Cómo calculamos
quién va a ganar

Un principio tomado de Nate Silver y de The Economist: ninguna encuesta publicada se descarta porque incomode. Cada encuesta entra en la base; lo que varía es su peso, según su calidad, su firma, su tamaño y su antigüedad. Excluir las encuestas que disgustan es la forma más segura de fabricar el resultado esperado. A nivel federal se agregan cerca de 300 encuestas; en Quebec, unas 90 para la elección de 2026; en Estados Unidos, más de 600 solo para la Cámara.

La cadena de encuestas. Cada encuesta se registra desde su fuente original — el informe del encuestador cuando existe, si no el artículo del medio que la encargó — con sus fechas de campo, tamaño de muestra, firma, cliente, modo de recolección y todos los desgloses publicados (región, idioma, edad, género). Se conserva su procedencia: cuando un registro provisional tomado de un artículo se sustituye por el informe completo, la revisión queda trazada, y los informes originales se archivan.

Las encuestas recientes pesan más, según una vida media que se estrecha al acercarse la votación, como en FiveThirtyEight: lejos de la elección, el modelo mira amplio; al final de la campaña, sigue de cerca las últimas encuestas. Cuando se detecta una ola — una pendiente fuerte y sostenida de un partido en las últimas semanas, respaldada por varias encuestas —, la vida media se acorta aún más, en proporción a la fuerza del movimiento. Las encuestas demasiado antiguas salen de la ventana.

Antes de cualquier ponderación, un módulo de control examina la metodología de cada encuesta individualmente — no la reputación de la firma, la encuesta misma: variables de ponderación declaradas (edad, género, región, escolaridad, idioma, voto pasado), fuente de los objetivos de ponderación (censo utilizado), presencia de desgloses regionales y tamaño de muestra efectivo una vez considerado el efecto de la ponderación (fórmula de Kish): 1.000 encuestados muy reponderados valen menos que 1.000 equilibrados.

Cada verificación produce una señal verificable y una puntuación de calidad que modula el peso de la encuesta, con un piso: ninguna encuesta se elimina, pero una cifra nacional sin desgloses pesa menos que un estudio completo. Las encuestas antiguas, publicadas antes de registrar estos campos, reciben valores neutros — la falta de información no se trata como una falta.

El peso de cada encuesta combina varios factores documentados: la transparencia metodológica de la firma, su precisión pasada (su error medio en elecciones anteriores: cuanto más bajo, más pesa la firma), la calidad de la propia encuesta y su tamaño de muestra efectivo, en escala logarítmica — pasar de 1.000 a 2.000 encuestados ayuda, pero no el doble. Al acercarse la votación, las firmas que históricamente captaron los movimientos temprano ganan algo de peso.

Varias olas de una misma firma. Encuestas cercanas de una misma casa se parecen más a una sola serie que a mediciones independientes: cada ola más antigua se descuenta según su rango, siguiendo la regla de Kevin Bonham, y una encuesta continua cuya muestra se superpone a la anterior cuenta menos.

Sesgos de casa. Para cada firma, su sesgo en cada partido se mide en elecciones pasadas: la diferencia entre sus últimas encuestas y el resultado. Se resta de las cifras de la encuesta, pero solo en parte: la parte corregida depende de la transparencia de la firma y luego de la distancia de la encuesta al consenso de las encuestas recientes. Una encuesta ya alineada con el consenso apenas se corrige; una que se aleja de él se corrige por completo. La corrección solo se aplica a las firmas cuyo sesgo se ha medido de forma fiable. Cuando los paneles web se alejan de las encuestas telefónicas, su peso baja en proporción.

Firmas sin historial. Una firma nunca medida en una elección recibe un peso inicial prudente, ajustado según su modo de recolección, sin corrección de sesgo hasta medirlo. Para las firmas cuyo sesgo se conoce pero aún se estima mal, se añade a las extracciones del modelo un ruido adicional proporcional a ese sesgo no corregido: la incertidumbre se amplía sin mover el promedio.

Dónde actúan los pesos. En tres lugares: combinan las encuestas de un mismo día en la serie que recibe el modelo bayesiano; forman, con toda su fuerza, las estimaciones regionales que anclan el movimiento de cada región en la traducción a escaños; y su masa reciente decide el régimen del modelo (rico, moderado o escaso). Las correcciones de sesgo, por su parte, modifican directamente las cifras de la encuesta antes de cualquier cálculo.

Una encuesta en la que un partido se aleja claramente de la mediana — más allá de un umbral estadístico fijo — se señala mediante dos pruebas: contra todas las encuestas del período y contra las de las semanas que la rodean, para detectar una ruptura que ninguna otra encuesta confirma todavía. Su peso se reduce entonces fuertemente, algo menos para las firmas establecidas de método híbrido. Las encuestas telefónicas y de respuesta de voz sirven de anclas y no se penalizan: cuando la mediana está dominada por paneles web, a menudo son ellas las que aciertan.

