Projeção da apuração — Presidente 2026

Projeta o resultado final da eleição presidencial enquanto a apuração acontece, a partir dos arquivos oficiais de divulgação do TSE.

Site ao vivo: https://oxeeraassim.github.io/apuracao/

No backtest contra o 2º turno de 2022, com 5% apurado a projeção errou 0,24 ponto percentual. O percentual bruto do TSE, no mesmo instante, estava 9,4 pontos fora.

---

Por que o percentual bruto engana

Não é opinião, é geografia. Reconstruí a ordem real em que cada município fechou a apuração no 1º turno de 2026 — os arquivos de andamento do TSE registram o horário de totalização de cada um — e apliquei a ela os votos reais:

Apurado	Nordeste na amostra	Candidato do PL aparecia com
5%	4%	64,3%
20%	7%	62,4%
100%	27%	51,0%

Com 5% apurado você estaria vendo um Brasil onde o Nordeste pesa 4% em vez de 27%. O número do TSE não está errado — é uma amostra enviesada pela ordem em que os votos chegam. Sul e Centro-Oeste apuram rápido (municípios pequenos, poucas seções); o Nordeste demora.

---

Como o modelo funciona

Ele não tenta adivinhar o resultado. Mede o que mudou e aplica ao que falta.

1. Esperado composicional. Para cada um dos 5.716 municípios, o arquivo de andamento do TSE diz quanto do eleitorado já foi totalizado. Somando município a município, o modelo calcula quanto a parcela já apurada teria dado no 1º turno. Se só o Sul apurou, o esperado também é só do Sul — é isso que anula o viés.

2. Swing. A diferença, em log-odds, entre o que saiu da urna e esse esperado. O swing é o que de fato mudou entre os turnos: para onde foram os votos dos eliminados, mudanças de comparecimento, humor do eleitorado. É uma quantidade pequena e estável — muito mais fácil de estimar do que o resultado em si.

3. Encolhimento hierárquico. Com 1% apurado, o swing de um estado isolado é ruído. Então ele é puxado para o da sua região, e o da região para o nacional, com força inversa à informação disponível. No começo da noite o modelo é quase nacional; conforme os votos entram, vira estadual. É isso que o deixa estável desde cedo.

4. Projeção e margem. O que falta em cada município recebe a base do município mais o swing que lhe cabe. A margem de 90% vem de um bootstrap que perturba o swing, com a escala encolhendo conforme menos resta apurar.

A base é o 1º turno de 2026 — mesmos eleitores, mesmas seções, três semanas antes. É uma referência bem melhor do que usar 2022.

O método é uma reconstrução independente da abordagem do pesquisador Rodrigo Mahlmeister, cujo modelo acertou o 1º turno de 2026 — com 2,2% das urnas apuradas projetou Flávio 47,01% e Lula 45,50%; o resultado foi 47,03% e 45,16% (NeoFeed, 10/10/2026). O código dele, que estava em github.com/rodrigomahlmeister/apuracao-2026, não está mais público.

---

50 eleições cegas

Duas eleições reais são pouca coisa para saber onde um modelo quebra. Então o programa/simular.py inventa dezenas de resultados sobre os municípios reais — o eleitorado e o voto do 1º turno de 2026 são verdadeiros, o 2º turno é sorteado — e usa a ordem de chegada real.

Os cenários são gerados de propósito com as estruturas que o modelo não pressupõe: swing desigual entre regiões, swing que depende do nível do lugar, choque em um estado sorteado e ruído município a município. Um gerador que produzisse o que o modelo espera daria notas altas sem significar nada.

Apurado	Projeção (médio / p90 / pior)	Percentual bruto (médio / pior)
0,5%	1,01 / 2,12 / 2,69 pp	14,65 / 17,72 pp
1%	0,55 / 1,09 / 1,51 pp	12,88 / 15,26 pp
5%	0,34 / 0,71 / 1,15 pp	12,97 / 14,80 pp
10%	0,26 / 0,47 / 0,85 pp	11,77 / 13,38 pp
50%	0,16 / 0,37 / 0,52 pp	6,72 / 7,77 pp

Com 5% apurado o modelo apontou o vencedor certo em 49 das 50. O percentual bruto acertaria 32.

O erro cresce conforme o país se move de forma mais desigual — 0,20 pp quando as regiões andam juntas, 0,44 pp quando se espalham. É o mesmo mecanismo que explica 2018.

