pág. 7643
CONTEO RÁPIDO AUTOMATIZADO:
ELECCIONES EN MÉXICO 2024
AUTOMATED QUICK COUNT:
ELECTIONS IN MEXICO 2024
Jesús Salazar Ibarra
Investigador Independiente, México
Luz Judith Rodríguez Esparza
Universidad Autónoma de Aguascalientes, México
Rafael G. Vargas Pasaye
Investigador Independiente, México
Lorena Yolanda Carrillo Cerrillo
Investigador Independiente, México
pág. 7644
DOI: https://doi.org/10.37811/cl_rcm.v8i3.11960
Conteo Rápido Automatizado: Elecciones en México 2024
Jesús Salazar Ibarra 1
ojala1308@hotmail.com
https://orcid.org/0000-0001-8864-2662
Investigador Independiente
México
Luz Judith Rodríguez Esparza
luz.rodriguez@edu.uaa.mx
https://orcid.org/0000-0003-2241-1102
Universidad Autónoma de Aguascalientes
México
Rafael G. Vargas Pasaye
rafaelvargaspasaye@gmail.com
https://orcid.org/0000-0002-2154-6083
Investigador Independiente
México
Lorena Yolanda Carrillo Cerrillo
lorenacarrillo@live.com
https://orcid.org/0009-0002-5962-6027
Investigador Independiente
México
RESUMEN
En este estudio se presenta una propuesta de Conteo Rápido Automatizado (CRA) utilizando un enfoque
de machine learning para estimar los resultados de la votación tanto para la elección a la presidencia de
México como para las gubernaturas 2024. El CRA aprovecha los datos en tiempo real proporcionados
por el Instituto Nacional Electoral (INE) para determinar, para cada candidato, el modelo de machine
learning que mejor estima el porcentaje obtenido, utilizando a su vez métodos de remuestreo así como
el error cuadrático medio para la selección del mejor modelo y la evaluación de su rendimiento. Se
realizó una calibración del CRA utilizando datos de elecciones anteriores en México. Posteriormente,
se aplicó el CRA a los datos de las elecciones de 2024, obteniendo estimaciones que fueron consistentes
con las presentadas por el Comité Técnico Asesor del INE. Las principales diferencias entre la
metodología de Conteo Rápido presentada por el INE y la propuesta radica en la muestra considerada
y los algoritmos utilizados. Mientras el INE espera a que se cumpla un porcentaje determinado de la
muestra, nuestra metodología toma en cuenta únicamente los datos que se van reportando.
Palabras clave: conteo rápido, elecciones, machine learning, México
1
Autor principal.
Correspondencia: luz.rodriguez@edu.uaa.mx
pág. 7645
Automated Quick Count: Elections in Mexico 2024
ABSTRACT
This work presents an Automated Quick Count (CRA) proposal using a machine learning approach to
estimate voting results for both the Mexican presidential election and the governorships in 2024. The
CRA takes advantage of real-time data provided by the National Electoral Institute (INE) to determine,
for each candidate, the machine learning model that best estimates the percentage obtained, using
resampling methods as well as the Mean Square Error for the selection of the best model and the
evaluation of its performance. A calibration of the CRA was performed using data from past elections
in Mexico. Subsequently, the CRA was applied to the data from the 2024 elections, obtaining estimates
that were consistent with those presented by the Technical Advisory Committee of the INE. The main
differences between the methodology of Quick Count presented by the INE and the proposal lie in the
sample considered and the algorithms used. While the INE waits for a certain percentage of the sample
to be fulfilled, our methodology takes into account only the data that is reported.
Keywords: quick count, elections, machine learning, Mexico
Artículo recibido 22 mayo 2024
Aceptado para publicación: 25 junio 2024
pág. 7646
INTRODUCCIÓN
La importancia de las elecciones en cualquier país es innegable, ya que marcan el curso futuro de la
nación (Hartlyn, McCoy & Mustillo, 2009). En la actualidad, cada país tiene su propio proceso para
llevar a cabo las elecciones. Por ejemplo, en México
2
se inicia con la preparación de la lista nominal,
que es la relación de todos los ciudadanos habilitados para votar. Luego, se seleccionan y acondicionan
las casillas electorales, lugares donde se llevará a cabo el proceso de votación. El día de las elecciones,
los ciudadanos acuden a las casillas asignadas, presentan su identificación oficial y reciben una boleta
para emitir su voto. En la intimidad de la casilla, marcan su preferencia en la boleta de manera secreta
y depositan su voto en una urna. Alrededor de las 6pm se cierran las casillas y se procede al conteo de
votos en presencia de representantes de los partidos políticos. Este conteo se realiza para determinar los
resultados preliminares de la elección en cada casilla, y puede ser supervisado por funcionarios
electorales y representantes partidistas. Los resultados de las casillas se transmiten a los centros de
cómputo del Instituto Nacional Electoral (INE) para su recopilación y procesamiento.
El INE define el Conteo Rápido
3
como sigue:
“El Conteo Rápido es un procedimiento estadístico para estimar las tendencias de los
resultados finales de una elección. Se selecciona una muestra aleatoria de todas las
casillas instaladas el día de la Jornada Electoral, a través de un proceso matemático que
se realiza con diferentes métodos de estimación y es aprobado previamente por la
autoridad electoral.”
Desde 1994, los conteos rápidos se han integrado en las elecciones presidenciales de México
(Woldenberg, 2012). Estos conteos permiten estimar los resultados electorales mediante una muestra
representativa de actas de votación, lo que ofrece resultados preliminares poco después del cierre de las
casillas. Esta metodología se implementó con el propósito de garantizar transparencia y confianza en el
proceso electoral, al proporcionar resultados preliminares rápidos y confiables.
2
https://www.ine.mx/
3
https://www.ine.mx/voto-y-elecciones/conteos-rapidos-ine/
pág. 7647
Desde entonces, los conteos rápidos se han convertido en una práctica habitual en las elecciones
federales y estatales en México.
El INE establece un Comité Técnico Asesor para el Conteo Rápido el cual es responsable de generar
las inferencias del mismo, presentando además intervalos de confianza de al menos el 95%. La rapidez
y precisión de este conteo promueven la confianza entre la población y actúan como salvaguarda contra
el fraude electoral
4
.
Después del cierre de las casillas electorales, generalmente, cada cinco minutos, los miembros del
Comité Técnico reciben actualizaciones sobre los resultados de votos en las casillas. Con el transcurso
del tiempo, se acumula el número de casillas utilizadas para el análisis. Sin embargo, las muestras
diseñadas no se completan durante esa misma noche, por lo que los resultados se presentan utilizando
solo una parte de esas muestras (Anzarut et al., 2019).
En México, además del Conteo Rápido se implementa el Programa de Resultados Electorales
Preliminares (PREP)
5
, un sistema informático diseñado por las autoridades electorales para recopilar,
procesar y publicar de forma preliminar los resultados de la votación. Mediante el uso de tecnología
avanzada, las actas son digitalizadas en una plataforma informática centralizada. Los resultados
preliminares del PREP se van presentando a medida que se reciben las actas de las casillas, brindando
una visión en tiempo real del avance del conteo de votos. Es importante destacar que los resultados del
PREP no tienen validez oficial. Así, el PREP proporciona resultados directamente basados en el conteo
de actas de casillas, mientras que el Conteo Rápido utiliza un enfoque de muestreo para obtener
estimaciones más ágiles. En conjunto, ambos sistemas se complementan para fortalecer la integridad
del proceso electoral.
Anteriormente, se requería una muestra de todos los distritos federales para garantizar la
representatividad y la estabilidad de las estimaciones a medida que más datos llegaban. Con el objetivo
de agilizar los resultados de los conteos rápidos, Anzarut et al. (2019) propusieron utilizar un modelo
jerárquico bayesiano que emplea una regresión para modelar las respuestas de casillas individuales en
función de varios atributos, incluidos los factores conocidos por influir en la hora de llegada de los
4
https://www.ine.mx/voto-y-elecciones/conteos-rapidos-ine/
5
https://www.ine.mx/voto-y-elecciones/prep/
pág. 7648
datos. Cuando falta información de una casilla, ese modelo atrae los parámetros de la casilla hacia otras
con atributos similares, lo que mejora los resultados en caso de sesgo en los datos de la submuestra.
