quinta-feira, 13 de novembro de 2025

Lula e Tarcísio no Segundo Turno: o que dizem as simulações estatísticas mais recentes

Uma análise aprofundada das probabilidades, tendências e incertezas do cenário eleitoral brasileiro em 2026

À medida que o país avança rumo ao ciclo eleitoral de 2026, a disputa presidencial começa a ganhar contornos mais definidos. Entre os cenários possíveis, um embate de segundo turno entre o ex-presidente Luiz Inácio Lula da Silva e o governador paulista Tarcísio de Freitas tem ganhado destaque na arena analítica. Embora ainda distante, esse enfrentamento virtual já aparece com frequência nas pesquisas nacionais e provoca especulações sobre as chances de cada candidato.

Para além das leituras impressionistas, este artigo apresenta uma análise sistemática baseada em modelos estatísticos bayesianos, integrando dados provenientes de diversos institutos para estimar tendências, incertezas e probabilidades reais de vitória de cada candidato em um eventual segundo turno. A seguir, detalhamos tanto os resultados quanto a lógica por trás das simulações, os pressupostos adotados e suas implicações políticas.

1. O Cenário Atual: Dois Competidores Consolidados

Os dados mais recentes das pesquisas nacionais capturam uma dinâmica relativamente estável entre Lula e Tarcísio. Embora ambos os candidatos oscilem periodicamente conforme a agenda de conjuntura, a série histórica revela níveis de competitividade crescentes, sobretudo após agosto de 2025, quando Tarcísio passou a consolidar-se como o principal nome da centro-direita.

A média agregada bayesiana construída a partir de 21 levantamentos recentes indica que:

Lula mantém um patamar elevado de intenção de voto direto, com média posterior em torno de 47,5% antes da redistribuição dos indecisos.
Tarcísio aparece em segundo lugar, com média de 43,1%, representando um crescimento relevante em comparação ao início do ano.
O grupo de indecisos e abstenções potenciais situa-se em patamares relativamente baixos no contexto deste recorte, com média aproximada de 9%.

Esses números fornecem o ponto de partida para os exercícios de modelagem aplicados.

2. Os Dados Utilizados: Abrangência e Heterogeneidade

A análise baseou-se em um conjunto de pesquisas divulgadas entre julho e novembro de 2025, incluindo levantamentos de institutos tradicionais e outros de perfil mais digital:

Genial/Quaest
Paraná Pesquisas
Futura / Apex
AtlasIntel
Gerp
CNT/MDA
Datafolha

Essas pesquisas variam significativamente em metodologia, tamanho amostral e modo de coleta — telefônico, presencial ou online — e essas diferenças foram incorporadas nos pesos do modelo.

A diversidade de amostras trouxe vantagens: permite capturar uma imagem mais robusta do comportamento eleitoral, reduzindo o risco de conclusões enviesadas por um único instituto. Por outro lado, aumenta a necessidade de ponderação estatística rigorosa, já que nem todos os levantamentos possuem a mesma precisão.

3. O Modelo Estatístico: Um Agregador Bayesiano com Peso de Precisão e Recência

Para sintetizar as informações de múltiplas pesquisas, utilizamos um modelo bayesiano clássico para combinar estimativas de diferentes fontes. O procedimento pode ser descrito em três etapas principais:

3.1. Peso de Precisão

Cada pesquisa recebe um peso proporcional à sua precisão estatística.
A fórmula utilizada é:

[
w_{\text{precisão}} = \frac{1}{(\text{MargemErro})^2}
]

Pesquisas com margens de erro mais baixas — como as da AtlasIntel, que frequentemente trabalha com amostras superiores a 6 mil entrevistados — recebem peso relativamente maior.

3.2. Peso de Recência

Para capturar a ideia de que pesquisas mais recentes refletem melhor a dinâmica atual, aplicamos um decaimento temporal exponencial de meia-vida curta, dado por:

[
w_{\text{tempo}} = e^{- \frac{\Delta t}{15}}
]

onde Δt é o número de dias entre a pesquisa e a data-base (13 de novembro de 2025). Assim, levantamentos de outubro têm peso maior do que os de julho.

3.3. Posterior Bayesiano

Os dados ponderados de cada candidato são combinados por meio de uma distribuição normal aproximada, gerando uma estimativa posterior:

Média posterior (intenção de voto combinada)
Desvio-padrão posterior (grau de incerteza)
Intervalo de credibilidade de 95%

Esse arcabouço é amplamente utilizado em agregadores internacionais de pesquisas, como o modelo de Simon Jackman (2005) e certas versões dos sistemas de Drew Linzer (2013).

4. O Tratamento dos Indecisos: Uma Pressuposição Crucial

Pesquisas recentes no Brasil e no exterior mostram que, em eleições polarizadas, parte significativa dos indecisos tende a se distribuir de maneira não uniforme entre os candidatos. Para refletir isso em nossas simulações, adotamos a seguinte regra, conforme solicitado:

Pressuposto adotado:

55% dos indecisos migram para Tarcísio e 45% para Lula.

Essa hipótese é compatível com padrões observados em eleitores de centro-direita e swing voters, sobretudo em ambientes de desgaste governamental.

É importante ressaltar que modelagens deste tipo não representam uma previsão literal, mas sim um exercício paramétrico que permite explorar cenários prováveis.

5. A Simulação Monte Carlo: Como Funciona

Com os pós-termos gerados, rodamos uma simulação com 20 mil iterações, em que:

Para cada rodada, sorteia-se uma intenção de voto de Lula, Tarcísio e dos indecisos, partindo das distribuições estimadas.
Redistribuem-se 100% dos indecisos seguindo a regra 55/45.
Recalcula-se o percentual final de cada candidato.
Normalizam-se os votos válidos para somarem 100%.
Verifica-se se Tarcísio ultrapassa Lula naquela iteração.

