Escolar Documentos
Profissional Documentos
Cultura Documentos
Populacional Brasileira
Adriele Giaretta Biase∗ Edson Agustini†
Faculdade de Matemática - Famat
Universidade Federal de Uberlândia - Ufu - MG
Março de 2007
Resumo
Neste trabalho, tivemos por objetivo encontrar um modelo matemático que
melhor se adapta aos dados dos censos populacionais brasileiros disponı́veis no
site do Instituto Brasileiro de Geografia e Estatı́stica - IBGE. Utilizamos vários
modelos matemáticos de ajustes de curvas, dentre eles: Linear, Exponencial, Geo-
métrico, Hiperbólico, Exponencial Assintótico e Logı́stico para aproximar a po-
pulação brasileira. Além desses modelos, fizemos uso do Modelo de Leslie para
crescimento populacional de mulheres para estimar a população brasileira. A análise
dos modelos permite a projeção da população para os próximos anos.
1 Introdução
Tendo por base os dados dos censos demográficos brasileiros a partir de 1890 do Ibge
- Instituto Brasileiro de Geografia e Estatı́stica [6], procuramos testar alguns modelos
matemáticos, provenientes de ajustes de curvas, que melhor se adaptam à realidade po-
pulacional brasileira. Nosso objetivo, além de encontrar o melhor ajuste, é fazer uma
estimativa demográfica para os próximos anos.
y = ax + b; a, b ∈ R.
∗
adrielegbiase@yahoo.com.br Orientanda do Programa Institucional de Iniciação Cientı́fica e Mo-
nitoria da Faculdade de Matemática (Promat-Famat-Ufu) de março de 2006 a fevereiro de 2007.
†
agustini@ufu.br Professor orientador.
(2) Exponencial, cuja curva possui equação dada por
y = beax ; a 6= 0, b > 0.
1 b
y= + k; a 6= 0, k ∈ R, x 6= − .
ax + b a
Além dos modelos acima, fizemos uso do Modelo de Leslie para crescimento popu-
lacional de mulheres de uma população. Este modelo, baseado em matrizes de taxas
de natalidade e sobrevivência por faixas etárias, faz uso de autovalores e autovetores de
operadores lineares para estimar a quantidade de mulheres de uma população.
2 Ajustes de Curvas
2.1 Ajuste Linear
O Ajuste Linear é utilizado para aproximarmos os dados originais da população brasileira
pela equação de uma reta no plano cartesiano (x, y):
y = ax + b, com a, b ∈ R
Para isto, precisamos encontrar os pontos da função S do Método dos Mı́nimos Quadrados:
P
n
S = S (a1 , ..., ak ) = ((a1 ϕ1 (xi ) + · · · + ak ϕk (xi )) − yi )2
i=1
sendo:
k ≤ n;
ϕj ; j = 1, ..., k; funções reais dadas;
(xi , yi ) ; i = 1, ..., n; dados observados dos censos do Ibge.
No nosso caso linear, k = 2, ϕ1 (x) = x, ϕ2 (x) = 1, a1 = a e a2 = b:
P
n
S (a, b) = (axi + b − yi )2
i=1
Pn
= [(axi + b)2 − 2yi (axi + b) + y2i ]
i=1
Pn £ ¤
= a2 x2i + 2abxi + b2 − 2axi yi − 2byi + y2i
i=1
Pn Pn P
n Pn Pn Pn
= a2 x2i + 2abxi + b2 − 2axi yi − 2byi + y2i
i=1
µ ¶ i=1 µ n i=1
¶ i=1
µ ni=1 ¶ i=1
µn ¶ µn ¶
P 2
n
2
P 2
P P P 2
= xi a + 2 xi ab + nb − 2 xi yi a − 2 yi b + yi
i=1 i=1 i=1 i=1 i=1
Logo: µn ¶ µn ¶
P 2 P Pn
xi a + xi b = xi yi
µi=1 ¶ i=1 i=1
(1)
Pn Pn
xi a + nb = yi
i=1 i=1
P
n P
n
yi − a xi
i=1 i=1
b= (2)
n
O Ajuste Linear é adequado quando os pares ordenados de dados (xi , yi ) estão aproxi-
madamente alinhados no plano cartesiano.
