• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

El método de Hare-Niemeyer y su implementación en Python

Elecciones

septiembre 29, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 6 minutos

En los sistemas electorales de representación proporcional distribuir los escaños entre los diferentes partidos o listas es una tarea clave. Uno de los algoritmos que se suelen utilizar para ellos es el método Haré-Niemeyer. Este método tiene como objetivo distribuir los escaños de manera proporcional a los votos obtenidos por cada partido, sin utilizar divisores como en los métodos D’Hondt o Sainte-Laguë. En esta entrada se verá en qué consiste este el método de Hare-Niemeyer y como se puede implementar en Python.

Fundamentos del método de Hare-Niemeyer

El método Hare-Niemeyer (también conocido como el método de resto más grande) es un método para asignar asientos bajo un sistema de representación proporcional. Un método que fue propuesto por Thomas Hare y Horst Niemeyer. Siendo un método que beneficia a los partidos más pequeños y disminuye la supremacía de los partidos más grandes.

El método no usa divisores, sino que calcula una cuota mínima para obtener los escaños. Existen diferentes formas para calcular la cuota, pero una de las más populares es la cuota de Hare que se define como la parte entera del número total de votos emitidos divididos por el números de escaño \textrm {Cuota de Hare} = \left \lfloor \frac{\textrm{Votos emitidos}}{\textrm{Esca~nos}} \right \rfloor. El procedimiento para asignar los escaños según el método Hare-Niemeyer es:

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

  1. Votos obtenidos por cada partido: Al igual que en otros métodos, primero se recopilan los resultados electorales y se cuentan los votos obtenidos por cada partido o lista electoral.
  2. Calculo de la cuota: A diferencia de los métodos D’Hondt o Sainte-Laguë se define una cuota mínima de votos. Siendo una de las más populares es la cuota de Hare, aunque también se pueden usar otras.
  3. Asignación de escaños: Los escaños se asignan en rondas al partido que tiene más votos una vez corregidos con los escaños ya asignados en rondas anteriores.
  4. Redistribución de votos y repetició: Después de asignar un escaño se le resta al partido de los votos obtenidos la cuota. Luego se repite el paso 3 hasta que se reparten todos los escaños disponibles.

Implementación del método de Hare-Niemeyer en Python

El método de Hare-Niemeyer también es fácil de implementar el Python. A diferencia de los métodos D’Hondt o Sainte-Laguë donde se recálcala un divisor en cada iteración, en este se debe recalcar los votos usando los escaños obtenidos y la cuota calculada. Una posible implementación se puede ver en el siguiente código.

import math


def hare_niemeyer_method(votes, num_seats):
    """
    Método para aplicar el método Hare-Niemeyer y obtener la asignación de escaños.

    Parámetros
    ----------
        votes : array-like, shape (num_parties, )
            Una lista o array con los votos obtenidos por cada partido.
            
        num_seats : int
            Número total de escaños a asignar.

    Retorna
    -------
        seats : array, shape (num_parties,)
            Una lista con el número de escaños asignados a cada partido.
    """
    num_parties = len(votes)
    
    # Obtención de la quota
    total_votes = sum(votes)
    hare_quote = math.floor(total_votes / num_seats)
    
    # Inicializar la asignación de escaños a cero
    seats = [0] * num_parties

    # Realizar el proceso de asignación de escaños
    for _ in range(num_seats):
        max_index = max(range(num_parties), key=lambda i: votes[i] - seats[i] * hare_quote)
        seats[max_index] += 1
        
    return seats

Esta función recibe dos parámetros, una lista con los votos de los diferentes partidos o listas electorales y el número de escaños a repartir. Lo primero que se hace en la función es calcular el número de partidos. En el segundo paso se obtiene la cuota de Hare como la parte entera del número de votos totales y el número de escaños. Posteriormente se inicia un vector en el que se guardará el número de escaños asignados a cada partido. Finalmente, los escaños se van asignando en un bucle buscando el partido que tiene más votos una vez corregidos los escaños asignados.

Evaluación de los resultados del método de Hare-Niemeyer

Ahora se puede comparar el reparto de escaños usando el método de Hare-Niemeyer y los de D’Hondt o Sainte-Laguë. El código para estos se puede ver en el apéndice o ver en más detalle en las entradas dedicadas al método de D’Hondt y al método de Sainte-Laguë.

