¿Cómo transformamos encuestas en predicciones reales?
No solo contamos votos. Utilizamos un modelo Bayesiano Jerárquico de Transición. Este enfoque no solo mira por quién dice la gente que votará, sino cómo se está moviendo el electorado real de 2022 hacia las nuevas opciones de 2026, ajustando por sesgos geográficos y demográficos.
Niveles de Análisis
Distribución Simple
Conteo directo de la muestra. Refleja la opinión cruda de quienes participan.
Ponderación Geográfica
Ajusta los resultados según el peso poblacional real de cada municipio y departamento.
MRP de Transición
Nuestro modelo estrella. Usa los resultados de 2022 como ancla de realidad.
Análisis Segmentado
Distribución por Edad y Estrato, re-ponderada por ubicación para evitar sesgos urbanos.
El Modelo de Transición (MRP)
A diferencia de las encuestas tradicionales, nuestro MRP no asume que la muestra es perfecta. En su lugar, calcula una Matriz de Transición:
Paso 1: Captura del Movimiento
Si alguien votó por Petro en 2022, ¿qué probabilidad hay de que vote por el Candidato A en 2026?
Paso 2: Anclaje Histórico
Aplicamos esas probabilidades a los votos reales depositados en cada municipio en 2022.
Ajuste Bayesiano
Cuando un departamento tiene pocos datos, el modelo aplica "Partial Pooling".
- Muestras Grandes: El modelo confía plenamente en los datos locales.
- Muestras Pequeñas: El modelo "toma prestada" información de la tendencia nacional para estabilizar la predicción.
Esto elimina los resultados "locos" o extremos que suelen aparecer en encuestas con pocos participantes en regiones apartadas.
Análisis por Edad y Estrato
Nuestros gráficos de Edad y Estrato no son simples promedios. Para garantizar la precisión, aplicamos una doble ponderación:
¿Cómo se calcula?
1. Identificamos al usuario (ej: Estrato 2 en Cali).
2. Multiplicamos su voto por el peso de su municipio dentro del departamento.
3. Agregamos los resultados para obtener la foto real del segmento.
Ejemplo de Corrección
Si tenemos muchos jóvenes de Bogotá pero pocos de zonas rurales, el modelo aumenta el peso de los jóvenes rurales para que la "voz" de ese segmento sea equilibrada y no puramente urbana.
Ficha Técnica del Modelo
| Algoritmo | Dirichlet-Multinomial Hierarchical Model |
| Simulaciones | 3,000 iteraciones de Monte Carlo por cada actualización |
| Intervalos de Confianza | 95% Credible Intervals (Bayesianos) |
| Fuentes de Población | Resultados oficiales Registraduría 2022 (Primera Vuelta) |
| Control de Calidad | Detección de anomalías por IP, User-Agent y patrones de tiempo |
¿Eres analista o científico de datos?
Nuestra metodología es abierta y auditable. Si tienes dudas técnicas, escríbenos.
metodologia@yosicuento.com