• 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
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • 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

Tiempo de elección: evaluación de resultados

noviembre 15, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En octubre de este año presentamos en el blog el modelo “Tiempo de elección”, basado en el exitoso “Time for Change” usado en las elecciones presidenciales de los Estados Unidos, con el que pretendíamos estimar el porcentaje de votos del partido en el gobierno en las elecciones generales que tendría lugar un mes después en España. Modelo que se amplió una semana después para estimar el número de escaños y el ganador. A pesar de las claras diferencias que existen entre el sistema electoral estadounidense y el español, nos parecía interesante el ejercicio para comprobar los resultados que se pueden obtener con un modelo sencillo como este. En esta entrada vamos a comparar las predicciones del modelo con los resultados reales.

Comparación de los resultados

En primer lugar, podemos comparar las predicciones del modelo con los resultados reales en las elecciones para el partido en el gobierno. Valores que se pueden ver en la siguiente tabla.

Tiempo de elecciónResultados eleccionesError
Porcentaje de votos34,42%28,00%6,40%
Escaños14112021
GanadorVerdaderoVerdadero

Lo primero que se puede notar es que el error obtenido es bastante alto, un 6,4% en el porcentaje de votos y 21 en el número de escaños. Cuando en el conjunto de entrenamiento el error medio fue de 2,1% y 5 escaños. Se puede recordar que el error máximo que se había observado en los datos de entrenamiento fue en las elecciones de 2008 con unos errores de 4,6% y 10 escaños. Lo que indica que los resultados son malos, con un modelo que posiblemente esté sobreajustado por la falta de datos.

Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane

Aunque se puede indicar que el error obtenido es similar al macrobarómetor de octubre del CIS. En este se estimaba un porcentaje de votos del 32,2% y un número de escaños entre 133 y 150.

¿Por qué no funciona “Tiempo de elección” como “Time for Change”?

Una buena pregunta es ¿por qué los resultados de “Tiempo de elección” no son tan buenos como los de “Time for Change”? Posiblemente la primera causa sea la falta de datos. En el caso de “Tiempo de elección” la evaluación de los políticos solamente se encuentra disponible desde las elecciones de año 2000, lo que nos deja poco más de una década para entrenar el modelo. En el caso del “Time for Change” el modelo se puede entrenar con datos desde 1948, es decir ocho décadas de información.

Otra diferencia puede estar en la diferencia de las series utilizadas. En el modelo “Time for Change” se emplea la aprobación del presidente. Lo que es un buen indicador de lo que se desea predecir. En nuestro caso ante la falta de un valor equivalente, se utilizó el indicador de expectativas políticas. Algo que posiblemente no sea un predictor tan bueno.

Además, se encuentra la diferencia en los sistemas electorales. En España no se elige un presidente, sino que los diputados. Los cuales posteriormente eligen al presidente. Esto ofrece a los electores más opciones, no solamente los candidatos de los partidos mayoritarios.

Otro punto para considerar es el hecho de que las elecciones son una repetición de las realizadas medio año antes. Con un posible cansancio de los electores. Por lo que la situación política no era similar a la que se tenía en los datos de entrenamiento. Donde las elecciones se repiten aproximadamente cada cuatro años.

Publicidad


Posibles mejoras

De cara a un futuro modelo se pueden plantear varias mejoras. En primer lugar, se pueden buscar otras series temporales que puedan ser más significativas para el caso español.

Otra mejora puede se acortar el tiempo entre los datos usados en el modelo y las elecciones. Al usar los datos seis meses antes de las elecciones puede que los valores no sean representativos. Posiblemente bajar el tiempo a tres meses pueda ser más efectivo. En este aspecto se puede tener en cuenta que las elecciones en España no son siempre en el mismo momento del año, como si es en Estados Unidos. Por lo que acercar las series puede se más importante.

Finalmente, se puede plantear la búsqueda de un indicador que mida la polarización en la población de cara a mejorar las predicciones.

Conclusiones

En esta entrada se ha intentado explicar los resultados obtenidos por el modelo “Tiempo de elección” en las elecciones generales que tuvieron lugar en España en noviembre de 2019. Con lo que además se han propuesto mejorar de cara a aplicar el modelo en futuras elecciones.

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

  • Analytics Lane lanza su Conversor de Bases Numéricas: entiende cómo trabajan los ordenadores a nivel de bits
  • Analytics Lane lanza su Visualizador de Series Temporales: entiende tendencia, estacionalidad y ruido de forma visual e interactiva
  • Analytics Lane lanza un nuevo Formateador y Tester de Expresiones Regulares para desarrolladores
  • Analytics Lane lanza un Conversor CSV ↔ JSON para transformar datos en tiempo real
  • Analytics Lane lanza una Calculadora de Rentabilidad con Flujos Irregulares basada en TIR (XIRR)
  • ¡Analytics Lane cumple ocho años!
  • Costes hundidos en ciencia de datos: cuándo mantener un modelo y cuándo migrar
  • Lanzamiento de la versión 1.0 del laboratorio de Analytics Lane con nuevas herramientas de scoring
  • Nueva Calculadora de Estadísticos Descriptivos en el laboratorio de aplicaciones de Analytics Lane

Publicado en: Opinión 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

De la Regresión Logística al Scorecard: La Transformación Matemática

mayo 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring

mayo 18, 2026 Por Daniel Rodríguez

Interés compuesto: la fuerza que multiplica tu dinero (y los errores que la anulan)

mayo 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de correlación en Seaborn: Mapas de calor y gráficos de pares publicado el julio 27, 2023 | en Python
  • Media, mediana y moda: Descubre cómo interpretar las medidas de tendencia central con ejemplos claros y sin complicaciones publicado el mayo 16, 2025 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Números calientes en Bonoloto: mismos resultados que el azar publicado el octubre 9, 2020 | en Opinión
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | 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

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

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