Utilizando os dados das colunas da tabela acima nas expressões dos coeficientes a e b do
Ajuste Linear temos:
P
n Pn P n
n
xi yi − yi xi
12 (7.291.291.733) − (815.646.307) (78)
a = i=1 i=1 i=1
µ ¶ 2
= 2
= 13.913.222
P
n P
n 12 (650) − (78)
n x2i − xi
i=1 i=1
P
n P
n
yi − a xi
i=1 i=1 815.646.307 − (13.913.222) (78)
b= = = −22.465.417
n 12
Assim, obtemos a função:
yi
Na figura abaixo temos as abscissas x = xi = Ano 10 −1880
e as ordenadas y = 1.000.000 =
População
1.000.000
. O pontos vermelhos não pertencentes à curva correspondem aos dados originais
dos censos do Ibge, enquanto que a curva esboçada em preto corresponde ao gráfico da
função linear encontrada acima.
y
160
140
120
100
80
60
40
20
0
1.25 2.5 3.75 5 6.25 7.5 8.75 10 11.25
É claro que o Ajuste Linear não é bom para modelar dados demográficos, uma vez que
esta curva é ilimitada superiormente. Toda população tende à estabilidade depois de um
certo intervalo de tempo. No entanto, o procedimento de ajuste estudado acima serve
para os modelos apresentados nas próximas subseções.
Procedimento de ajuste:
z = αx + β
P
n Pn Pn
n zi xi − zi xi
12 (1.416, 2712) − (212, 8541) (78)
α = i=1 i=1 i=1
µ ¶ 2
= = 0, 2288
Pn
2
P
n 12 (650) − (78)2
n xi − xi
i=1 i=1
P
n P
n
zi − α xi
i=1 i=1 212, 8541 − (0, 2288) (78)
β= = = 16, 2506
n 12
que, substituidos em z = αx + β:
Como:
α = a = 0, 2288
temos:
β = ln b =⇒ b = eβ =⇒ b = e16,2506 =⇒ b = 11.416.799, 9932
Logo:
y (x) = 11.416.799, 9932e0,2288x
yi
Na figura abaixo temos as abscissas x = xi = Ano 10 −1880
e as ordenadas y = 1.000.000 =
População
1.000.000
. O pontos vermelhos não pertencentes à curva correspondem aos dados originais
dos censos do Ibge, enquanto que a curva esboçada em preto corresponde ao gráfico da
função exponencial encontrada acima.
y 175
150
125
100
75
50
25
2.5 5 7.5 10
Observemos que, visualmente, a curva encontrada ajusta-se bem aos dados disponı́veis
até o momento para a população brasileira. No entanto, assim como no Ajuste Linear,
o Ajuste Exponencial feito acima também não é bom para modelar dados demográficos,
uma vez que a curva é ilimitada superiormente e o crescimento da população certamente
tenderá à estabilidade.
Procedimento de ajuste:
z = ln y
1 b
y= + k, com a 6= 0 e x 6= − .
ax + b a
Este ajuste é bastante utilizado quando há uma tendência de estabilidade (comporta-
mento assintótico horizontal) nos dados analisados, como no caso dos dados de censos
populacionais.
Temos dois casos:
1 b
(1) y= com x 6= − e a 6= 0.
ax + b a
Procedimento de ajuste:
Façamos a mudança de variável:
1
z=
y
Logo:
z = αx + β
sendo α = a e β = b e retornamos ao caso linear.
