🥇 Recetario 2026

Vuelve el concurso de pronósticos transparentes con premios más atractivos.

Autor/a

Afiliación

Recetas Electorales

Análisis independiente

“How can we find more beauty in process, not outcomes?”
C. Thi Nguyen

AdvertenciaConcurso cancelado

Esta edición del Recetario se cancela por falta de participantes. Se recibieron únicamente tres recetas para la primera vuelta; no se recibió ninguna para la segunda vuelta. Se evalúan los resultados de la primera vuelta a continuación, pero no se otorgan los premios anunciados.

Recetas recibidas

Antes del cierre del 24 de mayo de 2026 se inscribieron tres recetas. Las tres usan metodologías estadísticas distintas y las tres declaran uso de herramientas de IA en el desarrollo del código:

Cocinero	Receta	Repositorio	Metodología	Uso de IA
Equipo Alfil	Sancocho 2026	alfildata/sancocho-2026	Bayesiano jerárquico: encuestas + senado + avales	Claude, Gemini, Perplexity
Joel Frayle Moreno	Lechona de Hipopótamo	JoelFrayle/Lechona-de-Hipopotamo	Filtro de Kalman bayesiano + Google Trends (CmdStan)	Claude Sonnet 4.6
PoliData	Elecciones 2026	PoliticaConDato/Elecciones-2026	Ensamble: 75% encuestas + 10% Trends + 15% mercados	Claude

Pronósticos de los participantes

Los tres participantes enviaron su pronóstico antes del cierre del 24 de mayo. Los intervalos se muestran entre corchetes debajo de cada estimación puntual.

Pronósticos — % votos válidos primera vuelta 31 de mayo 2026

Candidato	Sancocho 20261	PoliData2	Lechona3
Iván Cepeda	40.9% [30–53%]	41.6% [37.3–45.1%]	37.7%
Abelardo de la Espriella	26.8%	25.5% [22.3–29.2%]	31.3%
Paloma Valencia	17.5%	22.1% [18.7–25.6%]	16.1%
Sergio Fajardo	2.6%	2.9% [2.2–3.9%]	2.6%
Claudia López	2.1%	2.5% [1.7–3.7%]	3.0%

¹ Equipo Alfil: bayesiano jerárquico (encuestas + senado + avales). IC 80%; solo disponible para Cepeda.
² Ensamble 75% encuestas + 10% Google Trends + 15% mercados. IC 90% Monte Carlo. Pronóstico: 9 de mayo.
³ Joel Frayle Moreno: Kalman bayesiano + Google Trends. Sin intervalo reportado.

Líneas de base

Para evaluar los participantes, el concurso usa dos referencias: el promedio simple de encuestas y la última estimación de los modelos de Recetas Electorales. Los valores son % de votos válidos entre los 5 candidatos principales (NS/NR excluido y renormalizado). Los intervalos son al 80% de credibilidad.

Líneas de base — % intención de voto

Candidato	Prom. encuestas (5 enc., última semana)1	Ajiaco2 (pooled)2	Cazuela (última enc.)3	Gaussiano (1 jun, GP)4
Iván Cepeda	NaN%	38.0% [36.4–39.5%]	37.2% [34.8–39.7%]	38.4% [34.4–42.6%]
Abelardo de la Espriella	NaN%	23.7% [22.4–25.1%]	20.7% [18.6–22.7%]	25.3% [20.7–30.1%]
Paloma Valencia	NaN%	19.7% [18.5–21.0%]	15.3% [13.6–17.0%]	18.9% [14.7–23.4%]
Sergio Fajardo	NaN%	3.7% [3.1–4.2%]	2.3% [1.7–2.9%]	2.9% [2.0–3.9%]
Claudia López	NaN%	2.7% [2.2–3.1%]	2.5% [1.8–3.2%]	2.2% [1.5–2.8%]

¹ Media simple de 5 encuestas (07 Jun–14 Jun 2026). Renormalizada al excluir NS/NR.
² Dirichlet-multinomial sin tendencia temporal; pooling desde el 12 de marzo. IC 80%.
³ Tendencias temporales + efectos de casa; última fecha observada. IC 80%.
⁴ GP multivariado con prior LKJ; proyección al 1 de junio. IC 80%.

