🗳️ PERITO EN RESULTADOS ELECTORALES: Detección de Fraudes, Pucherazos y Manipulaciones mediante Ciencia de Datos, Estadística Forense e Investigación Operativa
El Dr. (PhD) Ing. Miguel Gallardo, Doctor Ingeniero, perito judicial, criminólogo y experto en informátoscopia notarial, ofrece servicios periciales especializados en la detección de fraudes electorales (manipulación de resultados, pucherazo, relleno de urnas, supresión de votantes, etc.) mediante el uso riguroso de la ciencia de datos, la estadística forense y los modelos de investigación operativa. Esta página constituye un compendio avanzado de los métodos matemáticos y computacionales más eficaces para identificar irregularidades en procesos electorales, complementando y ampliando el contenido de Perito Electoral con un enfoque cuantitativo y de optimización. Ofrece servicios periciales para partidos políticos, organizaciones internacionales, periodistas y ciudadanos que necesiten impugnar resultados sospechosos o auditar la integridad de una votación.
📜 ACREDITACIÓN DE IDONEIDAD DEL PERITO EN ANÁLISIS FORENSE ELECTORAL:
“El abajo firmante, Dr. Ing. Miguel Ángel Gallardo Ortiz (PhD), actúa en el presente procedimiento en calidad de Perito Judicial experto en detección de fraudes electorales mediante métodos estadísticos y de investigación operativa. Su idoneidad se fundamenta en: 1) Dominio de la Ley de Benford y técnicas de preferencia de dígitos; 2) Conocimiento profundo del modelo paramétrico de Klimek, Yegorov, Hanel y Thurner (PNAS 2012) para la detección de irregularidades sistemáticas; 3) Capacidad para diseñar Auditorías de Límite de Riesgo (RLA) según el método de Philip Stark; 4) Manejo de la fórmula de Cochran y ajuste por población finita para el cálculo de muestras representativas; 5) Experiencia en simulación de Monte Carlo y modelado basado en agentes (ABM); 6) Dominio de herramientas forenses para el análisis de bases de datos electorales y la impugnación de resultados.”
1. Métodos Estadísticos de Detección de Fraude Electoral
La ciencia de datos ofrece potentes herramientas para identificar anomalías estadísticas que no ocurren de forma natural en procesos electorales limpios. A continuación se detallan los más relevantes:
1.1. Ley de Benford (Benford’s Law)
La Ley de Benford establece que, en muchos conjuntos de datos numéricos naturales (como números de votos por mesa, población de distritos, etc.), la probabilidad de que el primer dígito sea d viene dada por la fórmula logarítmica P(d) = log10(1 + 1/d) para d = 1,2,…,9. Esto implica que el dígito 1 aparece como primer dígito aproximadamente en el 30.1% de los casos, el 2 en el 17.6%, el 3 en el 12.5%, y así sucesivamente hasta el 9, que aparece solo en el 4.6% de los casos. En elecciones libres de manipulación, los recuentos de votos (votos a candidatos, participación por mesa) suelen seguir esta distribución. Desviaciones significativas, especialmente en el segundo dígito, pueden indicar que los datos fueron inventados o redondeados artificialmente (por ejemplo, si hay un exceso de terminaciones en 0 o 5).
Aplicación pericial: El perito puede calcular la distribución empírica de los primeros dígitos de los votos emitidos a nivel de mesa o distrito y contrastarla con la distribución teórica de Benford mediante la prueba de chi-cuadrado o la prueba de Kolmogorov-Smirnov. Si la desviación es estadísticamente significativa (p-valor < 0.05), se obtiene un fuerte indicio de manipulación. Es importante realizar la prueba también sobre el segundo dígito y sobre los dígitos finales, ya que la ley es más sensible en estos casos. Además, se debe verificar la homogeneidad de los datos (rango de valores, número de observaciones) para evitar falsos positivos.