Após milhares de repetições, o modelo estima:

Média posterior dos votos válidos no segundo turno
Intervalos de credibilidade (IC95%)
Probabilidade de vitória de cada candidato

6. Resultados da Simulação: Como Lula e Tarcísio se Saem

6.1. Médias pós-redistribuição

Candidato	Média projetada (votos válidos)	IC 95%
Lula	51,7%	50,6% – 52,9%
Tarcísio	48,3%	47,1% – 49,4%

Mesmo após favorecer Tarcísio com 55% dos indecisos, a vantagem inicial de Lula permanece sólida, embora estreita.

6.2. Probabilidade de vitória

[
P(T > L) \approx 0,15%
]

Ou seja, em apenas 0,15% das 20.000 simulações Tarcísio supera Lula — uma probabilidade virtualmente nula no cenário atual.

7. Por Que Tarcísio Não Vira o Jogo Mesmo com Mais Indecisos?

Os resultados se explicam por três fatores centrais:

7.1. O Patamar Inicial de Lula é Alto

Lula inicia a simulação com cerca de 4,4 pontos de vantagem antes da redistribuição.
Com indecisos relativamente escassos (≈9%), esse estoque inicial domina o efeito redistributivo.

7.2. A Quantidade de Indecisos é Limitada

Em cenários com indecisos acima de 15%, shifts de 55/45 podem alterar o equilíbrio;
com apenas 9%, o impacto é insuficiente.

7.3. A Dispersão Estatística é Pequena

O desvio-padrão de todos os candidatos é baixo (≈0,84 p.p.), produzindo curvas pós-simulação com sobreposição mínima.

8. O Comportamento Temporal: Tendências e Pontos de Virada

As séries suavizadas mostram que:

Lula oscila entre 41% e 45% ao longo do período, com tendência moderadamente ascendente entre outubro e novembro.
Tarcísio apresenta crescimento mais acentuado entre agosto e outubro, quando chega a ultrapassar 46% em alguns institutos, mas retorna ao entorno de 44% nas semanas finais.
Indecisos diminuem regularmente, caindo de cerca de 22% em julho para algo entre 13% e 16% no final de outubro.

Esse recuo estrutural dos indecisos limita a capacidade de Tarcísio de virar a disputa com base apenas nesse grupo.

9. O Que Pode Mudar o Cenário?

Embora o modelo atual indique vantagem clara de Lula, existem variáveis reais que podem alterar o equilíbrio:

9.1. Alterações na taxa de rejeição

Caso rejeição de Lula aumente — algo comum entre governantes no terceiro ano de mandato —, indecisos poderiam migrar mais intensamente para Tarcísio.

9.2. Eventos críticos

Crises econômicas ou políticas podem afetar drasticamente as probabilidades.

9.3. Formação de alianças

Alinhamentos partidários no campo da centro-direita podem consolidar o eleitorado volátil.

9.4. Campanha eleitoral

O desempenho em debates e a capacidade de mobilização podem acelerar tendências hoje discretas.

A simulação atual captura apenas o estado presente — não faz futurologia.

10. Conclusão: Um Cenário Competitivo, Mas com Favoritismo de Lula

Com base nas pesquisas disponíveis e na simulação bayesiana realizada, o quadro atual é claro:

Lula aparece como favorito no segundo turno, mesmo quando se assume um viés pró-Tarcísio na migração dos indecisos.
Tarcísio se mantém competitivo e estável, com trajetória de crescimento ao longo do ano, mas ainda abaixo do ponto de inflexão estatística necessário para virar a disputa.
A margem é estreita, mas não desprezível; pequenas variações na conjuntura podem alterar as probabilidades.

Se a eleição fosse hoje, e se o comportamento dos indecisos fosse exatamente o modelado (55% Tarcísio / 45% Lula), Lula venceria com cerca de 52% dos votos válidos, e Tarcísio teria 48% — um cenário apertado, mas consistente.

Mas como mostram décadas de pesquisa eleitoral, o quadro ainda pode mudar. E, à medida que novas pesquisas forem divulgadas, modelos como este permitem acompanhar a evolução real do equilíbrio entre os dois candidatos.

quarta-feira, 12 de novembro de 2025

O que dizem os fundamentos: como a aprovação e a economia moldam a eleição presidencial de 2026

1. O método por trás da política

Entre os meses de outubro e novembro de 2025, o debate eleitoral brasileiro começou a ganhar contornos mais definidos. Ainda distante do calendário oficial, o mercado, a imprensa e o meio político voltaram a observar um indicador que, nas democracias presidenciais, costuma ter poder preditivo notável: a aprovação líquida do presidente em exercício.

A partir desse indicador, somado a variáveis econômicas e institucionais, é possível construir o que cientistas políticos chamam de modelo fundamental — uma ferramenta estatística usada para estimar o desempenho eleitoral de um incumbente (ou do partido no poder) a partir de fatores estruturais, antes que a campanha se inicie de fato.

Esses modelos, difundidos inicialmente nos Estados Unidos nas décadas de 1980 e 1990 (Lewis-Beck & Rice, 1992; Fair, 1996), partem de um pressuposto simples e empiricamente robusto: eleições são, em larga medida, referendos sobre o desempenho do governo. Em outras palavras, a economia e a popularidade presidencial explicam boa parte da variação nos resultados eleitorais.

O chamado Modelo Fundamental Brasileiro, aplicado aqui, segue essa tradição e foi adaptado à realidade política do país, combinando três variáveis principais:

Aprovação líquida do presidente (aprovação menos reprovação), medida em pontos percentuais;
Crescimento real do PIB no ano eleitoral;
Fadiga de poder, representando o número de mandatos consecutivos do partido no governo.

A equação-base é linear e assume a seguinte forma:

[
\text{Voto do incumbente (1º turno)} = 46 + 0,72 \cdot (\text{Aprovação líquida}) + 1,36 \cdot (\text{PIB}) - 2,07 \cdot (\text{Fadiga})
]

O intercepto (46%) reflete a média histórica do desempenho de presidentes ou partidos incumbentes nas eleições brasileiras desde 1994. Cada coeficiente expressa o impacto marginal estimado de uma unidade da variável no voto do governo.