Además, realizan un ajuste basado en el porcentaje de la muestra observada, lo que aumenta el tamaño
de los intervalos de confianza a medida que aumenta el número de casillas faltantes (reflejando la
incertidumbre cuando falta más muestra por llegar). Para modelar el tiempo hasta que se reporta una
casilla, utilizan un modelo de supervivencia
6
.
En la actualidad, la construcción de modelos bayesianos o frecuentistas con suposiciones adecuadas es
crucial para garantizar la precisión y la confiabilidad de las proyecciones electorales. Sin embargo, su
implementación, aunque pública en sitios como https://github.com/tereom/quickcountmx, no resulta ser
muy accesible para aquellos que no tienen experiencia en matemáticas o estadística.
La selección de un tamaño de muestra adecuado es fundamental para obtener estimaciones precisas. Sin
embargo, determinar el tamaño óptimo de la muestra es un desafío en sí mismo, ya que implica
equilibrar la necesidad de representatividad con consideraciones logísticas y de recursos. Por otro lado,
la eficacia del Conteo Rápido depende en gran medida de la recopilación oportuna de datos de la
muestra seleccionada por el Comité Técnico. Sin embargo, existen diversos factores que pueden
obstaculizar esta tarea, como la infraestructura de comunicaciones deficiente, errores humanos en la
transmisión de datos o situaciones de conflicto que afecten el acceso a las casillas. Además, el tiempo
necesario para integrar la muestra total es otro desafío importante. La rapidez con la que se puedan
recopilar y procesar los datos de todas las casillas seleccionadas determina la agilidad y la fiabilidad de
las proyecciones electorales.
Abordar estos problemas de manera efectiva es crucial para desarrollar un nuevo Conteo Rápido basado
en algoritmos de machine learning que sea confiable, eficiente y capaz de proporcionar proyecciones
electorales precisas durante las elecciones en México 2024. Los modelos de machine learning aprenden
de las características sociodemográficas de los distritos, lo que permite que las estimaciones sean más
precisas y estén mejor adaptadas a las particularidades de cada región.
El objetivo principal de esta investigación es presentar una nueva propuesta metodológica para estimar
6
https://datos.nexos.com.mx/conteos-rapidos-2022-el-desafio-de-pronosticar-elecciones-con-muestras/
pág. 7649
los resultados de la votación para la elección del presidente de México así como varias gubernaturas,
utilizando exclusivamente los datos conforme llegan al INE. Para lograr este propósito, se emplearán
algoritmos de machine learning y diversos métodos de remuestreo. A este nuevo Conteo Rápido lo
llamaremos Conteo Rápido Automatizado (CRA).
Para cada candidato, se obtendrá un mejor modelo de machine learning robusto y preciso, permitiendo
así estimar la proporción de votos con base en los datos proporcionados por el INE en tiempo real y
proporcionando intervalos de confianza para los resultados obtenidos.
Se espera que esta investigación contribuya significativamente a la mejora del proceso de conteo rápido
en las elecciones presidenciales y estatales, proporcionando estimaciones preliminares que sean
cercanas y confiables en comparación con los resultados finales de los cómputos distritales, lo que
contribuirá a fortalecer la credibilidad y la transparencia de los procesos electorales en México.
La pregunta de investigación de este trabajo es: ¿Los resultados del Conteo Rápido Automatizado en
las elecciones de México 2024 son consistentes con los resultados presentados por el INE?
ANTECEDENTES
En México poco se ha escrito en el ámbito científico respecto a las metodologías estadísticas utilizadas
y los resultados obtenidos en las elecciones. Sin embargo, para 2006, debido a la cerrada competencia,
sí existen varios estudios Eslava (2009), Mendoza y Nieto-Barajas (2016), Aparicio (2009) y Erdely-
Ruiz (2018, 2019).
Predecir los resultados de cualquier elección es de suma importancia. Antes de la elección, éstos se
pueden predecir mediante encuestas que miden la intención del voto (ver del Tronco Paganelli, Flores
Ivich & Madrigal Ramírez (2016) y Kavanagh (2011)) y durante la elección a través de una muestra
aleatoria de personas que son entrevistadas y dicen por qué partido votaron. Sin embargo, estas
encuestas de opinión han tenido sus críticas por la forma en que se conducen y sus implicaciones (ver
Brown et al (1999), Barreto et al (2006) y Curtice and Firth (2008)).
Otra forma de predecir los resultados finales de la elección es utilizando los resultados que van llegando
al INE. Esta información no es el resultado de una selección aleatoria, sin embargo, algunos modelos
estadísticos se pueden utilizar, relacionando estos conteos con elecciones previas en las mismas casillas.
Bernando y Girón (1992) usaron un método bayesiano mientras que Pavia-Miralles (2005) un modelo
pág. 7650
de regresión multivariado para este tipo de análisis. Los autores usaron la información y obtuvieron
estimadores significativos. Estimar el total de votos de cada candidato utilizando la metodología de
conteo casilla-por-casilla (registro de casilla que llega al INE) podría producir resultados engañosos
(Mendoza & Nieto-Barajas, 2016), por lo que Sedransk & Clyde (1966) proponen usar el tamaño de la
población y elecciones pasadas como información valiosa disponible para mejorar la estimación.
Contar los votos finales a través de un Conteo Rápido resulta en una herramienta de gran poder (Estok
et al 2002, Cochran, 2001). En este caso, el principal problema es estimar el número total de votos
válidos y el total de votos a favor a cada candidato. Generalmente se usan modelos normales para
aproximar la distribución de muestreo de los estimadores usando teoría asintótica.
Hacer predicciones basadas en resultados anteriores podría ser técnicamente correcto, pero
políticamente incorrecto. Así, Mendoza & Nieto-Barajas (2016) propusieron un modelo bayesiano
paramétrico usando datos finales de casillas que fueron seleccionadas a través de un muestreo aleatorio.
Este modelo fue utilizado en México para la elección presidencial del 2006 y del 2012.
Recientemente, Argandoña-Mamani, Ormeño-Alarcón, Iparraguirre-Villanueva, Paulino-Moreno &
Cabanillas-Carbonell (2024) han presentado una revisión de la literatura (1638 manuscritos) para
mostrar el tipo de modelos de aprendizaje automático que mejor funcionaron en la predicción de
resultados electorales.
El análisis de sentimientos es uno de los modelos más utilizados; sin embargo, tanto bosques aleatorios
(Random Forest) como las redes neuronales recurrentes tuvieron una tasa de precisión superior al 91%;
estas últimas requirieron un alto esfuerzo computacional, concluyendo que el modelo de bosques
aleatorios es el más adecuado para la predicción de resultados electorales.
METODOLOGÍA
En esta sección se introduce el modelo de regresión general que se empleará para estimar el porcentaje
de votos obtenido por cada candidato en la elección. Se proporciona una breve explicación de los
algoritmos de machine learning utilizados, así como de los métodos de remuestreo que ayudan a
optimizar los modelos.
Modelo estadístico
Consideremos el siguiente modelo:
pág. 7651
donde es la variable de respuesta, tipo numérica (total de votos para cada partido/candidato); así pues,
el procedimiento estadístico a realizar es una regresión; es un vector de variables independientes o
predictoras dadas por: Distritación Federal (DF), Distritación Local (DL), Tipo de casilla electoral y
Lista Nominal (que llamaremos en este documento solamente por Lista), para el caso de las
gubernaturas y por Tipo, Entidad Federativa (que denotaremos como EDO) y Lista para la elección
presendencial; es cierta función, dependiendo del algoritmo utilizado y es el error.
En 2021, el INE comenzó los trabajos para la distritación electoral local y federal
7
, que se realiza
periódicamente por mandato constitucional cuando hay un nuevo censo de población, quedando un total
de 300 distritos electorales federales, además se crearon 44 distritos electorales federales indígenas y
afromexicanos. Además, quedaron 679 distritos electorales locales y se crearon 115 distritos electorales
locales indígenas y afromexicanos. Cada Entidad Federativa tiene un número específico de distritos
federales y locales.
La variable Tipo se refiere a la tipología de las secciones electorales
8
: Urbana (mayor a 2500 habitantes),
Urbana menor (de 1500-2499 habitantes), Rural con amanzanamiento definido (de 100-1499 habitantes
y Rural (de 1-99 habitantes).