La gráfica siguiente compara todas las estimaciones en un solo panel. La línea punteada separa los concursantes (arriba) de las líneas de base (abajo); los segmentos muestran los intervalos de credibilidad donde están disponibles.

---

🏆 Podio electoral

Primera vuelta

La gran sorpresa de 2026 fue Abelardo de la Espriella (43.72%), que superó a Cepeda (40.92%) y quedó más de 15 puntos por encima del promedio de encuestas (≈27%). Paloma Valencia fue la candidata más sobreestimada: las encuestas le daban entre 16% y 22%, y obtuvo 6.92%.

Resultados oficiales — primera vuelta 31 de mayo de 2026

Candidato	% Votos válidos
Abelardo de la Espriella	43.72%
Iván Cepeda	40.92%
Paloma Valencia	6.92%
Sergio Fajardo	4.26%
Claudia López	0.95%

Ranking — primera vuelta 31 de mayo de 2026

#	Tipo	Fuente	ECM	MAE
1	Concursante	Lechona	51.17	5.71
2	Concursante	Sancocho 2026	80.46	6.07
3	Recetas Electorales	Gaussiano	98.48	7.09
4	Concursante	PoliData	113.42	7.40
5	Recetas Electorales	Ajiaco2	114.95	7.61
6	Recetas Electorales	Cazuela	124.33	7.72

ECM: error cuadrático medio (p.p.²), menor es mejor.  MAE: error absoluto medio (p.p.), menor es mejor.  Fondo amarillo: recetas del concurso. Fondo azul: modelos de Recetas Electorales.

---

Segunda edición: Premios más grandes y nuevas reglas

En 2022, el concurso de Recetas Electorales reunió pronósticos de medios, politólogos y analistas. La Silla Vacía ganó la primera vuelta y @PoliticaConDato la segunda —ambos con recetas transparentes y reproducibles. Todos fallamos en el pronóstico, pero fue un ejercicio divertido y constructivo.

Desde ese entonces, La Silla Vacía pasó de un semáforo a un ponderador mucho mejor cocinado.

Para 2026, el concurso vuelve con tres grandes cambios:

• 🏆 Premio al mejor pronóstico: $1.000.000 COP para el mejor pronóstico de la primera vuelta.
• 🏆 Premio a la transparencia: $200.000 COP para la receta más transparente y reproducible.
• 🤖 Declaración de uso de IA obligatoria: los LLMs cambian qué significa “modelo propio”. Si se usan, hay que decirlo explícitamente.
• ⏱️ Tiempos más estrictos: Cierre con hora exacta, acuse de recibo requerido, sin enmiendas.

Lo que no cambia: No se aceptan salsas secretas. Cada receta debe ser abierta, reproducible y evaluable.

Las mejores recetas se llevan un premio no por el resultado sino por el proceso.

TipPremios:

🥇 Mejor pronóstico 1^era vuelta: $1.000.000 COP.

🔬 Receta más transparente y reproducible: $200.000 COP

---

¿Qué tengo que hacer para participar?

Para participar hay que enviar una receta a recetas.electorales@gmail.com con los cuatro componentes descritos abajo. Solo se acepta un pronóstico por cada participante.

ImportanteFechas límite — sin excepciones

• 1^era vuelta: antes del 24 de mayo de 2026 a las 23:59 hora Colombia (UTC-5)

La receta solo cuenta cuando el cocinero recibe un correo de confirmación de recetas.electorales@gmail.com. Sin confirmación, no hay participación.

Recetas recibidas después de cada cierre son descalificadas del concurso. Pueden publicarse como referencia, pero no se puntúan ni compiten por el premio. No se aceptan enmiendas tras el cierre: la receta enviada es la que se evalúa.

Como las recetas electorales, cada plato debe tener cuatro componentes mínimos:

1. 👨‍🍳 Cocinero y nombre de la receta

Identidad de quien preparó el plato — puede ser personal o institucional — un nombre para la receta, y autorización expresa para publicar en Recetas Electorales los ingredientes, la cocina y el plato.

Se debe incluir nombre o seudónimo del cocinero.