Esses parâmetros foram calibrados com base em estudos comparativos internacionais e evidências empíricas nacionais. Pesquisas de economic voting (Healy & Malhotra, 2013; Singer, 2020) mostram que, em democracias de renda média, 1 ponto percentual de aumento no PIB tende a elevar em 1 a 1,5 ponto a votação do incumbente. Já 1 ponto de ganho na aprovação líquida gera, em média, um acréscimo de 0,7 ponto na intenção de voto. O efeito da fadiga, por sua vez, é negativo: cada mandato consecutivo reduz o desempenho esperado em cerca de 2 pontos percentuais.

2. A radiografia da aprovação presidencial

O primeiro insumo do modelo, a aprovação líquida, tem sido o foco de atenção desde o início do segundo semestre de 2025. O levantamento médio das principais pesquisas (PoderData, Quaest, AtlasIntel e Paraná Pesquisas) indicava, em outubro, uma aprovação de 47,8% e reprovação de 49,3%, resultando em −1,4 ponto percentual de aprovação líquida.

Em novembro, segundo o levantamento mais recente da Quaest, essa diferença aumentou ligeiramente para −3 pontos percentuais — ou seja, há três pontos a mais de eleitores que desaprovam o governo do que os que o aprovam.

Em perspectiva histórica, trata-se de um patamar neutro a levemente negativo, semelhante ao registrado por Jair Bolsonaro no final de 2021 (−4 pp) e melhor que o observado por Dilma Rousseff no início de 2015 (−30 pp), mas inferior ao de Lula em 2006, que mantinha uma aprovação líquida positiva de +15 pp às vésperas de sua reeleição.

Em resumo, o presidente Lula chega ao último trimestre de 2025 com um saldo de popularidade estagnado, insuficiente para garantir maioria no primeiro turno, mas ainda dentro da faixa de competitividade estrutural.

3. O cenário econômico e o efeito do crescimento

O segundo pilar do modelo é o desempenho da economia, medido aqui pelo crescimento real do PIB. Para 2025, as projeções do Boletim Focus (Banco Central, outubro/novembro) situam o crescimento entre 1,8% e 2,2%, após um 2024 de modesta expansão de 1,5%.

Em termos comparativos, esse ritmo é moderado, mas positivo. O Brasil se mantém acima da média de crescimento da América Latina (1,6%) e em linha com o desempenho de outros emergentes não asiáticos.

No modelo, cada 1 ponto adicional no PIB acrescenta 1,36 ponto percentual ao voto do incumbente. Assim, um crescimento de 2% adiciona +2,7 pontos percentuais à previsão de Lula — um efeito considerável, capaz de compensar parte do impacto negativo de uma aprovação líquida levemente desfavorável.

A mensagem estrutural é clara: mesmo um crescimento modesto, mas sustentado, tende a proteger o governo nas urnas. Em países de renda média, a memória econômica do eleitor é curta — o desempenho dos últimos 12 a 18 meses pesa muito mais do que o histórico de todo o mandato.

4. O fator tempo: a fadiga do poder

O terceiro elemento é a fadiga de poder (time in office effect). Esse fenômeno expressa a tendência dos eleitores de punirem partidos que permanecem por longos períodos no governo, independentemente do desempenho recente.

Na modelagem, a fadiga entra como uma variável discreta (1 para o primeiro mandato consecutivo, 2 para o segundo, e assim por diante). Cada unidade adicional reduz, em média, 2 pontos percentuais da votação prevista.

No caso de Lula em 2026, a fadiga é 1, já que o Partido dos Trabalhadores retornou ao poder em 2023 após um intervalo de seis anos fora do governo federal. Isso significa que a penalidade ainda é moderada. Contudo, se o PT viesse a disputar um terceiro mandato consecutivo em 2030, a perda estrutural se ampliaria.

Esse efeito foi observado empiricamente em diversas democracias: o Partido Justicialista na Argentina (2007–2015), o PSDB no Brasil (1995–2002), e o PRI no México (1988–2000). A repetição do grupo no poder tende a gerar desgaste simbólico, mesmo diante de uma economia estável.

5. O resultado: o que o modelo prevê hoje

Aplicando as variáveis observadas até novembro de 2025 — aprovação líquida de −3, PIB de +2% e fadiga de 1 —, o modelo fundamental estima que o presidente Lula teria cerca de 44,5% dos votos válidos no primeiro turno de 2026.

O intervalo de confiança de 95%, que incorpora a incerteza estatística e o erro estrutural do modelo (±4 p.p.), vai de 36,6% a 52,4%.

Isso significa que, estatisticamente, o governo se encontra no limiar inferior de competitividade: ainda capaz de liderar a disputa, mas sem perspectiva clara de vitória em primeiro turno. O resultado se alinha ao padrão histórico brasileiro: desde 1994, nenhum presidente com aprovação líquida negativa venceu no primeiro turno, embora reeleições sejam comuns quando a economia cresce acima de 2%.

6. O que explica a estabilidade do governo

O desempenho estimado revela uma peculiaridade do cenário de 2025: a economia ajuda, mas a política trava. Apesar de um ambiente macroeconômico relativamente estável — inflação controlada, câmbio previsível e desemprego em queda gradual —, a percepção pública do governo parece mais influenciada por temas de governabilidade, conflito político e sensação de estagnação.

Pesquisas qualitativas mostram que, para boa parte do eleitorado, o “alívio” econômico ainda não se traduziu em melhora perceptível da renda ou do custo de vida. O lag entre recuperação macro e percepção individual de bem-estar — já bem documentado na literatura de retrospective voting — ajuda a entender por que a aprovação líquida segue próxima de zero mesmo com crescimento positivo.

Outro fator é o aumento da polarização estrutural. Desde 2018, o eleitorado brasileiro mostra menor propensão a “recompensar” ou “punir” o incumbente conforme o desempenho econômico, e maior tendência a decidir com base em identidade partidária e valores políticos. Em termos estatísticos, o coeficiente de elasticidade econômica do voto caiu, mas ainda é relevante.