La Lista Nominal contiene nombre y foto de la ciudadanía que cuenta con credencial para votar vigente.
Es decir, la variable Lista contiene a los habitantes que podrán emitir su voto en la jornada electoral.
Debido a que nuestra metodología propone estimar el porcentaje de votos de cada partido/candidato
conforme llegan las actas al INE, podría ocurrir que a un determinado tiempo no se hayan capturado
aún las actas con todos los registros de las variables DF ó DL del lugar donde se desea hacer la
estimación, o bien EDO para la elección presidencial, en dado caso, se consideran solamente las
variables Tipo y Lista para la estimación.
Algoritmos de Machine Learning
La predicción de los resultados de las elecciones a través de modelos de machine learning es un tópico
que ha ido recobrando importancia en los últimos años (Argandoña-Mamani, et al., 2024). En este
7
https://www.ine.mx/sobre-el-ine/distritacion-electoral-2021/
8
https://transparencia.ine.mx/obligaciones/rsc/documentos/Articulo74/Formato3a/TIPOLOGIA_SECCIONES.pdf
pág. 7652
trabajo se van a considerar los siguientes modelos:
Redes neuronales (Neural Networks —nnet—): Una red neuronal es un modelo computacional
inspirado en la estructura y funcionamiento del cerebro humano. Consiste en una colección de nodos
(neuronas) interconectados, organizados en capas. Cada neurona toma entradas, las procesa mediante
una función de activación y produce una salida. En una red neuronal, las capas pueden incluir una capa
de entrada, una o más capas ocultas y una capa de salida.
Vecinos más cercanos (k-Nearest-Neighbor Regression Learner —kknn—): dado un valor para y
un punto de predicción , la regresión kknn primero identifica el conjunto de observaciones de
entrenamiento más cercanas a , representado por , luego estima usando el promedio de todas
las respuestas de entrenamiento en . El valor óptimo para dependerá de la compensación sesgo-
varianza. Para pequeño el ajuste es más flexible, lo que implica bajo sesgo, pero alta varianza.
Modelo de regresión lineal (Linear Model —lm—): es un enfoque muy sencillo para predecir una
respuesta cuantitativa teniendo varias variables predictoras, el ajuste se hace a través de una función
lineal.
Árboles de decisión (Classification And Regression Trees —rpart—): Esta es una técnica de
aprendizaje supervisado. Tenemos una variable objetivo (dependiente) y nuestra meta es obtener una
función que nos permita predecir, a partir de variables predictoras (independientes), el valor de la
variable objetivo para casos desconocidos. Lo que hace este algoritmo es encontrar la variable
independiente que mejor separa nuestros datos en grupos, que corresponden con las categorías de la
variable objetivo. Esta mejor separación es expresada con una regla. A cada regla corresponde un nodo.
Bosques Aleatorios (Random Forest —ranger—): es un tipo de modelo de aprendizaje automático
que utiliza múltiples árboles de decisión para realizar predicciones. Cada árbol de decisión se entrena
de forma independiente utilizando una parte aleatoria del conjunto de datos de entrenamiento y puede
tener diferentes características. Luego, las predicciones de cada árbol se combinan para producir una
predicción final.
Para más detalles de los modelos se recomienda Probst, Boulesteix & Bischl (2019) y Fernández-
Delgado, Sirsat, Cernadas, Alawadi, Barro & Febrero-Bande (2019).
pág. 7653
Métodos de remuestreo
Los métodos de remuestreo son muy importantes en estadística, pues permiten realizar estimaciones de
precisión (James, Witten, Hastie & Tibshirani, 2013). Estos métodos implican extraer muestras
aleatorias de un conjunto de entrenamiento y proponer un modelo de interés en cada muestra, para
obtener información del modelo ajustado.
Validación Cruzada (CV por sus siglas en inglés Cross Validation): La CV es uno de los métodos
de remuestreo más utilizados y es efectiva para estimar el rendimiento del modelo y seleccionar
hiperparámetros. La CV implica dividir aleatoriamente el conjunto disponible de observaciones en dos
partes, un conjunto de entrenamiento y un conjunto de validación. El modelo se ajusta al conjunto de
entrenamiento y el modelo ajustado se utiliza para predecir las respuestas de las observaciones en el
conjunto de prueba o validación.
Validación Cruzada Repetida (repeated_cv): Es una extensión de la CV que repite el proceso de
validación cruzada varias veces con diferentes divisiones aleatorias del conjunto de datos. Es
computacionalmente más costosa que la CV estándar.
Holdout: Este método es el más simple de implementar y comprender. Consiste en dividir el conjunto
de datos en dos partes: una para entrenar el modelo y otra para evaluarlo. Este método puede ser útil
cuando tienes suficientes datos y deseas una evaluación rápida del rendimiento del modelo. Sin
embargo, el método de holdout puede producir estimaciones sesgadas del rendimiento del modelo,
especialmente con conjuntos de datos pequeños.
Bootstrap: Este método es útil cuando tienes un conjunto de datos pequeño y deseas estimar la
variabilidad de una estadística de interés (como el error de generalización) sin hacer suposiciones sobre
la distribución de los datos. Toma muestras aleatorias con reemplazo de los datos originales y calcula
el estadístico de interés en cada muestra.
Subsampling: El submuestreo es un método alternativo para aproximar la distribución muestral de un
estimado. Divide el conjunto de datos en subconjuntos más pequeños y luego realiza entrenamiento y
evalúa el modelo en cada uno de estos subconjuntos. Es útil cuando se trabaja con una gran cantidad de
datos. A diferencia del bootstrap, el remuestreo se realiza sin reemplazo.
Estos métodos de remuestreo, cada uno con ciertos parámetros específicos, nos permiten dividir los
pág. 7654
datos, para así evaluar la variabilidad, comparar el rendimiento y la estabilidad de los modelos de
manera robusta.
Elección del mejor modelo
Sea
el estimador del total de votos que obtuvo el partido/candidato (los valores que toma el índice
dependen para cada elección, supongamos por ejemplo que ) y sea
el total de
votos. Entonces la estimación de la proporción que obtuvo el partido/candidato está dado por
,
para y por tanto el porcentaje será .
Para un intervalo de confianza (IC), por ejemplo del 95%, se utiliza el valor crítico , donde es el
nivel de significancia (1 - nivel de confianza). Sea
donde es el número
de actas consideradas en el cómputo y el total de actas. Luego, el intervalo de confianza para la
proporción obtenida por cada partido/candidato está dada por: . Por otro lado, si
, entonces el intervalo de confianza para el total de votos que obtuvo el partido/candidato está
dado por:
.
Para elegir el mejor modelo de machine learning, es importante considerar varias métricas de
evaluación que proporcionen una visión completa del rendimiento del modelo en los datos. En este
trabajo consideraremos el Error cuadrático medio (ECM), que es la media de los errores al cuadrado
entre las predicciones del modelo y los valores reales. Es útil para evaluar qué tan cerca están las
predicciones del modelo de los datos reales.
RESULTADOS Y DISCUSIÓN
Ejemplos numéricos: Calibración
Esta sección tiene como objetivo presentar los resultados de estimaciones de elecciones anteriores para
verificar el desempeño óptimo de nuestro modelo. Para lograr este propósito, primero, se tomaron en
cuenta cuatro elecciones para gobernador: Aguascalientes 2022, Durango 2022, Estado de México (Edo
Mex) 2023 y Oaxaca 2022, se consideraron las primeras 500 actas, i.e., . Después, se consideró
la elección presidencial de la República Mexicana en 2018, en este caso .
Respecto al manejo de los métodos de remuestreo, se consideró lo siguiente. El método de validación
pág. 7655
cruzada dividió el conjunto de datos en 3 particiones. La validación cruzada repetida, se repitió 3 veces
y además el conjunto de datos también se dividió en 3 particiones. Respecto al método de holdout, el
50% del conjunto de datos se utilizó para entrenamiento y el otro 50% para el conjunto de prueba. El
bootstrap se repitió 3 veces, con tamaño de muestra del 95% del tamaño del conjunto de datos original.
Finalmente, el subsampling se repitió también 3 veces, utilizando el 95% como tamaño de muestra del
conjunto de datos original.
Comenzamos mostrando en la Tabla 1 los porcentajes reales que el INE obtuvo para cada una de las
elecciones para gobernador de las Entidades antes mencionadas.
