Boletín de Resultados · IA Datos Electorales

Resultados de la Primera Vuelta 2026

Análisis de desempeño de los modelos predictivos frente a los resultados oficiales de la primera vuelta presidencial. Versión resumen para divulgación académica y técnica.

Fecha de publicación

31 de mayo de 2026

IADATA

Modelo 1

Error Absoluto Medio (MAE)

7.96

IADATA

Modelo 2

Error Absoluto Medio (MAE)

6.46

MEJOR

IADATA

Modelo 3

Error Absoluto Medio (MAE)

5.56

Objetivos del boletín

1Comparar visualmente la capacidad predictiva de cada modelo para cada candidato.
2Mostrar si cada candidato fue subestimado o sobreestimado.
3Evidenciar la concentración del voto.
4Identificar cuáles candidaturas fueron mejor estimadas por los modelos.
5Mostrar dónde acertaron y dónde fallaron los modelos.

Resultados principales

Los tres modelos evaluados identificaron correctamente a los candidatos que avanzarían a segunda vuelta.
Se observó una subestimación de la concentración electoral en los dos principales competidores.
Sobreestimación de las candidaturas intermedias.
El Modelo 3 presentó el comportamiento más cercano a la estructura observada en los resultados oficiales.

Tabla 1 · Comparación de los modelos vs resultado electoral

Porcentaje proyectado por cada modelo y resultado oficial de primera vuelta.

Candidato	Modelo 1 (%)	Modelo 2 (%)	Modelo 3 (%)	Real 1° vuelta (%)
Abelardo de la Espriella	22.10	24.80	29.00	43.74
Iván Cepeda	36.30	38.90	37.80	40.90
Paloma Valencia	19.50	13.50	12.50	6.92
Sergio Fajardo	7.50	7.60	7.60	4.26
Claudia López	6.60	6.60	5.30	0.95
Carlos Caicedo	4.10	4.50	4.00	0.05
Roy Barreras	4.00	4.30	3.90	0.05

Gráfico 1 · Modelos vs Resultado Real

Comparación visual del porcentaje proyectado por cada modelo frente al resultado oficial.

Tabla 2 · Evaluación del Modelo 3 frente al resultado electoral

Buena: Error < 5

Media: Error 5–10

Baja: Error > 10

Candidato	Modelo 3 (%)	Real (%)	Dif. Absoluta	Evaluación
Abelardo de la Espriella	29.00	43.74	14.74	Baja
Iván Cepeda	37.80	40.90	3.10	Buena
Paloma Valencia	12.50	6.92	5.58	Media
Sergio Fajardo	7.60	4.26	3.34	Buena
Claudia López	5.30	0.95	4.35	Buena

Tabla 3 · Evaluación e interpretación electoral por candidato

Candidato	Real (%)	Comportamiento de los modelos	Interpretación electoral
Abelardo de la Espriella	43.74	Segundo en los tres modelos; severamente subestimado.	Consolidación electoral superior a la prevista y crecimiento final de campaña que coronó la primera vuelta.
Iván Cepeda	40.90	Líder en los tres modelos; subestimado moderadamente.	Los modelos acertaron su fuerza, pero la movilización electoral superó ligeramente las señales capturadas.
Paloma Valencia	6.92	Sobreestimada por todos los modelos.	Apoyo potencial que no se tradujo en votos efectivos.
Sergio Fajardo	4.26	Sobreestimación moderada.	Pérdida de competitividad y transferencia hacia candidatos principales.
Claudia López	0.95	Sobreestimación considerable.	Alta notoriedad pública sin conversión equivalente en votos.
Carlos Caicedo	0.05	Participación estimada superior a la observada.	Visibilidad sin capacidad de movilización nacional.
Roy Barreras	0.05	Comportamiento similar al de Caicedo.	Presencia política no reflejada en apoyo electoral efectivo.

Tabla 4 · Comparación metodológica de los modelos

Modelo 1 IADATA

Características

Mayor distribución del voto entre candidaturas alternativas.

Fortalezas

Detecta diversidad de apoyos.

Oportunidades de mejora

Sobreestima candidaturas emergentes.

Modelo 2 IADATA

Características

Mayor concentración del voto.

Fortalezas

Representa mejor escenarios polarizados.

Oportunidades de mejora

Subestima el crecimiento final de los líderes.

Modelo 3 IADATA

Características

Más cercano al patrón observado.

Fortalezas

Captura mejor la consolidación de bloques.

Oportunidades de mejora

Incorporar variables de voto útil y polarización.

Tabla 5 · Principales hallazgos

Identificación correcta de finalistas

Evidencia

Los tres modelos proyectaron a los dos candidatos líderes.

Implicación

Validez de la metodología para detectar estructura competitiva.

Subestimación de la polarización

Evidencia

Los dos líderes concentraron la mayor parte del voto.

Implicación

Modelar concentración electoral explícitamente.

Sobreestimación de terceras fuerzas

Evidencia

Resultados inferiores a los proyectados.

Implicación

Incorporar variables de voto estratégico.

Conversación vs voto

Evidencia

Presencia digital no siempre coincide con apoyo electoral.

Implicación

Ajustar relación entre señales digitales y voto efectivo.

Mejor desempeño del Modelo 3

Evidencia

Mayor cercanía al resultado observado.

Implicación

Base recomendada para segunda vuelta.

Gráfico 2 · Análisis MAE de los modelos

Error Absoluto Medio (MAE): métrica que mide qué tanto se equivoca un modelo predictivo en promedio. Cuanto menor, mejor.

Modelo 1

MAE

7.96

Modelo 2

MAE

6.46

Modelo 3

Mejor desempeño

MAE

5.56

Hallazgos estratégicos

Conclusiones clave para la segunda vuelta presidencial.

Identificación correcta de los finalistas.

Subestimación de la concentración del voto.

Evidencia de voto útil y polarización.

Mejor desempeño relativo del Modelo 3.

Oportunidad de incorporar variables de polarización para segunda vuelta.