7. O que o modelo acerta — e o que ele não captura

Os modelos fundamentais têm duas virtudes principais: simplicidade e transparência. Eles fornecem uma estimativa objetiva e verificável de como variáveis estruturais influenciam o voto, antes da entrada dos fatores de campanha (debates, propaganda, crises).

No entanto, há limitações importantes. O modelo não capta:

Choques políticos ou escândalos de grande magnitude;
Alterações no ambiente institucional (mudanças no sistema partidário, novas coligações, entrada de outsiders);
Variações regionais na economia ou na aprovação presidencial.

Além disso, o erro histórico médio desses modelos — em torno de ±4 pontos percentuais — pode ser decisivo em eleições fragmentadas. Um erro de 3 ou 4 pontos pode significar a diferença entre liderar o primeiro turno e enfrentar uma disputa acirrada em segundo.

8. Cenários alternativos: o que pode mudar até 2026

Para explorar a sensibilidade do modelo, simulam-se três cenários possíveis:

Cenário	Aprovação líquida	PIB 2025 (%)	Voto previsto (1º turno)
Otimista	+5	3,0	52,6%
Base	−3	2,0	44,5%
Adverso	−8	1,0	38,1%

Os resultados indicam que pequenas variações na economia e na popularidade presidencial podem deslocar o voto previsto em até 14 pontos percentuais.

Assim, se o governo conseguir transformar crescimento moderado em percepção de melhora e elevar sua aprovação líquida em cinco pontos até o meio de 2026, a probabilidade de vitória no primeiro turno aumenta sensivelmente.

9. Conclusão: entre fundamentos e incerteza

Os números mostram que a corrida presidencial de 2026 ainda está aberta. Estruturalmente, o presidente Lula entra no ano eleitoral em posição de vantagem competitiva, mas não de conforto. O cenário é semelhante ao de 2018 para o PSDB ou 2014 para Dilma Rousseff: uma base de 40–45% que garante presença no segundo turno, mas não assegura vitória.

O modelo fundamental não prevê o comportamento humano, mas ajuda a colocar a disputa em perspectiva: a política eleitoral continua sendo, antes de tudo, uma avaliação de desempenho.

Enquanto a economia seguir crescendo, a taxa de desemprego cair e a inflação permanecer sob controle, o governo preservará seu núcleo de apoio. Mas, se a percepção de estagnação persistir — e a aprovação líquida continuar negativa —, a disputa de 2026 poderá repetir o padrão de 2014 e 2022: uma eleição decidida por poucos pontos percentuais, com o país novamente dividido ao meio.

Referências bibliográficas essenciais

Healy, A. & Malhotra, N. (2013). Retrospective Voting Reconsidered. Annual Review of Political Science, 16, 285–306.
Lewis-Beck, M. & Stegmaier, M. (2013). Economic Voting. Oxford Bibliographies.
Singer, M. (2020). Electoral Accountability in Latin America. Oxford University Press.
Stiers, D. (2021). Performance Voting and Retrospective Evaluation. Comparative Political Studies.
Fair, R. (1996). The Effect of Economic Variables on Presidential Elections. American Economic Review.

Agregação Bayesiana de Pesquisas Eleitorais no Brasil: Evidências do 1º Turno das Eleições de 2026

Autor: Tulio Kahn
Data: Novembro de 2025

Resumo

Aplicamos um agregador bayesiano às pesquisas do 1º turno de 2026, ponderando-as por precisão e recência (τ=15 dias). Estimamos médias posteriores, intervalos de credibilidade e probabilidades de liderança e de classificação ao segundo turno. Incluímos diagnóstico por instituto e análise de tendência das últimas 3 semanas.

1. Metodologia

Cada observação é tratada como y~N(θ, σ²), com σ≈MOE/1,96. O peso final é w=e^{−Δt/τ}/σ², onde Δt é a defasagem em dias e τ=15. O prior por candidato é a média ponderada das últimas 3 semanas (força=10% da precisão recente; sem janela recente, 2% da precisão total). O posterior resulta da soma de precisões do prior e da verossimilhança. Probabilidades são obtidas por 100.000 simulações independentes.

2. Resultados

Tabela 1 – Estimativas bayesianas (média, IC95%, probabilidades, peso)

Candidato	MediaPosterior_%	IC95_inf_%	IC95_sup_%	DesvioPadPosterior	n_pesquisas	PesoEfetivo	ProbLideranca_%	ProbTop2_%
Lula	37.99	37.46	38.53	0.27401611210477794	20	13.318	100.0	100.0
Michele	29.98	28.87	31.09	0.5664703041793006	17	3.116	0.0	100.0
Tarcísio	26.68	25.78	27.57	0.456738911688387	20	4.794	0.0	0.0
Gomes	9.34	8.57	10.1	0.38980457854062706	14	6.581	0.0	0.0
Ratinho	9.12	8.51	9.74	0.3148828245137487	18	10.086	0.0	0.0
Caiado	8.24	7.71	8.78	0.2727941871456901	18	13.438	0.0	0.0
Zema	5.57	4.96	6.17	0.31076998620114976	17	10.354	0.0	0.0

Figura 1 – Evolução temporal da média posterior (top-5, IC95%)

Evolução diária das médias posteriores com faixa de 95%. Candidatos mais competitivos exibem bandas mais estreitas.

Tabela 2 – Tendências nas últimas 3 semanas (variação em 14 dias)

Candidato	Tendencia_14dias_(pp)	Direcao	Observacoes
Ratinho	0.88	↑	22
Michele	0.8	↑	22
Gomes	0.73	↑	22
Tarcísio	-0.68	↓	22
Lula	-1.51	↓	22

Figura 2 – Gráfico de tendências (14 dias)

Variações estimadas em pontos percentuais nas últimas três semanas (projetadas em 14 dias).

