# Cenários do 2º turno de 2026: definição, cálculo e certeza da evidência

Documento técnico dos **6 cenários** do site (BRIEF v3): **Nossa Análise** (central), **Tendência das pesquisas**, **Consenso das pesquisas** e os três cenários técnicos de reta final (**Pesquisas no alvo**, **Erro sistemático como no 1º turno**, **Dinâmica de reta final**). Parâmetros numéricos: `assets/js/polls/cenarios-params.js` (`PARAMS_CENARIOS`, com `fonte` e `justificativa` em cada um). Referências: `assets/data/referencias.json` (espelho `assets/js/referencias-data.js`); os números entre colchetes [n] remetem à lista da seção 14.

> **Aviso.** Os cenários são **cálculos estatísticos independentes** sobre pesquisas já registradas no TSE e sobre o histórico eleitoral público. Não são pesquisa eleitoral (Lei 9.504/97, art. 33 [11]; Res. TSE 23.600/2019, com as alterações da Res. 23.747/2026 [12, 13]), não são dado oficial e não têm vínculo com o TSE. Toda "chance de vitória" é uma probabilidade **condicional às premissas** de cada cenário, nunca um resultado.

Fotografia: **23/10/2026**, catálogo com 92 pesquisas (42 depois do 1º turno, de 18 institutos), agregador 1.1.0. As pesquisas divulgadas depois disso mudam os números.

---

## 1. Resumo

| ordem | cenário | margem central (válidos) | intervalo de 80% | chance de vitória | "foto-finish" (\|m\| < 1 p.p.) | certeza (GRADE adaptado) |
|---|---|---|---|---|---|---|
| 1 | **Nossa Análise** | **Flávio +2,1 p.p.** | −1,7 a +5,9 | **Flávio 76% · Lula 24%** | 21% | baixa |
| 2 | Tendência das pesquisas | Flávio +1,6 p.p. | −2,6 a +5,7 | Flávio 69% · Lula 31% | 22% | baixa |
| 3 | Consenso das pesquisas | Flávio +1,9 p.p. | −1,4 a +5,1 | Flávio 78% · Lula 22% | 24% | baixa |
| 4 | Técnico 1 · Pesquisas no alvo | Flávio +1,7 p.p. | −1,9 a +5,3 | Flávio 73% · Lula 27% | 23% | baixa |
| 5 | Técnico 2 · Erro sistemático como no 1º turno | Flávio +3,0 p.p. | −0,7 a +6,7 | Flávio 85% · Lula 15% | 16% | muito baixa |
| 6 | Técnico 3 · Dinâmica de reta final | Flávio +1,5 p.p. | −2,2 a +5,3 | Flávio 70% · Lula 30% | 24% | muito baixa |

Margem = Flávio − Lula em pontos percentuais dos **votos válidos** (positiva = Flávio à frente). Intervalos e chances vêm de 100.000 sorteios pareados com semente fixa; **os seis cenários usam o mesmo modelo de erro** (erro estatístico inflado por herding + erro não amostral t₆ de desvio 2,40 p.p.; revisão de 23/10, BRIEF v3 17h20), e a margem central de Tendência e Consenso é a do agregador. Números exatos e tolerâncias na seção 9.

**Leitura em uma frase.** Nos seis cenários a margem central (mediana) é uma vitória de Flávio por pouco, entre +1,5 e +3,0 p.p., mas todos os intervalos de 80% incluem vitória de Lula; a chance de vitória de Lula vai de 15% a 31%.

**Faixas de resultado (camada simples, somam 100%).** Exportadas por `cenarios.js` em `faixas`/`faixasExibicao` de cada cenário:

| cenário | Flávio por mais de 3 | Flávio por até 3 | Lula por até 3 | Lula por mais de 3 | diferença menor que 1 ponto (à parte) |
|---|---|---|---|---|---|
| Nossa Análise | 37% | 39% | 19% | 5% | 21% |
| Tendência | 33% | 36% | 23% | 8% | 22% |
| Consenso | 32% | 46% | 19% | 3% | 24% |
| Pesquisas no alvo | 32% | 41% | 22% | 5% | 23% |
| Erro como no 1º turno | 50% | 36% | 12% | 2% | 16% |
| Dinâmica de reta final | 30% | 40% | 24% | 6% | 24% |

### Como ler estes números (texto proposto para o site e o monitor)

- **Margem (% dos votos válidos):** quanto um candidato teria a mais que o outro. "Flávio +2,1 p.p." ≈ 2,5 milhões de votos de diferença.
- **Chance de vitória:** em quantas de 100 eleições simuladas com a incerteza das pesquisas cada um venceria. "Chance de vitória: Flávio 76% · Lula 24%" quer dizer que, em 100 eleições simuladas, Flávio venceria em cerca de 76 — **não** que ele teria 76% dos votos [35, 121]. O formato de frequência é o recomendado para leigos [36, 70].
- **Intervalo de 80%:** a faixa onde a margem final cai em 8 de cada 10 simulações. Uma em cada dez fica acima, uma em cada dez abaixo. Na camada simples ele vira frase (`fraseIC80`): "Em 8 de cada 10 simulações, o resultado fica entre uma vitória de Lula por 1,7 ponto e uma vitória de Flávio por 5,9 pontos."
- Chance de vitória e margem aparecem sempre juntas, em estilos visuais diferentes, porque o público tende a confundir uma com a outra [112, 121]. Probabilidades são inteiras, limitadas a 1%–99% e somam 100 [33]; a matriz tem sempre 100 ícones com as duas cores [3, 30].

---

## 2. Notação e convenções

| símbolo | significado |
|---|---|
| $m$ | margem de Flávio sobre Lula em 25/10, p.p. dos válidos (positiva = Flávio) |
| $e$ | erro de pesquisa = margem da pesquisa − margem do resultado; $e<0$ ⇒ as pesquisas subestimaram Flávio. Com um erro comum $b$, o resultado é $m = m_{\text{pesquisas}} - b$ |
| $m_C,\ \sigma_C$ | Consenso: margem e desvio do modelo (`consenso().margemPP`, `.sigmaModeloPP`) |
| $m_T,\ \sigma_T$ | Tendência projetada a 25/10 (`tendencia().projecao.margemPP`, `.sigmaModeloPP`) |
| $t_6(\sigma)$ | t de Student com 6 graus de liberdade **escalada para ter desvio-padrão** $\sigma$ (escala $\sigma\sqrt{4/6}$), a convenção do agregador [97] |
| $N(\mu,\sigma^2)$ | normal |

Todo cenário é uma **distribuição preditiva completa** de $m$, não um número. A "margem central" é a **mediana**.

---

## 3. A base comum ("ponto central" entre Consenso e Tendência)

**Consenso** [21, 48, 88, 91, 116]: meta-análise de efeitos aleatórios (REML, IC de Hartung–Knapp com piso) da pesquisa mais recente de cada instituto nos últimos 14 dias, sem os pontos fora da curva. **Tendência** [49, 59, 62, 68, 84]: espaço de estados diário (nível + inclinação amortecida, efeitos de instituto), Kalman + RTS, projetada a 25/10. Os dois estão documentados em `docs/METODOLOGIA.md` §10.

As duas estimativas usam **as mesmas pesquisas**, então não são independentes. A base é a **média simples**:

$$m_{\text{base}} = \tfrac12 m_C + \tfrac12 m_T,\qquad \sigma_{\text{base}} = \tfrac12\sqrt{\sigma_C^2+\sigma_T^2+2\rho\,\sigma_C\sigma_T}.$$

- **Por que média simples.** A ponderação ótima de Bates & Granger [8] depende de $\rho$; com $\rho > \sigma_C/\sigma_T \approx 0{,}52$ o peso ótimo sai do intervalo de 0 a 1 e fica instável. Pesos estimados em amostra pequena costumam perder para a média simples [16, 93]. A média simples também é literalmente o "ponto central" pedido.
- **Correlação $\rho$.** Correlação entre as variações do Consenso e da Tendência no **jackknife por instituto** (retira todas as rodadas de uma casa e recalcula os dois) [23, 75, 82, 83, 111]: $\rho = 0{,}936$ (18 institutos). Por pesquisa isolada seria 0,40, mas a unidade de dependência é o instituto. Se o jackknife não estiver disponível, usa-se 0,94.
- **Valores em 23/10:** $m_C = +1{,}867$, $\sigma_C = 0{,}635$; $m_T = +1{,}566$, $\sigma_T = 1{,}219$ ⇒ $m_{\text{base}} = +1{,}716$ p.p., $\sigma_{\text{base}} = 0{,}913$ p.p.

---

## 4. Componentes de erro

### 4.1 Erro estatístico da base, inflado pelo agrupamento das pesquisas (herding)

As pesquisas da janela estão **mais parecidas entre si do que a amostragem permitiria**: $H^2 = Q/(k-1) = 0{,}285$ ($p = 0{,}002$; é o $H^2$ de Higgins & Thompson [51], com o $Q$ de Cochran [18]). Pesquisas que não são independentes tornam a média "enganosamente precisa" [17], e o efeito principal do herding é inflar a robustez aparente [98]. Por analogia com o efeito de desenho de Kish [64], trata-se o conjunto como $k_{\text{eff}} = H^2 k$ pesquisas independentes:

$$\sigma_{\text{estat}} = f_h\,\sigma_{\text{base}},\qquad f_h = \min\!\big(3,\ \max(1,\ 1/\sqrt{H^2})\big) = 1{,}872\ \Rightarrow\ \sigma_{\text{estat}} = 1{,}710\ \text{p.p.}$$

Cuidado declarado: é premissa do projeto (não método publicado) e conservadora se a baixa dispersão vier de ponderação parecida pelo voto do 1º turno [98]. A seção 7 mostra o efeito de desligá-la.

### 4.2 Erro total não amostral, média zero ($\varepsilon_{na}$)

É o erro que **todas as pesquisas de uma eleição compartilham** e que a margem de erro declarada não cobre: cobertura, não resposta, ponderação, modelo de quem vai votar, abstenção seletiva [66, 81, 90]. Com média zero (sem direção), sua escala é estimada por um modelo normal–qui-quadrado inverso escalado, que combina a literatura internacional com o registro brasileiro de 2º turno:

- **Priori:** $\sigma^2 \sim \text{Inv-}\chi^2(\nu_0 = 3,\ s_0^2)$, $s_0 = 2/\sqrt{2/\pi} = 2{,}507$ p.p. Shirani-Mehr et al. [90] estimam viés absoluto médio por eleição de ≈ 1 p.p. de **parcela** bipartidária nas presidenciais estaduais dos EUA (≈ 2 p.p. no Senado e governos; texto lido, seção 4.2). Em margem, 2 p.p.; para um erro normal de média zero, $E|e| = \sigma\sqrt{2/\pi}$. Peso equivalente a 3 eleições.
- **Dados:** erro médio das pesquisas finais nos 2ºs turnos de 2014, 2018 e 2022 (sentido do candidato que não era do PT): +0,67; +1,21; −1,52 p.p. (tabela da seção 4.3).
- **Preditiva** de um novo erro: $t_{\nu_0+n}(0, s_n^2)$ com $s_n^2 = (\nu_0 s_0^2 + \sum e^2)/(\nu_0+n)$. Com $n=3$: **t com 6 graus de liberdade** (o mesmo ν do agregador), $s_n = 1{,}960$, desvio-padrão

$$\sigma_{na} = s_n\sqrt{6/4} = 2{,}401\ \text{p.p.}$$

O valor fica entre o registro brasileiro de 2º turno (raiz da média dos quadrados 1,2 p.p.) e a literatura (2,5 p.p.). **Vale para os seis cenários** (revisão de 23/10, BRIEF v3 17h20): Tendência e Consenso também usam este $\varepsilon_{na}$ e a mesma inflação por herding, em vez do $\sigma_{\text{hist}} = 3{,}91$ p.p. do agregador, que trata o erro de 3,7 p.p. do 1º turno de 2026 como variância simétrica (docs/METODOLOGIA.md §10.7). Os cenários separam as duas coisas: variância sem direção aqui (4.2) e erro com direção no Técnico 2 (4.3). O $\sigma_{\text{hist}}$ fica como sensibilidade (seção 7 e `comoAgregador`).

