Quantos "marinados" são necessários?

A conta é simples, leitor. Para vencer, Aécio Neves precisa converter mais de 71,4% dos eleitores de Marina Silva. O número considera que abstenção e não comprometimento (brancos e nulos) se manterão constantes, bem como os eleitores de Pastor Everaldo (PSC), Levy Fidelix (PRTB) e Eymael (PSDC) migrarão para Aécio, enquanto os eleitores de Luciana Genro (PSOL), Eduardo Jorge (PV), Zé Maria (PSTU), Mauro Iasi (PCB) e Rui Costa Pimenta (PCO) migrariam para Dilma Rousseff. Feito isto, Aécio precisa de 9,475 milhões de votos para igualar os votos de Dilma. Desse modo, qualquer coisa acima de 71,4% de conversão para o candidato tucano lhe dá a vitória no pleito. Sugiro que quem quer a vitória do PSDB comece (desde já) a trabalhar, posto que os petistas já começaram. O cálculo aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como avaliar modelos de IA na previsão macroeconômica?

Descubra como economistas e cientistas de dados estão combinando econometria e inteligência artificial para aprimorar previsões macroeconômicas. Neste post, você vai entender as principais etapas de avaliação de modelos — da preparação dos dados à validação cruzada — e conhecer as métricas e técnicas que revelam quais métodos realmente entregam as melhores previsões. Uma leitura essencial para quem quer compreender o futuro da análise econômica orientada por dados.

Análise exploratória e seleção de séries temporais econômicas para modelagem

Quer entender como transformar dados econômicos brutos em previsões macroeconômicas precisas? Neste post, mostramos passo a passo como realizar a análise exploratória e seleção de séries temporais com Python — desde o tratamento de dados e remoção de multicolinearidade até a escolha das variáveis mais relevantes usando técnicas de machine learning e econometria. Um guia essencial para quem quer unir teoria econômica e inteligência artificial na prática da previsão macroeconômica.

Transformers para Análise de Séries Temporais

Neste tutorial, mostramos passo a passo como aplicar dados de séries temporais em modelos baseados na arquitetura Transformer, utilizando a biblioteca Darts no Python. Você aprenderá como transformar dados temporais em um formato compatível, ajustar o modelo e gerar previsões. Uma introdução prática e didática à união entre Deep Learning e análise de séries temporais.

Boletim AM

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

Boletim AM

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

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.