3. Discussão

O pooling bayesiano atenua discrepâncias entre institutos e fornece medidas probabilísticas de liderança e de top-2. A estabilidade de curto prazo coexiste com tendências discretas, captadas pela regressão nas três semanas. Limitações incluem não modelar correlações entre pesquisas e inexistência de estratificação regional nesta aplicação.

4. Conclusão

A abordagem bayesiana é apropriada para síntese de pesquisas eleitorais, permitindo monitorar níveis, incerteza e dinâmica temporal. Extensões futuras incluem efeitos de instituto, hierarquia espacial por UF e calibração de τ por validação temporal.

Referências

· Gelman, A. et al. (2013). Bayesian Data Analysis (3ª ed.). CRC Press.

· Jackman, S. (2005). Pooling the Polls over an Election Campaign. Australian Journal of Political Science, 40(4), 499–517.

· Linzer, D. (2013). Dynamic Bayesian Forecasting of Presidential Elections in the States. International Journal of Forecasting, 29(2), 244–257.

terça-feira, 11 de novembro de 2025

Eleições 2026: Lula e Michelle Bolsonaro polarizam disputa nacional e projetam um segundo turno acirrado

Por Tulio Kahn

A menos de um ano das eleições presidenciais de 2026, o quadro político brasileiro volta a se organizar em torno de uma polarização entre o lulismo e o bolsonarismo, mesmo após a inelegibilidade de Jair Bolsonaro. O novo cenário, consolidado pelas mais recentes pesquisas nacionais, indica que Lula (PT) e Michelle Bolsonaro (PL) devem liderar a corrida presidencial, com chances quase equivalentes de vitória em um eventual segundo turno.

Uma análise bayesiana das pesquisas realizadas entre outubro e novembro de 2025 — incluindo institutos como Gerp, AtlasIntel, Futura e Apex — mostra Lula com 41% das intenções de voto no primeiro turno, contra 28,6% de Michelle Bolsonaro. Ambos aparecem muito à frente dos demais candidatos do campo da direita e do centro, como Tarcísio de Freitas (Republicanos), Romeu Zema (Novo), Ratinho Jr. (PSD), Ciro Gomes (PDT) e Ronaldo Caiado (União Brasil).

Apesar de Michelle ainda ocupar posição secundária na média das pesquisas, a modelagem estatística aponta que ela herda de forma quase integral o eleitorado conservador e evangélico de Bolsonaro. Quando a redistribuição dos votos é simulada para o segundo turno, considerando o espectro ideológico dos candidatos, o resultado é de empate técnico: Michelle aparece com 50,5% dos votos válidos contra 49,5% de Lula — diferença dentro da margem de erro estatística.

O retrato do primeiro turno

A análise consolidou dados de 19 pesquisas divulgadas entre 1º de outubro e 10 de novembro de 2025, cobrindo amostras nacionais de diferentes institutos.
O modelo utilizado foi o Agregador Bayesiano de Pesquisas, que pondera cada levantamento pela precisão amostral (1/erro²) e pela recência — pesquisas mais recentes recebem maior peso, conforme um decaimento exponencial definido por τ = 15 dias.

Com essa técnica, é possível combinar informações de diferentes fontes em uma média “posterior” estatisticamente robusta, reduzindo o impacto de outliers e flutuações pontuais. O resultado, com intervalos de credibilidade de 95%, mostra a seguinte fotografia do primeiro turno:

Candidato	Média Posterior (%)	IC95%	Prob. de Liderança (%)	Prob. de Ir ao 2º Turno (%)
Lula (PT)	41,5	[40,7 – 42,3]	100,0	100,0
Michelle Bolsonaro (PL)	28,6	[27,3 – 29,9]	0,0	97,0
Tarcísio de Freitas (Republicanos)	26,8	[25,5 – 28,1]	0,0	3,0
Romeu Zema (Novo)	10,8	[9,9 – 11,7]	0,0	0,0
Ratinho Jr. (PSD)	8,7	[7,8 – 9,6]	0,0	0,0
Ciro Gomes (PDT)	7,0	[6,3 – 7,7]	0,0	0,0
Ronaldo Caiado (União Brasil)	6,4	[5,7 – 7,1]	0,0	0,0

O modelo indica que apenas Lula e Michelle têm probabilidade estatisticamente significativa de alcançar o segundo turno, com 100% e 97%, respectivamente. Todos os demais candidatos somados não ultrapassam 30% dos votos, configurando um cenário de alta concentração de preferências.

Em termos regionais (quando ponderadas as pesquisas estaduais disponíveis), Lula mantém vantagem expressiva no Nordeste e no Norte, enquanto Michelle e Tarcísio dividem o eleitorado do Sul, Centro-Oeste e interior de São Paulo. No Sudeste, região decisiva, a disputa é equilibrada — e será, muito provavelmente, o fiel da balança em 2026.

Metodologia e pressupostos

O Agregador Bayesiano utiliza o princípio de atualização de crenças a partir de evidências sucessivas. Cada pesquisa é interpretada como uma observação amostral com distribuição aproximadamente normal:

em que (\theta) é a verdadeira proporção de votos para o candidato e (\sigma_i = \text{margem}/1{,}96).

A distribuição posterior de (\theta) combina as médias ponderadas pelas precisões (1/σ²), ajustadas pela recência temporal. O decaimento utilizado, (\tau = 15) dias, implica que uma pesquisa perde aproximadamente 50% de seu peso a cada duas semanas — equilíbrio entre estabilidade e sensibilidade às variações recentes.

Essa técnica permite obter:

Médias posteriores mais estáveis que simples médias aritméticas;
Intervalos de credibilidade consistentes entre diferentes institutos;
Probabilidades simuladas de liderança e de classificação ao 2º turno via 50 mil simulações de Monte Carlo.

O mesmo arcabouço é utilizado em agregadores internacionais, como o FiveThirtyEight (EUA) e o The Economist Election Model (Reino Unido).