### 4.3 Erro sistemático comum com direção (só no Técnico 2)

**Registro histórico** (pesquisas finais × resultado oficial; varredura L3, 54 pesquisas de 17 institutos com URL e registro no TSE; resultado oficial do TSE [101, 102, 103, 104, 105, 106, 107, 108, 110]). Erro médio no sentido do candidato **que não era do PT** (para 2026, Flávio); 1º turno na margem entre os dois, 2º turno nos válidos:

| eleição | 1º turno: erro médio (k) | 2º turno: erro médio (k) | razão 2º/1º |
|---|---|---|---|
| 2014 | −15,86 (4) | +0,67 (5) | −0,04 |
| 2018 | −2,74 (8) | +1,21 (6) | −0,44 |
| 2022 | −2,87 (10) | −1,52 (10) | +0,53 |
| 2026 | −3,73 (11) | — | — |

Nos quatro 1ºs turnos o erro médio das pesquisas finais subestimou o candidato que não era do PT (24 das 33 finais da tabela erraram nesse sentido, na margem entre os dois; em 2018, Datafolha, Ibope, XP/Ipespe e Paraná Pesquisas superestimaram Bolsonaro nessa métrica, embora o subestimassem na margem nos válidos). Nos 2ºs turnos o erro foi pequeno e de sinal misto, e só em 2022 (a eleição mais parecida com 2026) ele manteve o sinal do 1º turno. O 2º turno erra menos: dois candidatos, menos indecisos, sem voto útil [71, 79]. Descritivo, sem atribuir causa.

**Hipótese do cenário (condicional e declarada, como em Isakov & Kuriwaki [58]):** o erro comum do 2º turno tem a **mesma direção** do 1º turno de 2026 e o **mesmo tamanho relativo** ao que é típico em cada turno. Modelo em três passos:

1. **Âncora:** $\hat e = -3{,}735$ p.p. (média das 11 finais do 1º turno de 2026, `erroHistorico().viesMedioPP`), erro-padrão $s = 1{,}162$.
2. **Encolhimento empírico-bayesiano para zero** [24]: $\theta \sim N(0, \sigma_{1T}^2)$, com $\sigma_{1T}$ = escala robusta do erro comum de 1º turno [87]: $\sigma_{1T} = \text{mediana}(|\bar e_{1T}|)/0{,}6745 = 3{,}299/0{,}6745 = 4{,}891$ p.p. Então $B = \sigma_{1T}^2/(\sigma_{1T}^2+s^2) = 0{,}947$, $\hat\theta = B\hat e = -3{,}536$ e $\operatorname{Var}(\theta\mid\hat e) = Bs^2 = 1{,}278$. (O encolhimento é pequeno porque erros de 1º turno costumam ser grandes; o que reduz o erro é o passo 3.)
3. **Transferência para o 2º turno:** $b = a\,\theta$, com $a = \text{mediana}(|\bar e_{2T}|)/\text{mediana}(|\bar e_{1T}|) = 1{,}207/3{,}299 = 0{,}366$ e incerteza $s_a = 0{,}10$ (escolhas razoáveis dão de 0,14 a 0,54). Momentos do produto de normais independentes:

$$\mu_b = a\hat\theta = -1{,}293,\qquad \sigma_b^2 = a^2\operatorname{Var}(\theta) + s_a^2\hat\theta^2 + s_a^2\operatorname{Var}(\theta)\ \Rightarrow\ \sigma_b = 0{,}556\ \text{p.p.}$$

No sorteio, $b \sim N(\mu_b, \sigma_b^2)$ e $m_{\text{erro1t}} = m_{\text{alvo}} - b$: o centro sobe **+1,29 p.p. para Flávio**, perto do erro do 2º turno de 2022 (1,52 p.p. no mesmo sentido). O cru (+3,7 p.p.) **não** é usado; aparece só como sensibilidade (seção 7).

### 4.4 Dinâmica de reta final (só no Técnico 3)

Quatro termos independentes somados ao Técnico 1: $m_{\text{retafinal}} = m_{\text{alvo}} + M + B_w + U + C$.

**(a) Momento $M$.** O cenário troca o centro estático pelo **centro dinâmico**: o nível suavizado da Tendência no último ponto médio de campo ($n_T = +1{,}754$ em 21/10) mais a inclinação de 7 dias ($s = -0{,}583$ p.p./semana, IC95 −2,17 a +1,00) extrapolada até 25/10 com amortecimento $\varphi = 0{,}9$ por dia [31, 49]:

$$c = n_T + \frac{s}{7}D(h),\quad D(h)=\sum_{k=1}^{h}\varphi^k,\ h=4\ \Rightarrow D = 3{,}095,\ c = +1{,}496;\qquad M\sim N(c - m_{\text{base}},\ \sigma_M^2),\ \sigma_M = \frac{EP_s}{7}D = 0{,}357.$$

$\hat M = -0{,}22$ p.p. (para Lula). Amortecimento forte porque parte do "movimento" de pesquisa é composição de amostra [26, 32] e a reta final costuma mudar devagar [27, 34, 122].

**(b) Efeito manada / azarão $B_w$** [7, 92]. Proporcional à vantagem que o eleitor vê nas pesquisas (dose-resposta), no sentido do líder se $\gamma > 0$ e contra ele se $\gamma < 0$:

$$B_w = \gamma\, m_{\text{base}},\qquad \gamma\sim N(0,\ 0{,}25^2)\ \Rightarrow\ B_w \approx 0 \pm 0{,}43\ \text{p.p.},\ \text{IC95} \approx [-0{,}84;\ +0{,}84].$$

Centro **zero** (revisão de 23/10; a versão 1.0.0 usava $\bar\gamma = 0{,}10$). Kiss & Simonovits [65] (dois turnos, Hungria) acham a vantagem do líder do 1º turno ampliada em ≈ 10% no 2º, mas isso é o efeito do **resultado do 1º turno**, que em 2026 saiu em 4/10 e já está dentro das pesquisas do 2º turno (todas feitas depois dele): somá-lo de novo às pesquisas contaria o mesmo efeito duas vezes. O que resta modelar é o efeito **incremental** das últimas pesquisas sobre o voto, e para ele a evidência não dá direção: o nível de pesquisa não muda a intenção de voto em 23.421 holandeses [115]; o efeito aparece com notícia de **crescimento** [19], que já está no momento $M$; há evidência de azarão [15]; os experimentos com efeito positivo [28, 86] expõem informação nova, não a mesma vantagem estável vista por duas semanas. A parte de comparecimento do efeito húngaro pesa pouco com voto obrigatório. Desvio largo: cobre um efeito do tamanho de Kiss & Simonovits (+0,17 p.p.) e um azarão do mesmo tamanho; efeitos grandes só aparecem com informação de **resultado** (boca de urna na França [76]; apuração parcial no Brasil, em 0,24% das urnas [5]). Não há meta-análise sobre o efeito de pesquisas no voto. A direção do líder ($\bar\gamma = 0{,}10$) fica como sensibilidade (seção 7).

**(c) Indecisos $U$.** Os votos válidos das pesquisas já dividem os indecisos na proporção de cada candidato ($\lambda_0 = F/(F+L)$). O desvio dessa divisão:

$$U = 200\,u_{\text{rel}}\,(\lambda-\lambda_0),\qquad \lambda-\lambda_0 \sim N(0,\ 0{,}105^2),\qquad u_{\text{rel}} = 0{,}0212\ \Rightarrow\ \sigma_U = 0{,}446\ \text{p.p.}$$

$u_{\text{rel}}$ = mediana de indecisos/(F + L + indecisos) nas 14 pesquisas do Consenso que publicam indecisos. Centro zero: a "regra do incumbente" (indecisos vão para o desafiante [72]) não se sustenta como regra: sem viés no NES desde 1948 (7 ± 21% contra o partido do governo, de onde vem o desvio 0,21/2 [120]), movimento a favor de incumbentes no Senado em 2008–2010 [73], presidente subestimado nos EUA em 2020 [2] e no Brasil em 2022 [79]. Indecisos entram como variância [10]. Se 70% fossem para o desafiante (Flávio), +0,85 p.p. (sensibilidade, seção 7).

**(d) Comparecimento diferencial $C$.** Para cada ciclo de 2006 a 2022, a razão de comparecimento 2º/1º turno de cada bloco relativa à nacional (dados abertos do TSE [109]) é aplicada à composição regional do cenário, `cenarioRegional(m_base, ajustes das pesquisas)`, mantendo a participação de Flávio em cada bloco:

$$m' = 100\,\frac{\sum_b V_b r_b (2p_b - 1)}{\sum_b V_b r_b},\qquad \Delta = m' - m_{\text{base}}\ \Rightarrow\ \Delta_{2006..2022} = +0{,}10;\ +0{,}02;\ 0{,}00;\ +0{,}05;\ +0{,}05.$$

$C \sim N(+0{,}041,\ 0{,}038^2)$: o Norte perde comparecimento relativo em todos os ciclos (≈ −3,3%) e SP, MG e Sul ganham pouco, mas o efeito na margem é desprezível. Abstenção seletiva **dentro** dos blocos não é observável em dados agregados e já está em $\varepsilon_{na}$. Em 2022 o comparecimento subiu no 2º turno pela primeira vez, com gratuidade de transporte entre as hipóteses citadas pelo TSE [9].

---

## 5. Fichas dos cenários

Escala GRADE adaptada [6, 42, 43, 44, 45, 46, 47]: pergunta "quão confiável é o centro deste cenário como estimativa da margem de 25/10?"; parte de **alta** (pesquisas registradas medem diretamente a intenção no eleitorado-alvo poucos dias antes) e rebaixa 1 nível por preocupação grave e 2 por muito grave; a mesma causa não é contada duas vezes. É uma **adaptação por analogia**: o GRADE foi criado para evidência clínica. Serve para comunicar incerteza indireta (qualidade da evidência) ao lado da direta (intervalos) [113].