Duas ressalvas. Nos cenários parecidos com 2018 o modelo erra 0,29 pp, mas em 2018 de verdade errou 1,79 pp: o gerador ainda não é tão cruel quanto a realidade, porque nele o swing regional é sorteado de forma independente, enquanto em 2018 ele estava correlacionado com a ordem em que os estados apuraram. Trate a simulação como o melhor caso e 2018 como o pior.

E a simulação não foi usada para calibrar. Os parâmetros que ela escolhe (K_UF=60000, K_REGIAO=30000) melhoram 38% nos cenários inventados e pioram em 2018 — o ganho vem de decorar o gerador. O calibrar_simulado.py confere sempre contra as eleições reais justamente para pegar isso.

---

Experimentos que não deram certo

Ficam registrados porque economizam o tempo de quem tiver a mesma ideia.

Ancorar o swing nas pesquisas finais (como faz o modelo do Mahlmeister). Testado com as pesquisas reais de cada ano: melhora 0,39 pp em 2018 com 1% apurado, piora 0,24 pp em 2022, some a partir de 3%. Balanço zero. Revelador: em 2018 a âncora estava quase perfeita (dava 55,0%, real foi 55,13%) e mesmo assim o erro de +1,8 pp persistiu — prova de que o problema de 2018 não é o nível nacional, e sim a distribuição regional.

Regressão do swing sobre o nível do lugar. Em 2018 a relação é forte (onde o candidato era forte caiu mais), e a inclinação medida com tudo apurado é −0,140. Mas no início da noite ela não é mensurável: os estados que apuram primeiro são os de nível alto, e a parcela apurada deles ainda não os representa. Testado em 15 combinações, piora em todas. Veja programa/testar_nivel.py.

---

O quanto a base recente importa

programa/backtest_pares.py testa o modelo com bases de anos anteriores, para medir o quanto ele depende de a base ser fresca. Em todos, a ordem de chegada é a real de 2026.

Par	Distância	Erro médio aos 5%	Pior
1º turno 2022 → 1º turno 2026	4 anos, com troca de candidato	0,81 pp	2,32 pp
2º turno 2018 → 2º turno 2022	4 anos	0,60 pp	1,18 pp
1º turno 2022 → 2º turno 2022	3 semanas	0,07 pp	0,24 pp

Mesmo prevendo quatro anos à frente, e mesmo com o candidato trocando (Bolsonaro saiu, Flávio entrou), o erro fica abaixo de 1 ponto — enquanto o percentual bruto erraria 11,6 pontos no mesmo instante. Isso mostra que o modelo se apoia na geografia do voto, que é estável.

Mas a base de três semanas é dez vezes melhor que a de quatro anos. É por isso que este projeto usa o 1º turno de 2026 como base, e não 2022.

Um detalhe que contraria a intuição: prever o 2º turno de 2022 a partir do 2º turno de 2018 (0,60 pp) saiu melhor que prevê-lo a partir do 1º turno do próprio 2022 em 2018 (1,10 pp). Dois segundos turnos se parecem entre si mais do que um primeiro e um segundo turno do mesmo ano, porque no segundo turno a disputa já está reorganizada em dois blocos.

---

O backtest: cinco eleições presidenciais

Regra do jogo em todas: a base é o 1º turno daquele ano, o alvo é o 2º turno (que o modelo nunca vê) e a ordem de chegada é a real observada no 1º turno de 2026. Reproduzir cada 2º turno a partir dos boletins por seção bateu com o resultado oficial do TSE até a terceira casa decimal.

Eleição	Disputa	Erro médio (≥5%)	Pior
2006	Alckmin × Lula	0,20 pp	0,36 pp
2010	Serra × Dilma	0,28 pp	0,87 pp
2014	Aécio × Dilma	0,42 pp	1,73 pp
2018	Bolsonaro × Haddad	1,10 pp	1,98 pp
2022	Bolsonaro × Lula	0,07 pp	0,24 pp

Em quatro das cinco, o erro médio fica em meio ponto ou menos. O percentual bruto, nos mesmos instantes, erra entre 5 e 11 pontos.

O que torna uma eleição difícil

Ano	Swing nacional	Voto solto no 1º turno	Desigualdade entre regiões	Erro
2006	−6,97 pp	9,8%	4,71 pp	0,20 pp
2010	+2,93 pp	20,5%	1,42 pp	0,28 pp
2014	+3,71 pp	24,9%	6,55 pp	0,42 pp
2018	−5,98 pp	24,7%	5,91 pp	1,10 pp
2022	+1,95 pp	8,4%	0,60 pp	0,07 pp
2026	?	7,8%	?	?