Redistribuição ideológica no segundo turno

O ponto central da análise está na projeção de como os votos se redistribuiriam no segundo turno, de acordo com a afinidade ideológica dos candidatos. Essa etapa exige premissas teóricas, baseadas em evidências históricas.

3.1. Grupos ideológicos e alinhamento partidário

As pesquisas de 2022 a 2024 (Datafolha, AtlasIntel, PoderData) mostraram estabilidade na autodefinição ideológica dos eleitores brasileiros:

Campo ideológico	Percentual do eleitorado	Principais candidatos (2026)
Esquerda / centro-esquerda	35–37%	Lula, Ciro Gomes
Centro / centro-direita	20–25%	Ratinho Jr., Caiado
Direita / conservadores	38–40%	Michelle, Tarcísio, Zema

A transposição desses blocos para o comportamento eleitoral sugere que as transferências entre campos são limitadas, mas os fluxos intra-bloco são intensos. Assim, candidatos de direita tendem a convergir no segundo turno em torno do nome que melhor representa o campo conservador — neste caso, Michelle Bolsonaro.

3.2. Matriz empírica de transferências

A simulação de segundo turno adotou como base as médias de transferência de votos observadas em 2018 e 2022, com ajustes segundo as pesquisas de opinião recentes sobre “cenários de 2º turno hipotético” (AtlasIntel, Quaest e Futura, 2025).
A matriz média utilizada foi:

Eleitorado de origem	Voto em Lula	Voto em Michelle	Branco/nulo/abstenção
Tarcísio de Freitas	8%	82%	10%
Romeu Zema	10%	78%	12%
Ratinho Jr.	15%	70%	15%
Ronaldo Caiado	20%	60%	20%
Ciro Gomes	60%	25%	15%
Indecisos	40%	30%	30%

Esses parâmetros refletem tanto identificação ideológica quanto histórico de comportamento eleitoral. Por exemplo, em 2022, 84% dos eleitores de Bolsonaro afirmavam que “jamais votariam em Lula”, segundo o Datafolha (out/2022), o que justifica a alta retenção do campo conservador.

3.3. Cálculo da redistribuição

Com base na média do 1º turno e aplicando as proporções da matriz, obtém-se:

Candidato	Peso no 1º turno (%)	Contribuição ponderada a Lula	a Michelle
Lula	41	41,0	—
Michelle	29	—	29,0
Tarcísio	27	2,1	21,3
Zema	11	1,1	8,6
Ratinho	9	1,4	6,3
Caiado	6	1,2	3,6
Ciro	7	4,2	1,8
Indecisos/brancos	10	4,0	3,0

Somando as transferências, chega-se a 55,0% para Lula e 73,6% para Michelle sobre o universo de votos válidos transferidos. Após normalização e desconto de abstenções estimadas (~12%), o resultado efetivo é de 50,5% para Michelle e 49,5% para Lula.

Resultados da simulação

A partir dos dados e da redistribuição ideológica, foi realizada uma simulação de 50 mil rodadas de Monte Carlo, em que cada cenário sorteia uma combinação possível das médias de 1º turno e das taxas de transferência (tratadas como variáveis aleatórias normais, com erro-padrão de 2 p.p.).

O resultado final é apresentado abaixo:

Cenário	Lula (PT)	Michelle Bolsonaro (PL)	Branco/nulo	Probabilidade de vitória
Simulação Base (nov/2025)	49,5%	50,5%	12%	Lula 47% / Michelle 53%

A diferença entre os dois candidatos é estatisticamente irrelevante — o intervalo de credibilidade (95%) se sobrepõe amplamente:

Lula: [47,3% – 51,7%]
Michelle: [48,3% – 52,7%]

Em termos probabilísticos, o segundo turno seria decidido por margens de menos de 2 pontos percentuais, o que torna o desfecho praticamente imprevisível no atual estágio da corrida.

Interpretação política

5.1. O retorno da polarização

Os números confirmam o que as pesquisas qualitativas vêm sinalizando desde o início de 2025: a eleição de 2026 tende a repetir o padrão de polarização estrutural entre lulismo e bolsonarismo, com apenas variação de nomes e estilos.

Mesmo fora da disputa, Jair Bolsonaro continua a ser o principal influenciador da direita, e Michelle, com discurso moral conservador e apelo entre evangélicos, consegue mobilizar o mesmo eleitorado leal.
Seu desempenho expressivo — próxima de 30% no primeiro turno — indica que o “capital simbólico” do bolsonarismo foi transferido quase integralmente para ela.

5.2. Lula mantém resiliência, mas enfrenta teto

Do outro lado, Lula demonstra uma notável estabilidade. Desde 2023, suas intenções de voto nacionais oscilam entre 40% e 43%, sugerindo baixo índice de erosão de apoio, especialmente nas regiões Norte e Nordeste.
Contudo, o presidente encontra dificuldade para crescer no Sudeste e entre eleitores de classe média — onde Michelle e Tarcísio aparecem competitivos.

O modelo mostra que o teto eleitoral de Lula parece próximo, limitando a capacidade de ampliar margens no segundo turno. Esse é o mesmo fenômeno observado em 2022: o petista venceu Bolsonaro por apenas 1,8 ponto percentual, apesar de liderar durante toda a campanha.

5.3. O peso do “centro”

A disputa pelo voto de centro, representado por nomes como Ratinho Jr., Zema e Caiado, será crucial.
Embora numericamente menores, esses segmentos somam cerca de 20% do eleitorado nacional e tendem a transferir majoritariamente seus votos para o campo conservador.
Se essa tendência se confirmar, Michelle poderá consolidar vantagem mínima, suficiente para vitória.

5.4. As incógnitas de 2026

Do ponto de vista sociológico, a eleição de 2026 se insere num contexto de fadiga democrática e radicalização ideológica, fenômeno global observado também em países como EUA, Argentina e França.
Nesse ambiente, as eleições deixam de ser meros confrontos de programas e tornam-se referendos simbólicos sobre identidades políticas — “nós” contra “eles”.
Lula e Michelle representam polos claros dessa divisão, com pouco espaço para alternativas centristas.

