O saldo da eleição presidencial

E acabou o 1º turno. Próximo à meia noite, com apenas 0,02% dos votos não apurados, dos 142,8 milhões de eleitores, 115,09 milhões compareceram às urnas. Ou seja, a abstenção ficou em 19,3%, um pouco superior aos 18,1% da eleição de 2010. A oposição representada pelos dois principais candidatos - Aécio e Marina - conquistou 57 milhões de votos - quase 55% dos votos válidos. A candidata governista ficou com 41,59% dos votos válidos, 5,32 pontos percentuais inferior ao alcançado em 2010. Na comparação com 2010, a oposição representada pelos dois principais candidatos conseguiu ampliar a distância para a candidatura governista de 5,1 para 13,3 pontos percentuais. Isso deixa as coisas em aberto para o segundo turno, dada a igualdade no tempo de televisão. A conferir... 🙂

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Modelo de previsão para grupos do IPCA

Text mining dos comunicados do FOMC: prevendo mudanças na política

Analisando a inflação por faixa de renda no Python

Criando o Fator de Momentum para o Brasil [Python]

O IBC-Br é um bom preditor do PIB?

Usando LLMs para prever a inflação (IPCA)

Outros artigos relacionados

Modelo de previsão para grupos do IPCA

Neste artigo investigamos se a previsão desagregada da inflação é capaz de gerar previsões mais acuradas do que a previsão agregada. Utilizamos o Índice Nacional de Preços ao Consumidor Amplo (IPCA) como medida de interesse, aplicando um modelo simples e um modelo de passeio aleatório para comparação. Todo o processo pode ser feito de maneira automatizada utilizando a linguagem de programação R.

Text mining dos comunicados do FOMC: prevendo mudanças na política

Como quantificar sentimentos e emoções a partir de comunicados de política monetária? Neste exercício utilizamos os statements do FOMC para construir um índice de sentimentos, o que permite comparar a "narrativa" com a prática da política monetária, ou seja, mudanças da taxa de juros. Também avaliamos se tal índice é útil em prever mudanças de política através do teste de causalidade de Granger.

Analisando a inflação por faixa de renda no Python

Neste artigo mostramos como coletar dados de inflação segmentados por faixa de renda e como calcular a variação acumulada em 12 meses usando a linguagem de programação Python.