Tabla 1.
Resultados reales de los candidatos para distintas gubernaturas de Entidades Federativas de México
Entidad
Candidato
Porcentaje
Entidad
Candidato
Porcentaje
Aguascalientes
2022
Teresa Jiménez
53.72
Edo Mex 2023
Alejandra del Moral
44.53
Cecilia Márquez
1.57
Delfina Gómez
52.71
Anayeli Muñoz
6.96
No registrados
0.14
Nora Ruvalcaba
33.70
Nulos
2.62
Teresita Rodríguez
1.34
Oaxaca 2022
Antonia Natividad
3.76
No registrados
0.05
Alejandra García
3.27
Nulos
2.66
Bersahin Asael
1.62
Durango
2022
Esteban Villegas
53.78
Mauricio Cruz
1.84
Marina Vitela
39.29
Jesús López
0.76
Patricia Flores
4.31
Alejandro Avilés
25.04
No registrados
0.50
Salomón Jara
60.57
Nulos
2.13
No registrados
0.08
Nulos
3.06
Fuente: Elaboración propia con datos de la página del INE
9
.
A continuación se muestran los resultados que se obtuvieron mediante el CRA de cada Entidad
Federativa, incluyendo la estimación del total de votos y porcentajes, así como sus intervalos de
confianza al 95%.
9
https://siceen21.ine.mx/home
pág. 7656
Aguascalientes 2022
10
En la Figura 1 se presentan las estimaciones del porcentaje obtenido en las elecciones para gobernador
de Aguascalientes en 2022. Notamos que Teresa Jiménez obtuvo una estimación del 53.28% de los
votos, mientras que Nora Ruvalcaba el 33.29%. Se muestran además, en color rojo los intervalos de
confianza del 95% para el total y el porcentaje, mientras que en color azul se muestra el valor real;
notando que todos los valores reales están dentro de los intervalos de confianza obtenidos por el CRA.
Durango 2022
En la Figura 2 se muestran los resultados de las estimaciones de las elecciones de Durango. Esteban
Villegas obtuvo una estimación de 52.93%, mientras que Marina Vitela un 38.69%. Todas las
estimaciones (total y porcentaje) estuvieron dentro de los intervalos de confianza obtenidos por la
estimación del CRA.
Figura 1. Estimación de las elecciones para la gubernatura de Aguascalientes en 2022.
10
https://siceen21.ine.mx/busqueda/Gubernatura/7/2/2022/2
53.28%
33.29%
7.06%
1.58% 1.4% 0.04% 3.36%
0
20
40
60
Teresa Jiménez Nora Ruvalcaba Anayeli Muñoz Cecilia Márquez Teresita Rodríguez NO_REGISTRADOS NULOS
Porcentaje
0
50000
100000
150000
200000
250000
Teresa Jiménez
Nora Ruvalcaba
Anayeli Muñoz
Cecilia Márquez
Teresita Rodríguez
NO_REGISTRADOS
NULOS
Real/Intervalo de Confianza
Total de Votos
0
20
40
60
Teresa Jiménez
Nora Ruvalcaba
Anayeli Muñoz
Cecilia Márquez
Teresita Rodríguez
NO_REGISTRADOS
NULOS
Real/Intervalo de Confianza
Porcentaje
pág. 7657
Figura 2. Estimación de las elecciones para la gubernatura de Durango en 2022.
Edo Mex 2023
En la Figura 3 se muestran los resultados de las estimaciones de las elecciones del Edo Mex, Delfina
Gómez obtuvo una estimación de 51.85%, mientras que Alejandra del Moral un 44.76%.
Oaxaca 2022
En la Figura 4 se muestran los resultados de las estimaciones de las elecciones de Oaxaca. Salomón
Jara obtuvo una estimación de 61.39%, mientras que Alejandro Avilés un 23.98%.
La Tabla 2 muestra los resultados de los algoritmos y métodos de remuestreo más destacados para cada
candidato en las cuatro elecciones para gobernador, junto con los correspondientes ECM. Observamos
que en el 44% de los casos, bosques aleatorios (ranger) fue el algoritmo más eficaz, seguidos por el
modelo de regresión lineal (20%), árboles de decisión (16%), redes neuronales (12%) y, finalmente,
vecinos más cercanos (8%). Mientras que el método de remuestreo más utilizado fue el holdout (84%),
seguido del subsampling (12%) y el bootstrap (4%).
52.93%
38.69%
4.5%
0.16% 3.72%
0
20
40
60
Esteban Villegas Marina Vitela Patricia Flores NO_REGISTRADOS NULOS
Porcentaje
0e+00
1e+05
2e+05
3e+05
Esteban Villegas
Marina Vitela
Patricia Flores
NO_REGISTRADOS
NULOS
Real/Intervalo de Confianza
Total de Votos
0
20
40
60
Esteban Villegas
Marina Vitela
Patricia Flores
NO_REGISTRADOS
NULOS
Real/Intervalo de Confianza
Porcentaje
pág. 7658
Figura 3. Estimación de las elecciones para la gubernatura del Estado de México en 2023.
Figura 4. Estimación de las elecciones para la gubernatura de Oaxaca en 2022.
51.85%
44.76%
0.11% 3.29%
0
20
40
60
Delfina Gómez Alejandra del Moral NO_REGISTRADOS NULOS
Porcentaje
0e+00
1e+05
2e+05
3e+05
Delfina Gómez
Alejandra del Moral
NO_REGISTRADOS
NULOS
Real/Intervalo de Confianza
Total de Votos
0
20
40
Delfina Gómez
Alejandra del Moral
NO_REGISTRADOS
NULOS
Real/Intervalo de Confianza
Porcentaje
61.39%
23.98%
3.86% 3.43% 1.53% 1.86% 0.83% 0.14% 2.99%
0
20
40
60
Salomón Jara Alejandro Avilés Antonia Natividad Alejandra García Bersahin Asael Mauricio Cruz Jesús López NO_REGISTRADOS NULOS
Porcentaje
0e+00
2e+05
4e+05
6e+05
Salomón Jara
Alejandro Avilés
Antonia Natividad
Alejandra García
Bersahin Asael
Mauricio Cruz
Jesús López
NO_REGISTRADOS
NULOS
Real/Intervalo de Confianza
Total de Votos
0
20
40
60
Salomón Jara
Alejandro Avilés
Antonia Natividad
Alejandra García
Bersahin Asael
Mauricio Cruz
Jesús López
NO_REGISTRADOS
NULOS
Real/Intervalo de Confianza
Porcentaje
pág. 7659
Tabla 2. Resultados de los algoritmos utilizados para la estimación del porcentaje de cada candidato
así como el tipo del método de remuestreo que nos proporcinó el menor ECM.
Candidato
Algoritmo
Remuestreo
ECM
Candidato
Algoritmo
Remuestreo
ECM
Aguascalientes
Edo Mex
Teresa
Jiménez
ranger
holdout
722.049976
Delfina
Gómez
ranger
holdout
1000.50708
Nora
Ruvalcaba
ranger
bootstrap
285.426775
Alejandra
del Moral
kknn
holdout
2325.30825
Anayeli
Muñoz
ranger
holdout
34.2669996
No
registrados
ranger
holdout
0.2318771
Cecilia
Márquez
lm
holdout
3.60832872
Nulos
ranger
holdout
11.7869375
Teresita
Rodríguez
nnet
holdout
4.4007056
Oaxaca
No
registrados
lm
holdout
0.06097069
Salomón
Jara
rpart
holdout
1798.71117
Nulos
nnet
subsampling
13.5253044
Alejandro
Avilés
rpart
holdout
618.368218
Antonia
Natividad
rpart
holdout
33.899487
Durango
Alejandra
García
lm
subsampling
28.7297415
Esteban
Villegas
ranger
holdout
974.667669
Bersahin
Asael
lm
subsampling
6.87686634
Marina
Vitela
ranger
holdout
605.920378
Mauricio
Cruz
nnet
holdout
10.7871973
Patricia
Flores
ranger
holdout
26.7755123
Jesús
López
ranger
holdout
3.44790252
No
registrados
rpart
holdout
0.44747505
No
registrados
ranger
holdout
0.16094363
Nulos
kknn
holdout
10.3268119
Nulos
lm
holdout
21.9526943
Elección 2018
En la Tabla 3 se presentan las estimaciones del porcentaje estimado para los candidatos a la presidencia
de México en 2018. Las estimaciones de todos los candidatos fueron satisfactoriamente estimadas por
la metodología planteada por el CRA.
pág. 7660
Tabla 3. Resultados de las estimaciones de la elección a presidente de México 2018.
