¿Cuánto puede distorsionar las encuestas
el sector de la ciudad elegido para encuestar?
Las encuestas presenciales revelan los municipios visitados pero no los puestos de votación específicos. Esta simulación demuestra que elegir el 30% de puestos más favorables puede cambiar los resultados nacionales hasta en 24 puntos porcentuales.
Sesgo máximo
23.6pp
Petro: 30.8–54.4%
Muestra
7.298
Entrevistas presenciales
Municipios
117
Pareados con datos electorales
Error aleatorio
<1.2pp
Selección aleatoria funciona
¿Cómo funciona la simulación?
Si se mantienen los mismos municipios y la misma cantidad de entrevistas, pero se eligen puestos de votación que favorecen (o desfavorecen) a un candidato, ¿cuánto cambian los resultados nacionales?
Resolución de municipios
Se parean los 117 municipios de la encuesta AtlasIntel/Semana con los datos electorales de la primera vuelta 2022, usando los códigos (DEP, MUN) de la Registraduría.
Distribución proporcional de muestra
Las 7.298 entrevistas se distribuyen proporcionalmente al tamaño electoral de cada municipio. Bogotá recibe 2.589 (35.5%) por concentrar ~35% del voto nacional.
Análisis a nivel de puesto
Se calcula la proporción de votos de cada candidato en cada puesto (ZONA + PUESTO) dentro de cada municipio. Dentro de una misma ciudad, los puestos pueden diferir en 30+ puntos porcentuales.
9 escenarios simulados
Para cada candidato principal: un escenario Pro (top 30% de puestos más favorables) y un escenario Anti (bottom 30%). Más un escenario aleatorio (200 iteraciones promediadas).
Agregación nacional
Cada municipio contribuye proporcionalmente a su asignación de muestra. El resultado nacional es el promedio ponderado de los 117 municipios.
Distribución regional de la encuesta
| Región | Municipios | Muestra | % |
|---|---|---|---|
| Caribe | 23 | 1.185 | 16.2% |
| Centro-Oriente | 44 | 3.333 | 45.7% |
| Centro-Sur-Amazonía | 9 | 378 | 5.2% |
| Eje Cafetero | 21 | 1.199 | 16.4% |
| Pacífico | 16 | 961 | 13.2% |
| Llano | 4 | 242 | 3.3% |
Efecto Bogotá
Con 35.5% de la muestra (2.589 entrevistas), la selección de puestos en Bogotá puede mover el resultado nacional 5–8pp por sí sola. La capital tiene ~1.200 puestos con variación extrema: Petro supera 60% en el sur pero cae bajo 25% en el norte.
Resultados: 9 Escenarios
| Candidato | Real | Pro-P | Pro-R | Pro-F | Pro-Fj | Anti-P | Anti-R | Anti-F | Anti-Fj | Rand |
|---|---|---|---|---|---|---|---|---|---|---|
| Petro | 42 | 54.4 | 39.7 | 32.3 | 33.6 | 30.8 | 41.4 | 52.4 | 50.1 | 40.8 |
| Rodolfo | 23.5 | 21.6 | 28.9 | 21.9 | 21.8 | 24.5 | 18.4 | 24.5 | 24.8 | 23.6 |
| Fico | 24.7 | 15.9 | 22.1 | 34.5 | 32.9 | 33.4 | 29.6 | 14.9 | 17.3 | 25.7 |
| Fajardo | 5.3 | 3.1 | 4.6 | 7.7 | 8.1 | 7.4 | 6.6 | 2.9 | 2.5 | 5.5 |
Pro-X = seleccionar 30% de puestos más favorables a X. Anti-X = 30% menos favorables. Random = muestreo aleatorio proporcional (200 iteraciones). Valores en %. Datos: R1 2022.
