📸 Datos al momento del análisis — 2026-06-10 · 07:00 AM hora Perú (UTC−5) · 12:00 UTC
Con el 92% de las mesas contabilizadas al momento de este análisis, Sánchez lleva ventaja de 26,161 votos. El análisis estadístico sobre esas mismas mesas muestra que las 7,373 mesas pendientes amplían esa ventaja — no la revierten.
+215,706 votos proyectadosResultado final estimado: Sánchez 9,693,046 · Keiko 9,477,340
Probabilidad de que Keiko gane ≈ 0% · 100 simulaciones bootstrapEn Perú, los votos se cuentan mesa por mesa en cada local de votación. Al momento de este análisis (2026-06-10), ya se habían contado 85,393 de 92,766 mesas — el 92%. Quedan 7,373 mesas sin contar, que en la primera vuelta representaron aproximadamente 1,040,000 votos válidos.
La pregunta es simple: ¿pueden esas 7,373 mesas darle la vuelta al resultado? Para responderla se hicieron dos tipos de proyección.
| Estado | Mesas | % del total |
|---|---|---|
| ✅ Ya contabilizadas (training set del modelo) | 85,393 | 92.05% |
| ⏳ Pendientes — las que proyectamos | 7,373 | 7.95% |
| Total nacional (1ª vuelta) | 92,766 | 100% |
En la primera vuelta de 2026 hubo 38 agrupaciones compitiendo. Para proyectar cómo votan sus seguidores en la segunda vuelta (donde solo hay dos candidatos), se elaboró un mapa a mano asignando a cada partido un "porcentaje que va a Keiko":
🟠 Keiko gana por +173,771 votos
| Votos de pendientes | Total final | |
|---|---|---|
| 🟠 Keiko | +621,043 | 9,574,446 |
| 🔵 Sánchez | +421,111 | 9,400,675 |
¿Por qué este resultado es incorrecto? El plan asume que los votantes son perfectamente obedientes: si un partido apoya a Keiko, el 100% de sus seguidores vota por Keiko. La realidad no funciona así.
Tenemos 85,393 mesas donde conocemos el resultado real de ambas vueltas. Eso nos permite verificar si el plan era correcto o no. El análisis estadístico encontró tres errores fundamentales:
El plan asumía que si Aliaga apoya a Keiko, el 100% de sus votantes van a votar por Keiko. Pero en las mesas ya contadas se observa que en promedio el ~5.4% de los votantes de cualquier partido no aparecen en la 2da vuelta — se abstienen, votan en blanco o nulo. Ese 5.4% "se pierde" y el plan lo ignora.
Partidos como Podemos Perú, APRA y Somos Perú fueron catalogados como inclinados hacia Keiko. Pero mirando los datos reales mesa a mesa, sus seguidores votan más por Sánchez de lo que el plan estimaba. El anti-fujimorismo dentro de esos partidos es más fuerte de lo previsto.
Las mesas que todavía no se han contado tienden a concentrarse en zonas donde Sánchez tiene mayor apoyo. El plan trata todas las mesas pendientes igual, sin considerar su composición geográfica.
En lugar de asignar pesos a mano, se dejó que el modelo aprenda de las 85,393 mesas donde ya conocemos el resultado de ambas vueltas. La pregunta que resuelve el modelo es: "Dada la composición de voto en 1ra vuelta de esta mesa, ¿cuántos votos saca cada candidato en 2da vuelta?"
Se usaron dos modelos independientes para verificar que el resultado no sea casualidad:
Regresión calibrada con restricciones. Aprende qué fracción de los votantes de cada partido 1V terminan votando por Sánchez, Keiko, en blanco, o se abstienen. Restricciones matemáticas garantizan que los pesos sean realistas (entre 0% y 100%).
🔵 Sánchez +215,706 votos sobre Keiko
Modelo de árboles de decisión. No asume ninguna fórmula — encuentra patrones complejos como "los votantes de este partido en Lima se comportan diferente a los de Puno". Completamente independiente del primer modelo.
🔵 Sánchez +234,080 votos sobre Keiko
Ambos modelos llegan a la misma conclusión en forma independiente. Eso es la señal más fuerte de que el resultado es robusto.