Candidato
Algoritm
o
Remuestreo
ECM
Porcentaj
e Real
IC
Inferior
Porcentaj
e estimado
IC
Superior
Ricardo Anaya
lm
subsampling
1528.8
3
22.27
21.77
22.79
23.81
José Antonio
Meade
lm
holdout
615.08
16.43
15.20
16.09
16.98
Andrés M.
López Obrador
kknn
cv
2182.7
1
53.17
51.50
52.71
53.92
Jaime
Rodríguez
ranger
subsampling
1.43
0.06
0.04
0.13
0.22
Margarita
Zavala
kknn
holdout
126.48
5.24
4.79
5.33
5.88
No registrados
rpart
holdout
6.52
0.06
0.06
0.16
0.26
Nulos
lm
subsampling
44.72
2.78
2.38
2.78
3.18
La calibración de nuestra propuesta metodológica del CRA ha demostrado resultados altamente
satisfactorios. Las estimaciones de los porcentajes de votos se asemejan considerablemente a los
resultados reales, y nuestros intervalos de confianza siempre incluyen el valor real.
Resultados de las elecciones en 2024
En esta sección se presentan los resultados de la elección presidencial en 2024 así como de 9
gubernaturas (Jalisco, Guanajuato, Yucatán, Veracruz, Tabasco, Morelos, Puebla, Ciudad de México,
Chiapas) que presentó el Comité Técnico Asesor del Conteo Rápido del INE, así como de los diferentes
PREP de cada Entidad Federativa.
Nacional
Los candidatos a la presidencia de México en 2024 fueron Bertha Xóchitl Gálvez Ruiz de la colición
Fuerza y Corazón por México (PAN-PRI-PRD), Claudia Sheinbaum Pardo de la coalición Sigamos
Haciendo Historia (PT-PVEM-MORENA) y Jorge Álvarez Máynez de Movimiento Ciudadano. El
Comité Técnico Asesor del Conteo Rápido del INE reportó el 2 de junio de 2024 a las 22:50 hrs que
tenía información de 5,651 casillas de un total de 7,602, i.e., el 74.3% de la muestra total, el límite
inferior y superior de los porcentajes de cada candidato se presentan en la Tabla 4. Además, dicha tabla
pág. 7661
presenta el resultado del PREP reportado a las 17:14 hrs del 4 de junio de 2024
11
y considerando 162,517
de 170,648 actas (i.e, 95.2352%). El CRA tomó una muestra de actas, es decir el 4% de los
datos, teniendo información (actas) de las 32 Entidades Federativas. Los resultados del CRA se dieron
a conocer vía medios de comunicación
12
, así como redes sociales a las 21:50hrs
13
del 2 de junio de 2024.
Tabla 4. Resultados (porcentajes) de las estimaciones de la elección a presidente de México 2024.
Candidato
Intervalos
INE
Intervalos
CRA
PREP
CRA
Inferior
Superior
Inferior
Superior
Xóchitl Gálvez
26.6
28.6
26.6
28.5
27.9056
27.21
Claudia
Sheinbaum
58.3
60.7
58.1
61.0
59.3577
59.82
Jorge Álvarez
9.9
10.8
9.8
10.4
10.4187
10.32
Como se puede observar en la Tabla 4, nuestros resultados son muy similares a los presentados por el
PREP, y ambos se encuentran dentro de los intervalos de confianza establecidos por el Comité Técnico
Asesor del INE.
En la Tabla 5 se presentan los algoritmos de machine learning y métodos de remuestreo que mejor
estimaron los porcentajes de los candidatos a la precidencia de México en 2024.
Tabla 5. Algoritmos de machine learning y métodos de remuestreo que mejor estimaron las elecciones
para presidente de México 2024.
Candidato
Algoritmo
Remuestreo
ECM
Xóchitl Gálvez
nnet
subsampling
2645.512
Claudia Sheinbaum
lm
bootstrap
2066.171
Jorge Álvarez
kknn
subsampling
148.3534
No registrados
nnet
subsampling
0.588789
Nulos
ranger
subsampling
18.58745
A continuación se presentan los resultados de las elecciones a gobernadores.
Jalisco
A las 00:30 hrs del 3 de junio de 2024, el Comité Técnico Asesor reportó información de 347 casillas
de 500 en total, informado que el rango del porcentaje obtenido por Laura Lorena Haro Ramírez es de
11
https://prep2024.ine.mx/publicacion/nacional/presidencia/nacional/candidatura
12
https://consentidocomun.mx/sheinbaum-ganaria-eleccion-presidencial-codigo-27/
13
https://x.com/MxSentidoComun/status/1797475917931147557
pág. 7662
(15.2, 17.0), mientras que el rango de Claudia Delgadillo González es de (36.4, 39.4) y el de Jesús Pablo
Lemus Navarro de (42.5, 45.1). Considerando 6,588 de 10,917 actas, i.e., 60.3462%
14
, el PREP reportó
que Lorena Haro tenía 17.5655%, Claudia Delgadillo 38.7341%, mientras que Pablo Lemus 40.7216%.
El CRA consideró actas y las estimaciones con esta metodología se presentan en la Figura
5. Claudia Delgadillo obtuvo el 37.54%, Laura Haro 17.07%, Pablo Lemus 42.65%, 0.17% No
registrados y 2.57% Nulos.
Guanajuato
A las 23:25 hrs del 2 de junio de 2024, el Comité Técnico Asesor del INE reportó el resultado de 403
casillas de 500, i.e., el 80.6% de la muestra total, donde Libia Denisse García Muñoz Ledo obtuvo un
rango de porcentaje de (49.9, 52.6), Alma Edwviges Alcaraz Hernández (39.8, 42.4) y Yulma Rocha
Aguilar (5.3, 6.0). Por otro lado, con 7,715 de 8,166 actas (i.e., 94.4771%)
15
, el PREP reportó que Libia
García ganó con el 51.2405%, Alma Alcaraz obtuvo el 40.8649% y Yulma Rocha 5.7076%. El CRA
consideró actas, y en la Figura 6 se presentan las estimaciones. Alma Alcaraz obtuvo el
40.74%, Libia Denisse 51.15%, Yulma Rucha 5.86%, 0.04% No registrados y 2.22% Nulos. Todas las
estimaciones del PREP se encuentran dentro de los intervalos de confianza obtenidos por el CRA.
14
https://iepcj2024.milenio.com/ a las 13:43hrs del 3 de junio 2024.
15
De la página https://prepgto2024.ieeg.mx/#/gubernatura/entidad/votos-entidad/mapa a las 13:56hrs
pág. 7663
Figura 5. Estimación del CRA de las elecciones para la gubernatura de Jalisco 2024.
Figura 6. Estimación de las elecciones para la gubernatura de Guanajuato 2024.
Yucatán
El Comité Técnico Asesor reportó a las 00:45 hrs del 3 de junio de 2024 información de 208 casillas de
las 350 (i.e., 59.4% de la muestra total) en donde Renán Alberto Barrera Concha obtuvo un rango de
51.15
40.74
5.86
00.04 2.22
0
20
40
60
Libia García Alma Alcaraz Yulma Rocha CAND_IND_1 No registrados Nulos
Porcentaje
Resultados de la Elección por Candidato
Guanajuato
Estimación realizada con algoritmos de Machine Learning.
53.06
42.62
6.76
00.12
2.78
49.23
38.86
4.96
0 0 1.66
0
20
40
Libia García Alma Alcaraz Yulma Rocha CAND_IND_1 No registrados Nulos
Porcentajes
Intervalo de Confianza
Estimación realizada con algoritmos de Machine Learning.
17.07
37.54
42.65
0.17 2.57
0
20
40
Lorena Haro Claudia Delgadillo Pablo Lemus No registrados Nulos
Porcentaje
Resultados de la Elección por Candidato
Jalisco
Estimación realizada con algoritmos de Machine Learning.
18.65
39.58
44.74
0.34
3.24
15.48
35.5
40.57
0
1.91
0
10
20
30
40
Lorena Haro Claudia Delgadillo Pablo Lemus No registrados Nulos
Porcentajes
Intervalo de Confianza
Estimación realizada con algoritmos de Machine Learning.
pág. 7664
porcentaje de (41.4, 46.7), Yamil Jasmín López Marique (0.3, 1.0), Joaquín Jesús Díaz Mena (46.5,
51.6) y Vida Aravari Gómez Herrera (3.0, 4.4). Considerando 2,429 de 2,978 actas (i.e. 81.5648%)
16
el
PREP reportó que Renán Barrera obtuvo 42.5263%, Jesús Díaz 50.9515%, Vida Gómez 3.8477% y
Yamil López 0.4886%. El CRA consideró actas, en la Figura 7 se presentan las estimaciones
obtenidas. Joaquín Medina obtuvo el 51.15%, Renán Barrera 42.01%, Vida Gómez 3.93%, Yamil
López 0.05% No registrados y 2.41% Nulos.
Veracruz
El Comité Técnico Asesor reportó a las 23:10 hrs del 2 de junio de 2024, la información de 261 casillas
de un total de 350 (i.e., 74.6% del total), donde José Francisco Yunes Zorrila obtuvo un rango de
porcentaje de (29.4, 33.2), Norma Rocío Nahle García (57.4, 61.5) e Hipólito Deschamps Espino Barros
(6.1, 7.2). Habiéndose capturado 10,090 actas de 11,030, i.e., 91.4777%
17
; el PREP reportó que José
Yunes obtuvo 32.1333%, Rocío Nahle 58.1575% e Hipólito Deschamps 7.0463%. El CRA consideró
actas, en la Figura 8 se muestran las estimaciones. Rocío Nahle 58.54%, Pepe Yúnes
31.59%, Polo Deschamps 7.16%, 0.10% No registrados y 2.62% Nulos.
Figura 7. Estimación de las elecciones para la gubernatura de Yucatán 2024.
16
https://prep-yucatan-2024.sipse.com/gubernatura/votos-candidatura/grafica 14:01hrs del 3 de junio de 2024
17
https://prep2024-ver.org.mx/gubernatura a las 14:30hrs del 3 de junio de 2024.
42.01
51.15
3.93 0.45 0.05 2.41
0
20
40
60
Renán Barrera Jesús Díaz Vida Gómez Yamil López NO_REGISTRADOS NULOS
Porcentaje
Resultados de la Elección por Candidato
Yucatán
Estimación realizada con algoritmos de Machine Learning.
44.34
53.51
4.85
0.77 0.16
3.13
39.67
48.78
3.01
0.14 01.68
0
20
40
Renán Barrera Jesús Díaz Vida Gómez Yamil López NO_REGISTRADOS NULOS
Porcentajes
Intervalo de Confianza
Estimación realizada con algoritmos de Machine Learning.
pág. 7665
Figura 8. Estimación de las elecciones para la gubernatura de Veracruz 2024.
Tabasco
A las 00:00 hrs del 3 de junio de 2024, el Comité Técnico Asesor reportó la estimación considerando
111 casillas de las 200 en total, i.e., 55.5%, donde Lorena Beaurregard De Los Santos obtuvo un rango
de porcentaje de (3.4, 4.9), Juan Manuel Fócil Pérez (4.9, 7.2), Javier May Rodríguez (78.5, 83.0) y
María Inés De La Fuente Dagdug (4.6, 7.2). Considerando 3,053 de 3,117 actas (i.e., 97.9467%)
18
, el
PREP reportó que Lorena Beaurregard obtuvo un 4.2779%, Javier May 80.4636%, Inés de la Fuente
5.3854% y Manuel Fócil 6.8334%. El CRA consideró actas. Las estimaciones para esta
Entidad se presentan en la Figura 9. Javier May obtuvo el 80.50%, Lorena Bourregard 4.07%, Mines
de la Fuente 5.84%, José Manuel Fócil 6.31%, además de 0.07% No registrados y 3.22% Nulos.
Morelos
El Comité Técnico Asesor reportó a las 00:55 hrs del 3 de junio de 2024, considerando 132 de 200
casillas (i.e., 66.0%); que Lucía Virginia Meza Guzmán obtuvo un rango de porcentaje de (29.9, 34.4),
Margarita González Saravia Calderón (45.7, 50.6) y Jéssica María Guadalupe Ortega De La Cruz (15.8,
19.0). Con 1,604 actas de 2,583 (i.e., 62.0983%)
19
, el PREP reportó que Lucía Meza obtuvo el
30.7702%, Margarita González el 47.8612% y Guadalupe Ortega el 15.2538%. El CRA consideró
actas. En la Figura 10 se muestran las estimaciones, donde Margarita González obtuvo el 47.76%,
18
https://prepet.iepct.mx/gubernatura/votos-ambito/grafica a las 14:35hrs del 3 de junio de 2024.
19
https://morelos2024.heraldodemexico.com.mx/gubernatura a las 14:50hrs del 3 de junio de 2024.
31.59
58.54
7.16
0.1 2.62
0
20
40
60
José Yunes Rocío Nahle Hipólito Deschamps NO_REGISTRADOS NULOS
Porcentaje
Resultados de la Elección por Candidato
Veracruz
Estimación realizada con algoritmos de Machine Learning.
33.43
60.5
8.18
0.22
3.25
29.74
56.58
6.14
01.98
0
20
40
60
José Yunes Rocío Nahle Hipólito Deschamps NO_REGISTRADOS NULOS
Porcentajes
Intervalo de Confianza
Estimación realizada con algoritmos de Machine Learning.
pág. 7666
Lucy Meza 30.5%, Jessica Ortega 18.54%, 0.21% No registrados y 2.99% Nulos.
Figura 9. Estimación de las elecciones para la gubernatura de Tabasco 2024.
Figura 10. Estimación de las elecciones para la gubernatura de Morelos 2024.
Puebla
A las 23:10hrs del 2 de junio de 2024, el Comité Técnico Asesor reportó 347 casillas de 450 (i.e.,
77.1%); donde Eduardo Rivera Pérez obtuvo un rango de porcentaje de (31.2, 34.0), Alejandro Armenta
Mier (58.8, 61.7) y Fernando Morales Martínez (3.7, 4.4). Por otro lado, tomando 6,493 de 8,334 (i.e.,
30.5
47.76
18.54
0.21 2.99
0
20
40
60
Lucía Meza Margarita González Guadalupe Ortega NO_REGISTRADOS NULOS
Porcentaje
Resultados de la Elección por Candidato
Morelos
Estimación realizada con algoritmos de Machine Learning.
32.65
50.1
20.35
0.42
3.78
28.35
45.43
16.72
0
2.19
0
10
20
30
40
50
Lucía Meza Margarita González Guadalupe Ortega NO_REGISTRADOS NULOS
Porcentajes
Intervalo de Confianza
Estimación realizada con algoritmos de Machine Learning.
4.07
80.5
5.84 6.31 0.07 3.22
0
25
50
75
Lorena Beaurregard Javier May Ines de la Fuente Manuel Fócil NO_REGISTRADOS NULOS
Porcentaje
Resultados de la Elección por Candidato
Tabasco
Estimación realizada con algoritmos de Machine Learning.
4.6
81.56
6.47 6.96
0.14
3.69
3.54
79.43
5.21 5.66
02.74
0
20
40
60
80
Lorena Beaurregard Javier May Ines de la Fuente Manuel Fócil NO_REGISTRADOS NULOS
Porcentajes
Intervalo de Confianza
Estimación realizada con algoritmos de Machine Learning.
pág. 7667
77.9097%)
20
actas, el PREP reportó que Eduardo Rivera obtuvo el 33.2753%, Alejandro Armenta el
59.1507% y Fernando Morales el 4.4475%. El CRA consideró actas. En la Figura 11 se
muestran los resultados obtenidos por el CRA, donde Alejandro Armenta obtuvo el 56.27%, Eduardo
Rivera 35.87%, Fernando Morales 5.0%, 0.04% No registrados y 2.82% Nulos.
Ciudad de México
El Comité Técnico Asesor a las 23:05 hrs del 2 de junio de 2024, consideró 420 casillas de 600 (i.e.,
70.0%), donde Santiago Taboada Cortina obtuvo un rango de porcentaje de (37.2, 40.5), Clara Marina
Brugada Molina (49.0, 52.8) y Salomón Chertorivski Woldenberg (6.9, 9.0). Tomando en cuenta 13,109
de 13,460 actas, i.e. el 97.3923%
21
, el PREP reportó que Santiago Taboada obtuvo el 39.0029%, Clara
Brugada el 51.7286% y Salomón Chertorivski el 7.3733%. El CRA consideró actas. En la
Figura 12 se presenta la estimación. Clara Brugada obtuvo el 50.90%, Santiago Taboada 40.01%,
Salomón Chertorivski 7.14%, 0.10% No registrados y 1.85% Nulos.
Figura 11. Estimación de las elecciones para la gubernatura de Puebla 2024.
20
https://prep2024puebla.mx/gubernatura/votos-candidatura/grafica a las 14:39hrs del 3 de junio de 2024
21
https://iecm.contentv.com.mx/prep2024/jg_cdmx?_gl=1*1oc202u*_ga*MTE1MDA5ODM4My4xNzE0NDM0NzM1*_ga
_Y0M20DM3VT*MTcxNzQ0NjE3OS4xLjAuMTcxNzQ0NjE3OS4wLjAuMA del día 3 de junio de 2024 las 15:38 hrs.
35.87
56.27
5
0.04 2.82
0
20
40
60
Eduardo Rivera Alejandro Armenta Fernando Morales NO_REGISTRADOS NULOS
Porcentaje
Resultados de la Elección por Candidato
Puebla
Estimación realizada con algoritmos de Machine Learning.
39.61
60.13
6.7
0.19
4.11
32.14
52.4
3.3
01.53
0
20
40
60
Eduardo Rivera Alejandro Armenta Fernando Morales NO_REGISTRADOS NULOS
Porcentajes
Intervalo de Confianza
Estimación realizada con algoritmos de Machine Learning.
pág. 7668
Figura 12. Estimación de las elecciones para la gubernatura de CDMX 2024.
Chiapas
El Comité Técnico Asesor a las 01:05 hrs del 3 de junio de 2024, consideró 271 casillas de 600 (i.e.,
45.2%), donde Olga Luz Espinosa Morales obtuvo un rango de porcentaje de (10.0, 13.4), Óscar
Eduardo Ramírez Aguilar (79.0, 82.6) y Karla Irasema Muñoz Balanzar (3.1,3.9). Por otro lado,
tomando en cuenta el PREP y considerando 4,566 actas de 6,906 (i.e., 66.1164%)
22
, obtuvo que Olga
Espinosa 12.3225%, Eduardo Ramírez 78.8034% e Irasema Muñoz 3.7793. El CRA consideró
actas. En la Figura 13 se presentan los resultados. Eduardo Ramírez obtuvo el 78.13%, Olga Luz
Espinoza 12.04%, Karla Muñoz 3.68%, 0.20% No registrados y 5.94% Nulos.
22
https://prep2024chiapas.mx/gubernatura/votos-candidatura/grafica del día 3 de junio de 2024 a las 14:24hrs.
40.01
50.9
7.14
0.1 1.85
0
20
40
60
Santiago Taboada Clara Brugada Salomón Chertorivski NO_REGISTRADOS NULOS
Porcentaje
Resultados de la Elección por Candidato
CDMX
Estimación realizada con algoritmos de Machine Learning.
42.01
52.94
8.19
0.23
2.4
38.01
48.86
6.09
01.3
0
20
40
Santiago Taboada Clara Brugada Salomón Chertorivski NO_REGISTRADOS NULOS
Porcentajes
Intervalo de Confianza
Estimación realizada con algoritmos de Machine Learning.
pág. 7669
Figura 13. Estimación de las elecciones para la gubernatura de Chiapas 2024.
En la Tabla 6 se presentan los algoritmos de machine learning que mejor modelaron los datos para las
gubernaturas, así como los métodos de remuestreo utilizados. Se observa nuevamente que los Bosques
Aleatorios (ranger) han sido el algoritmo que mejor modeló los datos. El método de subsampling
destacó, logrando un rendimiento destacado el 88% de las veces.
Tabla 6. Algoritmos de machine learning y métodos de resmuestreo que estimaron las elecciones para
gubernamentales en 2024.
Algoritmo
Conteo
Porcentaje
Remuestreo
Conteo
Porcentaje
Redes neuronales
12
25
CV
0
0
Vecinos más cercanos
9
19
Repeated_C
V
1
2
Regresión lineal
8
17
Holdout
2
4
Árboles de decisión
2
4
Bootstrap
3
6
Bosques aleatorios
17
35
Subsampling
42
88
CONCLUSIONES
Las elecciones de cualquier lugar son de suma importancia, ya que de ellas depende el futuro de ese
lugar. A lo largo del tiempo, se han utilizado diversas metodologías para estimar los resultados finales
de manera rápida y precisa. En México, en particular, se han implementado los Conteos Rápidos en las
12.04
78.13
3.68 0.2 5.94
0
25
50
75
Olga Espinoza Eduardo Ramírez Irasema Muñoz NO_REGISTRADOS NULOS
Porcentaje
Resultados de la Elección por Candidato
Chiapas
Estimación realizada con algoritmos de Machine Learning.
12.87
79.19
4.17
0.32
6.55
11.2
77.08
3.2 0.09
5.34
0
20
40
60
80
Olga Espinoza Eduardo Ramírez Irasema Muñoz NO_REGISTRADOS NULOS
Porcentajes
Intervalo de Confianza
Estimación realizada con algoritmos de Machine Learning.
pág. 7670
últimas décadas con el objetivo de proporcionar a los ciudadanos una estimación de los resultados
finales alrededor de las 10pm. Estas metodologías se han ido refinando a lo largo del tiempo,
adaptándose a los avances en los métodos de muestreo. Como resultado, se han logrado obtener
estimaciones cada vez más precisas con errores más pequeños.
En el ámbito de la estadística, las matemáticas y las ciencias de datos, los algoritmos de machine
learning han emergido como herramientas poderosas que han contribuido significativamente a mejorar
la precisión de estos estimadores. Estos algoritmos nos permitieron obtener estimaciones con errores
muy pequeños, lo que ayudó a fortalecer la confianza en los resultados proporcionados por el conteo
rápido propuesto (CRA).
El Comité Técnico Asesor del INE seleccionó una muestra aleatoria de las casillas. Cuando no llega
información a tiempo de alguna de ellas, estiman sus resultados utilizando información de casillas
contiguas mediante métodos estadísticos. Sin embargo, como pudimos constatar en estas elecciones, al
no cumplirse con el 75% de la muestra, se tuvo que dar el resultado hasta las 23:30 hrs, cuando
generalmente se daba a las 22:00 hrs.
Por otro lado, de acuerdo a los resultados finales de la elección obtenidos por el conteo de las actas de
los 300 Consejos Distritales del INE, Claudia Sheinbaum obtuvo el 59.7594%, Xóchitl Gálvez el
27.4517% y Jorge Álvarez Máynez el 10.3213%. Por lo que los resultados obtenidos por el CRA (ver
Tabla 4) son altamente satisfactorios.
Dado que el CRA no utiliza una muestra fija, una ventaja destacada del CRA incluye su implementación
rápida y por tanto una estimación de los resultados más oportuna, obteniéndose estimadores confiables,
pues los algoritmos utilizados construyen aprendizaje del comportamiento electoral fundamentado en
las características generales de las casillas, como su ubicación, las casillas vecinas, entre otros.
Además, el tiempo necesario para obtener estimaciones precisas en función del flujo de llegada de las
actas electorales, proporcionó información valiosa sobre el rendimiento y la eficacia del CRA. Así, el
CRA propuesto demuestra ser una herramienta efectiva y confiable para realizar estimaciones precisas
del total y porcentaje de votos en elecciones de cualquier lugar, aprovechando la capacidad del machine
learning para adaptarse dinámicamente a los datos en tiempo real.
Como trabajo futuro, sería valioso considerar las secciones electorales en el análisis. Incorporar esta
pág. 7671
dimensión permitirá una comprensión más granular y precisa del comportamiento electoral.