Por ejemplo, si se reparten 4 escaños en una circunscripción se pueden comparar los resultados obtenidos con los tres métodos.

votes = [15000, 12000, 8000, 6000, 2000, 1200]

print("D'Hondt:       ", dhondt_method(votes, 4))
print("Sainte-Laguë:  ", sainte_lague_method(votes, 4))
print("Hare-Niemeyer: ", hare_niemeyer_method(votes, 4))
D'Hondt:        [2, 1, 1, 0, 0, 0]
Sainte-Laguë:   [1, 1, 1, 1, 0, 0]
Hare-Niemeyer:  [1, 1, 1, 1, 0, 0]

En este caso se puede ver como los métodos de Sainte-Laguë y Hare-Niemeyer producen el mismo resultado. Siendo el método D’Hondt más beneficioso para el partido más votado. Si con los mismos votos se repartiesen diez escaños en lugar de cuatro el resultado sería el que se muestra a continuación.

print("D'Hondt:       ", dhondt_method(votes, 10))
print("Sainte-Laguë:  ", sainte_lague_method(votes, 10))
print("Hare-Niemeyer: ", hare_niemeyer_method(votes, 10))
D'Hondt:        [4, 3, 2, 1, 0, 0]
Sainte-Laguë:   [4, 3, 2, 1, 0, 0]
Hare-Niemeyer:  [3, 3, 2, 1, 1, 0]

En este caso son los métodos de D’Hondt y Sainte-Laguë los que ofrecen el mismo resultado. El método de Hare-Niemeyer reparte más escaños entre los diferentes partidos. Finalmente se puede ver como funcionan las cosas si se reparten 35 escaños.

print("D'Hondt:       ", dhondt_method(votes, 35))
print("Sainte-Laguë:  ", sainte_lague_method(votes, 35))
print("Hare-Niemeyer: ", hare_niemeyer_method(votes, 35))
D'Hondt:        [12, 10, 6, 5, 1, 1]
Sainte-Laguë:   [12, 9, 6, 5, 2, 1]
Hare-Niemeyer:  [12, 9, 6, 5, 2, 1]

Volviendo a coincidir los resultados de los métodos de Sainte-Laguë y Hare-Niemeyer. Dando más escaños a los partidos minoritarios, mientras que el método D’Hondt beneficia a los partidos más votados.

Como se puede ver en estos ejemplos, usar un método u otro puede hacer que algunos escaños cambian de partido, pero en general los resultados son similares. Mientras el método D’Hondt suele primar a los partidos mayoritarios, el de Hare-Niemeyer lo hace con los minoritarios.

Conclusiones

El método de Hare-Niemeyer es otra alternativa para repartir los escaños en los sistemas electorales de representación proporcional. A diferencia de los métodos D’Hondt o Sainte-Laguë no usa unos divisores, sino que una cuota para asignar los escaños. Lo que provoca que no prime tanto a los partidos mayoritarios como los otros dos métodos.

Apéndice

En entradas anteriores se publicó una implementación del método D’Hondt y otra del método Sainte-Laguë. A continuación, se muestran ambas para que el lector pueda ejecutar sus pruebas.

def dhondt_method(votes, num_seats):
    """
    Método para aplicar el método D'Hondt y obtener la asignación de escaños.

    Parámetros
    ----------
        votes : array-like, shape (num_parties, )
            Una lista o array con los votos obtenidos por cada partido.
            
        num_seats : int
            Número total de escaños a asignar.

    Retorna
    -------
        seats : array, shape (num_parties,)
            Una lista con el número de escaños asignados a cada partido.
    """
    num_parties = len(votes)

    # Inicializar la asignación de escaños a cero
    seats = [0] * num_parties

    # Realizar el proceso de asignación de escaños
    for _ in range(num_seats):
        max_index = max(range(num_parties), key=lambda i: votes[i] / (seats[i] + 1))
        seats[max_index] += 1

    return seats


def sainte_lague_method(votes, num_seats):
    """
    Método para aplicar el método Sainte-Laguë y obtener la asignación de escaños.
    
    Parámetros
    ----------
        votes : array-like, shape (num_parties, )
            Una lista o array con los votos obtenidos por cada partido.
            
        num_seats : int
            Número total de escaños a asignar.

    Retorna
    -------
        seats : array, shape (num_parties,)
            Una lista con el número de escaños asignados a cada partido.
    """
    num_parties = len(votes)

    # Inicializar la asignación de escaños a cero
    seats = [0] * num_parties

    # Realizar el proceso de asignación de escaños
    for _ in range(num_seats):
        max_index = max(range(num_parties), key=lambda i: votes[i] / (2 * seats[i] + 1))
        seats[max_index] += 1

    return seats

Imágenes: Unsplash (Arnaud Jaegers)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Qué significa realmente “calidad de datos”
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos
  • Curiosidad: El puerto 80 y los números de puerto

Publicidad

Publicado en: Ciencia de datos Etiquetado como: Elecciones

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Shallow copy vs Deep copy en Python: la mutación inesperada

noviembre 10, 2026 Por Daniel Rodríguez

Cómo Saber si una Diferencia Significativa es Importante

noviembre 5, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Qué es el margen de error en una encuesta y por qué es importante? publicado el mayo 30, 2025 | en Ciencia de datos, Opinión
  • Compra on-line Tasa de retención de clientes para CLV publicado el junio 6, 2018 | en Ciencia de datos
  • Convertir un Notebook en un archivo de Python publicado el marzo 2, 2022 | en Herramientas, Python
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso publicado el junio 9, 2026 | en Python
  • Conectar puntos en gráficas de dispersión en Matplotlib publicado el julio 28, 2022 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto