Um modelo estatístico desenvolvido pelo economista Rodrigo Mehlmeister, de 31 anos, antecipou o resultado da eleição presidencial de 2026 quando apenas 2% das urnas haviam sido apuradas. A projeção indicou a vitória de Luiz Inácio Lula da Silva com 51,7% dos votos válidos às 19h30, quando cerca de 5% da apuração havia sido concluída. O resultado oficial divulgado pelo Tribunal Superior Eleitoral (TSE) às 21h08 apontou 51,79% para o presidente eleito.

Formado em Economia e mestre em Ciência Política pela Universidade de São Paulo (USP), Mehlmeister é doutorando em Ciência Política na Universidade Duke, nos Estados Unidos. Durante a noite de domingo (24), enquanto a divulgação da apuração nacional ficou suspensa após a votação ser prorrogada até as 19h, o pesquisador acompanhava outro tipo de expectativa: verificar se seu modelo conseguiria reproduzir novamente o resultado eleitoral e indicar com antecedência a evolução da disputa entre Lula e Flávio Bolsonaro.

O plano inicial era divulgar uma primeira projeção quando 0,5% das urnas estivesse apurado. A estratégia, porém, foi prejudicada pela interrupção na divulgação dos dados nacionais, que permaneceram em 0,25% por aproximadamente duas horas. Mesmo com essa pequena parcela contabilizada, o sistema já sinalizava vantagem para Lula. Mehlmeister, contudo, considerava que a amostra ainda era insuficiente para uma conclusão segura.

Em entrevista à revista GALILEU, o economista afirmou que o início da apuração era o momento mais delicado, pois uma projeção feita com baixo percentual de urnas tende a receber grande repercussão. Quando 2,42% das urnas haviam sido apuradas, ele chegou a publicar que temia errar o resultado final. O alívio só veio quando a apuração alcançou aproximadamente 20%, ponto em que, segundo ele, ficou claro que a vantagem inicial de Lula era consistente.

Modelo combina dados de 2022 e resultados parciais de 2026

A técnica empregada não é baseada em um método estatístico inédito. O modelo utiliza ferramentas conhecidas, principalmente a regressão, recurso estudado em Econometria para avaliar a relação entre uma variável e um conjunto de outras. A abordagem também apresenta semelhanças com modelos hierárquicos bayesianos, embora tenha sido adaptada por Mehlmeister às características da apuração eleitoral brasileira.

Antes da eleição, o pesquisador relaciona os locais de votação de 2026 aos correspondentes de 2022. A partir dessa correspondência, cada local recebe um perfil de votação, que considera o histórico eleitoral e o tamanho do município. Durante a apuração, o sistema compara o desempenho observado em cada município com o resultado que aquelas mesmas seções teriam apresentado caso repetissem exatamente os votos de 2022.

A diferença entre o comportamento eleitoral de 2022 e o desempenho registrado em 2026 é chamada de swing, termo usado no jargão político para indicar a mudança na preferência dos eleitores. Cada município apresenta seu próprio número. O modelo reúne essas variações e realiza regressões em três níveis: nacional, regional e estadual.

Esse cálculo permite identificar como o swing varia de acordo com o resultado anterior e com o tamanho de cada cidade. A partir daí, as seções ainda não apuradas recebem uma estimativa de comportamento conforme o perfil ao qual pertencem. À medida que os votos são contabilizados, cada estado e região passa a ter uma regra de votação esperada, que é atualizada com a entrada de novos dados.

Segundo Mehlmeister, o modelo utiliza poucas variáveis para prever o comportamento político. Informações como a proporção de evangélicos ou a relevância do agronegócio em determinado município poderiam ajudar a explicar o voto, mas o resultado da eleição anterior já seria capaz de captar parte dessas influências de forma mais eficiente. Por isso, a inclusão de muitos fatores adicionais não necessariamente melhora a precisão da previsão.

Inteligência artificial ajudou a reduzir margem de erro

Em entrevista ao Pipeline, do jornal Valor Econômico, Mehlmeister relatou que utilizou a inteligência artificial Claude para aprimorar e limpar o código do sistema. De acordo com o pesquisador, esse trabalho contribuiu para reduzir a margem de erro original do modelo, que era de 3%, para menos de 0,1%.

As pesquisas eleitorais também fazem parte do processo, mas apenas na etapa anterior à chegada dos resultados oficiais. Para o segundo turno, Mehlmeister selecionou institutos que considerava confiáveis, consultou um agregador de pesquisas e usou os números como ponto de partida. O valor inicial adotado foi de 50,8% para Flávio Bolsonaro e 49,2% para Lula.

Essa referência inicial, no entanto, acabou prejudicando a projeção. Quando uma fração ainda muito pequena dos votos havia sido apurada, por volta das 17h, os resultados reais já indicavam Lula na liderança. A partir desse momento, os dados observados passaram a ter peso cada vez maior, enquanto a influência das pesquisas utilizadas como base inicial diminuía.

Ordem de divulgação não alterou a projeção

A apuração de 2026 também apresentou uma sequência diferente da habitual. Mehlmeister explicou que, normalmente, o Distrito Federal aparece primeiro, seguido pela região Sul, enquanto os estados do Nordeste costumam ter os resultados divulgados mais tarde. Naquela noite, porém, a Paraíba foi um dos primeiros locais a aparecer, seguida por outros resultados nordestinos favoráveis a Lula.

São Paulo permaneceu sem avanços durante parte do período, e os dados da região Sul, onde havia maior votação proporcional para Flávio Bolsonaro, também demoraram a ser divulgados. Ainda assim, essa ordem não distorceu a projeção, porque o modelo foi elaborado para considerar todas as seções eleitorais desde o início, independentemente da sequência adotada pelo TSE.

O sistema também antecipou a trajetória esperada da disputa. A previsão indicava que Lula começaria à frente, seria ultrapassado por Flávio quando cerca de 20% das urnas estivessem apuradas e retomaria a liderança após aproximadamente 60% da contagem. Esse movimento foi projetado quando somente 2% dos votos haviam sido contabilizados.

O resultado final confirmou a estimativa. Às 19h30, com 5% das urnas apuradas, o modelo indicava 51,7% dos votos válidos para Lula. Pouco mais de uma hora e meia depois, o TSE anunciou oficialmente a eleição do candidato com 51,79%.

Previsões antes da votação têm limitações maiores

Mehlmeister diferencia o modelo usado durante a apuração das tentativas de prever o resultado antes do início da votação. Em outubro, circularam análises que buscavam antecipar o vencedor da eleição presidencial. Entre elas estava um vídeo publicado em 25 de outubro pelo então governador de São Paulo, Tarcísio de Freitas, engenheiro formado pelo Instituto Militar de Engenharia (IME).

Na gravação, Tarcísio utilizou o Método Monte Carlo, que repete amostragens aleatórias para simular os resultados de um evento complexo. A estimativa apontava Flávio Bolsonaro como vencedor, com 53% dos votos e uma vantagem de 6 milhões de votos sobre Lula.

Para Mehlmeister, previsões feitas antes da eleição dependem das limitações das pesquisas e de várias hipóteses sobre o comportamento do eleitorado. Mudanças de última hora podem ocorrer, inclusive com a transferência de votos para uma candidatura considerada mais competitiva, fenômeno conhecido como voto útil. Além disso, parte dos eleitores só decide o voto no sábado ou no próprio domingo, depois da realização das pesquisas que servem de base para as análises.

Na avaliação do pesquisador, apresentar um número com precisão decimal ou centesimal antes da eleição pode transmitir uma falsa impressão de rigor. Mesmo quando há cálculos sofisticados, o resultado depende de premissas que podem não se confirmar. Por isso, ele classifica esse tipo de estimativa como um palpite fundamentado, e não como uma previsão precisa do resultado.

Técnicas semelhantes são usadas em outras áreas

O modelo de Mehlmeister foi desenvolvido especificamente para o contexto eleitoral brasileiro. Ele considera a estrutura dos locais de votação, o histórico de cada município e os padrões de preferência observados em estados e regiões. Por esse motivo, não pode ser aplicado diretamente a qualquer outro tipo de evento.

A lógica estatística, contudo, guarda semelhanças com modelos hierárquicos bayesianos, que podem ser utilizados em diversas áreas. O termo “bayesiano” remete ao Teorema de Bayes, fórmula de probabilidade associada ao matemático inglês John Bayes, no século 18. A regra permite atualizar a probabilidade de um evento a partir da inclusão de novas evidências.

Na epidemiologia, modelos desse tipo podem estimar a incidência de doenças infecciosas em pequenas áreas geográficas. Com dados de regiões vizinhas, é possível simular informações de localidades que não dispõem de registros completos. A técnica pode auxiliar governos estaduais a formular medidas de saúde pública específicas para determinadas regiões.

Na medicina, outra aplicação envolve a combinação de diferentes ensaios clínicos para avaliar a eficácia de medicamentos e tratamentos. A reunião de dados pode reduzir o tamanho da amostra necessária para indicar se uma técnica tem potencial de funcionar.

No Brasil, técnicas bayesianas de regressão também já foram empregadas na avaliação genética de rebanhos de gado, na análise do comportamento de consumidores em ações de marketing e em aplicações jurídicas, como a jurimetria. Nesse último caso, é possível estudar o comportamento estatístico de juízes, câmaras ou relatores para estimar a probabilidade de êxito ou fracasso de determinada tese jurídica.

Metodologia pode ser formalizada em artigo científico

O desempenho do modelo no primeiro turno levou o jornal O Estado de S. Paulo a contratar Mehlmeister. O veículo disponibilizou um site com projeções de votação assim que uma pequena parcela das urnas começou a ser apurada.

O pesquisador afirma que a projeção eleitoral continuará sendo uma atividade paralela ao doutorado na Universidade Duke. Seu projeto principal investiga como partidos podem manipular políticas sociais para alcançar objetivos eleitorais, também utilizando dados relacionados à votação.

Com o incentivo de seu orientador, Mehlmeister pretende formalizar em um artigo científico a metodologia utilizada nas Eleições 2026. O trabalho poderá dar um nome específico ao modelo e permitir que outros pesquisadores desenvolvam estudos inspirados na técnica. A próxima aplicação eleitoral citada por ele é 2030.