Agradecimientos
Expresamos nuestro agradecimiento al Consejo de Ciencia y Tecnología del estado de Durango
(COCYTED) por su orientación y apoyo para la realización de esta investigación enmarcada en la
inicitiva estrategica DuranIA. De igual manera a la empresa Código 27 por el soporte financiero para
la realización de los trabajos de experimentación.
REFERENCIAS BIBLIOGRAFICAS
Anzarut, M., González, L. F., & Ortiz, M. T. (2019). A heavy-tailed multilevel mixture model for the
quick count in the Mexican elections of 2018. In Selected Contributions on Statistics and Data
Science in Latin America: 33 FNE and 13 CLATSE, 2018, Guadalajara, Mexico, October 1−
5 (pp. 1-13). Springer International Publishing.
https://link.springer.com/chapter/10.1007/978-3-030-31551-1_1
Aparicio, J. (2009). Análisis estadístico de la elección presidencial de 2006: ¿Fraude o errores
aleatorios?. Política y gobierno, 16(SPE2), 225-243.
https://www.scielo.org.mx/scielo.php?pid=S1665-20372009000400010&script=sci_arttext
Argandoña-Mamani, A., Ormeño-Alarcón, T., Iparraguirre-Villanueva, O., Paulino-Moreno, C.,
Cabanillas-Carbonell, M. (2024). Predicting Election Results with Machine Learning—A
Review. In: Yang, XS., Sherratt, R.S., Dey, N., Joshi, A. (eds) Proceedings of Eighth
International Congress on Information and Communication Technology. ICICT 2023. Lecture
Notes in Networks and Systems, vol 695. Springer, Singapore. https://doi.org/10.1007/978-
981-99-3043-2_82
Barreto, M. A., Guerra, F., Marks, M., Nuño, S. A., & Woods, N. D. (2006). Controversies in exit
polling: Implementing a racially stratified homogenous precinct approach. PS: Political
Science & Politics, 39(3), 477-483. doi:10.1017/S1049096506060689
Bernardo, J. M., & Girón, F. J. (1992). Robust sequential prediction from non-random samples: The
election night forecasting case. Bayesian Statistics, 4, 61-77.
Brown, P. J., Firth, D., & Payne, C. D. (1999). Forecasting on British election night 1997. Journal of
the Royal Statistical Society Series A: Statistics in Society, 162(2), 211-226.
pág. 7672
https://doi.org/10.1111/1467-985X.00131
Cochran, W. G. (2001). Sampling techniques. John Wiley & Sons.
Curtice, J., & Firth, D. (2008). Exit polling in a cold climate: the BBC–ITV experience in Britain in
2005. Journal of the Royal Statistical Society Series A: Statistics in Society, 171(3), 509-539.
https://doi.org/10.1111/j.1467-985X.2007.00536.x
del Tronco Paganelli, J., Flores Ivich, G., & Madrigal Ramírez, A. (2016). La utilidad de las encuestas
en la predicción del voto. La segunda vuelta de Argentina 2015. Revista mexicana de opinión
pública, (21), 73-92.
https://www.scielo.org.mx/scielo.php?pid=S2448-49112016000200073&script=sci_arttext
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en Pacientes
con Enfermedades Autoinmunes: una Revisión de Estudios Latinoamericanos. Revista
Científica De Salud Y Desarrollo Humano, 1(1), 46–59.
https://doi.org/10.61368/r.s.d.h.v1i1.9
Erdely Ruiz, A. (2019). Análisis estadístico ex post del conteo rápido institucional de la elección de
gobernador del Estado de México en 2017. Apuntes Electorales, 18(60), 227–262.
Recuperado a partir de https://aelectorales.ieem.org.mx/index.php/ae/article/view/139
Eslava, G. (2009). Las elecciones de 2006 un análisis del conteo rápido. Ciencias, (084). Recuperado a
partir de https://revistas.unam.mx/index.php/cns/article/view/12072
Estok, M., Nevitte, N., Cowan, G., 2002. The Quick Count and Election Observation. A NDI Handbook
for Civil Organizations and Political Parties. National Democratic Institute. Available at:
https://www.ndi.org/files/1417_elect_quickcounthdbk_0. pdf
Fernández-Delgado, M., Sirsat, M. S., Cernadas, E., Alawadi, S., Barro, S., & Febrero-Bande, M.
(2019). An extensive experimental survey of regression methods. Neural Networks, 111, 11-
34. https://doi.org/10.1016/j.neunet.2018.12.010
Gómez Ramón , R. del C., Diez Irizar , G. A., Herrera Sánchez , B., & Pérez Rejón , J. Ángel. (2024).
Impacto del curso propedéutico de matemáticas básicas: caso estudiantes de nuevo ingreso a
nivel superior. Estudios Y Perspectivas Revista Científica Y Académica , 4(1), 179–194.
https://doi.org/10.61384/r.c.a.v4i1.91
pág. 7673
Gómez Ramón , R. del C., Diez Irizar , G. A., Herrera Sánchez , B., & Pérez Rejón , J. Ángel. (2024).
Impacto del curso propedéutico de matemáticas básicas: caso estudiantes de nuevo ingreso a
nivel superior. Estudios Y Perspectivas Revista Científica Y Académica , 4(1), 179–194.
https://doi.org/10.61384/r.c.a.v4i1.92
Hartlyn, J., McCoy, J., & Mustillo, T. M. (2009). La importancia de la gobernanza electoral y la calidad
de las elecciones en la América Latina contemporánea. América Latina Hoy, 51, 15-40.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: with
applications in R. Spinger. https://link.springer.com/book/10.1007/978-1-0716-1418-1
Kavanagh, D. (2011). Las encuestas de opinión pública. La Sociología en sus Escenarios, (24).
https://revistas.udea.edu.co/index.php/ceo/article/view/10975
Mendoza, M., & Nieto-Barajas, L. E. (2016). Quick counts in the Mexican presidential elections: A
Bayesian approach. Electoral Studies, 43, 124-132.
https://doi.org/10.1016/j.electstud.2016.06.007
Martínez, O., Aranda , R., Barreto , E., Fanego , J., Fernández , A., López , J., Medina , J., Meza , M.,
Muñoz , D., & Urbieta , J. (2024). Los tipos de discriminación laboral en las ciudades de
Capiatá y San Lorenzo. Arandu UTIC, 11(1), 77–95. Recuperado a partir de
https://www.uticvirtual.edu.py/revista.ojs/index.php/revistas/article/view/179
Nanguce López , M., & Sierra Ramírez, J. A. (2024). Funcionalidad familiar y depresión en adultos
mayores con diabetes. Revista Científica De Salud Y Desarrollo Humano, 5(1), 378–391.
https://doi.org/10.61368/r.s.d.h.v5i1.101
Pavía-Miralles, J. M. (2005). Forecasts From Nonrandom Samples: The Election Night Case. Journal
of the American Statistical Association, 100(472), 1113–1122.
https://doi.org/10.1198/016214504000001835
Probst, P., Boulesteix, A. L., & Bischl, B. (2019). Tunability: Importance of hyperparameters of
machine learning algorithms. Journal of Machine Learning Research, 20(53), 1-32.
https://www.jmlr.org/papers/v20/18-444.html
Ruiz, A. E. (2018). La falacia del empate técnico electoral/The fallacy of technical tie in electoral
polls. Revista Mexicana de Estudios Electorales, 2(20), 11-47.
pág. 7674
https://rmee.org.mx/index.php/RMEstudiosElectorales/article/view/260
Sedransk, J. H., & Clyde, R. W. (1966). A Generalized Technique for Predicting Election Results From
Early Returns. The Public Opinion Quarterly, 30(3), 416-422.
https://www.jstor.org/stable/2747141
v, H., & Quispe Coca, R. A. (2024). Tecno Bio Gas. Horizonte Académico, 4(4), 17–23. Recuperado a
partir de https://horizonteacademico.org/index.php/horizonte/article/view/14
Woldenberg, J. (2012). Historia mínima de la transición democrática en México. El Colegio de Mexico
AC.https://books.google.com.mx/books?hl=es&lr=&id=MfkZAwAAQBAJ&oi=fnd&pg=P
T4&dq=conteos+r%C3%A1pidos+en+mexico+historia+empiezan+en+1994&ots=OMJxT2
mtCE&sig=Gyps0b6u1Ow3i_08NGfU2SIc-0U&redir_esc=y#v=onepage&q&f=false