"Voto solto" é quanto do 1º turno foi para candidatos eliminados — esse eleitorado precisa escolher de novo. "Desigualdade entre regiões" é a distância entre a região que mais se moveu e a que menos se moveu.

Duas lições aparecem aqui:

Swing grande não é problema. Em 2006 o país inteiro se moveu quase 7 pontos e o modelo errou 0,20 pp. O modelo mede o swing; ele não precisa que o swing seja pequeno, precisa que seja parecido entre os lugares.

2018 é o único ano em que os três fatores foram ruins ao mesmo tempo: swing grande, um quarto do eleitorado se realocando e regiões se movendo em direções bem diferentes. 2014 teve a maior desigualdade regional da série (6,55 pp) e ainda assim errou 0,42 pp, porque o swing foi moderado.

Para 2026, o único dos três que já é conhecido é o voto solto: 7,8%, o menor da série inteira. Flávio e Lula já concentravam 92,19% no 1º turno. Os outros dois só se revelam na noite da apuração.

---

Acerta o vencedor?

200 eleições cegas, medindo quantas vezes o modelo aponta o lado certo (programa/simular_vencedor.py).

Apurado	Modelo	Percentual bruto
1%	183/200 (91,5%)	115/200 (57,5%)
5%	193/200 (96,5%)	115/200 (57,5%)
10%	194/200 (97,0%)	115/200 (57,5%)
20%	195/200 (97,5%)	116/200 (58,0%)

Não acerta todas — e não deveria. O interessante é onde estão os sete erros aos 5%:

Diferença real entre os candidatos	Acerto
0–1 pp	17/22 (77,3%)
1–2 pp	16/18 (88,9%)
2–4 pp	41/41 (100%)
4–10 pp	84/84 (100%)
acima de 10 pp	35/35 (100%)

Todos os erros caem em eleições decididas por menos de dois pontos. Acima disso, 160 de 160. Uma eleição decidida por 0,3 ponto não é incerteza do modelo: é incerteza da eleição, e nenhum método a resolve com 5% das urnas. O que se pode exigir do modelo nesse caso é que ele avise — e é isso que a margem faz.

Erros graves (cravar acima de 95% de confiança no lado errado): 0 em 60. Quando o modelo errou o vencedor, ele não estava afirmando com confiança; a margem cobria os dois lados.

A calibração da probabilidade em si ficou inconclusiva: dos 60 cenários com bootstrap, 51 caíram na faixa de "mais de 99% de certeza" (e acertou todos), sobrando n=2 e n=5 nas faixas intermediárias — amostra pequena demais para afirmar que "quando diz 80%, acerta 80%". Para fechar isso seria preciso rodar centenas de cenários restritos a eleições apertadas.

---

A confiança declarada é honesta?

300 eleições apertadas (resultado final entre 48,5% e 51,5%), que é onde a probabilidade é posta à prova — numa eleição de 10 pontos qualquer modelo diz 99,9% e acerta, o que não ensina nada.

Quando o painel diz	Ele acerta	n
60–70% de certeza	59,5%	37
70–80%	81,2%	32
80–90%	89,5%	38
90–95%	88,5%	26
95–99%	100%	24
99–100%	100%	130

A faixa de 90% cobriu o resultado real em 90,7% dos casos (largura média: 1,79 ponto). Zero vezes cravou acima de 95% no lado errado, em 300.

Em seis das sete faixas o desvio fica dentro de 6 pontos, o que para essas amostras é ruído. Há uma leve tendência a confiança um pouco alta nas faixas de 60–70% e 90–95%, pequena o bastante para não justificar mexer no modelo — ajustar com base em desvios dessa ordem seria perseguir ruído.

O erro médio da projeção nesses cenários apertados é de 0,41 pp, maior que os 0,34 pp do conjunto geral, como esperado: são justamente os casos difíceis.

---

Três formas de usar

1. Site. https://oxeeraassim.github.io/apuracao/ — abre em qualquer navegador, nada para instalar.

2. Como aplicativo no celular. Abra o site e toque em Instalar (no Android) ou em Compartilhar → Adicionar à Tela de Início (no iPhone). Vira um ícone na tela inicial e abre em tela cheia, sem barra de navegador. A página fica guardada no aparelho, então abre na hora mesmo com internet ruim — mas os dados do TSE nunca são guardados em cache, para nunca mostrar número velho.

