📈 economics

Metric geometry for ranking-based voting: Tools for learning electoral structure

Este artículo desarrolla un marco de geometría métrica para estadísticas de clasificación que permite unificar y aplicar conceptos de elección social —como la polarización y la proporcionalidad— para identificar de manera eficiente grupos de votantes y candidatos preferidos, incluso con datos de votaciones incompletas.

Autores originales: Moon Duchin, Kristopher Tapp

Publicado 2026-02-12

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Moon Duchin, Kristopher Tapp

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Mapa de los Deseos: Cómo entender las votaciones sin usar etiquetas políticas

Imagina que vas a una fiesta y le pides a todos los invitados que hagan una lista de sus tres canciones favoritas. Algunos solo escriben una, otros tres, y algunos ni siquiera se molestan en escribir nada. Al final, tienes un montón de papeles con listas incompletas y desordenadas.

¿Cómo podrías saber, sin preguntarles directamente, quiénes son los "grupos de música" de la fiesta? ¿Cómo podrías saber qué canciones son las que realmente unen a la gente?

Este es el problema que los matemáticos Moon Duchin y Kristopher Tapp han resuelto para las elecciones.

1. El problema: El caos de las listas incompletas

En las elecciones reales, la gente no siempre vota por todos los candidatos. A veces solo marcan a su favorito y dejan el resto en blanco (lo que llaman "votos de bala"). Los métodos matemáticos tradicionales son como reglas rígidas que solo funcionan si todos votan por todos los candidatos, como si todos estuvieran obligados a completar un examen de 10 preguntas. Si alguien solo responde una, las fórmulas antiguas se rompen.

2. La solución: El "GPS de las preferencias" (Geometría Métrica)

Los autores han creado un nuevo sistema para convertir esas listas de votación en puntos en un mapa.

Imagina que cada forma de votar es una coordenada en un mapa gigante:

El método de los "puntos de puntuación" (Borda): Es como medir qué tan lejos está cada candidato del centro de atención.
El método de los "cara a cara" (Kendall tau): Es como un torneo de tenis. No importa tanto el puesto general, sino quién le gana a quién en cada duelo individual.

Lo brillante es que los autores han diseñado una forma de que, incluso si tu lista está incompleta, podamos "dibujarte" en el mapa de manera lógica. No es que adivinemos lo que no escribiste, sino que creamos un espacio matemático donde tu voto tiene un lugar coherente.

3. ¿Para qué sirve esto? (Los Bloques y las Listas)

Una vez que tenemos a todos los votantes dibujados en este mapa, podemos hacer dos cosas mágicas:

Encontrar los "Bloques de Votantes": Imagina que ves el mapa desde un avión. Verás que los puntos no están repartidos al azar, sino que forman "nubes" o grupos. Esas nubes son los bloques de votantes. Lo interesante es que este método descubre grupos de personas que piensan igual, sin necesidad de saber qué partido político representan. Puede que descubra que los votantes de un partido y otro en realidad se parecen mucho más de lo que pensábamos.
Crear "Listas de Candidatos" (Slates): También podemos agrupar a los candidatos. Si los votantes suelen poner a los candidatos A y B en los mismos puestos, el mapa los pondrá muy cerca. Así, podemos identificar qué candidatos forman un "paquete" que atrae a un grupo específico de gente.

4. ¿Por qué es importante? (La prueba de Escocia)

Para demostrar que esto no es solo teoría de pizarrón, los autores lo aplicaron a miles de elecciones reales en Escocia.

Al hacerlo, descubrieron que sus métodos son muy robustos: no importa si usas una fórmula o la otra, el mapa te muestra la misma realidad social. Además, esto permite medir la polarización: si las "nubes" de votantes están muy separadas en el mapa, la sociedad está dividida; si están todas mezcladas en el centro, hay consenso.

En resumen...

Este trabajo es como haber inventado un radar social. En lugar de mirar solo quién ganó, este radar nos permite ver la estructura invisible de la sociedad: quiénes son los grupos reales, qué candidatos se parecen y qué tan dividida está realmente una comunidad, incluso cuando la información que recibimos es incompleta o desordenada.