### 5.1 Nossa Análise (cenário central, padrão do site)

- **Hipótese.** Não sabemos em qual dos três "mundos" da reta final estamos (pesquisas no alvo, erro do 1º turno repetido, dinâmica de reta final), então damos o mesmo peso aos três.
- **Mecanismo.** Média de modelos [54]: a distribuição é a mistura exata

$$F_{\text{nossa}}(x) = \tfrac13 F_{\text{alvo}}(x) + \tfrac13 F_{\text{erro1t}}(x) + \tfrac13 F_{\text{retafinal}}(x).$$

- **Evidência.** Combinações simples de previsões costumam superar as escolhidas ou otimizadas [16, 93]; em eleições, a média reduziu o erro em 16% a 59% [38] (o ganho é maior com fontes diferentes; aqui as três partes usam as mesmas pesquisas). Ignorar a incerteza de modelo produz confiança demais [54].
- **Parâmetros.** Pesos 1/3, 1/3, 1/3, pré-especificados antes de ver resultados (`PARAMS_CENARIOS.nossa.pesos`).
- **Como calcular.** Probabilidades $P_{\text{nossa}} = \sum_k w_k P_k$; quantis pela CDF ponderada do vetor conjunto (3 × 100.000 sorteios, peso $w_k/N$ cada).
- **Resultado (23/10).** Mediana **Flávio +2,1 p.p.**; IC80 −1,7 a +5,9; IC95 −3,9 a +8,2; **chance de vitória: Flávio 76% · Lula 24%** (cerca de 3 em 4); foto-finish 21%; diferença na mediana ≈ 2,48 milhões de votos.
- **Certeza: baixa.** A média de modelos não aumenta a certeza dos componentes; torna o intervalo honesto quanto à incerteza de modelo. Herda a certeza do componente central (Técnico 1, baixa).
- **Limitações.** Os pesos são uma escolha (seção 6 mostra o efeito: de 72% a 79%). Os três componentes compartilham a base, o erro não amostral e as mesmas pesquisas. **Como se compara com a Tendência e o Consenso:** seção 10.
- **O que observar na apuração.** A margem **projetada** do monitor (não a curva bruta) dentro do IC80 da Nossa Análise; as três leituras técnicas dizem por que ela se moveria.

### 5.2 Tendência das pesquisas

- **Hipótese.** A intenção de voto evolui de forma suave; o nível de hoje mais a inclinação recente, amortecida, dizem onde ela estará em 25/10.
- **Mecanismo.** Espaço de estados diário com nível, inclinação amortecida ($\varphi = 0{,}9$), efeitos de instituto e ruído extra; filtro de Kalman + suavizador RTS [22, 31, 49, 62, 84]; agregação temporal com efeitos de casa [50, 59, 68, 80].
- **Parâmetros.** Centro e $\sigma_{\text{modelo}}$ do agregador (docs/METODOLOGIA.md §10.5; hiperparâmetros por máxima a posteriori). Desfecho no **modelo de erro único**: $m = m_T + f_h\,\sigma_T Z + \varepsilon_{na}$, com $f_h = 1{,}872$ e $\varepsilon_{na} \sim t_6(2{,}40)$, os mesmos dos técnicos.
- **Resultado (23/10).** Flávio +1,57 p.p. (4 dias depois do último ponto médio de campo); desvio do desfecho 3,31 p.p.; IC80 −2,6 a +5,7; IC95 −4,9 a +8,1; **chance de vitória: Flávio 69% · Lula 31%**; foto-finish 22%. Inclinação −0,58 p.p./semana, IC95 inclui zero. Sensibilidade (como no capítulo das pesquisas, $\sigma_{\text{hist}} = 3{,}91$, desvio 4,10): 67%.
- **Certeza: baixa.** Risco de viés grave (o 1º turno de 2026 subestimou Flávio em 3,7 p.p.; IC95 do viés −6,3 a −1,1; e os 1ºs turnos de 2014–2026 erraram no mesmo sentido); inconsistência não grave (τ² = 0, I² = 0; 16 variantes de análise entre +1,34 e +2,18); evidência indireta não grave; imprecisão grave (IC95 do desfecho de −4,9 a +8,1); herding (razão 0,29) já no erro estatístico inflado e contado em imprecisão.
- **Limitações.** 16 dias de dados; a inclinação e os hiperparâmetros são pouco identificados; as bandas tratam hiperparâmetros como conhecidos (subcobertura pequena, ver METODOLOGIA §10.8).
- **O que observar.** Projeção perto de +1,6 p.p.; se a lenta perda de Flávio na reta final continuou, a projeção fica um pouco abaixo do Consenso.

### 5.3 Consenso das pesquisas

- **Hipótese.** As pesquisas das duas últimas semanas, uma por instituto, já dizem onde está a disputa; não há movimento relevante.
- **Mecanismo.** Meta-análise de efeitos aleatórios em logit (REML; DerSimonian–Laird e Paule–Mandel como conferência), IC de Hartung–Knapp–Sidik–Jonkman com piso no erro-padrão convencional, intervalo de predição, heterogeneidade por Q, τ² e I² [18, 21, 48, 51, 52, 53, 56, 57, 78, 88, 91, 116, 117]; variâncias em logit pelo método delta [77]; pontos fora da curva por z robusto e resíduo deixa-uma-fora [87, 118]; diagnósticos de floresta e funil [25, 67, 95, 96].
- **Parâmetros.** Centro e $\sigma_{\text{modelo}} = 0{,}63$ do agregador; desfecho no modelo de erro único, $m = m_C + f_h\,\sigma_C Z + \varepsilon_{na}$.
- **Resultado (23/10).** Flávio +1,87 p.p.; desvio do desfecho 2,68 p.p.; IC80 −1,4 a +5,1; IC95 −3,4 a +7,2; **chance de vitória: Flávio 78% · Lula 22%**; foto-finish 24%. Sensibilidade (como no capítulo das pesquisas, $\sigma_{\text{hist}} = 3{,}91$, desvio 3,96): 71%. É o cenário mais estreito porque o Consenso tem o menor erro de modelo; a base dos técnicos, média com a Tendência (ρ = 0,94), tem erro estatístico maior que o do Consenso sozinho (seção 3).
- **Certeza: baixa.** Como a Tendência; a evidência indireta fica "não grave no limite", porque é a média das duas últimas semanas (centro efetivo em 18/10) usada para 25/10.
- **Limitações.** Sem tempo; uma pesquisa por instituto; τ² = 0 com dispersão abaixo do acaso (herding).
- **O que observar.** Projeção perto de +1,9 p.p.

### 5.4 Técnico 1 · Pesquisas no alvo (`alvo`)

- **Hipótese.** As pesquisas do 2º turno não têm erro com direção: erram, mas para qualquer lado, com o tamanho típico de um agregado de 2º turno.
- **Mecanismo.**

$$m_{\text{alvo}} = m_{\text{base}} + \sigma_{\text{estat}}Z + \varepsilon_{na},\qquad Z\sim N(0,1),\ \varepsilon_{na}\sim t_6(\sigma_{na}).$$

- **Evidência.** Erro total maior que o amostral e erro comum por eleição [61, 66, 81, 90]; no Brasil, erro real acima da margem declarada desde 2010 [39, 71], maior no Nordeste e com muitos indecisos [69], e 2ºs turnos de 2014–2022 com erro médio pequeno (|e| ≤ 1,52 p.p.); amostras não representativas como causa principal de erros grandes [99]; não independência das pesquisas [17, 98].
- **Parâmetros.**

| parâmetro | valor (23/10) | de onde vem |
|---|---|---|
| $m_{\text{base}}$ | +1,716 p.p. | ½ Consenso + ½ Tendência (seção 3) |
| $\sigma_{\text{base}}$ | 0,913 p.p. | $\rho = 0{,}936$ (jackknife por instituto) |
| $f_h$ | 1,872 | $1/\sqrt{H^2}$, $H^2 = 0{,}285$ (`herding().razao`) |
| $\sigma_{\text{estat}}$ | 1,710 p.p. | $f_h\sigma_{\text{base}}$ |
| $\sigma_{na}$ | 2,401 p.p. ($t_6$) | priori internacional + 3 segundos turnos (seção 4.2) |

- **Resultado (23/10).** Mediana Flávio +1,7 p.p.; desvio-padrão 2,95; IC80 −1,9 a +5,3; IC95 −4,0 a +7,6; **chance de vitória: Flávio 73% · Lula 27%**; foto-finish 23%.
- **Certeza: baixa.** Risco de viés grave (a premissa "sem direção" é contrariada pelo 1º turno de 2026, mas apoiada pelos 2ºs turnos de 2014–2022); inconsistência não grave; evidência indireta não grave (a parte internacional é declarada e tem peso igual ao dado brasileiro); imprecisão grave (IC95 de ±5,8 p.p. em torno do centro inclui os dois vencedores); herding contado no erro estatístico.
- **Limitações.** $\sigma_{na}$ apoiado em 3 eleições brasileiras e numa priori dos EUA; a inflação por herding é premissa do projeto.
- **O que observar.** Projeção perto de +1,7 p.p. e desvios regionais em relação ao 1º turno parecidos com os cruzamentos das pesquisas (Flávio cresce mais que a média no Nordeste, ajuste +1,7 p.p., e menos no Sul, −1,8 p.p.).

### 5.5 Técnico 2 · Erro sistemático como no 1º turno (`erro1t`)

- **Hipótese.** As pesquisas do 2º turno erram juntas na mesma direção do 1º turno de 2026 (subestimando Flávio), com o tamanho relativo típico de um 2º turno. É um cenário **condicional**: a premissa é declarada, não estimada como certa [58].
- **Mecanismo.** $m_{\text{erro1t}} = m_{\text{alvo}} - b$, $b \sim N(\mu_b, \sigma_b^2)$ (seção 4.3).
- **Evidência.** Erro comum por eleição [90]; 1ºs turnos brasileiros sempre contra o candidato que não era do PT (seção 4.3); 2022, a eleição mais parecida, manteve o sinal no 2º turno; institutos atribuíram o erro de 2022 a decisões de última hora [79, 89]; o 2º turno erra menos que o 1º [71]; encolhimento empírico-bayesiano [24]; escala robusta [87].
- **Parâmetros.**

| parâmetro | valor | de onde vem |
|---|---|---|
| $\hat e$, $s$ | −3,735; 1,162 p.p. | `erroHistorico()` (11 finais do 1º turno de 2026) |
| $\sigma_{1T}$ | 4,891 p.p. | mediana de |erro| dos 1ºs turnos 2014–2026 ÷ 0,6745 |
| $B$ | 0,947 | $\sigma_{1T}^2/(\sigma_{1T}^2+s^2)$ |
| $a$, $s_a$ | 0,366; 0,10 | mediana |erro| 2ºs turnos ÷ mediana 1ºs turnos |
| $\mu_b$, $\sigma_b$ | −1,293; 0,556 p.p. | $a B \hat e$; produto de normais |

- **Resultado (23/10).** Mediana Flávio +3,0 p.p.; IC80 −0,7 a +6,7; IC95 −2,9 a +9,0; **chance de vitória: Flávio 85% · Lula 15%** (cerca de 5 em 6); foto-finish 16%.
- **Certeza: muito baixa.** Risco de viés não rebaixa (o cenário modela o erro comum); inconsistência grave (2014 e 2018 inverteram o sinal do 1º para o 2º turno); evidência indireta grave (transfere um erro de 1º turno, com cinco candidatos e voto útil, para um 2º turno); imprecisão grave (âncora de uma eleição; fator de transferência entre 0,14 e 0,54).
- **Limitações.** Três pares 1º → 2º turno; o fator $a$ mistura institutos diferentes a cada ano; o erro do 1º turno de 2026 pode ter sido mudança tardia (que não se repete) e não erro de método.
- **O que observar.** Projeção estável acima de ≈ +3 p.p. e Flávio acima do esperado em **todos** os blocos ao mesmo tempo: é a assinatura de um erro comum às pesquisas, não de uma região.