📌 Limitación importante: La Ley de Benford es más sensible en el segundo dígito que en el primero. Además, si el tamaño de los distritos es muy homogéneo (ej. todas las mesas tienen exactamente 500 votantes), la ley no se cumple de forma natural, por lo que puede generar falsos positivos. El perito debe evaluar la homogeneidad antes de aplicar este test.
1.2. Análisis de Preferencia de Dígitos (Digit Preference Test)
Este test examina la frecuencia de los últimos dígitos (unidades) de los recuentos de votos. En datos naturales, todos los dígitos del 0 al 9 tienen aproximadamente la misma probabilidad (10%). Cuando los humanos inventan o redondean cifras, tienden a elegir números que terminan en “0” o “5” con mucha más frecuencia (sesgo por redondeo). Un exceso de terminaciones en 0 o 5 es un indicio clásico de manipulación. También se puede analizar la distribución de los dos últimos dígitos.
Aplicación pericial: El perito calcula la distribución de frecuencias de los últimos dígitos y aplica una prueba de bondad de ajuste (chi-cuadrado) frente a la distribución uniforme. Valores atípicos (por ejemplo, más del 15% de terminaciones en 0) pueden ser señal de pucherazo. También se puede comparar con las terminaciones esperadas según la Ley de Benford para el segundo dígito.
1.3. Prueba de Kolmogorov‑Smirnov (K‑S) para Distribuciones de Voto
La prueba de Kolmogorov‑Smirnov es una prueba no paramétrica que compara la distribución acumulada de los votos observados con una distribución teórica esperada (por ejemplo, una distribución normal o una distribución generada por simulación de agentes). Si la diferencia máxima entre ambas distribuciones supera un umbral crítico, se rechaza la hipótesis de que los datos proceden de un proceso limpio.
Aplicación pericial: El perito puede comparar la distribución del porcentaje de voto al candidato ganador en diferentes distritos con una distribución normal estimada a partir de elecciones históricas limpias. Una asimetría excesiva o una bimodalidad puede indicar fraude incremental o extremo.
1.4. Análisis de la Varianza de los Residuos (Regresión de Datos de Mesas)
Este método consiste en ajustar un modelo de regresión lineal entre la participación electoral (o el número de votantes) y el porcentaje de voto a un candidato. En elecciones limpias, los residuos (diferencias entre valores observados y predichos) deben distribuirse aleatoriamente. Si existe una relación artificial (por ejemplo, una correlación muy alta en distritos con alta participación), puede indicar manipulación.
Aplicación pericial: Se utiliza la regresión de datos de mesas electorales (o distritos) para detectar patrones anómalos como la falta de variabilidad en distritos con alta participación (fraude extremo) o una relación no lineal extraña.
1.5. Detección de Duplicados Anómalos y Patrones Repetitivos
En ocasiones, los datos fraudulentos se generan copiando totales de otras mesas o repitiendo secuencias de números. El análisis de duplicados exactos (mismo número de votos, misma participación) en mesas distintas puede revelar manipulación.
Aplicación pericial: Se buscan mesas con recuentos de votos idénticos o muy similares que no deberían ser tan iguales por azar. También se analiza la frecuencia de números redondos (múltiplos de 10, 100, etc.).
1.6. Análisis de la Correlación entre Participación y Voto al Ganador
En democracias consolidadas, la relación entre participación y voto al ganador no suele ser perfecta. Si existe una correlación extremadamente alta (cercana a 1), puede indicar relleno de urnas.
Aplicación pericial: Se calcula el coeficiente de correlación de Pearson o Spearman entre la participación y el porcentaje de voto al ganador. Un valor muy alto (por ejemplo >0.9) en un conjunto de datos sospechoso es una alerta.
