ±σ, donde σ combina error muestral y house effect (Shirani-Mehr, Rothschild, Goel & Gelman, JASA 2018). El componente de house effect ya se calcula a nivel firma × candidato comparando contra la mediana semanal de encuestas post-marzo, y se publica en ponderador-detalle.json; falta exponerlo en el frontend.