### 5.6 Técnico 3 · Dinâmica de reta final (`retafinal`)

- **Hipótese.** Nos últimos dias a disputa ainda se move: o movimento recente continua (amortecido), há algum efeito manada ou azarão, os indecisos não se dividem exatamente na proporção e o comparecimento muda entre turnos de forma diferente por região.
- **Mecanismo.** $m_{\text{retafinal}} = m_{\text{alvo}} + M + B_w + U + C$ (seção 4.4).
- **Evidência.** Momento e estabilidade da reta final [27, 31, 32, 34, 60, 122]; manada/azarão [5, 7, 15, 19, 28, 65, 76, 86, 92, 115]; indecisos [2, 10, 72, 73, 79, 120]; comparecimento [9, 26, 41, 85, 109]; mudança tardia observada em outros países [1, 63, 98].
- **Parâmetros.**

| termo | centro | desvio | de onde vem |
|---|---|---|---|
| momento $M$ | −0,22 | 0,36 | nível 21/10 + inclinação de 7 dias, $\varphi = 0{,}9$, 4 dias |
| manada $B_w = \gamma m_{\text{base}}$ | 0 | 0,43 | $\gamma \sim N(0;\ 0{,}25^2)$ (o efeito do resultado do 1º turno já está nas pesquisas) |
| indecisos $U$ | 0 | 0,45 | $u_{\text{rel}} = 2{,}1\%$; dp de λ = 0,105 |
| comparecimento $C$ | +0,04 | 0,04 | 5 ciclos do TSE aplicados à composição regional |

- **Resultado (23/10).** Mediana Flávio +1,5 p.p.; desvio-padrão 3,03; IC80 −2,2 a +5,3; IC95 −4,4 a +7,6; **chance de vitória: Flávio 70% · Lula 30%**; foto-finish 24%. O centro se move só pelo momento (−0,22, para Lula) e pelo comparecimento (+0,04); manada e indecisos têm centro zero e o principal efeito da reta final é alargar o intervalo. Com manada no sentido do líder ($\bar\gamma = 0{,}10$): +1,7 p.p. e 72%.
- **Certeza: muito baixa.** Risco de viés grave (as mesmas pesquisas); inconsistência grave (manada × azarão; momento × estabilidade); evidência indireta **muito grave** (experimentos online e de laboratório nos EUA, Dinamarca e Holanda e eleições na Hungria, França e Índia, quase todas com voto voluntário; o único estudo brasileiro mede exposição à apuração parcial, não a pesquisas); imprecisão grave (cada efeito é menor que o próprio desvio).
- **Limitações.** Nenhum dos quatro termos foi estimado no Brasil com pesquisas; os tamanhos vêm de outros contextos e entram com desvio largo.
- **O que observar.** Abstenção por bloco diferente do padrão (Norte com abstenção relativa maior; SP, MG e Sul menor) e mudanças onde havia mais indecisos. Manada e erro comum não se distinguem pela apuração; a diferença está no tamanho (manada: centro zero, poucos décimos de ponto para qualquer lado).

---

## 6. Sensibilidade aos pesos da Nossa Análise

Valores exatos (integração numérica da mistura), 23/10:

| pesos (alvo / erro1t / retafinal) | mediana | IC80 | chance de vitória de Flávio |
|---|---|---|---|
| **1/3, 1/3, 1/3 (padrão)** | **+2,08** | −1,70 a +5,88 | **76%** |
| 1/2, 1/4, 1/4 (pela certeza GRADE: baixa = 2, muito baixa = 1) | +1,99 | −1,75 a +5,75 | 76% |
| 1/4, 1/2, 1/4 (ênfase no erro do 1º turno) | +2,32 | −1,48 a +6,12 | 79% |
| 1/4, 1/4, 1/2 (ênfase na dinâmica) | +1,95 | −1,84 a +5,74 | 75% |
| 1/2, 0, 1/2 (sem o erro do 1º turno) | +1,63 | −2,06 a +5,31 | 72% |
| 1, 0, 0 (só pesquisas no alvo) | +1,72 | −1,91 a +5,34 | 73% |

A escolha de pesos move a chance de vitória entre 72% e 79% e a mediana entre +1,6 e +2,3 p.p. Nenhuma escolha razoável inverte o favorito nem dá mais de 4 em 5.

## 7. Outras sensibilidades (indicadores, nunca cenários)

Uma escolha por vez, com os mesmos sorteios (`sensibilidadeOutras()`; as seis primeiras linhas também por integração exata em `CONFERENCIA.sensibilidadeOutras`):

| variante | Tendência | Consenso | Técnico 1 | Nossa Análise | Nossa: mediana |
|---|---|---|---|---|---|
| padrão | 69% | 78% | 73% | 76% | +2,08 |
| sem inflação por herding ($f_h = 1$) | 74% | 80% | 77% | 80% | — |
| herding pela razão sob amostragem aleatória simples (0,495; $f_h = 1{,}42$) | 71% | 79% | 75% | 78% | — |
| $\sigma_{na} = 2{,}0$ p.p. (piso do agregador) | 70% | 81% | 75% | 78% | — |
| $\sigma_{na} = 2{,}5$ p.p. (só a priori internacional) | 68% | 77% | 73% | 76% | — |
| $\sigma_{na} = \sigma_{\text{hist}} = 3{,}9$ p.p. (erro do 1º turno de 2026 como variância; é o que o capítulo das pesquisas mostra: Tendência 67%, Consenso 71%) | 64% | 70% | 67% | 70% | — |
| manada no sentido do líder ($\bar\gamma = 0{,}10$, Kiss & Simonovits; Técnico 3 = 72%) | 69% | 78% | 73% | 77% | +2,13 |
| base = só Tendência | 69% | 78% | 69% | 73% | +1,98 |
| base = só Consenso | 69% | 78% | 78% | 80% | +2,17 |
| base = inverso da variância, ignorando ρ ($w_C = 0{,}79$) | 69% | 78% | 76% | 78% | +2,13 |
| erro do 1º turno **cru** no Técnico 2 ($\mu_b = \hat e$, $\sigma_b = s$): Técnico 2 = 96% | 69% | 78% | 73% | 80% | +2,75 |
| fator de transferência dos grandes institutos ($a = 0{,}54$): Técnico 2 = 89% | 69% | 78% | 73% | 78% | +2,26 |
| "regra do incumbente" no Técnico 3 (70% dos indecisos para Flávio, +0,85 p.p.): Técnico 3 = 80% | 69% | 78% | 73% | 79% | +2,36 |

Conclusão: a chance de vitória da Nossa Análise fica entre **70% e 80%** sob escolhas razoáveis; quem mais a move é a escala do erro não amostral (a mesma lição do agregador: a incerteza sobre o erro pesa mais que a margem central). Cada item também traz `sensibilidadeErro` (σ_na = 2,0 / 2,4 / 3,9) e, em Tendência e Consenso, `comoAgregador` (o número do capítulo das pesquisas).

---

## 8. Simulação e especificação para `assets/js/polls/cenarios.js`

**Gerador.** `mulberry32(20261025)` + `criarGauss` (Box–Muller, usa os dois valores do par), importados de `../live/projection.js` [74]. **100.000 sorteios** (BRIEF exige ≥ 20.000; com 100.000 o erro de Monte Carlo de uma probabilidade perto de 75% é ≈ 0,14 p.p.).

**Números aleatórios comuns.** Um único fluxo; em cada sorteio $i$ saem **13 normais, nesta ordem**: $z_1$ estatístico; $z_2$ numerador da t; $z_3..z_8$ qui-quadrado da t ($T = z_2/\sqrt{(z_3^2+\dots+z_8^2)/6}\cdot\sqrt{4/6}$); $z_9$ erro sistemático; $z_{10}$ momento; $z_{11}$ manada; $z_{12}$ indecisos; $z_{13}$ comparecimento. Então:

```
tendencia = m_T + f_h·σ_T·z1 + σ_na·T            (centro exibido = m_T, mediana exata)
consenso  = m_C + f_h·σ_C·z1 + σ_na·T            (centro exibido = m_C, mediana exata)
alvo      = m_base + σ_estat·z1 + σ_na·T
erro1t    = alvo − (μ_b + σ_b·z9)
retafinal = alvo + (M̂ + σ_M·z10) + (γ̄ + s_γ·z11)·m_base + 200·u_rel·(λ̄ + s_λ·z12) + (μ_C + σ_C·z13)     (γ̄ = 0, λ̄ = 0)
```

Os cinco cenários simulados ficam pareados (diferem só pelos termos e escalas próprios) e a Nossa Análise é a mistura exata dos três técnicos. Quantis por interpolação linear no vetor ordenado (`quantil()` de projection.js); na Nossa Análise, CDF ponderada do vetor conjunto (primeiro valor com $F \ge q$, com folga de 1e-10 contra o arredondamento da soma acumulada; com pesos iguais é o elemento $\lceil q\cdot 3N\rceil$ do vetor conjunto). Tendência e Consenso **não** usam mais a t₆ analítica do agregador com $\sigma_{\text{hist}}$ (revisão de 23/10): essa distribuição fica em `comoAgregador`, como sensibilidade.

**Saídas por cenário.** `{ chave, nome, nomeCurto, papel, rotulo: rotuloMargem(mediana), margemPP: mediana, media, sd, ic80, ic95, probFlavio, probLula, fotoFinish, probExibicao, chance, faixas: {flavioMais3, flavio0a3, lula0a3, lulaMais3, fotoFinish}, faixasExibicao: {itens (inteiros que somam 100, maiores restos), fotoFinish}, fraseIC80, fraseIC95, sensibilidadeErro, votos: cenarioNacional(mediana), regional: cenarioRegional(mediana, ajustes), ajustes, grade, observar, origem, fonte, parametros, densidade, sdAnalitico, centroAnalitico }` na ordem `PARAMS_CENARIOS.ordem`; Tendência e Consenso trazem também `comoAgregador`, `icModelo95`, `sigmaModeloPP`, `sigmaTotalPP` (desvio do desfecho no modelo único); a Nossa Análise traz `componentes`, `pesos`, `entradas` e `sensibilidade.pesosNossa`. Os ajustes regionais de todos os cenários são os das pesquisas (`ajustesRegionais()`); a composição regional usa a mediana.