2. El Modelo de Klimek, Yegorov, Hanel y Thurner (PNAS 2012): Detección Cuantitativa de Irregularidades Sistemáticas
En 2012, la revista Proceedings of the National Academy of Sciences (PNAS) publicó el artículo “Statistical detection of systematic election irregularities”, de los investigadores Peter Klimek, Yuri Yegorov, Rudolf Hanel y Stefan Thurner (Universidad Médica de Viena). Este trabajo supuso un hito al transformar la sospecha cualitativa de fraude en una medición cuantitativa mediante dos parámetros. A continuación se detalla el modelo:
- Parámetro α (fraude incremental): Representa el porcentaje de votos que han sido “desviados” de un candidato a otro o añadidos artificialmente de forma moderada y homogénea. Cuando α > 0, la distribución del voto al ganador presenta una asimetría (skewness) positiva o negativa anómala, en lugar de la forma de campana gaussiana esperada. Se calcula mediante la diferencia entre la media de la distribución observada y la media esperada bajo normalidad.
- Parámetro β (fraude extremo): Representa el porcentaje de mesas o distritos donde se ha producido un “relleno de urnas” masivo (por ejemplo, 100% de participación y 100% de votos al mismo candidato). Cuando β > 0, la distribución presenta un segundo pico (bimodalidad) o un “pulso” artificial en el extremo superior (participación y voto al ganador cercanos al 100%).
- Elecciones limpias: En procesos no manipulados, ambos parámetros son cero (α = β = 0) y la distribución de voto sigue una campana de Gauss.
- Falsos positivos: Los autores advierten que países con alta heterogeneidad sociolingüística (ej. Canadá, con comunidades francesa e inglesa) pueden presentar valores de α > 0 sin que exista fraude real, simplemente porque la suma de dos distribuciones normales de diferentes comportamientos crea una figura distorsionada. Por ello, el modelo debe aplicarse junto con análisis cualitativos y de contexto.
Aplicación pericial: El Dr. Gallardo puede implementar el modelo de Klimek‑Thurner utilizando los datos de votación desagregados por mesa (disponibles públicamente en muchas democracias). Los resultados obtenidos (α, β) sirven como prueba pericial robusta para impugnar comicios. Además, se pueden generar las “huellas dactilares electorales” (scatter plots de participación vs. voto al ganador) para visualizar las anomalías.
📌 Casos empíricos del estudio PNAS y aplicaciones posteriores:
▪️ Rusia (2011): α significativamente positivo, con una asimetría extrema y picos en números redondos (80%, 85%, 90% de participación), lo que indica invención de datos.
▪️ Uganda (2011): β positivo (fraude extremo), con una masa de votos concentrada en el 100% de participación y 100% de votos al ganador.
▪️ España y Suiza: Ambos parámetros próximos a cero, confirmando la limpieza de sus procesos electorales.
▪️ Venezuela (2013, 2018, 2024): Analistas han aplicado el mismo modelo para detectar la “huella plana” o repetitiva en actas que no coinciden con la curva de participación esperada, así como la presencia de un segundo pico en el 100% de participación.
▪️ Afganistán (2019): El modelo detectó una manipulación sistemática en las mesas donde había alta presencia de observadores internacionales.
3. Auditorías de Límite de Riesgo (Risk‑Limiting Audits – RLA)
Desarrolladas por el estadístico Philip Stark de la Universidad de Berkeley, las RLA son el estándar de oro para confirmar que el ganador reportado es realmente el ganador real con un nivel de confianza predefinido (por ejemplo, 95% o 99%). Su aplicación es especialmente útil tras elecciones muy ajustadas o cuando existen indicios de manipulación. El procedimiento paso a paso es el siguiente:
- Establecer el límite de riesgo (riesgo α): Se define la probabilidad máxima aceptable de que la auditoría certifique a un ganador incorrecto (ej. 5% o 1%).
- Manifiesto de boletas: La autoridad debe publicar un listado detallado de la ubicación de cada urna y el número de papeletas que contiene, sin basarse en los datos del sistema de conteo.
- Generación de semilla aleatoria: Se crea una semilla pública (a menudo lanzando dados en vivo) para seleccionar qué boletas o lotes específicos se revisarán manualmente.