Ninguna encuesta se retira. Si las siguientes confirman el movimiento, la mediana se desplaza y la penalización desaparece sola. Las raras excepciones — una ruptura que la actualidad explica — se documentan una por una.

Una encuesta encargada por un partido o un grupo partidista recibe un doble tratamiento. Primero se corrige la ventaja medida del cliente — medida con nuestros propios datos, comparando las encuestas patrocinadas con las demás en las mismas carreras. Luego se reduce fuertemente su peso. En Quebec, las encuestas de distrito encargadas por un partido reciben el mismo doble tratamiento. Una firma cuyo cliente se sabe partidista también ve reducido su peso.

Cuando una encuesta publica desgloses regionales (Montreal, región de Quebec, resto de Quebec; Ontario, las Praderas, Columbia Británica…), estos anclan el movimiento de cada región, en lugar de suponer que todas se mueven como el promedio. Las subregiones publicadas (isla de Montreal, periferia) se recombinan con los pesos que publica el propio encuestador.

Cuando una encuesta no publica una de nuestras regiones, el modelo la estima a partir del movimiento provincial, con un peso muy inferior al de una cifra regional real. Es una aproximación: para un partido que se desploma, puede bajar demasiado donde era débil. Por eso registramos el desglose completo en cuanto el informe del encuestador lo publica.

Una encuesta de distrito es una observación del distrito mismo: entra en la base de ese distrito antes de la simulación, para que su información atraviese las extracciones nacionales, las correlaciones entre partidos y las reacciones locales — en lugar de promediarse después sobre el resultado.

El núcleo del modelo es una serie temporal estructural bayesiana (BSTS), ajustada para cada partido sobre una serie diaria — las encuestas de un mismo día se combinan según su peso, tras corregir sus sesgos. La intención de voto es un estado oculto: un nivel y una pendiente que evolucionan día a día, observados imperfectamente a través de las encuestas; en el régimen rico se añade un ciclo semanal. El modelo elige su régimen según la riqueza de los datos recientes, y cada régimen tiene sus propias distribuciones a priori: cuanto más escasos los datos, más restringida la tendencia, y más se apoya el punto de partida en el resultado de la elección anterior, por completo cuando las encuestas escasean.

La estimación se hace por MCMC (Markov chain Monte Carlo, cadena de Markov): el algoritmo explora el conjunto de trayectorias compatibles con los datos y conserva 10.000 extracciones a posteriori por partido. Como los partidos se estiman por separado, sus extracciones se emparejan luego y se llevan al 100 % extracción por extracción; justo antes se añade un ruido proporcional al sesgo de firma aún mal medido. El resultado no es una cifra, es una distribución completa para cada partido — «los liberales están probablemente entre 41 % y 46 %».

No confundir: el MCMC sirve para estimar la intención de voto; la simulación Monte Carlo del paso siguiente sirve para volver a jugar la elección. Misma familia de métodos aleatorios, dos funciones distintas.

Un promedio nacional no produce escaños. Una vez estimadas las intenciones, volvemos a jugar la elección completa 50.000 veces — el estándar de todas nuestras proyecciones: federal, Quebec, Ontario, Columbia Británica, Estados Unidos, Reino Unido y Francia. Cada simulación toma una de las 10.000 extracciones del modelo bayesiano, que conservan juntos los vínculos entre partidos impuestos por el total del 100 %. En Quebec, se añade a cada simulación un choque común a toda la industria de encuestas, a lo largo del eje en que los errores pasados se han correlacionado (CAQ y PQ de un lado, PLQ del otro): cuando los encuestadores se equivocan, a menudo se equivocan juntos. Si faltan las extracciones bayesianas, una matriz de correlaciones históricas entre partidos toma el relevo.

Ese resultado se proyecta luego región por región con elasticidades de swing: cada región y tipo de distrito reacciona de forma distinta al mismo movimiento, calibrado con elecciones pasadas. El motor conoce el perfil de cada distrito: su composición lingüística (francófonos, anglófonos, alófonos, según el censo) y su carácter urbano o rural. En Quebec, cada distrito se trata como una mezcla de sus electorados francófono y no francófono, de modo que los desgloses por idioma de las encuestas se le aplican directamente. Un ruido local por distrito completa el cuadro, porque cada distrito tiene sus sorpresas.