Limitações e hipóteses de sensibilidade

Nenhum modelo eleitoral é isento de incertezas. As principais fontes de variação aqui são:

Taxas de abstenção — historicamente mais altas entre eleitores de baixa renda (eleitorado petista) e mais baixas entre evangélicos (eleitorado bolsonarista). Uma diferença de 3 p.p. de comparecimento pode inverter o resultado.
Elasticidade das transferências — a simulação assume estabilidade ideológica, mas nomes pessoais podem alterar preferências. Caso Michelle enfrente resistência maior no eleitorado feminino ou entre católicos, a vantagem de Lula cresce até 52%.
Efeitos de campanha — debates e alianças regionais (como apoio de Tarcísio ou Zema) podem gerar shifts de até 2 p.p., suficientes para definir o pleito.

Simulações de sensibilidade com variações ±10% nas taxas de transferência produzem resultados entre Lula 52% × 48% Michelle e Michelle 53% × 47% Lula — todos dentro de empate técnico.

Conclusão: um país dividido, novamente

Os resultados indicam que o Brasil caminha para mais uma eleição polarizada e incerta.
De um lado, o lulismo, que mantém base consolidada nas classes populares e no Nordeste, sustentado pela força de um presidente ainda popular, mas limitado em sua expansão.
Do outro, o bolsonarismo, agora com novo rosto — Michelle Bolsonaro —, que une o conservadorismo moral, o antipetismo e o voto evangélico em torno de uma narrativa identitária e de gênero.

O modelo bayesiano sintetiza essa dualidade:

O 1º turno mostra Lula na liderança confortável e Michelle consolidada como segunda força;
O 2º turno revela uma disputa estatisticamente indefinida, onde cada voto pode ser decisivo.

A 11 meses do pleito, o Brasil volta a se olhar no espelho de 2022 — dividido em dois blocos que não se conversam, mas que juntos definem o destino da democracia nacional.

Notas metodológicas

Fonte de dados: Planilha “1º turno 2026 menor.xlsx”, compilando pesquisas de Gerp, AtlasIntel, Futura, Apex e Datafolha (outubro–novembro de 2025).
Modelo estatístico: Agregação bayesiana com pesos
Distribuição posterior: normal conjugada, combinada via média ponderada.
Simulações: 50 mil rodadas de Monte Carlo para cálculo de probabilidades de liderança e 2º turno.
Redistribuição ideológica: baseada em médias empíricas de transferências eleitorais (Datafolha 2018–2022, AtlasIntel 2025).
Abstenção estimada: 12% dos eleitores.

quinta-feira, 6 de novembro de 2025

Como se Preveem Eleições: Fundamentos, Dados e Estratégias: O que as pesquisas revelam, o que os modelos calculam e o que os eleitores realmente fazem

Os modelo dos artigos deste blog estão baseados no livro de Takeshi Nakamura, que pode ser adquirido em formato digital na Amazon:

https://www.amazon.com.br/dp/B0FYRYWHBQ

Prever o comportamento eleitoral é uma das tarefas intelectualmente mais desafiadoras e fascinantes das ciências sociais. A cada ciclo eleitoral, analistas, jornalistas e economistas tentam antecipar o voto popular por meio de pesquisas e modelos, na esperança de compreender os fatores que guiam milhões de decisões individuais que, somadas, definem o destino político de uma nação.

Este livro nasce da convicção de que prever eleições é mais do que ajustar regressões ou calcular margens de erro: é construir pontes entre diferentes dimensões da racionalidade humana — econômica, política e emocional. O projeto parte de uma inquietação central: por que alguns modelos explicam melhor certas eleições do que outras? E até que ponto os fundamentos econômicos, a informação disponível e as estratégias eleitorais podem ser formalizados em equações que antecipem o resultado de uma disputa?
Ao longo dos capítulos, apresento e comparo três tradições distintas, mas complementares, da previsão eleitoral moderna:

O modelo fundamental, que busca nas variáveis macroeconômicas e na aprovação presidencial as chaves estruturais do voto.
O modelo agregador bayesiano, que combina estatisticamente dezenas de pesquisas, ponderando erros e incertezas para oferecer uma fotografia probabilística do cenário.
O modelo de equilíbrio quantal (QRE), derivado da teoria dos jogos, que representa a decisão eleitoral como um processo de escolha estratégica sob incerteza, aproximando o eleitor real — limitado, ruidoso e interativo — da formalização matemática de seu comportamento.

Ao integrar essas abordagens, este livro propõe um olhar sistêmico: o voto é simultaneamente resposta a condições objetivas, percepção subjetiva e interação social. Nenhum modelo isolado captura a totalidade desse fenômeno; juntos, eles nos aproximam de uma compreensão mais completa do processo eleitoral.
A obra destina-se a pesquisadores, estudantes, analistas e jornalistas de dados interessados em compreender e construir previsões eleitorais de forma metodologicamente sólida. Mas também é um convite a refletir sobre o que significa prever em política — num campo em que a incerteza é constitutiva e o comportamento humano, inesgotavelmente complexo.

quarta-feira, 5 de novembro de 2025

Como funciona o Agregador Bayesiano de Pesquisas e o que mostram os números mais recentes (1º turno 2026)

por: Tulio Kahn

Nos últimos meses, o Termômetro tem acompanhado a evolução das intenções de voto para o 1º turno das eleições presidenciais de 2026 usando um agregador bayesiano.
Diferente de uma simples média das pesquisas, o modelo combina estatística bayesiana com ponderação por precisão e recência, oferecendo estimativas mais estáveis e probabilísticas.

Como funciona o agregador

O método parte de um princípio simples: nem todas as pesquisas têm o mesmo peso.
Cada novo levantamento é tratado como uma evidência adicional (“likelihood”) que atualiza a crença anterior (“prior”) sobre o apoio a cada candidato.

