No primeiro turno das eleições brasileiras, um pesquisador paulistano de 31 anos previu o percentual final dos candidatos à presidência com apenas 2,2% das urnas apuradas. Foi Rodrigo Mahlmeister, economista e mestre em Ciência Política pela Universidade de São Paulo, além de doutorando em Ciência Política na Universidade Duke, nos Estados Unidos.
Devido ao sucesso da iniciativa no primeiro turno, o Estadão contratou o modelo e exibiu a projeção em tempo real durante a apuração do segundo turno. Às 19h30, com cerca de 5% das urnas apuradas, o modelo já previa que Lula seria eleito com 51,7% dos votos válidos. Além de acertar o percentual, o modelo antecipou as oscilações na liderança, estimando como e quando aconteceriam as viradas durante a apuração.
Nunca antes no Brasil um candidato que havia ficado atrás no primeiro turno tinha conseguido vencer as eleições. No returno, Lula conquistou 10 milhões de votos a mais em comparação ao primeiro. Essa virada histórica foi impulsionada pela movimentação dos eleitores nas redes sociais, pela intensa mobilização nas ruas e por deslizes do adversário. A matemática ajuda a explicar de onde vieram esses votos e, muito antes do resultado final, ajudou a prever a chegada deles.
Segundo o pesquisador, os modelos de projeção eleitoral vieram para ficar. Outros pesquisadores também vão criá-los e aprimorá-los. Mas, antes de popularizar esse tipo de pesquisa, é fundamental compreender alguns aspectos importantes:
Como esses modelos funcionam? O que indica o quão confiáveis eles são? Como fica a incerteza em meio às previsões cada vez mais precisas? Esses foram os questionamentos que guiaram a conversa do Humanista com Rodrigo Mahlmeister. Confira a entrevista completa!
Como você explicaria o que é um modelo de projeção eleitoral para quem nunca ouviu falar do assunto?
É uma forma de estimar o resultado final de uma eleição enquanto os votos ainda estão sendo contados. No começo da apuração, o placar do TSE engana, porque as primeiras urnas não representam bem o país. Elas vêm dos lugares que apuram mais rápido, e esses lugares votam de forma diferente da média.
O modelo corrige isso. Para cada urna já apurada, ele compara o voto de agora com o que aquela mesma urna votou na eleição anterior e mede quanto o voto mudou. Lugares parecidos costumam mudar de forma parecida. Então o modelo aplica essa mudança às urnas que ainda faltam, de acordo com o que cada uma votou antes, e soma tudo. O resultado é uma estimativa de onde a contagem vai terminar, muito antes de ela terminar.
Como se estima o quão confiável é um modelo de projeção eleitoral?
O principal é testar o modelo em eleições que já aconteceram, como se elas estivessem acontecendo de novo. Reproduzi as apurações de 2018 e de 2022 minuto a minuto, na ordem real em que os boletins chegaram ao TSE. O modelo só via, a cada momento, o que estava disponível naquele momento. Assim dá para medir quanto ele erra com 1%, 2%, 5% ou 30% das urnas apuradas.
Esses testes também servem para calibrar a faixa de incerteza que acompanha a projeção. A faixa é larga no começo e vai estreitando conforme a apuração avança.
Esse é um ponto que eu mesmo preciso comunicar melhor. O que mais viraliza é ver uma projeção muito próxima do resultado final logo no começo da apuração. Mas existe um grau de incerteza, e ele precisa chegar ao público. Quando a primeira projeção indica vantagem de um candidato, ela não está dizendo que ele venceu. Está dizendo que ele tem mais chance de vencer. Com poucas urnas apuradas, um resultado diferente ainda é possível. Testes que fiz depois da eleição, embaralhando a ordem em que as urnas chegam, mostram que no começo da noite o erro poderia ter sido bem maior do que foi.
O que despertou seu interesse nesse assunto e o motivou a criar o próprio modelo de projeção?
Venho da ciência política e me considero, antes de tudo, um analista político. Sempre me interessei muito por pesquisas e por dados eleitorais. Desde 2022, eu acompanhava as apurações tentando antecipar o resultado, mas sem muito método. Neste ano, quis fazer isso direito: testar métodos de forma sistemática, com dados de eleições passadas, antes de confiar em qualquer um deles.
Como você elaborou o modelo que foi usado no segundo turno das eleições presidenciais brasileiras?
Foi muito teste. Usei principalmente as eleições de 2022 e de 2018: reproduzi cada apuração minuto a minuto e comparei dezenas de variações do método, para ver qual errava menos em cada momento da noite.
No 1º turno, o modelo funcionou bem, e isso deu repercussão ao projeto. Para o 2º turno, fiz mais testes e incorporei também os dados do 1º turno, não apenas os dados de 2022.
A que fatores você atribui o sucesso do seu modelo?
Primeiro, à disponibilização de dados eleitorais. O TSE publica resultados abertos e muito detalhados, até o nível da seção eleitoral. Isso permite comparar cada urna com ela mesma em eleições anteriores. É essa comparação que tira o efeito da ordem de chegada das urnas.
Segundo, aos testes. Parti de ideias, mas confiei no modelo por intuição: ele foi testado em apurações reais de eleições passadas, momento a momento, antes de ir ao ar.
Terceiro, a uma escolha de desenho. Um estado com poucas urnas apuradas não conta só com os próprios dados: ele empresta informação da sua região e do país. Isso evita que um punhado de urnas distorça a projeção.
Como lidar quando a projeção não se concretiza?
Primeiro, deixando claro desde o início que a projeção é uma estimativa, com margem de incerteza, e não uma certeza. Se o resultado cair dentro da faixa, o modelo funcionou como deveria, mesmo que o número central não seja exato.
Segundo, estudando o erro abertamente. No 2º turno de 2026, a projeção acertou o vencedor desde o começo, mas dentre 8% e 30% das urnas apuradas ficou alguns décimos abaixo do resultado de Lula. Desde a eleição, estou usando os dados completos, seção por seção, para entender de onde veio esse erro e testar o que funcionaria melhor. Quero publicar esses resultados, inclusive o que deu errado. Um modelo melhora quando os seus erros ficam expostos ao escrutínio público.
Na sua percepção, quais foram os principais impactos do seu modelo no comportamento das pessoas durante a apuração?
Por causa do resultado inesperado, o modelo teve um papel bem mais relevante do que eu imaginava. Em vez de só confirmar o que as pessoas já esperavam, trouxe surpresa. Enquanto o placar mostrava um candidato à frente, a projeção mostrava que os dados parciais apontavam para outro resultado. Acho que isso ajudou as pessoas a entender melhor o que os dados parciais vinham mostrando e por que a contagem oscila ao longo da noite.
Como você imagina que serão as apurações no futuro, com o aumento da confiança nesses modelos e o crescimento deles no Brasil?
Acho que vieram para ficar. A apuração brasileira é rápida, os dados são abertos e há interesse do público. Esses modelos vão ser aprimorados, inclusive por pessoas que entendem mais de estatística do que eu. Espero que esse crescimento venha junto com uma comunicação mais clara da incerteza, para que as pessoas leiam uma projeção como o que ela é: a melhor estimativa possível naquele momento, não o resultado final.
