Eleições 2026 — Agregador (MVP)

Última pesquisa

—

campo: —

Pesquisas no CSV (turno)

— —

— linhas (candidatos)

Dias desde a última

—

referência: data_campo_fim

Neff (pesos)

—

Evolução mensal (média ponderada)

—

Turno: Candidatos (1T): ℹ️ —

Última: — (anterior: —) Eleição: —

Tendência (limpa) até a eleição

Linhas = mediana (Kalman nível + inclinação). A incerteza vai nos mini-cards abaixo.

Monte Carlo de (A−B) na eleição

Histograma da vantagem final (A−B). Linha vertical em 0 = empate.

Como calculamos:
1) Série mensal ponderada (recência × √n × peso do instituto) • 2) Kalman (nível + inclinação) • 3) Projeção mensal até a eleição • 4) Monte Carlo no ponto da eleição (somente 2T A×B) • 5) Prob. P(A>B) = fração das simulações com (A−B)>0.

—

Estimativa agregada

—

Barras = agregado ponderado (recência × √n × peso do instituto).
1T: usa cenário-base por pesquisa. • 2T: confronto A×B (somente pesquisas que possuem esse confronto).

Metodologia (resumo do que a plataforma calcula)

Esta aba só explica o método. O cálculo e os gráficos do Dashboard continuam exatamente iguais.

Meia-vida de recência

— dias

Data da eleição (1T / 2T)

— • —

Monte Carlo

— simulações

1) O que entra no “peso” de cada pesquisa

Para agregar pesquisas, cada uma recebe um peso:
peso = recência × √n × peso_do_instituto

recência: decai exponencialmente com o tempo (meia-vida definida acima).
√n: dá mais peso para amostras maiores, mas sem exagerar (cresce pela raiz).
peso do instituto: tabela fixa (ex.: Datafolha/Quaest/Ipec etc.).

2) Como escolhemos o “cenário” em cada pesquisa

1T: para gráficos com 1–3 candidatos, tentamos um cenário que contenha todos; se não existir, usamos o cenário-base (mais candidatos válidos). Se faltar algum candidato no cenário escolhido, descartamos a pesquisa para manter comparabilidade.
2T: sempre usamos o confronto/cenário que contenha A e B. Pesquisas sem esse confronto são ignoradas para A×B.

3) Série mensal (linha “Evolução mensal”)

Agrupamos as pesquisas pelo mês de data_campo_fim e calculamos, para cada mês, a média ponderada com os pesos acima.

4) Tendência (Kalman) e projeção até a eleição

Rodamos um Kalman nível + inclinação na série mensal. Isso suaviza ruído e estima uma tendência, produzindo também uma incerteza (variância) mês a mês. Depois, projetamos a tendência até o mês da eleição.

5) Monte Carlo (20k cenários) no ponto da eleição

Somente no 2T A×B. No mês da eleição, o Kalman fornece (μ, σ²) para A e B e simulamos — cenários para obter probabilidade e intervalos de (A−B).

6) O que é Neff (nº efetivo) e por que aparece no KPI

Neff mede quantas pesquisas “equivalentes” você tem, dado o conjunto de pesos. Se poucas pesquisas estiverem com peso muito alto (muito recentes), o Neff cai e indica concentração.