2. 🍚 Ingredientes — Datos

Todos los datos que usa el modelo deben estar referenciados y ser públicamente disponibles antes del cierre del concurso. Lo mejor es que el modelo tenga un repositorio público en GitHub con todos los datos que utiliza. No hay restricciones sobre los datos que se utilicen, siempre y cuando sean verificables y estén disponibles al momento del envío.

3. 🍳 Cocina — Cálculos y Modelos

Cualquier cálculo o modelo estadístico debe incluir el código para estimarlo, evaluarlo y calcular los pronósticos que resulten. El código debe estar en un repositorio público (GitHub, GitLab, etc.) antes del cierre, con el commit correspondiente al pronóstico enviado como prueba de entrega previa a la elección.

Todas las técnicas son bienvenidas — desde promedios simples hasta modelos jerárquicos bayesianos — siempre y cuando sean reproducibles. El código puede estar en múltiples lenguajes de programación (R, Python, Julia, Stan, etc.).

Las recetas que incluyan datos y código reproducible serán publicadas en el repositorio de GitHub de Recetas Electorales con crédito al cocinero, para que queden disponibles como referencia abierta.

AdvertenciaDeclaración de uso de inteligencia artificial

El uso de herramientas de IA (ChatGPT, Claude, Gemini, Copilot, etc.) está permitido y bienvenido, pero debe declararse explícitamente. Cada receta debe indicar:

1. Qué herramienta(s) de IA se usaron: Nombre y versión si está disponible
2. En qué rol: asistencia en código, análisis de datos, interpretación de resultados, o como motor principal del pronóstico
3. Si el pronóstico fue generado directamente por un LLM (por ejemplo, preguntándole a un modelo su estimación), esto debe declararse como la metodología principal

Sin esta declaración, la receta puede ser descalificada.

4. 🍲 Plato — Resultados

Cada modelo debe resultar en un pronóstico numérico de la proporción de votos válidos que cada candidato obtendrá. Se deben incluir todos los candidatos requeridos — aquellos con promedio de intención de voto ≥1% en el repositorio de encuestas al cierre, más el voto en blanco. La lista oficial se publicará con el correo de confirmación.

Los intervalos de incertidumbre son opcionales pero bienvenidos. No afectan el puntaje final.

La proporción de votos válidos se calcula así:

\[ \text{Proporción}_i = \frac{\text{Votos}_i}{\text{Votos totales} - \text{Votos nulos}} \]

---

El ganador

La receta ganadora se determina por el error cuadrático medio (ECM) calculado sobre los candidatos requeridos. A diferencia del error absoluto medio (MAE), el ECM penaliza los errores grandes de forma cuadrática: Equivocarse en 4 puntos es 16 veces peor que equivocarse en 1. Esto evita el problema de 2022, donde errores menores acumulados en candidatos irrelevantes podían superar un gran error en el candidato principal.

Gana quien tenga el menor puntaje.

Candidatos requeridos

Solo se evalúan los candidatos en la lista oficial publicada al cierre —aquellos con promedio de intención de voto ≥1% en el repositorio de encuestas. El voto en blanco es opcional y no afecta el resultado. Los candidatos fuera de esa lista no afectan el puntaje.

Para la primera vuelta los candidatos a evaluar son:

• Iván Cepeda
• Abelardo de la Espriella
• Paloma Valencia
• Sergio Fajardo
• Claudia López

Cálculo del Error Cuadrático Medio (ECM)

Para \(N\) candidatos requeridos, con pronóstico puntual \(\hat{y}_i\) y resultado observado \(y_i\) (en puntos porcentuales de votos válidos):

\[ \text{Puntaje} = \frac{1}{N}\sum_{i=1}^{N}(y_i - \hat{y}_i)^2 \]

Penalización por pronóstico incompleto

Si una receta omite el pronóstico para algún candidato requerido, ese candidato recibe una penalización igual al doble del peor error cuadrático individual observado entre todos los participantes para ese candidato. Omitir candidatos nunca puede mejorar el puntaje.

Línea de base (benchmark)

Se publicará el ECM del promedio simple de encuestas disponibles al cierre y la última estimación del Ajiaco2 —serán líneas de base contra la que se comparan todas las recetas.