Cómo leer las cifras. El número de escaños mostrado cuenta los distritos donde cada partido es el ganador más probable. El promedio de las simulaciones también se calcula y puede diferir mucho: un partido que a menudo queda segundo por poco gana escaños en muchas simulaciones sin ser favorito en ninguna parte. Los intervalos del 80 % y del 95 % cubren los escenarios centrales y casi todos los escenarios. «Probabilidad de mayoría: 90 %» significa literalmente que el partido obtiene la mayoría en 9 de cada 10 simulaciones.

Para los lectores que quieran entender la estructura del modelo. Notación: i una encuesta, f su firma, p un partido, s una simulación, r un distrito, D_f la puntuación de transparencia metodológica de la firma. La forma funcional del modelo se documenta a continuación; no publicamos algunos coeficientes y umbrales calibrados, y para cada uno describimos su función estadística y el sentido de su efecto.

• Peso de una encuesta: w_i = q_i · d(D_f) · m(MAE_f) · g(n_ef) · a_i · π_i · 2^−edad/h — creciente con la calidad, la transparencia y la precisión pasada, logarítmico en tamaño efectivo, reducido para una encuesta atípica (a_i) o partidista (π_i).
• Vida media: h = h₀ (1 − c · v) + ρ · J, donde J es el número de días antes de la votación y v ∈ [0, 1] la fuerza de la ola en curso.
• Corrección de sesgo: ỹ_i,p = y_i,p − κ(D_f) · φ((y_i,p − c_p) / σ_p) · b_f,p, donde b_f,p es el sesgo medido en elecciones pasadas, c_p y σ_p la media y la dispersión de las encuestas recientes para el partido p (encuesta i incluida), y φ crece de 0 (encuesta en el consenso) a 1.
• BSTS, por partido: observación ỹ_t = μ_t + γ_t + ε_t; nivel μ_t+1 = μ_t + δ_t + η_t; pendiente δ_t+1 = δ_t + ζ_t; γ_t = ciclo semanal (solo en régimen rico). Estimado por MCMC, 10.000 extracciones.
• Incertidumbre residual de los encuestadores y normalización: θ_p^(s) ← θ_p^(s) + 𝒩(0, σ_p²), donde σ_p crece con el sesgo de firma aún mal medido; luego v_p^(s) = 100 · máx(θ_p^(s), 0) / Σ_q máx(θ_q^(s), 0).
• Choque de industria (Quebec): v_p^(s) ← v_p^(s) + λ_p · e^(s), e ~ 𝒩(0, σ_e²), Σ_p λ_p = 0 — un solo choque por simulación, repartido según el eje de los errores pasados. Una cuota que se volviera negativa se lleva a cero.
• Escaños y probabilidades: escaños mostrados = Σ_r 1[p es el ganador más probable de r], es decir, la suma de los ganadores modales de cada distrito — y no la esperanza del número de escaños (1/50.000) Σ_s escaños_p^(s), que también se calcula; P(mayoría_p) = (1/50.000) Σ_s 1[escaños_p^(s) ≥ umbral].
• Error de los backtests: MAE = (1/P) Σ_p |escaños proyectados_p − escaños obtenidos_p|.

Todo lo que produce el modelo es público. Nuestros datos abiertos ofrecen, para cada jurisdicción, las proyecciones, las encuestas utilizadas, el historial de cada cálculo y nuestro balance completo — pronósticos fallidos y errores de los backtests incluidos. Cualquiera puede verificar nuestras cifras, antes y después de la votación.

Lo que no publicamos: los valores exactos de nuestros parámetros de calibración — factores de ponderación, umbrales, intensidades de corrección — y el código del motor. Dos razones. Primero, esos valores son fruto de largas series de mediciones y backtests: son nuestro saber hacer. Segundo, una receta publicada es una receta que se puede manipular: un encuestador o un cliente que conociera nuestros umbrales exactos podría ajustar sus cifras para pesar más en el modelo. Publicamos, pues, la estructura del modelo, el sentido de cada una de nuestras decisiones y todos sus resultados, buenos o malos — lo suficiente para comprenderlo y juzgarlo, sin poder reproducirlo de forma idéntica.

Las parciales cumplen dos funciones. En una proyección general, cada parcial celebrada desde la última elección sirve de ancla local para su distrito, con un peso que crece con la participación y decrece con el tiempo.

Para proyectar una parcial, el motor parte del último resultado del distrito y le aplica el movimiento medido desde entonces. Una encuesta local, cuando existe, se ancla en esa base antes de la simulación. Sin encuesta local, se retira el voto personal del diputado saliente. No se impone ninguna penalización automática al partido en el gobierno mientras no se mida en parciales pasadas. La incertidumbre combina el error propio del motor y una deriva que crece con el tiempo que queda hasta la votación.