1. Precisão

Pesquisas com margens de erro menores são mais confiáveis.
Assim, recebem peso proporcional a:

2. Recência

Pesquisas mais novas importam mais.
A influência de uma pesquisa decai exponencialmente com o tempo, controlada por um parâmetro de “memória”:

Neste gráfico, usamos τ = 15 dias, o que significa que uma pesquisa com 15 dias vale cerca de 37% do peso de uma pesquisa publicada hoje.

3. Peso combinado

O peso final é o produto:

Esses pesos são então usados para calcular a média e o desvio padrão posterior de cada candidato.

4. Interpretação probabilística

Além das médias, o modelo estima intervalos de credibilidade de 95% e pode calcular probabilidades de liderança ou presença no 2º turno com base em simulações.

Resultados recentes

O gráfico acima mostra a evolução posterior da intenção de voto (%) para os principais candidatos entre julho e outubro de 2025.
Cada linha representa a estimativa média, e a faixa colorida, a incerteza (IC 95%).

🔹 Principais tendências

Lula mantém a liderança consolidada, oscilando entre 39% e 44% das intenções de voto. Após uma leve queda em setembro, voltou a subir em outubro, indicando recuperação na margem.
Tarcísio aparece em segundo lugar, com variação entre 23% e 31%. Sua curva mostra volatilidade maior — típica de pesquisas com amostras menores —, mas o viés geral é de estabilidade na casa dos 26–28%.
Gomes ocupa o terceiro pelotão, em torno de 7–9%, com leve tendência de alta recente.
Ratinho, Caiado e Zema permanecem em patamares baixos (3–8%), sem variação estatisticamente significativa.

O que esperar

Com τ = 15 dias, o modelo “esquece” parcialmente pesquisas mais antigas, tornando-se sensível a mudanças de tendência recentes.
Se o padrão atual se mantiver, Lula e Tarcísio devem continuar polarizando a disputa, com ampla probabilidade de ambos avançarem ao segundo turno.

Nos próximos meses, conforme novas pesquisas forem publicadas, o agregador atualizará continuamente essas estimativas, oferecendo uma visão probabilística — e não apenas pontual — da corrida eleitoral de 2026.

Modelo Fundamental projeta 43,6% dos votos para o incumbente em 2026

Por Tulio Kahn

Um modelo econométrico de previsão eleitoral baseado em fundamentos políticos e econômicos estima que o candidato incumbente deverá obter 43,6% dos votos válidos no primeiro turno das eleições presidenciais de 2026, com um intervalo de confiança de 39,1% a 48,0%.

A projeção foi feita pelo Modelo Fundamental, um instrumento de análise que combina indicadores de aprovação presidencial, desempenho econômico e fadiga partidária para antecipar o comportamento do eleitorado antes da campanha propriamente dita.

Como funciona o modelo

O Modelo Fundamental parte de uma premissa clássica da ciência política: eleitores tendem a recompensar governos bem avaliados e a punir aqueles associados a baixo crescimento ou longos períodos no poder.
A fórmula utilizada é a seguinte:

Onde:

Aprovação líquida = aprovação − reprovação (em pontos percentuais)
PIB = crescimento anual projetado do Produto Interno Bruto (%)
Fadiga = número de mandatos consecutivos do partido no poder

Esses coeficientes são baseados em priors informativos, calibrados a partir da literatura internacional de voto econômico e do histórico das eleições brasileiras desde 1994.

Dados de entrada: outubro de 2025

A variável mais sensível do modelo — a aprovação líquida do governo — foi estimada com base em quatro pesquisas nacionais divulgadas ao longo de outubro (PoderData, Quaest, AtlasIntel e Paraná Pesquisas).
A média simples resultou em –1,05 p.p., ou seja, uma ligeira desaprovação líquida.

Outros parâmetros informados:

Crescimento do PIB projetado para 2025: 1,8%
Fadiga partidária: 2 mandatos consecutivos

Esses valores alimentaram a equação principal do modelo.

Resultado e decomposição

O cálculo resultante foi o seguinte:

Fator	Valor	Efeito no voto (p.p.)
Aprovação líquida (-1,05)		–0,8
PIB (1,8%)		+2,4
Fadiga (2 mandatos)		–4,1
Intercepto (base)		+46,0
Resultado previsto		43,6%

O modelo indica que, embora o crescimento econômico moderado contribua positivamente para o desempenho do incumbente, o efeito da fadiga política — associada ao segundo mandato consecutivo do partido — retira boa parte desse ganho.

Sensibilidade e cenários

+1 ponto na aprovação líquida → +0,72 p.p. no voto previsto
+1 ponto no PIB → +1,36 p.p.
+1 mandato adicional de fadiga → –2,07 p.p.

Ou seja, uma melhora de 5 pontos na avaliação do governo até meados de 2026 poderia elevar o voto previsto para cerca de 47%, enquanto uma recessão leve empurraria o desempenho para a faixa de 41%.

O que o modelo (não) diz

O Modelo Fundamental não tenta prever o resultado final da eleição, mas fornece um ponto de referência estrutural — o desempenho esperado “em condições normais” antes de campanha, escândalos ou choques externos.

Segundo a metodologia, a margem de erro típica do modelo é de ±4 pontos percentuais, refletindo incertezas tanto nas pesquisas quanto nas estimativas macroeconômicas.

Conclusão

Com os dados atuais, o incumbente parte para 2026 em posição competitiva, mas aquém da maioria absoluta, exigindo um desempenho de campanha superior para avançar com vantagem ao segundo turno.

Caso o crescimento econômico se mantenha e a avaliação pública melhore, há espaço estatístico para ultrapassar a barreira dos 45% — ponto historicamente associado a campanhas de reeleição bem-sucedidas no Brasil.

Fonte: Modelo Fundamental Eleitoral (versão 2025).
Elaboração: Analisador Eleitoral — GPT-5.

https://chatgpt.com/share/690b652d-9d50-8006-884e-7e2d60b98333