El modelo calculó, para cada uno de los 38 partidos de la 1ra vuelta, qué fracción real de sus votantes fue a Keiko, a Sánchez, a blanco/nulo, o se abstuvo en la 2da vuelta. Varios resultados contradicen directamente el plan original:
| Partido 1ra vuelta | → Keiko | → Sánchez | → Blanco/Nulo | Plan asumía | ¿Sorpresa? |
|---|---|---|---|---|---|
| Renovación Popular (Aliaga) | 99.1% | 0% | 1.2% | 100% Keiko | ✅ Confirma |
| Fuerza Popular (Keiko 1V) | 96.0% | 0% | 4.3% | 100% Keiko | ✅ Confirma |
| Juntos por el Perú (Sánchez 1V) | 0% | 97.6% | 2.7% | 100% Sánchez | ✅ Confirma |
| APP (Acuña) | 43.6% | 46.5% | 9.4% | 100% Keiko | ⚠️ Plan equivocado |
| Avanza País (Williams) | 72.1% | 19.4% | 10.6% | 100% Keiko | ⚠️ Fuga material |
| Podemos Perú (Luna) | 0% | 95.0% | 5.3% | pro-Keiko | 🔴 Invertido |
| APRA | 86.6% | 5.3% | 11.5% | 60% Keiko | ⚠️ Más Keiko, pero con pérdida |
| Somos Perú (Forsyth) | 35.3% | 61.0% | 0.3% | 60% Keiko | 🔴 Invertido |
| Perú Libre (Cerrón) | 0% | 100.0% | 0% | 100% Sánchez | ✅ Confirma |
| Cooperación Popular (Lescano) | 0% | 100.0% | 0% | 100% Sánchez | ✅ Confirma |
| Partido Morado (Guevara) | 0% | 75.5% | 15.9% | 100% Sánchez | ✅ Confirma |
| Blancos 1V | 34.8% | 33.7% | 14.6% | — | Alta abstención (16.9%) |
| Abstención 1V | 0% | 0% | 0% | — | No se movilizan en 2V |
Una proyección estadística asume que los patrones del training se mantienen en las pendientes. ¿Es eso válido aquí? Se midió la composición de voto 1V en ambos grupos, con un hallazgo crucial:
29.4% en pendientes · 12.9% en observadas
Las mesas que todavía no se han contado tienen 2.3 veces más voto por Sánchez en 1ra vuelta que las ya procesadas. Eso explica directamente por qué el modelo les proyecta más votos Sánchez en 2da vuelta: ya lo eran antes.
Exterior sobre-representado: +6.8 pp
Los consulados envían sus actas más tarde. Las mesas pendientes están concentradas en el exterior y en Lima (zonas más pro-Sánchez), y sub-representadas en Lambayeque, Junín y Tumbes. El sesgo neto es pro-Sánchez en composición geográfica.
17.4% observadas · 16.9% pendientes
Fuerza Popular tiene casi la misma presencia en mesas observadas y pendientes (Δ −0.55 pp). Esto descarta que el scraper tenga sesgo sistemático contra Keiko — la diferencia en Sánchez es real, no un artefacto técnico.
Conclusión: El sesgo de composición existe y apunta en la misma dirección que la proyección. No es que el modelo fuerce un resultado pro-Sánchez — es que las mesas pendientes, vistas solo en 1ra vuelta, ya eran mayoritariamente pro-Sánchez antes de que el modelo hiciera nada.
| Método | Votos extra Keiko | Votos extra Sánchez | Total Keiko | Total Sánchez | ¿Quién gana? |
|---|---|---|---|---|---|
| 📋 Plan (pesos manuales) | +621,043 | +421,111 | 9,574,446 | 9,400,675 | Keiko +174k |
| 📐 NNLS calibrado | +523,937 | +713,482 | 9,477,340 | 9,693,046 | Sánchez +216k |
| 🌳 Random Forest | +511,061 | +745,141 | ~9,464k | ~9,725k | Sánchez +234k |
Intervalo de confianza 95% (100 simulaciones bootstrap) para el total de Sánchez: [9,679,805 – 9,696,515]. El rango de incertidumbre es de ~17,000 votos — la ventaja de 216k está muy por encima del margen de error del modelo.
w_K[j] + w_S[j] + w_BN[j] ≤ 1) usando SLSQP. El impacto en la proyección puntual fue de solo ~7k votos (de +222k a +216k), pero el intervalo de confianza pasa de ~900 votos a ~17,000 — una cuantificación de incertidumbre mucho más honesta. La conclusión cualitativa (Sánchez gana con probabilidad ≈ 100%) no cambia.
Este análisis podría estar mal en estos escenarios — aunque ninguno cambiaría el resultado por la magnitud de la ventaja proyectada:
partido_id 8 = Fuerza Popular (Keiko) y
partido_id 10 = Juntos por el Perú (Sánchez) en ambas vueltas.
Para revertir una ventaja proyectada de +216k votos se necesitaría que los supuestos estén equivocados por un margen de casi 13× el error de validación del modelo.
Análisis realizado con Python (scipy NNLS, scikit-learn RandomForest, bootstrap n=100) · Datos: ONPE oficial + scraper GitHub · Autor · ← Volver a resultados