1
(2) y= + k com a, x 6= 0.
ax
Procedimento de ajuste:
Façamos a mudança de variável:
1
z=
x
Logo:
y = αz + β
1
sendo α = e β = k e temos o caso linear.
a
O ajuste linear (2) é mais adequado para nossos fins pois, no ajuste (1) , quando x → +∞
temos y → 0, o que não ocorre na população real. Assim, procedendo este ajuste com os
mesmos dados (xi , yi ) da Tabela 1 temos:
1
Ano População i: Índice xi yi zi = z2i z i yi
xi
1890 14.333.915 1 1 14.333.915 1, 0000 1, 0000 14, 333, 915, 00
1900∗ 17.438.434∗ 2 2 17.438.434 0, 5000 0, 2500 8, 719, 217, 00
1910∗ 24.037.020∗ 3 3 24.037.020 0, 3333 0, 1111 8, 012, 339, 83
1920 30.635.605 4 4 30.635.605 0, 2500 0, 0625 7, 658, 901, 25
1930∗ 35.935.960∗ 5 5 35.935.960 0, 2000 0, 0400 7, 187, 192, 00
1940 41.236.315 6 6 41.236.315 0, 1667 0, 0278 6, 872, 719, 17
1950 51.944.397 7 7 51.944.397 0, 1429 0, 0204 7, 420, 628, 14
1960 70.070.457 8 8 70.070.457 0, 1250 0, 0156 8, 758, 807, 13
1970 93.139.037 9 9 93.139.037 0, 1111 0, 0123 10, 348, 781, 89
1980 119.002.706 10 10 119.002.706 0, 1000 0, 0100 11, 900, 270, 60
1990 146.592.579 11 11 146.592.579 0, 0909 0, 0083 13, 326, 598, 09
2000 171.279.882 12 12 171.279.882 0, 0833 0, 0069 14, 273, 323, 50
P
12
− − −→ 78 815.646.307 3, 1032 1, 5650 118.812.693, 5977
i=1
Fazendo o ajuste linear na variávis z e y:
P
n Pn P n
nzi yi − yi zi
12 (118.812.693, 5977) − (815.646.307) (3, 1032)
α = i=1 i=1 i=1
µ ¶ 2
= 2
= −120.808.064
P
n P
n 12 (1, 5650) − (3, 1032)
n z2i − zi
i=1 i=1
P
n P
n
yi − α zi
i=1 i=1 815646307 − (−120.808.064) (3, 1032)
β= = = 99.211.598
n 12
Logo:
1
k = β = 99.211.598 e = α = −120.808.064
a
Colocando estes resultados na fórmula:
120.808.064
y (x) = − + 99.211.598
x
Observemos que à medida que x aumenta, y (x) tende ao valor assintótico k =∼ 99 milhões,
isso é muito inferior ao valor assintótico verdadeiro. No último censo, no ano 2000, a
população brasileira já era superior a 170 milhões de pessoas. Deste modo, este modelo
não é adequado para a modelagem da população brasileira.
Procedimento de ajuste:
z = ln (y − k) ; se a > 0
e
z = ln (k − y) ; se a < 0.
Logo:
z = αx + β
sendo α = b, β = ln |a| e temos o caso linear.
Seja © ª
C = (xi , yi ) ∈ R2 : i = 1, ..., n; xi < xj para i < j
conjunto de dados tais que yi parece tender a um determinado valor assintótico k à medida
que xi cresce, ou seja, parece que:
lim yi = k,
i→∞
se pudéssemos fazer i → ∞.
Definamos a função f tal que:
f (yi ) = yi+1
Consideremos o conjunto de dados
f (y) = αy + β.
Como populações humanas tendem à estabilidade, podemos tentar fazer o ajuste uti-
lizando a curva y = aebx + k com a, b < 0.
Tentando encontrar um valor adequado para k pelo Método de Ford-Walford, utilizando
a Tabela 1, temos:
a
y= , com a, b, λ > 0.
be−λx + 1
verhulst pearl
Este ajuste pode ser usado quando os seguintes itens ocorrem:
(1) Há tendência de estabilidade (comportamento assintótico horizontal) dos dados anal-
isados.
(2) A variável dependente é crescente.
(3) A taxa de crescimento relativo da variável dependente é aproximadamente linear,
©¡ ¢ ª y − yi
ou seja, C = yi , ti : i = 1, ..., n − 1 com ti = i+1 pode ser ajustado com boa
yi
precisão por uma reta t = ay + b.