1. El Problema

El estudio de la elección social computacional a menudo se centra en las "preferencias métricas", donde candidatos y votantes se sitúan en un espacio métrico común. Sin embargo, la literatura tradicional suele enfrentar dos limitaciones:

Limitación de completitud: La mayoría de las métricas de distancia de permutaciones (como Kendall tau y Spearman footrule) se definen para rankings completos, mientras que en las elecciones reales los votantes suelen presentar rankings parciales (solo mencionan a algunos candidatos).
Falta de un marco unificado: Existe una desconexión entre el análisis de distorsión métrica (peor caso) y las medidas descriptivas (polarización, diversidad y proporcionalidad) que buscan entender la estructura real de una elección.

El objetivo de este trabajo es desarrollar un marco de geometría métrica que funcione con rankings parciales y que permita identificar estructuras electorales como bloques de votantes y listas (slates) de candidatos.

2. Metodología

Los autores proponen dos formas de representar los votos (balotas) en espacios métricos:

A. Incrustaciones de Coordenadas (Coordinate Embeddings):
Se asignan vectores a cada balota para permitir el uso de algoritmos de agrupamiento (clustering) estándar:

Incrustación de Borda ( $d_B$ ): Cada candidato recibe una coordenada basada en su posición (puntuación de Borda). Utilizan una convención pesimista para rankings parciales: los candidatos no mencionados reciben 0 puntos. Esto permite que la distancia de Spearman footrule se extienda naturalmente.
Incrustación Head-to-Head ( $d_H$ ): Cada par de candidatos se registra como $+1$ (favor), $-1$ (en contra) o $0$ (empate). Esto extiende la distancia de Kendall tau.

B. Realizaciones de Grafos (Ballot Graphs):
En lugar de vectores, representan los votos como nodos en un grafo donde las distancias se calculan mediante la longitud del camino más corto:

Grafo de balotas ( $G_m$ ): Utiliza intercambios de vecinos (neighbor swaps) y extensiones/truncamientos para recuperar la distancia $d_H$ .
Grafo de balotas con atajos ( $G^+_m$ ): Añade intercambios generales para recuperar la distancia $d_B$ .
Grafos de balotas generalizados ( $\mathcal{e}G_m$ ): Permiten manejar empates arbitrarios (sets de candidatos en la misma posición).

3. Contribuciones Clave

Extensión de métricas: Demuestran matemáticamente que las distancias de Kendall tau y Spearman footrule se pueden extender a rankings parciales manteniendo propiedades métricas consistentes.
Estabilidad de la clasificación: Prueban que en elecciones suficientemente polarizadas, el agrupamiento de votantes es único y estable, incluso si se cambia entre métricas bi-Lipschitz equivalentes (como $d_B$ y $d_H$ ).
Algoritmos de aprendizaje no supervisado:
- Para votantes: Uso de algoritmos como PAM (Partitioning Around Medoids) para encontrar centros de clústeres que representan "bloques" de votantes.
- Para candidatos: Desarrollo de métricas de disimilitud entre candidatos ( $D_B$ ) para agruparlos en "listas" o slates que reflejan preferencias similares.

4. Resultados y Validación

Los autores validan su método mediante dos vías:

Validación Sintética: Utilizando modelos de Mallows mixtos, demostraron que sus métodos de clustering identifican correctamente los centros y tamaños de los grupos de votantes, incluso cuando los clústeres están desequilibrados.
Elecciones Reales (Escocia 2012-2022): Aplicaron el modelo a más de 1,000 elecciones locales en Escocia.
- Robustez: Los resultados de los grupos de votantes son consistentes independientemente de la métrica o convención utilizada.
- Descubrimiento de estructura: El método identificó bloques de votantes que coinciden con partidos políticos, pero también reveló estructuras interpartidistas (por ejemplo, la cercanía entre el SNP y los Verdes) que el análisis basado solo en etiquetas de partidos podría omitir.
- Consistencia: En el 73.5% de las elecciones, los centros óptimos de Borda y Kendall tau coinciden perfectamente.

5. Significancia

Este trabajo proporciona herramientas matemáticas robustas para la ciencia de datos electorales. Al permitir el análisis de rankings parciales, el marco es aplicable al mundo real. Además, establece una base geométrica para medir la polarización (distancia entre centros de clústeres) y la proporcionalidad (si las listas de candidatos representan fielmente el tamaño de los bloques de votantes), transformando la teoría de la elección social en una herramienta de análisis descriptivo y diagnóstico de la salud democrática.