Se añade una regla de disciplina: sin encuesta local, no publicamos una proyección puntual, solo un rango. Nuestro único pronóstico fallido hasta la fecha, una segunda vuelta estadounidense sin ninguna encuesta, muestra por qué.

Después de cada elección, los perfiles de las firmas se actualizan: sesgos medidos, error absoluto medio, confianza. Estos perfiles alimentan directamente la ponderación y las correcciones del ciclo siguiente.

El modelo también se vuelve a jugar sobre elecciones pasadas, con el motor actual y solo las encuestas disponibles la víspera de la votación (backtests): ningún dato posterior entra en el cálculo. La medida es el error absoluto medio (MAE): la diferencia media, por partido, entre los escaños proyectados y los obtenidos. Resultados al 28 de septiembre de 2026:

• Federal 2021: 1,8 escaños de error medio sobre 338
• Federal 2025: 7,0 escaños sobre 343 — simulación de la general de abril de 2025: ganador correcto, pero una mayoría liberal proyectada que la elección no dio
• Federal 2019: 9,7 escaños sobre 338
• Quebec 2022: 1,8 escaños sobre 125 (voto: 1,6 puntos)
• Quebec 2018: 6,5 escaños sobre 125 (voto: 3,4 puntos)
• Ontario 2022: 2,8 escaños sobre 124 (voto: 1,4 puntos)
• Reino Unido 2024: 16,8 escaños sobre 650, 79,4 % de los distritos bien asignados (voto: 1,5 puntos)

Una advertencia sobre Quebec 2018: fue nuestro peor error, y esa elección sirvió para diagnosticar el motor de Quebec. La nueva simulación sigue sin datos posteriores, pero no es una prueba a ciegas como las demás. Y un límite que revelan estas simulaciones: nuestros rangos de escaños son demasiado estrechos — el resultado real sale del intervalo del 80 % más a menudo que una vez de cada cinco. El detalle partido por partido está en nuestra página Track Record, junto con nuestros pronósticos en directo.

Dos referencias sirvieron de base, aunque también buscamos en otras partes.

De Nate Silver (FiveThirtyEight, luego Silver Bulletin): ingerir todas las encuestas y después ponderar; calificar a las firmas según su precisión pasada; corregir los sesgos de casa; ponderar por tamaño y recencia; descontar las olas repetidas de una misma firma; volver a jugar la elección con simulaciones correlacionadas y publicar probabilidades en lugar de una cifra.

De The Economist (modelo presidencial estadounidense de 2020, modelo de la presidencial francesa de 2022): un modelo bayesiano dinámico, estimado por MCMC, donde la intención de voto es un estado oculto suavizado en el tiempo; la separación entre error de encuesta, error común a toda la industria y error local; el uso de errores históricos y escenarios correlacionados.

Lo que difiere. Nuestras elecciones se disputan entre cuatro, cinco o seis partidos en distritos uninominales, no en duelo: estimamos un BSTS por partido, normalizado en conjunto, en lugar de un modelo de dos bandos. En Canadá y Quebec no usamos «fundamentos» económicos: cada distrito parte de su resultado anterior y recibe el movimiento medido por las encuestas (los gobernadores estadounidenses, en cambio, combinan fundamentos y encuestas). Los desgloses regionales y lingüísticos sirven de anclas, las encuestas de distrito entran antes de la simulación, los paneles web se contrastan con las encuestas telefónicas, y nuestras simulaciones del pasado se rehacen con el motor actual y se publican, buenas o malas.

Cada noche, el motor recalcula todas las proyecciones y exporta archivos de datos públicos — los mismos que alimentan estas páginas. La fecha del último cálculo aparece en cada proyección, con el número de encuestas y simulaciones utilizadas. A medida que se acerca el día de la votación, las encuestas recientes pesan más y los rangos se estrechan naturalmente.

Todo modelo supone que el pasado ilumina el futuro: que los votantes reaccionarán como han reaccionado y que los encuestadores se equivocarán como se han equivocado. En política, nada lo garantiza. Algún día, los votantes harán algo que todos nuestros precedentes consideraban casi imposible, y nuestra proyección se habrá equivocado.

Una probabilidad no promete un resultado; promete una frecuencia. Un favorito al 80 % debe perder aproximadamente una vez de cada cinco — ni mucho más a menudo, ni mucho menos. Esa es la vara con la que hay que juzgarnos, y por eso medimos la calibración de nuestras probabilidades, no solo nuestros aciertos y errores. Nuestras propias simulaciones del pasado muestran hoy que nuestros rangos siguen siendo demasiado estrechos: lo decimos y trabajamos para corregirlo. Cuando nuestras cifras se alejan de los resultados, lo publicamos, buscamos por qué y lo hacemos mejor la próxima vez.