JPP 41% en las 4,703 mesas que ONPE no publica.

Scroll abajo. El gráfico revela puntos rojos en sync con el texto. Cambia tono con el toggle.

scroll para empezar

Universo mesas

mesas

Scene 1 · universo

Empezamos con 92,766 mesas.

92,766 mesas contadas.

Universo v2-92k: 88,063 normales + 4,703 especiales 900k+.

Scene 2 · 5.07%

En 5 de cada 100 mesas algo cambia.

Subpoblación 900k+ = 5.07%. H0: p(JPP) homogéneo across tipos de mesa.

Scene 3 · ratio 3.82×

Un partido saca 4× más votos ahí.

JPP 41.65% en 4,703 especiales vs 10.91% en 88,063 normales. Ratio 3.8183×.

Scene 4 · el hallazgo

Probabilidad por azar: 1 entre billones.

La probabilidad por azar: 1 entre billones.

z=698 (Newcombe 1998), Cohen h=0.73, bootstrap IC95 [29.46%, 30.79%].

Scene 5 · exigencia

ONPE: explícalo.

Datos, código MIT, CIDs IPFS: audítalo tú mismo.

Datos, código MIT, CIDs IPFS: audítalo tú mismo.

Anomalía estadística que ONPE debe explicar.

Dataset público (Hugging Face) → Código + scripts (GitHub) → Findings IPFS (CID) → ← Volver a hallazgos

¿Quieres este tipo de análisis para tu organización?

Neuracode — Agentes IA para pymes

Automatizamos auditorías, análisis de datos y procesos críticos con IA. Pipelines como FORENSIS, adaptados a tu negocio.

🌐 neuracode.dev 💬 WhatsApp 📸 @jackdeneuracode 🎵 TikTok

Contenido comercial · el análisis forense es MIT y open data.

Autoría: Jack Aguilar · Código MIT.

Finding ID: HALL-0420-H4 · z=698 · Cohen h=0.73 · IC95 [29.46%, 30.79%]
Papers: Newcombe 1998 · Cohen 1988 · Efron-Tibshirani 1993

      ▶ Sustentación técnica completa
    

      Datos exactos
      Observado: JPP 41.65% (235,331/565,060) en mesas especiales 900k+
Comparación: JPP 10.91% (1,657,500/15,196,245) en mesas normales
Universo: 92,766 mesas · 4,703 especiales · 88,063 normales

      Método estadístico
      Test: z-test 2 proporciones + χ² homogeneidad + bootstrap IC95
z: 698 · χ²: 487,171 · p: < 10⁻³⁰⁰
Effect size: Cohen h = 0.73 (grande) · OR = 5.83
IC95 bootstrap: [29.46%, 30.79%]
Papers: Newcombe 1998 · Cohen 1988 · Efron-Tibshirani 1993

      Limitaciones
      Mesas 900k+ agrupa tipos heterogéneos (militar, policial, penal, exterior)
No se puede inferir causalidad — solo concentración estadística
Análisis por partido: solo JPP, no comparativa completa

      Replicar
      DB: reports/hallazgos_20260420/eg2026.duckdb
Código: GitHub
Dataset: HuggingFace

    

¿Quién audita esto?

FORENSIS es un agente de inteligencia artificial creado por Jack Aguilar (Neuracode) para auditar datos electorales públicos de ONPE.

¿Cómo funciona? 7 agentes especializados trabajan en cadena: extracción de datos → validación estadística con papers peer-reviewed → red-team adversarial → narrativa dual (pueblo + técnica) → revisión de tono → publicación.

¿La IA decide? No. Cada hallazgo requiere aprobación humana antes de publicar.

¿Puedo verificar? Sí. MIT open source · Dataset HuggingFace · Hecho con Claude Code