**Testes (`tests/cenarios.test.mjs`, 28).** Reprodutibilidade bit a bit; alvo centrado na base; erro1t desloca na direção do histórico e não vira ajuste sem incerteza (σ_b, IC80 com vitória de Lula); retafinal com manada, indecisos e comparecimento desligados = alvo + momento sorteio a sorteio; momento amortecido ($D(h) < h$); nossa = mistura exata; probabilidades e exibição; faixas somam 1 e 100%; Tendência e Consenso no modelo de erro único (fórmula sorteio a sorteio, mesmo $f_h$ e $\sigma_{na}$; `comoAgregador` intacto; com $f_h = 1$ e $\sigma_{na} = \sigma_{\text{hist}}$ o modelo único reproduz o agregador a ±1,2 p.p.); sensibilidades (pesos e 13 variantes, com direções); conferência `CONFERENCIA.mc` (4 casas) e `CONFERENCIA.exato` (integração independente refeita no teste); fórmulas de `ERROS_HISTORICOS`; todo parâmetro com fonte ou premissa declarada; neutralidade (só momento, comparecimento e a premissa condicional do Técnico 2 deslocam o centro); referências; densidades; espelho com Lula à frente; ausência das chaves e rótulos retirados; ordem de importação.

---

## 9. Alvo de conferência (23/10/2026)

`CONFERENCIA` em `cenarios-params.js` (1.1.0) traz todos os números abaixo com 4 casas, regerados pelo revisor de estatística com uma reimplementação independente (sem importar `cenarios.js`). **mc** = resultado esperado com o gerador, a semente e a ordem da seção 8 (o módulo reproduz a 4 casas); **exato** = integração numérica independente da mesma distribuição (convolução normal + t₆). Tolerância contra o exato: probabilidade ± 0,6 p.p.; mediana e IC80 ± 0,06 p.p.; IC95 ± 0,12 p.p.

| cenário | mediana mc / exato | IC80 mc | IC95 mc | P(Flávio) mc / exato | foto-finish mc | exibição |
|---|---|---|---|---|---|---|
| nossa | 2,0751 / 2,0829 | −1,6903; 5,8866 | −3,8862; 8,1750 | 0,7627 / 0,7637 | 0,2094 | 76 / 24 |
| tendencia | 1,5656 / 1,5656 | −2,5552; 5,7078 | −4,9226; 8,1254 | 0,6886 / 0,6892 | 0,2206 | 69 / 31 |
| consenso | 1,8667 / 1,8667 | −1,3650; 5,1064 | −3,3914; 7,1985 | 0,7767 / 0,7764 | 0,2363 | 78 / 22 |
| alvo | 1,7065 / 1,7162 | −1,9051; 5,3292 | −4,0348; 7,5755 | 0,7313 / 0,7326 | 0,2347 | 73 / 27 |
| erro1t | 2,9983 / 3,0096 | −0,6807; 6,7064 | −2,8541; 8,9671 | 0,8537 / 0,8538 | 0,1569 | 85 / 15 |
| retafinal | 1,5332 / 1,5369 | −2,1914; 5,2854 | −4,3759; 7,5835 | 0,7031 / 0,7045 | 0,2366 | 70 / 30 |

Entradas intermediárias (23/10): $m_{\text{base}} = 1{,}7162$; $\sigma_{\text{base}} = 0{,}9133$; $\rho = 0{,}9356$; $H^2 = 0{,}2852$; $f_h = 1{,}8724$; $\sigma_{\text{estat}} = 1{,}7100$; $\sigma_{na} = 2{,}401$; desvio do desfecho de Tendência 3,3128 e de Consenso 2,6789 (no agregador, com $\sigma_{\text{hist}} = 3{,}9118$: 4,0974 e 3,9630); $B = 0{,}9466$; $\hat\theta = -3{,}5358$; $\mu_b = -1{,}2934$; $\sigma_b = 0{,}5557$; $c = 1{,}4957$; $\hat M = -0{,}2205$; $\sigma_M = 0{,}3570$; $B_w$: 0 ± 0,4290; $u_{\text{rel}} = 0{,}02124$, $\sigma_U = 0{,}4461$; $C$: 0,0412 ± 0,0382. Desvios-padrão totais: alvo 2,948; erro1t 3,000; retafinal 3,033. Votos na mediana (premissas do 1º turno): Nossa Análise Flávio 60.885.311 × Lula 58.409.826 (diferença 2.475.485).

---

## 10. Como a Nossa Análise se compara com a Tendência e o Consenso

Na versão 1.0.0 a Nossa Análise (77%) passava da Tendência (67%) e do Consenso (71%) por uma diferença de **premissa de erro**: os dois usavam $\sigma_{\text{hist}} = 3{,}91$ p.p. (o erro do 1º turno de 2026 como variância simétrica) e os técnicos usavam $\sigma_{na} = 2{,}40$. Desde a revisão de 23/10 (BRIEF v3, 17h20) **os seis usam o mesmo modelo de erro**, e as diferenças refletem só o mecanismo de cada um:

1. **Consenso (78%) > Nossa Análise (76%) > Tendência (69%).** A Nossa Análise fica entre as duas leituras das pesquisas. O Consenso é o mais estreito porque tem o menor erro de modelo (0,63 p.p.); a Tendência é a mais larga (1,22 p.p., projeção de 4 dias) e tem o centro mais baixo (+1,57).
2. **Por que a Nossa Análise fica acima do Técnico 1 (73%).** Só pelo peso 1/3 no erro do 1º turno: o Técnico 2 desloca o centro em +1,29 p.p.; com peso 1/3, isso move a mediana da Nossa Análise em ≈ +0,4 p.p. Sem esse cenário (pesos 1/2, 0, 1/2), 72%. A dinâmica de reta final puxa levemente para baixo (momento −0,22; manada e indecisos com centro zero).
3. **Por que a base dos técnicos tem erro estatístico maior que o do Consenso.** A média simples de dois estimadores muito correlacionados (ρ = 0,94) com precisões diferentes é menos precisa que o mais preciso deles: $\sigma_{\text{base}} = 0{,}91 > \sigma_C = 0{,}63$ (seção 3). É o preço declarado de não usar pesos estimados instáveis.

Com o erro do capítulo das pesquisas ($\sigma_{na} = \sigma_{\text{hist}} = 3{,}9$) em todos: Tendência 64%, Consenso 70%, Nossa Análise 70%; a Nossa Análise continua dentro da faixa das duas leituras das pesquisas, no limite de cima (seção 7).

## 11. Avaliação depois de 25/10 (pré-registrada)

Antes de conhecer o resultado, fica registrado como os cenários serão avaliados: (i) a margem oficial cai dentro do IC80 de cada cenário?; (ii) escore de Brier da chance de vitória [14]; (iii) escore logarítmico e CRPS da distribuição inteira, que são regras próprias e não premiam só "acertar o vencedor" [37]. Um único resultado não valida nem refuta um cenário probabilístico; a avaliação acumula com as próximas eleições.

## 12. Limitações gerais

1. **Pesquisa não é urna.** Nenhum cenário corrige o que as pesquisas não captam; eles só descrevem o que aconteceria sob cada premissa.
2. **Poucos dados históricos.** Três 2ºs turnos e quatro 1ºs turnos; a composição de institutos muda a cada ano; para 2014 parte dos registros vem de base secundária (Pindograma) [29].
3. **Evidência internacional.** Manada, indecisos e erro não amostral apoiam-se sobretudo em estudos dos EUA e da Europa, com voto voluntário.
4. **Correlação entre componentes.** Os termos da reta final são tratados como independentes; momento e manada poderiam se correlacionar.
5. **Incerteza da incerteza.** Por isso as probabilidades são inteiras, limitadas a 1–99% e acompanhadas das faixas de sensibilidade (seções 6 e 7) [33, 94, 114].
6. **Comunicação.** Mostrar incerteza não reduz muito a confiança do público [114], mas probabilidades altas podem ser lidas como certeza [121]; o texto "chance não é resultado; a apuração decide" acompanha toda chance de vitória.

## 13. Correções de atribuição feitas na reconferência

- **Walsh, Dolfin & DiNardo (2009)** [119] não mede herding (mostra erro real maior que o amostral). O diagnóstico de dispersão abaixo do acaso apoia-se em Higgins & Thompson [51], Sturgis et al. [98] e Clinton & Rogers [17]. O BRIEF v3 atribuía o "herding observado" a Walsh; corrigido aqui.
- **Shirani-Mehr et al. (2018)** [90]: as métricas são de **parcela** bipartidária (texto lido), não de margem; o viés presidencial é ≈ 1 p.p. (≈ 2 p.p. no Senado e governos).
- **Hartung & Knapp (2001)**: o IC de t com k−1 graus de liberdade para respostas contínuas é o artigo do vol. 20(12) [48]; "HKSJ" exige também Sidik & Jonkman [91]; o piso no erro-padrão é a modificação discutida por Röver et al. [88].
- **Heidemanns, Gelman & Morris (2020)**: DOI correto 10.1162/99608f92.fc62f1e1 [50]. **Harvey**: citar como 1990 (edição do DOI; 1ª edição 1989) [49]. **Sterne et al. (2011)**: volume 343 [96].
- Os valores padrão de efeito de desenho do agregador (1,6; 1,8; 2,2) são premissa do projeto; Kish [64] define o conceito, não esses números.

### 13.1 Revisão de estatística (23/10/2026, parâmetros 1.1.0)

- **Modelo de erro único** (BRIEF v3, correção de 17h20): Tendência e Consenso passaram a usar o mesmo erro estatístico inflado por herding e o mesmo $\varepsilon_{na} \sim t_6(2{,}40)$ dos técnicos, nos mesmos sorteios; o $\sigma_{\text{hist}} = 3{,}91$ do agregador ficou como sensibilidade (`comoAgregador`, `sensibilidadeErro`, seção 7). Tendência 67% → 69%; Consenso 71% → 78%.
- **Manada com centro zero** ($\bar\gamma$ 0,10 → 0): o ≈ 10% de Kiss & Simonovits [65] é o efeito do resultado do 1º turno, que já está nas pesquisas do 2º turno; para o efeito incremental das últimas pesquisas a evidência citada não dá direção [15, 19, 115] (seção 4.4b). Técnico 3 72% → 70%; Nossa Análise 77% → 76%. $\bar\gamma = 0{,}10$ ficou como sensibilidade.
- **Faixas de resultado** em linguagem natural (BRIEF v3, regra de 17h35) e frases do IC80/IC95 exportadas pelo módulo (seção 1).
- **Quantis da mistura:** folga de 1e-10 na comparação da CDF acumulada, para o arredondamento não pular um sorteio quando $q\cdot 3N$ é inteiro (efeito ≤ 0,0001 p.p.).
- **Fontes:** todo parâmetro com `valor` tem referência, dado ou `premissa: true` com justificativa (testado). Premissas declaradas: $\nu_0 = 3$, $s_a = 0{,}10$, $f_h$ aplicado, ρ de reserva, limites de 1 e 3 pontos das faixas.
- **Conferido e mantido:** média simples na base com ρ do jackknife por instituto; inflação $1/\sqrt{H^2}$ só na parte estatística (não no $\varepsilon_{na}$); encolhimento + transferência do erro do 1º turno com $\sigma_b$ pelo produto de normais (com $s_a = 0{,}20$ o Técnico 2 iria de 85,4% a 84,8%); momento pelo centro dinâmico com amortecimento $\varphi = 0{,}9$ ($D = 3{,}10$ em 4 dias, sem dupla contagem com a projeção da Tendência, porque substitui a base em vez de somar); comparecimento só pela composição entre blocos (a abstenção seletiva dentro dos blocos fica no $\varepsilon_{na}$; a escala uniforme do 2º turno não depende de região), sem dupla contagem; mistura exata; exibição inteira 1–99%.