Explorar por candidato
Resultado real
42%
Pro-Petro
54.4%
+12.4pp
Anti-Petro
30.8%
-11.2pp
Random
40.8%
-1.2pp
Rango total: 23.6pp. Solo eligiendo qué puestos visitar dentro de los mismos 117 municipios, el resultado de Petro puede variar de 30.8% a 54.4%. Esto es 8x mayor que el margen de error declarado típico (±1.5–3pp).
Rangos de Sesgo por Candidato
Cada línea muestra el rango completo entre el escenario Anti (piso) y Pro (techo). El círculo relleno marca el resultado real.
Asimetría clave
Petro y Fico muestran los rangos más amplios (~20–24pp) porque sus electorados están más polarizados geográficamente: Petro domina en barrios de ingreso bajo y Fico en zonas de clase media-alta. Rodolfo, con apoyo más difuso, tiene un rango menor (~10.5pp).
Efectos Cruzados: Pro-X ≈ Anti-Y
Los escenarios Pro y Anti de candidatos opuestos producen resultados casi idénticos. Los barrios donde Petro es más fuerte son los mismos donde Fico es más débil, y viceversa.
Pro-Petro
Petro
54.4%
Fico
15.9%
Petro sube +12.4pp, Fico baja -8.8pp
Anti-Fico
Petro
52.4%
Fico
14.9%
Casi idéntico: mismos barrios
Pro-Fico
Petro
32.3%
Fico
34.5%
Fico sube +9.7pp, Petro baja -9.8pp
Anti-Petro
Petro
30.8%
Fico
33.4%
Casi idéntico: mismos barrios
¿Por qué importa?
Un encuestador que envía personal a zonas comerciales o centros universitarios (típicamente zonas de ingreso medio-alto) producirá resultados similares a un escenario Pro-Fico/Anti-Petro sin intención de sesgar. La geografía socioeconómica colombiana estructura el voto.
Implicaciones
Sesgo vs. margen de error
El sesgo de selección excede el margen de error declarado
El rango de sesgo posible (10–24pp) es 5–8 veces mayor que el margen de error estadístico declarado (±1.5–3pp). El margen de error solo mide error de muestreo aleatorio, no sesgo sistemático de selección.
Validación
La selección aleatoria funciona
El escenario aleatorio desvía del resultado real en máximo 1.2pp, confirmando que una selección verdaderamente aleatoria de puestos elimina este sesgo. El problema no es la estadística sino la operación de campo.
Transparencia
La lista de municipios no garantiza representatividad
Publicar los municipios visitados crea una apariencia de transparencia, pero la selección de puestos dentro de cada municipio es igualmente importante. Sin divulgar los puestos específicos, el sesgo es indetectable.
Caveat
Este análisis no afirma que una encuesta específica esté sesgada
La simulación muestra el rango de lo posible, no lo que ocurrió. Para determinar si una encuesta tiene sesgo de selección, se necesitaría conocer exactamente qué puestos se visitaron.
Participación
Participa en el Ejercicio Electoral 2026
Ahora que conoces el comportamiento electoral de Colombia en 2022, ayuda a construir las proyecciones para las elecciones presidenciales 2026.
Registrar mi intención de votoParticipación anónima y segura. Datos encriptados y agregados.
Nota metodológica
Los datos base son los resultados oficiales por puesto de votación de la primera vuelta presidencial 2022, publicados por la Registraduría Nacional. La configuración de la encuesta (municipios y muestra) corresponde a la encuesta AtlasIntel para la revista Semana, publicada el 7 de febrero de 2026.
El parámetro de selección (top 30% de puestos) representa un nivel plausible de concentración geográfica. Con 10%, el efecto sería mayor; con 50%, menor. Los datos de R1 2022 se usan como proxy de la distribución geográfica del voto actual, lo cual es imperfecto pero suficiente para demostrar la magnitud del mecanismo.
Este análisis no constituye una acusación de sesgo contra ninguna encuestadora específica. Su propósito es cuantificar el rango de resultados posibles cuando la selección de puestos no se divulga ni se aleatoriza.