Había una vez
92.766 mesas.

Una por cada pedacito del Perú donde alguien fue a votar.

Cada mesa contaba los votos,
los firmaba en un papel,
y los enviaba a la ONPE.

Así se hace desde hace treinta años.

Alguien bajó las mesas
una por una.

Como quien cuenta monedas en un frasco.

Faltaban 4.703 mesas.

Como si en tu mercado faltaran
5 de cada 100 puestos
y nadie supiera dónde están.

Verificado: no son actas duplicadas ni mesas del extranjero fuera de rango.
Las 2.543 mesas de peruanos en el exterior ya están incluidas.

El 2° puesto
no cuadra.

Cuatro fuentes. Dos dicen una cosa, dos dicen otra.
La diferencia supera el margen de error.

Datum + Mesa-a-mesa → RLA 2°. Ipsos + ONPE → JPP 2°.

Las 4 fuentes coinciden en el 1° (Keiko).
En el 2°: Datum y mesa-a-mesa dicen RLA. Ipsos y ONPE dicen JPP.
Gap JPP entre Datum (9,4%) y ONPE (12,0%) = 2,6pp · margen ±1pp.
No afirmamos fraude. Afirmamos que las 4 fuentes no cuadran en el 2° lugar.

Las mesas que faltan
aprietan el margen.

Las 4.703 mesas pendientes no están en sierra.
Están en Lima y Extranjero — zonas pro-RLA.

Correlación regional tasa_impugnación vs share_RLA: r = 0,506 · p = 0,008 (significativa).
Si las mesas pendientes se integran al ratio regional actual:
margen Sánchez−RLA: 13.624 → 5.883 votos (proyección 100%).
No afirmamos intención. Describimos la composición geográfica.

Cualquier persona,
con el mismo código,
puede volver a contar.

código abierto · datos públicos · huella SHA-256 sellada

Por Jack Aguilar · Neuracode Academy
Aporte ciudadano independiente. Sin afiliación política.
Ver dashboard técnico · Memorial al Fiscal

GitHub · TikTok · Instagram · Neuracode Academy

captura: 20260419T035056Z
findings.json SHA-256: e44134c4edba2c1f…
reproducir: git clone · py make.py analyze

Neuracode Academy

¿Quieres aprender a analizar datos así con IA?

Webinar gratis: Lunes 8PM · Zoom. Pipelines, forense de datos y automatización con Python + Claude. Dictado por Jack Aguilar.

Regístrate ahora →