---

## 14. Referências

Lista completa de `assets/data/referencias.json` (122 referências, todas reconferidas em 23/10/2026: DOIs em Crossref e doi.org, páginas oficiais abertas, registros npm). Ordem alfabética (APA); o número [n] é o usado neste documento. Itens sem revisão por pares estão marcados.

1. AAPOR Ad Hoc Committee on 2016 Election Polling (Kennedy, C. et al.). (2017). An evaluation of 2016 election polls in the U.S. American Association for Public Opinion Research (relatório). https://aapor.org/wp-content/uploads/2023/01/AAPOR-2016-Election-Polling-Report.pdf *(relatório técnico, sem revisão por pares)*
2. AAPOR Task Force on 2020 Pre-Election Polling (Clinton, J. et al.). (2021). Task Force on 2020 pre-election polling: An evaluation of the 2020 general election polls. American Association for Public Opinion Research (relatório). https://aapor.org/wp-content/uploads/2022/11/AAPOR-Task-Force-on-2020-Pre-Election-Polling_Report-FNL.pdf *(relatório técnico, sem revisão por pares)*
3. Ancker, J. S., Senathirajah, Y., Kukafka, R., & Starren, J. B. (2006). Design features of graphs in health risk communication: A systematic review. Journal of the American Medical Informatics Association, 13(6), 608–618. https://doi.org/10.1197/jamia.M2115
4. Apache Software Foundation. (2024). Apache ECharts 5.5.1. Biblioteca JavaScript de gráficos (npm: echarts). https://cdn.jsdelivr.net/npm/echarts@5.5.1/dist/echarts.min.js
5. Araújo, V., & Gatto, M. A. C. (2022). Casting ballots when knowing results. British Journal of Political Science, 52(4), 1709–1727. https://doi.org/10.1017/S000712342100034X
6. Balshem, H., Helfand, M., Schünemann, H. J., Oxman, A. D., Kunz, R., Brozek, J., Vist, G. E., Falck-Ytter, Y., Meerpohl, J., Norris, S., & Guyatt, G. H. (2011). GRADE guidelines: 3. Rating the quality of evidence. Journal of Clinical Epidemiology, 64(4), 401–406. https://doi.org/10.1016/j.jclinepi.2010.07.015
7. Barnfield, M. (2020). Think twice before jumping on the bandwagon: Clarifying concepts in research on the bandwagon effect. Political Studies Review, 18(4), 553–574. https://doi.org/10.1177/1478929919870691
8. Bates, J. M., & Granger, C. W. J. (1969). The combination of forecasts. Journal of the Operational Research Society, 20(4), 451–468. https://doi.org/10.1057/jors.1969.103
9. Bazani, A. (Diário do Transporte). (2022). Abstenção no 2º turno foi menor que no 1º e gratuidades nos transportes podem ajudar a explicar, segundo o TSE. Diário do Transporte (31/10/2022). https://diariodotransporte.com.br/2022/10/31/abstencao-no-2o-turno-foi-menor-que-no-1o-e-gratuidades-nos-transportes-podem-ajudar-a-explicar-segundo-o-tse/ *(imprensa, sem revisão por pares)*
10. Bon, J. J., Ballard, T., & Baffour, B. (2019). Polling bias and undecided voter allocations: US presidential elections, 2004–2016. Journal of the Royal Statistical Society: Series A (Statistics in Society), 182(2), 467–493. https://doi.org/10.1111/rssa.12414
11. Brasil. (1997). Lei nº 9.504, de 30 de setembro de 1997 — Estabelece normas para as eleições (texto compilado; art. 33). Presidência da República — Planalto. https://www.planalto.gov.br/ccivil_03/leis/l9504.htm
12. Brasil. Tribunal Superior Eleitoral. (2019). Resolução nº 23.600, de 12 de dezembro de 2019 — Dispõe sobre pesquisas eleitorais (texto compilado). Tribunal Superior Eleitoral — Legislação compilada. https://www.tse.jus.br/legislacao/compilada/res/2019/resolucao-no-23-600-de-12-de-dezembro-de-2019
13. Brasil. Tribunal Superior Eleitoral. (2026). Resolução nº 23.747, de 26 de fevereiro de 2026 — Altera a Resolução nº 23.600/2019, que dispõe sobre pesquisas eleitorais. Tribunal Superior Eleitoral — Legislação compilada (DJE-TSE nº 30, ed. extraordinária, 4/3/2026, p. 125–130). https://www.tse.jus.br/legislacao/compilada/res/2026/resolucao-no-23-747-de-26-de-fevereiro-de-2026
14. Brier, G. W. (1950). Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1–3. https://doi.org/10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2
15. Chatterjee, S., & Kamal, J. (2021). Voting for the underdog or jumping on the bandwagon? Evidence from India’s exit poll ban. Public Choice, 188(3-4), 431–453. https://doi.org/10.1007/s11127-020-00837-y
16. Clemen, R. T. (1989). Combining forecasts: A review and annotated bibliography. International Journal of Forecasting, 5(4), 559–583. https://doi.org/10.1016/0169-2070(89)90012-5
17. Clinton, J. D., & Rogers, S. (2013). Robo-polls: Taking cues from traditional sources? PS: Political Science & Politics, 46(2), 333–337. https://doi.org/10.1017/S1049096513000012
18. Cochran, W. G. (1954). The combination of estimates from different experiments. Biometrics, 10(1), 101–129. https://doi.org/10.2307/3001666
19. Dahlgaard, J. O., Hansen, J. H., Hansen, K. M., & Larsen, M. V. (2017). How election polls shape voting behaviour. Scandinavian Political Studies, 40(3), 330–343. https://doi.org/10.1111/1467-9477.12094
20. darkroom.engineering. (2024). Lenis 1.1.13. Biblioteca JavaScript de rolagem suave (npm: lenis). https://cdn.jsdelivr.net/npm/lenis@1.1.13/dist/lenis.min.js
21. DerSimonian, R., & Laird, N. (1986). Meta-analysis in clinical trials. Controlled Clinical Trials, 7(3), 177–188. https://doi.org/10.1016/0197-2456(86)90046-2
22. Durbin, J., & Koopman, S. J. (2012). Time series analysis by state space methods. Oxford University Press (2ª ed.). https://doi.org/10.1093/acprof:oso/9780199641178.001.0001
23. Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. https://doi.org/10.1214/aos/1176344552
24. Efron, B., & Morris, C. (1973). Stein's estimation rule and its competitors—an empirical Bayes approach. Journal of the American Statistical Association, 68(341), 117–130. https://doi.org/10.1080/01621459.1973.10481350
25. Egger, M., Davey Smith, G., Schneider, M., & Minder, C. (1997). Bias in meta-analysis detected by a simple, graphical test. BMJ, 315(7109), 629–634. https://doi.org/10.1136/bmj.315.7109.629
26. Erikson, R. S., Panagopoulos, C., & Wlezien, C. (2004). Likely (and unlikely) voters and the assessment of campaign dynamics. Public Opinion Quarterly, 68(4), 588–601. https://doi.org/10.1093/poq/nfh041
27. Erikson, R. S., & Wlezien, C. (2012). The timeline of presidential elections: How campaigns do (and do not) matter. University of Chicago Press. https://doi.org/10.7208/chicago/9780226922164.001.0001
28. Farjam, M. (2021). The bandwagon effect in an online voting experiment with real political organizations. International Journal of Public Opinion Research, 33(2), 412–421. https://doi.org/10.1093/ijpor/edaa008
29. Ferreira, D. (Pindograma). (2022). Quatro lições que tiramos do desempenho das pesquisas em 2022. Pindograma. https://pindograma.com.br/2022/09/05/desempenho-pesquisas-22.html *(imprensa, sem revisão por pares)*
30. Galesic, M., Garcia-Retamero, R., & Gigerenzer, G. (2009). Using icon arrays to communicate medical risks: Overcoming low numeracy. Health Psychology, 28(2), 210–216. https://doi.org/10.1037/a0014474
31. Gardner, E. S., & McKenzie, E. (1985). Forecasting trends in time series. Management Science, 31(10), 1237–1246. https://doi.org/10.1287/mnsc.31.10.1237
32. Gelman, A., Goel, S., Rivers, D., & Rothschild, D. (2016). The mythical swing voter. Quarterly Journal of Political Science, 11(1), 103–130. https://doi.org/10.1561/100.00015031
33. Gelman, A., Hullman, J., Wlezien, C., & Morris, G. E. (2020). Information, incentives, and goals in election forecasts. Judgment and Decision Making, 15(5), 863–880. https://doi.org/10.1017/S1930297500007981
34. Gelman, A., & King, G. (1993). Why are American presidential election campaign polls so variable when votes are so predictable? British Journal of Political Science, 23(4), 409–451. https://doi.org/10.1017/S0007123400006682
35. Gigerenzer, G., Hertwig, R., van den Broek, E., Fasolo, B., & Katsikopoulos, K. V. (2005). "A 30% chance of rain tomorrow": How does the public understand probabilistic weather forecasts? Risk Analysis, 25(3), 623–629. https://doi.org/10.1111/j.1539-6924.2005.00608.x
36. Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684–704. https://doi.org/10.1037/0033-295X.102.4.684
37. Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359–378. https://doi.org/10.1198/016214506000001437
38. Graefe, A., Armstrong, J. S., Jones, R. J., & Cuzán, A. G. (2014). Combining forecasts: An application to elections. International Journal of Forecasting, 30(1), 43–54. https://doi.org/10.1016/j.ijforecast.2013.02.005
39. Gramacho, W. G. (2013). À margem das margens?: a precisão das pesquisas pré-eleitorais brasileiras em 2010. Opinião Pública, 19(1), 65–80. https://doi.org/10.1590/S0104-62762013000100004
40. GreenSock. (2024). GSAP 3.12.5 e ScrollTrigger. Biblioteca JavaScript de animação (npm: gsap). https://cdnjs.cloudflare.com/ajax/libs/gsap/3.12.5/gsap.min.js
41. Großer, J., & Schram, A. (2010). Public opinion polls, voter turnout, and welfare: An experimental study. American Journal of Political Science, 54(3), 700–717. https://doi.org/10.1111/j.1540-5907.2010.00455.x