- Métodos de muestreo:
- Ballot Polling (Muestreo de boletas): Se extraen boletas individuales al azar. Si la muestra favorece al ganador con suficiente margen, la auditoría se detiene. El tamaño de muestra se calcula en función del margen esperado y del riesgo.
- Ballot Comparison (Comparación de boletas): Se compara la interpretación del software (Cast Vote Record) de una boleta específica con el papel físico. Requiere acceso a los registros individuales.
- Batch Comparison (Comparación de lotes): Se cuenta manualmente todo un precinto o mesa y se compara con el acta oficial. Es más rápida pero menos eficiente en el uso de recursos.
- Criterio de parada o escalada: Si las discrepancias son mínimas y cumplen con el margen estadístico, se certifica el resultado. Si hay anomalías graves, la auditoría escala automáticamente hasta llegar, si es necesario, al recuento manual del 100%.
Aplicación pericial: El Dr. Gallardo puede diseñar un plan de RLA adaptado a la legislación electoral local, calcular el tamaño de muestra necesario (usando la fórmula de Kaplan-Stark o el método de Stark para comparación de boletas) y supervisar la ejecución de la auditoría. El informe pericial incluirá la probabilidad de que el resultado oficial sea correcto y el riesgo de error.
📌 Fórmula básica para el tamaño de muestra en RLA (método de Kaplan-Stark para riesgo del 5%):
n ≈ 3 / m, donde m es el margen de victoria (diferencia porcentual entre el primer y segundo candidato, en tanto por uno).
Por ejemplo, si el candidato A gana por un 2% (m=0.02), entonces n ≈ 3 / 0.02 = 150 mesas a auditar aleatoriamente.
4. Cálculo del Tamaño de Muestra para Auditorías Electorales
Para determinar cuántas mesas o actas deben auditarse con rigor científico, se utilizan dos enfoques principales: el método clásico de Cochran (para estimar el porcentaje real de votos) y el método moderno de Kaplan‑Stark para RLA (para confirmar al ganador).
4.1. Método Clásico de Cochran (para estimar el porcentaje real de votos)
Se aplica cuando se desea una muestra representativa que permita estimar la proporción de votos con un margen de error determinado. La fórmula es:
n₀ = (Z² * p * (1-p)) / e²
donde:
Z = valor crítico (1.96 para 95% de confianza, 2.58 para 99%)
p = proporción esperada (0.5 si se desconoce, para máxima variabilidad)
e = margen de error admitido (ej. 0.02 para ±2%)
Ajuste por población finita: n = n₀ / (1 + (n₀-1)/N), donde N es el número total de mesas.
Ejemplo: Para un 95% de confianza, p=0.5, e=0.02, y 10.000 mesas, n₀ = (1.96² * 0.5 * 0.5) / 0.02² = 2401. Ajustando con población finita: n = 2401 / (1 + 2400/10000) ≈ 2401 / 1.24 ≈ 1936 mesas.
4.2. Método de Kaplan‑Stark para RLA (basado en el margen de victoria)
Para confirmar que el ganador ganó, el tamaño de la muestra depende del margen de victoria. La “regla del tres” de Kaplan‑Stark establece una aproximación para un riesgo del 5%:
n ≈ 3 / m
donde m es el margen de victoria (diferencia porcentual entre el primer y segundo candidato, en tanto por uno).
Ejemplo: Si el candidato A ganó por un 2% (m = 0.02), entonces n ≈ 3 / 0.02 = 150 mesas que deben auditarse aleatoriamente. Si la auditoría de esas 150 mesas no muestra anomalías, se puede certificar el resultado con un riesgo del 5% de error.
Aplicación pericial: El perito puede elegir el método más adecuado según el objetivo de la auditoría (estimar porcentaje o confirmar ganador) y calcular el tamaño de muestra óptimo, estratificando por zonas geográficas si es necesario para garantizar la representatividad de minorías.