3. Arquivo único. O apuracao.html tem tudo dentro dele — página, modelo e a base dos 5.716 municípios, em 298 KB. Dá para salvar no celular, mandar por WhatsApp ou levar num pendrive. Abre direto, sem servidor. Funciona porque o TSE libera CORS até para origem nula, que é o caso de um arquivo aberto do próprio aparelho. Só precisa de internet na hora de buscar os dados, que é o ponto.

Para regerar o arquivo único depois de mexer no site: python3 programa/gerar_html_unico.py

---

O site

Não tem servidor, não tem banco de dados e não guarda nada. O TSE serve os arquivos de divulgação com CORS liberado, então o navegador de quem está vendo busca os dados direto na fonte oficial, e o modelo roda ali mesmo. Por isso funciona hospedado em qualquer lugar estático e aguenta qualquer número de visitantes.

Cada leitura são 27 arquivos de resultado + 27 de andamento, cerca de 700 KB comprimidos, em torno de 1,5 segundo. O CDN do TSE revalida a cada 27 segundos (cache-control: max-age=27), então o site lê a cada 30 — ler mais rápido só gastaria banda sem trazer dado novo.

Para rodar localmente:

python3 -m http.server 8000     # na raiz do repositório
# abra http://localhost:8000

Adicione ?turno=1 à URL para acompanhar o 1º turno (útil para testar fora do dia da eleição).

Conferência do modelo em JavaScript contra o resultado real:

node conferir.mjs

---

O site, versão 2 (24/10/2026)

• Mapa por município. Os 5,6 mil municípios, com a malha do IBGE (mapa-mun.json, gerado por programa/gerar_mapa_municipios.py). A intensidade da cor é quanto da cidade já foi apurado; a cor é quem lidera ali pela estimativa do modelo (Modelo.estimarMunicipios(), a mesma conta que o modelo usa para o que falta). Tocar num município busca o resultado oficial dele no TSE — um arquivo pequeno, uma vez por toque.
• Oficial × projeção a cada 1%. Quando a apuração cruza cada ponto percentual, a página grava o número do TSE e o que a projeção dizia. Mostra os 5 últimos, abre os 20, baixa tudo em planilha e, no fim, faz a auditoria contra o resultado final.
• Cards de stories (aba Cards). A cada 5% (e no 1%), um card 1080×1920 é gerado sozinho com o oficial, a projeção e as regiões, pronto para compartilhar no Instagram e no WhatsApp; também há card de virada, do palpite, da cidade, do estado, das pesquisas (só antes da apuração) e da auditoria final. Os números de cada card ficam no aparelho; a imagem é redesenhada na hora.
• Mais dados: quanto falta contar e quanto quem está atrás precisa para virar, ritmo da apuração, regiões, saldo de votos por estado, busca de município, ordenação dos estados.
• Letra Nunito e a Zilla Slab da marca, embutidas (fonte.css) — a CSP continua sem nenhum servidor de terceiros.

Conferências feitas antes de publicar: paridade.mjs (JS = Python em toda a noite), programa/_conferir_novos.mjs (os números novos batem com a projeção), backtests de 2006 a 2022 e 400 eleições simuladas (vencedor certo com 5% apurado em 387 de 400), além dos testes de ponta a ponta, resiliência, segurança e de layout de 320 px a 1440 px.

O programa em Python (programa/)

Mesma lógica, para rodar na sua máquina com painel próprio:

cd programa
python3 apurador.py          # abre em localhost:8600

Sem dependências — só Python 3.

Arquivo	O que faz
apurador.py	o programa: coleta, modelo e painel
modelo.py	o modelo de projeção
tse.py	endereços e leitura dos arquivos do TSE
andamento.py	quanto cada município já apurou
baixar_base.py	baixa o 1º turno de 2026 (roda uma vez)
gerar_base_site.py	gera o base.json enxuto do site
preparar_2022.py	monta o par 1º→2º turno de 2022
backtest.py	roda a apuração de 2022 de novo e mede o erro

Para refazer o backtest, baixe a votação por seção de 2022 (271 MB) para programa/dados2022/ e rode preparar_2022.py e depois backtest.py.

---

Fontes

• TSE — divulgação de resultados
• TSE — informações técnicas sobre a divulgação
• TSE Dados Abertos — resultados 2022

---

Importante

Isto é uma estimativa estatística, não um resultado oficial. O único resultado válido é a totalização do TSE.

Se a projeção divergir do resultado final, significa que o modelo errou — nada além disso. Modelos erram, e é para isso que serve a margem mostrada no site. Diferença entre projeção e apuração não é evidência de problema na apuração.