42. Guyatt, G. H., Oxman, A. D., Kunz, R., Brozek, J., Alonso-Coello, P., Rind, D., Devereaux, P. J., Montori, V. M., Freyschuss, B., Vist, G. et al. (2011). GRADE guidelines 6. Rating the quality of evidence—imprecision. Journal of Clinical Epidemiology, 64(12), 1283–1293. https://doi.org/10.1016/j.jclinepi.2011.01.012
43. Guyatt, G. H., Oxman, A. D., Kunz, R., Woodcock, J., Brozek, J., Helfand, M., Alonso-Coello, P., Falck-Ytter, Y., Jaeschke, R., Vist, G. et al. (2011). GRADE guidelines: 8. Rating the quality of evidence—indirectness. Journal of Clinical Epidemiology, 64(12), 1303–1310. https://doi.org/10.1016/j.jclinepi.2011.04.014
44. Guyatt, G. H., Oxman, A. D., Kunz, R., Woodcock, J., Brozek, J., Helfand, M., Alonso-Coello, P., Glasziou, P., Jaeschke, R., Akl, E. A. et al. (2011). GRADE guidelines: 7. Rating the quality of evidence—inconsistency. Journal of Clinical Epidemiology, 64(12), 1294–1302. https://doi.org/10.1016/j.jclinepi.2011.03.017
45. Guyatt, G. H., Oxman, A. D., Montori, V., Vist, G., Kunz, R., Brozek, J., Alonso-Coello, P., Djulbegovic, B., Atkins, D., Falck-Ytter, Y. et al. (2011). GRADE guidelines: 5. Rating the quality of evidence—publication bias. Journal of Clinical Epidemiology, 64(12), 1277–1282. https://doi.org/10.1016/j.jclinepi.2011.01.011
46. Guyatt, G. H., Oxman, A. D., Vist, G. E., Kunz, R., Falck-Ytter, Y., Alonso-Coello, P., & Schünemann, H. J. (2008). GRADE: an emerging consensus on rating quality of evidence and strength of recommendations. BMJ, 336(7650), 924–926. https://doi.org/10.1136/bmj.39489.470347.AD
47. Guyatt, G. H., Oxman, A. D., Vist, G., Kunz, R., Brozek, J., Alonso-Coello, P., Montori, V., Akl, E. A., Djulbegovic, B., Falck-Ytter, Y. et al. (2011). GRADE guidelines: 4. Rating the quality of evidence—study limitations (risk of bias). Journal of Clinical Epidemiology, 64(4), 407–415. https://doi.org/10.1016/j.jclinepi.2010.07.017
48. Hartung, J., & Knapp, G. (2001). On tests of the overall treatment effect in meta-analysis with normally distributed responses. Statistics in Medicine, 20(12), 1771–1782. https://doi.org/10.1002/sim.791
49. Harvey, A. C. (1990). Forecasting, structural time series models and the Kalman filter. Cambridge University Press. https://doi.org/10.1017/CBO9781107049994
50. Heidemanns, M., Gelman, A., & Morris, G. E. (2020). An updated dynamic Bayesian forecasting model for the US presidential election. Harvard Data Science Review, 2(4). https://doi.org/10.1162/99608f92.fc62f1e1
51. Higgins, J. P. T., & Thompson, S. G. (2002). Quantifying heterogeneity in a meta-analysis. Statistics in Medicine, 21(11), 1539–1558. https://doi.org/10.1002/sim.1186
52. Higgins, J. P. T., Thompson, S. G., Deeks, J. J., & Altman, D. G. (2003). Measuring inconsistency in meta-analyses. BMJ, 327(7414), 557–560. https://doi.org/10.1136/bmj.327.7414.557
53. Higgins, J. P. T., Thompson, S. G., & Spiegelhalter, D. J. (2009). A re-evaluation of random-effects meta-analysis. Journal of the Royal Statistical Society: Series A (Statistics in Society), 172(1), 137–159. https://doi.org/10.1111/j.1467-985X.2008.00552.x
54. Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382–417. https://doi.org/10.1214/ss/1009212519
55. Instituto Brasileiro de Geografia e Estatística (IBGE). (2026). API de agregados (SIDRA): Censo 2022, agregado 4714; estimativas de população, agregado 6579. servicodados.ibge.gov.br. https://servicodados.ibge.gov.br/api/v3/agregados/4714/periodos/2022/variaveis/93?localidades=N3[all]
56. IntHout, J., Ioannidis, J. P. A., & Borm, G. F. (2014). The Hartung-Knapp-Sidik-Jonkman method for random effects meta-analysis is straightforward and considerably outperforms the standard DerSimonian-Laird method. BMC Medical Research Methodology, 14(1), 25. https://doi.org/10.1186/1471-2288-14-25
57. IntHout, J., Ioannidis, J. P. A., Rovers, M. M., & Goeman, J. J. (2016). Plea for routinely presenting prediction intervals in meta-analysis. BMJ Open, 6(7), e010247. https://doi.org/10.1136/bmjopen-2015-010247
58. Isakov, M., & Kuriwaki, S. (2020). Towards principled unskewing: Viewing 2020 election polls through a corrective lens from 2016. Harvard Data Science Review, 2(4). https://doi.org/10.1162/99608f92.86a46f38
59. Jackman, S. (2005). Pooling the polls over an election campaign. Australian Journal of Political Science, 40(4), 499–517. https://doi.org/10.1080/10361140500302472
60. Jennings, W., & Wlezien, C. (2016). The timeline of elections: A comparative perspective. American Journal of Political Science, 60(1), 219–233. https://doi.org/10.1111/ajps.12189
61. Jennings, W., & Wlezien, C. (2018). Election polling errors across time and space. Nature Human Behaviour, 2(4), 276–283. https://doi.org/10.1038/s41562-018-0315-6
62. Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35–45. https://doi.org/10.1115/1.3662552
63. Kennedy, C., Blumenthal, M., Clement, S., Clinton, J. D., Durand, C., Franklin, C., McGeeney, K., Miringoff, L., Olson, K., Rivers, D., Saad, L., Witt, G. E., & Wlezien, C. (2018). An evaluation of the 2016 election polls in the United States. Public Opinion Quarterly, 82(1), 1–33. https://doi.org/10.1093/poq/nfx047
64. Kish, L. (1965). Survey sampling. New York: John Wiley & Sons. https://openlibrary.org/works/OL12614026W
65. Kiss, Á., & Simonovits, G. (2014). Identifying the bandwagon effect in two-round elections. Public Choice, 160(3-4), 327–344. https://doi.org/10.1007/s11127-013-0146-y
66. Kotak, A., & Moore, D. A. (2022). Election polls are 95% confident but only 60% accurate. Behavioral Science & Policy, 8(2), 1–12. https://doi.org/10.1177/237946152200800202
67. Lewis, S., & Clarke, M. (2001). Forest plots: trying to see the wood and the trees. BMJ, 322(7300), 1479–1480. https://doi.org/10.1136/bmj.322.7300.1479
68. Linzer, D. A. (2013). Dynamic Bayesian forecasting of presidential elections in the states. Journal of the American Statistical Association, 108(501), 124–134. https://doi.org/10.1080/01621459.2012.737735
69. Lloyd, R., & Turgeon, M. (2021). Polling in new democracies and electoral malpractice: The case of Brazil. International Journal of Public Opinion Research, 33(4), 1039–1049. https://doi.org/10.1093/ijpor/edab005
70. McDowell, M., & Jacobs, P. (2017). Meta-analysis of the effect of natural frequencies on Bayesian reasoning. Psychological Bulletin, 143(12), 1273–1312. https://doi.org/10.1037/bul0000126
71. Meireles, F., & Russo, G. (2022). Pesquisas eleitorais no Brasil: tendências e desempenho. Estudos Avançados, 36(106), 117–131. https://doi.org/10.1590/S0103-4014.2022.36106.007
72. Mellman, M. (2006). Incumbent rule broken sometimes. The Hill (coluna de opinião, 11/10/2006). https://thehill.com/opinion/columnists/mark-mellman/6920-incumbent-rule-broken-sometimes/ *(coluna de opinião, sem revisão por pares)*
73. Mellman, M. S. (2012). Where do undecideds go? The Hill (coluna de opinião, outubro de 2012). https://thehill.com/opinion/columnists/mark-mellman/131237-where-do-undecideds-go/ *(coluna de opinião, sem revisão por pares)*
74. Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association, 44(247), 335–341. https://doi.org/10.1080/01621459.1949.10483310
75. Miller, R. G. (1974). The jackknife—a review. Biometrika, 61(1), 1–15. https://doi.org/10.1093/biomet/61.1.1
76. Morton, R. B., Muller, D., Page, L., & Torgler, B. (2015). Exit polls, turnout, and bandwagon voting: Evidence from a natural experiment. European Economic Review, 77, 65–81. https://doi.org/10.1016/j.euroecorev.2015.03.012
77. Oehlert, G. W. (1992). A note on the delta method. The American Statistician, 46(1), 27–29. https://doi.org/10.1080/00031305.1992.10475842
78. Paule, R. C., & Mandel, J. (1982). Consensus values and weighting factors. Journal of Research of the National Bureau of Standards, 87(5), 377–385. https://doi.org/10.6028/jres.087.022
79. Pereira, F. B., & Nunes, F. (2024). Pesquisas eleitorais e mudanças tardias na decisão do voto. Opinião Pública, 30, e3011. https://doi.org/10.1590/1807-019120243011
80. Pickup, M., & Johnston, R. (2008). Campaign trial heats as election forecasts: Measurement error and bias in 2004 presidential campaign polls. International Journal of Forecasting, 24(2), 272–284. https://doi.org/10.1016/j.ijforecast.2008.02.007
81. Prosser, C., & Mellon, J. (2018). The twilight of the polls? A review of trends in polling accuracy and the causes of polling misses. Government and Opposition, 53(4), 757–790. https://doi.org/10.1017/gov.2018.7
82. Quenouille, M. H. (1949). Approximate tests of correlation in time-series. Journal of the Royal Statistical Society: Series B (Methodological), 11(1), 68–84. https://doi.org/10.1111/j.2517-6161.1949.tb00023.x
83. Quenouille, M. H. (1956). Notes on bias in estimation. Biometrika, 43(3-4), 353–360. https://doi.org/10.1093/biomet/43.3-4.353
84. Rauch, H. E., Tung, F., & Striebel, C. T. (1965). Maximum likelihood estimates of linear dynamic systems. AIAA Journal, 3(8), 1445–1450. https://doi.org/10.2514/3.3166
85. Rentsch, A., Schaffner, B. F., & Gross, J. H. (2019). The elusive likely voter: Improving electoral predictions with more informed vote-propensity models. Public Opinion Quarterly, 83(4), 782–804. https://doi.org/10.1093/poq/nfz052
86. Rothschild, D., & Malhotra, N. (2014). Are public opinion polls self-fulfilling prophecies? Research & Politics, 1(2), 2053168014547667. https://doi.org/10.1177/2053168014547667