5. Investigación Operativa: Simulación de Monte Carlo y Modelos Basados en Agentes (ABM)
La investigación operativa (IO) permite simular millones de escenarios para evaluar la probabilidad de fraude y optimizar los recursos de auditoría.
- Modelos Basados en Agentes (ABM): Se simula el comportamiento de votantes individuales bajo condiciones normales (preferencias, participación, etc.) y se generan resultados teóricos. Si los resultados reales se desvían más allá de un umbral (por ejemplo, 5‑6% de manipulación), se descarta la integridad del proceso. Los parámetros del modelo se calibran con datos históricos de elecciones anteriores consideradas limpias.
- Simulación de Monte Carlo: Se realizan 10.000 o más simulaciones introduciendo un hipotético fraude (relleno de urnas, desvío de votos) y se observa en cuántas de ellas la muestra aleatoria seleccionada habría detectado la anomalía. Si la tasa de detección es superior al 95%, el plan de auditoría es eficaz. También se puede usar para estimar la distribución nula de un estadístico de prueba (por ejemplo, el parámetro α de Klimek-Thurner) y compararlo con el valor observado.
- Optimización de la asignación de recursos: Algoritmos de IO (como la programación lineal entera) determinan qué mesas deben auditarse primero para maximizar la probabilidad de detectar un fraude con el menor coste posible, teniendo en cuenta la variabilidad histórica del voto, la ubicación geográfica y el tiempo disponible.
Aplicación pericial: El Dr. Gallardo puede construir modelos ABM y simulaciones de Monte Carlo adaptados a la realidad sociodemográfica de cada país, proporcionando dictámenes periciales que cuantifican la probabilidad de fraude y la eficacia de las medidas correctoras. Estos métodos son especialmente útiles en contextos donde los datos son limitados o existe alta incertidumbre.
6. Huellas Dactilares Electorales (Election Fingerprints) y Visualización de Anomalías
La representación gráfica de los resultados electorales (scatter plots de participación vs. porcentaje de voto al ganador) puede revelar patrones anómalos. En elecciones limpias, los puntos se concentran en una nube con forma de campana. En casos de fraude:
- Fraude incremental: La nube de puntos presenta una asimetría (skewness) o un “estiramiento” hacia valores altos de voto al ganador. También pueden aparecer vacíos en zonas donde debería haber puntos si la distribución fuera normal.
- Fraude extremo: Aparece un segundo grupo de puntos en la esquina superior derecha (100% participación, 100% voto al ganador).
- “Huella plana”: Cuando los datos son inventados, las curvas de nivel se vuelven rectilíneas o muestran patrones repetitivos (por ejemplo, líneas horizontales o verticales).
- Mapas de calor de densidad: Permiten visualizar la concentración anómala de puntos en determinadas regiones del gráfico.
Aplicación pericial: El perito puede generar estas visualizaciones con software estadístico (R, Python, Julia) y presentarlas como prueba gráfica en el dictamen. Las imágenes de alta resolución pueden incluirse en el informe pericial o en anexos.
7. Delincuencia Electoral y Marco Legal en Iberoamérica
El Dr. Gallardo conoce las legislaciones electorales de todos los países de habla hispana. A continuación se detallan las autoridades electorales equivalentes a la Junta Electoral Central española y al Jurado Nacional de Elecciones peruano, así como las principales normas que rigen la impugnación de resultados por fraude.
7.1. España
- Junta Electoral Central (JEC): Órgano superior de la Administración electoral. Supervisa y controla los procesos electorales, resuelve reclamaciones y declara la validez de los resultados.
- Juntas Electorales Provinciales: Actúan en cada provincia bajo la dependencia de la JEC.
- Ley Orgánica 5/1985, de 19 de junio, del Régimen Electoral General (LOREG): Regula el procedimiento electoral, los recursos de amparo y los delitos electorales (arts. 139 a 154).
