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.