11 de 11 mesas impugnadas.

Un solo local de votación en el extranjero. Las 11 mesas fueron observadas por irregularidades. La probabilidad de que pase por azar: 1 entre 20 billones.

11/11

mesas observadas por irregularidades · 100%

En este local había 11 mesas de votación. En las 11 hubo problemas y fueron observadas. En todo el país, solo 6 de cada 100 mesas tienen ese problema.

Binomial exacto unilateral · H0: p = 0.061585 (tasa global). Observado: 11/11 · p-value = 4.83×10⁻¹⁴.

El local: Complejo Deportivo BERBÉS.

Es un local de votación para peruanos en el extranjero (Salta, Argentina). Tenía 11 mesas. En las 11 se detectaron irregularidades y sus actas fueron enviadas a revisión. Eso no pasa por casualidad.

Local: COMPLEJO DEPORTIVO BERBÉS. Depto: Extranjero. Tipo: consular/exterior. n_mesas = 11. SUM(estado_acta='I') == COUNT(*) = 11.

En todo el Perú hay 92,766 mesas de votación.
De esas, solo el 6.16% fueron observadas por irregularidades.
Solo 1 local en todo el país con 5+ mesas tiene el 100% observadas: este.
Los datos son públicos y verificables: eg2026.duckdb · HuggingFace · IPFS.

BERBÉS vs el resto del país

Mesas con problemas en todo el país 6.16%

Local BERBÉS · Salta, Argentina 100%

Limitaciones honestas

Son 11 mesas — pocas, pero la estadística funciona igual con números pequeños.
Que una mesa sea observada es normal y legal. Que las 11 de un mismo local lo sean, no.
Si un local tiene 1 o 2 mesas, puede pasar por un problema puntual. Con 11, no tiene explicación simple.
Falta cruzar con las actas físicas del JNE para saber el motivo exacto de cada observación.

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

Anomalía estadística que ONPE debe explicar.

Ver H4 hero · JPP 41% mesas 900k+ → Ver H12 Cusco · pronto Dataset público (HF) → Código + scripts (GitHub) → ← 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. Verifica el p-value con el eg2026.duckdb del repo.

Finding ID: HALL-0420-H9 · binomial exacto unilateral · p = 4.83×10⁻¹⁴
H0: p = 0.061585 · observado: 11/11 · equivalente ≈ 1 entre 20,690,485,020,293
Papers: binomial exacto (probabilidad pura) · Newcombe 1998
Custodia: GitHub + HuggingFace + IPFS Filebase + Pinata

      ▶ Sustentación técnica completa
    

      Datos exactos
      Observado: 11/11 mesas impugnadas · Local BERBÉS Salta
Tasa global: 6.1585% impugnadas (5,718/92,766)
Universo: único local n≥10 al 100% entre todos los locales del país

      Método estadístico
      Test: Binomial exacto unilateral (probabilidad pura)
H0: p = 0.061585 (tasa global)
p-value: 4.83×10⁻¹⁴ · log₁₀P = −13.32
Equivalente: 1 entre 20,690,485,020,293
Papers: Newcombe 1998 · Binomial exacto (probabilidad pura)

      Limitaciones
      n=11 es pequeño — resultado significativo pero muestralmente limitado
No implica causalidad — solo concentración estadística extrema
Requiere investigación de campo para explicación causal

      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 → validación estadística con papers peer-reviewed → red-team adversarial → narrativa dual → 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