- Procedimiento de impugnación: Los partidos políticos pueden impugnar los resultados mediante recurso contencioso‑electoral ante la Sala Tercera del Tribunal Supremo.
- Delitos electorales: Falsificación de actas, suplantación de electores, coacción a votantes, alteración de resultados, etc. (arts. 139-154 LOREG).
7.2. México
- Instituto Nacional Electoral (INE): Órgano autónomo que organiza las elecciones federales. Equivalente a la Junta Electoral Central.
- Organismos Públicos Locales Electorales (OPLES): Equivalentes a las juntas provinciales.
- Ley General de Instituciones y Procedimientos Electorales (LGIPE) y Ley General de Delitos Electorales (LGDE).
- Tribunal Electoral del Poder Judicial de la Federación (TEPJF): Máxima autoridad jurisdiccional en materia electoral, resuelve impugnaciones.
- Delitos: Coacción al voto, compra de votos, robo de urnas, alteración de resultados, etc.
7.3. Colombia
- Registraduría Nacional del Estado Civil: Organiza las elecciones.
- Consejo Nacional Electoral (CNE): Ejerce la suprema inspección y vigilancia de la organización electoral. Equivalente a la Junta Electoral Central.
- Decreto 2241 de 1986 (Código Electoral) y Ley 1475 de 2011 (Ley de garantías electorales).
- Procedimiento de impugnación ante el Consejo de Estado (Sala Contenciosa – Sección Quinta).
7.4. Perú
- Jurado Nacional de Elecciones (JNE): Órgano constitucional autónomo que fiscaliza la legalidad del proceso electoral, proclama los resultados y conoce las impugnaciones. Equivalente a la Junta Electoral Central.
- Oficina Nacional de Procesos Electorales (ONPE): Organiza las elecciones.
- Registro Nacional de Identificación y Estado Civil (RENIEC): Elabora el padrón electoral.
- Ley 26859 (Ley Orgánica de Elecciones) y Ley 27387 (Ley de Delitos Electorales).
7.5. Argentina
- Cámara Nacional Electoral (CNE): Órgano jurisdiccional con competencia en materia electoral, equivalente a la Junta Electoral Central. Supervisa la aplicación de la ley electoral.
- Juzgados Federales con competencia electoral.
- Código Electoral Nacional (Ley 19.945) y Ley 23.187 de Delitos Electorales.
7.6. Chile
- Servicio Electoral de Chile (SERVEL): Organiza las elecciones y supervisa la legalidad. Equivalente a la Junta Electoral Central.
- Tribunal Calificador de Elecciones (TRICEL): Resuelve las impugnaciones y proclama a los candidatos electos.
- Ley 18.556 (Sistema de Inscripciones Electorales) y Ley 18.700 (Orgánica Constitucional sobre Votaciones y Escrutinios).
7.7. Bolivia
- Órgano Electoral Plurinacional (OEP): Compuesto por el Tribunal Supremo Electoral (TSE) y los Tribunales Departamentales Electorales (TDE). El TSE es el máximo órgano de supervisión, equivalente a la Junta Electoral Central.
- Ley 026 (Régimen Electoral) y Ley 018 (Delitos Electorales).
7.8. Ecuador
- Consejo Nacional Electoral (CNE): Organiza y supervisa las elecciones. Equivalente a la Junta Electoral Central.
- Tribunal Contencioso Electoral (TCE): Resuelve las impugnaciones y conflictos electorales.
- Código de la Democracia (Ley Orgánica Electoral y de Organizaciones Políticas).
7.9. Uruguay
- Corte Electoral: Órgano independiente que supervisa la organización y el desarrollo de los actos electorales. Equivalente a la Junta Electoral Central.
- Código Electoral (Ley 7.812).
7.10. Paraguay
- Tribunal Superior de Justicia Electoral (TSJE): Máxima autoridad electoral, supervisa los procesos y resuelve las impugnaciones. Equivalente a la Junta Electoral Central.