Regla de desempate

En caso de empate en el puntaje, el premio se reparte en iguales partes entre los ganadores.

Evaluación secundaria (publicada, no puntúa)

Después de la primera vuelta, se publicará para cada receta:

• Error absoluto medio (MAE): Para comparar con la edición de 2022
• Sesgo promedio: Dirección y magnitud del error sistemático por candidato
• Cobertura empírica: Para recetas que incluyan intervalos, proporción de candidatos cuyo resultado cayó dentro del intervalo declarado

---

Ejemplo: Un promedio simple de las encuestas disponibles

Ingredientes — Datos

Esta receta usa el repositorio de datos de Recetas Electorales, así que este paso es solo una línea.

library(tidyverse)
library(here)

# Datos de encuestas 2026
ejemplo_datos <- readr::read_csv(
  here("elecciones","2026-colombia","2026-01-26-entrada","encuestas_2026.csv")
) |>
  dplyr::mutate(fecha = lubridate::mdy(fecha))

1

Cargamos tidyverse y here (para construir rutas robustas al proyecto).

2

Leemos la base de encuestas de 2026 y convertimos la fecha a tipo fecha.

Cocina y Plato

library(tidyverse)
library(kableExtra)
library(scales)

candidatos_2026 <- tibble::tribble(
  ~candidato,          ~nombre,
  "cand_ic",           "Iván Cepeda",
  "cand_adle",         "Abelardo de la Espriella",
  "cand_sf",           "Sergio Fajardo",
  "cand_pv",           "Paloma Valencia",
  "cand_cl",           "Claudia López"
)

ejemplo_datos |>
  dplyr::select(fecha, tidyselect::starts_with("cand_")) |>
  tidyr::pivot_longer(
    cols = c(tidyselect::starts_with("cand_")),
    names_to = "candidato", values_to = "int_voto"
  ) |>
  dplyr::filter(
    candidato %in% c("cand_ic","cand_adle","cand_pv","cand_cl","cand_sf"),
    fecha >= lubridate::ymd("2026-03-13")
    ) |>
  dplyr::left_join(candidatos_2026, by = "candidato") |>
  dplyr::group_by(nombre) |>
  dplyr::summarise(pronostico = 100*mean(int_voto, na.rm = TRUE), .groups = "drop") |>
  dplyr::arrange(dplyr::desc(pronostico)) |>
  dplyr::mutate(
    pronostico = scales::label_percent(accuracy = 0.1, scale = 1)(pronostico),
    intervalo = "ND"
  ) |>
  knitr::kable("html",
    caption = "Pronóstico: % votos por candidato (promedio simple de encuestas)",
    col.names = c("Candidato", "Pronóstico", "Intervalo")
  ) |>
  kableExtra::kable_styling(full_width = FALSE) |>
  kableExtra::row_spec(0, bold = TRUE, background = "#FF4900", color = "white") |>
  kableExtra::footnote(
    number = c(
      "Cocinero: Recetas Electorales",
      "Fecha pronóstico: 2026-05-02",
      "Herramienta IA usada: Ninguna",
      "Social: @recetaelectoral"
    )
  )

1

Cargamos tidyverse, kableExtra y scales (formato de tabla y porcentajes).

2

Definimos la correspondencia entre código de candidato y nombre.

3

Tomamos las encuestas, las pasamos a formato largo (una fila por encuesta-candidato).

4

Filtramos los cinco candidatos principales desde el 13 de marzo (post-consultas).

5

Promediamos la intención de voto por candidato: el pronóstico simple del concurso.

6

Formateamos el resultado como tabla HTML con estilo de marca y notas al pie.

Pronóstico: % votos por candidato (promedio simple de encuestas)

Candidato	Pronóstico	Intervalo
Iván Cepeda	39.2%	ND
Abelardo de la Espriella	30.2%	ND
Paloma Valencia	19.8%	ND
Sergio Fajardo	3.3%	ND
Claudia López	2.2%	ND
1 Cocinero: Recetas Electorales
2 Fecha pronóstico: 2026-05-02
3 Herramienta IA usada: Ninguna
4 Social: @recetaelectoral