87. Rousseeuw, P. J., & Croux, C. (1993). Alternatives to the median absolute deviation. Journal of the American Statistical Association, 88(424), 1273–1283. https://doi.org/10.1080/01621459.1993.10476408
88. Röver, C., Knapp, G., & Friede, T. (2015). Hartung-Knapp-Sidik-Jonkman approach and its modification for random-effects meta-analysis with few studies. BMC Medical Research Methodology, 15(1), 99. https://doi.org/10.1186/s12874-015-0091-1
89. Schreiber, M. (BBC News Brasil). (2022). Eleições 2022: como institutos de pesquisa explicam Bolsonaro subestimado nas sondagens. BBC News Brasil, reproduzido por Terra (04/10/2022). https://www.terra.com.br/noticias/eleicoes/eleicoes-2022-como-institutos-de-pesquisa-explicam-bolsonaro-subestimado-nas-sondagens,4a2fe8d8225e7147de95387d0ff97a55fghv2gsj.html *(imprensa, sem revisão por pares)*
90. Shirani-Mehr, H., Rothschild, D., Goel, S., & Gelman, A. (2018). Disentangling bias and variance in election polls. Journal of the American Statistical Association, 113(522), 607–614. https://doi.org/10.1080/01621459.2018.1448823
91. Sidik, K., & Jonkman, J. N. (2002). A simple confidence interval for meta-analysis. Statistics in Medicine, 21(21), 3153–3159. https://doi.org/10.1002/sim.1262
92. Simon, H. A. (1954). Bandwagon and underdog effects and the possibility of election predictions. Public Opinion Quarterly, 18(3), 245–253. https://doi.org/10.1086/266513
93. Smith, J., & Wallis, K. F. (2009). A simple explanation of the forecast combination puzzle. Oxford Bulletin of Economics and Statistics, 71(3), 331–355. https://doi.org/10.1111/j.1468-0084.2008.00541.x
94. Spiegelhalter, D., Pearson, M., & Short, I. (2011). Visualizing uncertainty about the future. Science, 333(6048), 1393–1400. https://doi.org/10.1126/science.1191181
95. Sterne, J. A. C., & Egger, M. (2001). Funnel plots for detecting bias in meta-analysis: guidelines on choice of axis. Journal of Clinical Epidemiology, 54(10), 1046–1055. https://doi.org/10.1016/S0895-4356(01)00377-8
96. Sterne, J. A. C., Sutton, A. J., Ioannidis, J. P. A., Terrin, N., Jones, D. R., Lau, J., Carpenter, J., Rücker, G., Harbord, R. M., Schmid, C. H., Tetzlaff, J., Deeks, J. J., Peters, J., Macaskill, P., Schwarzer, G., Duval, S., Altman, D. G., Moher, D., & Higgins, J. P. T. (2011). Recommendations for examining and interpreting funnel plot asymmetry in meta-analyses of randomised controlled trials. BMJ, 343, d4002. https://doi.org/10.1136/bmj.d4002
97. Student [Gosset, W. S.]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.2307/2331554
98. Sturgis, P., Baker, N., Callegaro, M., Fisher, S., Green, J., Jennings, W., Kuha, J., Lauderdale, B., & Smith, P. (2016). Report of the Inquiry into the 2015 British general election opinion polls. Londres: British Polling Council e Market Research Society (relatório; repositório NCRM). https://eprints.ncrm.ac.uk/id/eprint/3789/1/Report_final_revised.pdf *(relatório técnico, sem revisão por pares)*
99. Sturgis, P., Kuha, J., Baker, N., Callegaro, M., Fisher, S., Green, J., Jennings, W., Lauderdale, B. E., & Smith, P. (2018). An assessment of the causes of the errors in the 2015 UK General Election opinion polls. Journal of the Royal Statistical Society: Series A (Statistics in Society), 181(3), 757–781. https://doi.org/10.1111/rssa.12329
100. three.js authors. (2023). three.js r160 (0.160.0). Biblioteca JavaScript 3D (npm: three). https://cdn.jsdelivr.net/npm/three@0.160.0/build/three.module.min.js
101. Tribunal Superior Eleitoral (TSE). (2014). TSE divulga dados gerais sobre primeiro turno das Eleições 2014. Portal do TSE (notícia, 06/10/2014). https://www.tse.jus.br/comunicacao/noticias/2014/Outubro/tse-divulga-dados-gerais-sobre-primeiro-turno-das-eleicoes-2014
102. Tribunal Superior Eleitoral (TSE). (2014). Plenário do TSE proclama resultado definitivo do segundo turno da eleição presidencial. Portal do TSE (notícia, 09/12/2014). https://www.tse.jus.br/comunicacao/noticias/2014/Dezembro/plenario-do-tse-proclama-resultado-definitivo-do-segundo-turno-da-eleicao-presidencial
103. Tribunal Superior Eleitoral (TSE). (2018). Concluída a totalização de votos do 1º turno das Eleições 2018. Portal do TSE (notícia, 09/10/2018). https://www.tse.jus.br/comunicacao/noticias/2018/Outubro/concluida-totalizacao-de-votos-do-1o-turno-das-eleicoes-2018
104. Tribunal Superior Eleitoral (TSE). (2018). Eleições 2018: Justiça Eleitoral conclui totalização dos votos do segundo turno. Portal do TSE (notícia, 30/10/2018). https://www.tse.jus.br/comunicacao/noticias/2018/Outubro/eleicoes-2018-justica-eleitoral-conclui-totalizacao-dos-votos-do-segundo-turno
105. Tribunal Superior Eleitoral (TSE). (2021). Votação de candidatos por município e zona (votacao_candidato_munzona), 2014, 2018 e 2022. Repositório de Dados Eleitorais do TSE. https://cdn.tse.jus.br/estatistica/sead/odsele/votacao_candidato_munzona/votacao_candidato_munzona_2014.zip
106. Tribunal Superior Eleitoral (TSE). (2022). 100% das seções totalizadas: confira como ficou o quadro eleitoral após o 1º turno. Portal do TSE (notícia, 04/10/2022). https://www.tse.jus.br/comunicacao/noticias/2022/Outubro/100-das-secoes-totalizadas-confira-como-ficou-o-quadro-eleitoral-apos-o-1o-turno
107. Tribunal Superior Eleitoral (TSE). (2022). 100% das seções totalizadas: confira como ficou o quadro eleitoral após o 2º turno. Portal do TSE (notícia, 31/10/2022). https://www.tse.jus.br/comunicacao/noticias/2022/Outubro/100-das-secoes-totalizadas-confira-como-ficou-o-quadro-eleitoral-apos-o-2o-turno
108. Tribunal Superior Eleitoral (TSE). (2026). PesqEle Público — Consultar pesquisas (Sistema de Registro de Pesquisas Eleitorais). pesqele-divulgacao.tse.jus.br. https://pesqele-divulgacao.tse.jus.br/app/pesquisa/listar.xhtml
109. Tribunal Superior Eleitoral (TSE). (2026). Detalhe da apuração por município e zona (detalhe_votacao_munzona), cargo Presidente, 1º e 2º turnos de 2006 a 2022. Portal de Dados Abertos do TSE. https://cdn.tse.jus.br/estatistica/sead/odsele/detalhe_votacao_munzona/detalhe_votacao_munzona_2022.zip
110. Tribunal Superior Eleitoral (TSE). (2026). Resultados — Eleição Ordinária Federal 2026, 1º turno (eleição 6257), arquivo br-c0001-e006257-u.json. resultados.tse.jus.br (arquivos públicos de divulgação). https://resultados.tse.jus.br/oficial/ele2026/6257/dados/br/br-c0001-e006257-u.json
111. Tukey, J. W. (1958). Bias and confidence in not-quite large samples (resumo). The Annals of Mathematical Statistics, 29(2), 614. https://doi.org/10.1214/aoms/1177706647
112. Urminsky, O., & Shen, L. (2019). High chances and close margins: How equivalent forecasts yield different beliefs. SSRN (documento de trabalho). https://doi.org/10.2139/ssrn.3448172 *(documento de trabalho, sem revisão por pares)*
113. van der Bles, A. M., van der Linden, S., Freeman, A. L. J., Mitchell, J., Galvão, A. B., Zaval, L., & Spiegelhalter, D. J. (2019). Communicating uncertainty about facts, numbers and science. Royal Society Open Science, 6(5), 181870. https://doi.org/10.1098/rsos.181870
114. van der Bles, A. M., van der Linden, S., Freeman, A. L. J., & Spiegelhalter, D. J. (2020). The effects of communicating uncertainty on public trust in facts and numbers. Proceedings of the National Academy of Sciences, 117(14), 7672–7683. https://doi.org/10.1073/pnas.1913678117
115. van der Meer, T. W. G., Hakhverdian, A., & Aaldering, L. (2016). Off the fence, onto the bandwagon? A large-scale survey experiment on effect of real-life poll outcomes on subsequent vote intentions. International Journal of Public Opinion Research, 28(1), 46–72. https://doi.org/10.1093/ijpor/edu041
116. Veroniki, A. A., Jackson, D., Viechtbauer, W., Bender, R., Bowden, J., Knapp, G., Kuss, O., Higgins, J. P. T., Langan, D., & Salanti, G. (2016). Methods to estimate the between-study variance and its uncertainty in meta-analysis. Research Synthesis Methods, 7(1), 55–79. https://doi.org/10.1002/jrsm.1164
117. Viechtbauer, W. (2005). Bias and efficiency of meta-analytic variance estimators in the random-effects model. Journal of Educational and Behavioral Statistics, 30(3), 261–293. https://doi.org/10.3102/10769986030003261
118. Viechtbauer, W., & Cheung, M. W.-L. (2010). Outlier and influence diagnostics for meta-analysis. Research Synthesis Methods, 1(2), 112–125. https://doi.org/10.1002/jrsm.11
119. Walsh, E., Dolfin, S., & DiNardo, J. (2009). Lies, damn lies, and pre-election polling. American Economic Review, 99(2), 316–322. https://doi.org/10.1257/aer.99.2.316
120. Wang, S. (2008). How will the last holdouts break? Princeton Election Consortium (blog, 3/11/2008). https://election.princeton.edu/articles/how-will-the-last-holdouts-break/ *(blog de pesquisador, sem revisão por pares)*
121. Westwood, S. J., Messing, S., & Lelkes, Y. (2020). Projecting confidence: How the probabilistic horse race confuses and demobilizes the public. The Journal of Politics, 82(4), 1530–1544. https://doi.org/10.1086/708682
122. Wlezien, C., & Erikson, R. S. (2002). The timeline of presidential election campaigns. The Journal of Politics, 64(4), 969–993. https://doi.org/10.1111/1468-2508.00159