- Justicia Electoral (juzgados y tribunales especializados).
- Código Electoral Paraguayo (Ley 834/96).
7.11. Venezuela
- Consejo Nacional Electoral (CNE): Organiza y supervisa las elecciones. Equivalente a la Junta Electoral Central.
- Sala Electoral del Tribunal Supremo de Justicia (TSJ): Resuelve las impugnaciones.
- Ley Orgánica de Procesos Electorales (LOPRE) y Ley Orgánica del Sufragio.
7.12. Costa Rica
- Tribunal Supremo de Elecciones (TSE): Órgano constitucional autónomo que organiza y supervisa las elecciones. Equivalente a la Junta Electoral Central.
- Código Electoral (Ley 8765).
7.13. Panamá
- Tribunal Electoral (TE): Órgano autónomo que organiza, supervisa y juzga los procesos electorales. Equivalente a la Junta Electoral Central.
- Código Electoral de Panamá (Ley 29 de 2022).
7.14. Guatemala
- Tribunal Supremo Electoral (TSE): Máxima autoridad electoral. Equivalente a la Junta Electoral Central.
- Ley Electoral y de Partidos Políticos (Decreto 1-85).
7.15. El Salvador
- Tribunal Supremo Electoral (TSE): Supervisa y organiza las elecciones. Equivalente a la Junta Electoral Central.
- Código Electoral (Decreto Legislativo No. 78).
7.16. Honduras
- Consejo Nacional Electoral (CNE): Organiza las elecciones.
- Tribunal Supremo Electoral (TSE): Resuelve las impugnaciones. Equivalente a la Junta Electoral Central.
- Ley Electoral y de las Organizaciones Políticas (Decreto 44-2004).
7.17. Nicaragua
- Consejo Supremo Electoral (CSE): Organiza y supervisa las elecciones. Equivalente a la Junta Electoral Central.
- Ley Electoral (Ley 331).
7.18. República Dominicana
- Junta Central Electoral (JCE): Órgano autónomo que organiza y supervisa las elecciones. Equivalente a la Junta Electoral Central española.
- Tribunal Superior Electoral (TSE): Resuelve las impugnaciones.
- Ley Orgánica del Régimen Electoral (Ley 15-19).
7.19. Cuba
- Consejo Electoral Nacional (CEN): Organiza las elecciones. Equivalente a la Junta Electoral Central.
- Ley Electoral (Ley 127 de 2019).
7.20. Puerto Rico (Estado Libre Asociado)
- Comisión Estatal de Elecciones (CEE): Organiza las elecciones.
- Oficina del Contralor Electoral.
- Código Electoral de Puerto Rico (Ley 58-2020).
📌 Nota sobre la cooperación internacional: Los dictámenes periciales del Dr. Gallardo pueden ser utilizados ante cualquiera de estas autoridades electorales, así como ante tribunales internacionales (Corte Interamericana de Derechos Humanos, Comisión de Derechos Humanos de la ONU) y organizaciones de observación electoral (OEA, UE, OSCE). También pueden presentarse en procedimientos ante el Centro Internacional de Arreglo de Diferencias Relativas a Inversiones (CIADI) cuando la manipulación electoral afecte a inversiones extranjeras.
8. Servicios Periciales Ofrecidos por el Dr. Miguel Gallardo
📊 Análisis de Ley de Benford y Preferencia de Dígitos
Dictamen sobre la existencia de manipulación en los datos de votación a nivel de mesa o distrito, con pruebas de chi-cuadrado y visualizaciones.
📈 Modelo de Klimek‑Thurner (PNAS 2012)
Estimación de los parámetros α (fraude incremental) y β (fraude extremo) y evaluación de su significación estadística mediante simulación de Monte Carlo. Generación de huellas dactilares electorales.
