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.
%nacional(c) = Σ ( q_firmai · q_modoi · Δ_recenciai · %i(c) ) / Σ pesos
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:
p(c, t) = %nacional(c) × bias(c, t)
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
biasnorm(c, d) = biasraw(c, d) ÷ promedio
ponderado de biasraw(c) por votantes esperados:
votos(c) = pct(c) × Σd votantes(d) × biasnorm(c, d) / 100
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:
votos(c, d) = votantes(d) × sharelocal(c, d)
Donde sharelocal(c, d) = pct(c) × biasraw(c, d)
/ Σc' pct(c') × biasraw(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 biasraw y sharelocal:
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.