🔍 Auditoría de Límite de Riesgo (RLA)
Diseño y supervisión de auditorías post‑electorales para certificar resultados con un nivel de confianza determinado, incluyendo cálculo del tamaño de muestra y selección aleatoria de mesas.
🧮 Cálculo de Tamaño de Muestra
Determinación del número óptimo de mesas a auditar según el margen de victoria, la variabilidad histórica y los recursos disponibles, usando métodos clásicos (Cochran) o modernos (Kaplan-Stark).
⚙️ Simulación de Monte Carlo y ABM
Modelización del comportamiento electoral y simulación de escenarios de fraude para evaluar la probabilidad de detección y la robustez de los resultados.
📋 Impugnación de Resultados
Elaboración de dictámenes periciales para su presentación ante juzgados contencioso‑electorales, tribunales internacionales o comisiones de la verdad, incluyendo la redacción de recursos y alegaciones.
9. Glosario de Términos Clave para SEO (Vocabulario Electoral en Iberoamérica)
Pucherazo: Manipulación fraudulenta de los resultados electorales, especialmente mediante el relleno de urnas o la alteración de actas.
Relleno de urnas (ballot stuffing): Introducción de papeletas falsas en las urnas para aumentar artificialmente el número de votos de un candidato.
Fraude incremental: Desviación sistemática de un porcentaje de votos de un candidato a otro en múltiples mesas.
Fraude extremo: Manipulación masiva que lleva a que una mesa registre 100% de participación y 100% de votos para un mismo candidato.
Voto cautivo: Voto que es controlado o coaccionado por un empleador, un líder político o una estructura clientelar.
Manipulación de actas: Alteración de los documentos oficiales de escrutinio para modificar los resultados.
Conteo paralelo: Verificación independiente de los resultados mediante el recuento de las actas originales por parte de organizaciones de la sociedad civil.
Impugnación electoral: Recurso legal para cuestionar la validez de un proceso electoral o de sus resultados.
Recurso contencioso-electoral: Procedimiento judicial para revisar las decisiones de las autoridades electorales o impugnar resultados.
Observación electoral: Misión internacional o nacional que supervisa un proceso electoral y emite informes sobre su integridad.
Misión de Observación Electoral (MOE): Equipo de expertos internacionales que evalúa la transparencia de unas elecciones.
Hermetismo electoral: Falta de transparencia y de acceso a la información sobre el proceso electoral.
Transparencia electoral: Principio que garantiza que todas las etapas del proceso sean públicas y verificables.
Anomalías estadísticas: Desviaciones de los patrones esperados en los datos electorales que pueden indicar fraude.
Distribución normal (campana de Gauss): Distribución estadística que suelen seguir los resultados electorales limpios cuando se grafican por distrito.
Asimetría (skewness): Medida de la falta de simetría de una distribución; un valor elevado puede indicar fraude incremental.
Curtosis: Medida de la concentración de datos en los extremos de la distribución; una curtosis muy alta puede indicar fraude extremo.
Prueba de bondad de ajuste: Test estadístico que evalúa si una muestra se ajusta a una distribución teórica (ej. chi-cuadrado, Kolmogorov-Smirnov).
Valor p (p-valor): Probabilidad de obtener una desviación tan extrema como la observada si la hipótesis nula (ausencia de fraude) fuera cierta. Un p-valor pequeño (<0.05) indica evidencia en contra de la hipótesis nula.
Nivel de confianza: Probabilidad de que el resultado de una auditoría sea correcto (ej. 95% o 99%).
Margen de error: Rango dentro del cual se espera que se encuentre el valor real con un nivel de confianza dado.
Estratificación: División de la muestra en subgrupos (estratos) para garantizar la representatividad de todas las regiones o tipos de mesas.
10. Enlaces Verificados en cita.es y miguelgallardo.es
Los siguientes enlaces son páginas reales y activas dentro de los dominios de APEDANICA. Se recomienda utilizarlos para ampliar la información o contactar con el perito:
11. Contacto y Presupuesto Sin Compromiso