(4) Há uma mudança de concavidade na curva ajustada.
Procedimento de ajuste:
Logo:
z = αx + β
Para encontrar o valor assintótico a, notemos que a taxa de crescimento relativo t tende
a zero à medida que a população tende a a, ou seja,
(t → 0) ⇔ (y → a) .
∼ −b .
∼ aa + b ⇒ a =
t = ay + b ⇒ 0 =
a
Logo, fazendo um ajuste linear nas variáveis y e t, utilizando a Tabela 1, podemos en-
contrar a:
yi+1 −yi
Ano yi yi+1 ti = yi yi+1 ti y2i+1
1890 14.333.915 17.438.434 0, 216585559 3.776.912, 985 304.098.980.372.356
1900∗ 17.438.434 24.037.020 0, 378393238 9.095.445, 631 577.778.306.443.380
1910∗ 24.037.020 30.635.605 0, 274517625 8.410.013, 518 938.540.293.716.025
1920 30.635.605 35.935.960 0, 173012904 6.217.384, 813 1.291.393.221.121.600
1930∗ 35.935.960 41.236.315 0, 14749446 6.082.127, 996 1.700.433.674.779.220
1940 41.236.315 51.944.397 0, 259676016 13.488.714, 07 2.698.220.379.693.610
1950 51.944.397 70.070.457 0, 348951206 24.451.170, 5 4.909.868.944.188.850
1960 70.070.457 93.139.037 0, 329219774 30.663.212, 69 8.674.880.213.287.370
1970 93.139.037 119.002.706 0, 277688817 33.045.720, 65 14.161.644.035.322.400
1980 119.002.706 146.592.579 0, 2318424 33.986.375, 38 21.489.384.217.871.200
1990 146.592.579 171.279.882 0, 16840759 28.844.832, 21 29.336.797.977.933.900
2000 171.279.882 − − − −
P
11
−→(∗) 644.366.425 801.312.392 2, 806 198.061.910, 450 86.083.040.244.730.000
i=1
P
n P
n P
n
n ti yi+1 − ti yi+1
11 (198.061.910, 450) − (2, 806) (801.312.392)
a = i=1 i=1 i=1
µ ¶ 2
=
Pn P
n 11 (86.083.040.244.730.000) − (801.312.392)2
n y2i+1 − yi+1
i=1 i=1
= −0, 000000000228446
Pn Pn
ti − a yi+1
2, 806 − (−0, 000000000228446) (801.312.392)
b = i=1 i=1
= = 0, 271713265
n 11
ou seja,
t = −0, 000000000228446y + 0, 271713265
0, 271713265
Como t → 0, temos y → (valor assintótico a), ou seja:
0, 000000000228446
∼ 0, 271713265
a= = 1.189.400.039
0, 000000000228446
Notemos que o valor assintótico a encontrado está exageradamente alto para a população
brasileira (mais de um bilhão de pessoas!). Na próxima subseção iremos considerar aos
dados dos censos populacionais a partir de 1940 para tornar o ajuste mais preciso. Por
enquanto, continuemos o ajuste logı́stico com o valor de a encontrado acima.
150
125
100
75
50
25
2.5 5 7.5 10
Observemos que, visualmente, a curva encontrada ajusta-se bem aos dados disponı́veis
até o momento para a população brasileira. No entanto, como comentado acima, o valor
assintótico encontrado é irreal para a população brasileira.
2.7 Ajuste Linear de Modelos Logı́sticos: a partir de 1940
Devido as grandes imigrações da primeira metade do Século XX, vamos fazer um Ajuste
Logı́stico a partir de 1940, uma vez que os dados entre 1890 e 1940 fornecidos pelos censos
do Ibge não representam o crescimento natural da população brasileira. Nosso objetivo
é fazer uma projeção da população brasileira para os próximos anos e encontrar um valor
de estabilidade mais realı́stico que o encontrado na subseção anterior.
Sabemos que a equação que define o Ajuste Logı́stico é:
a
y= ; a, b, λ > 0.
be−λx +1
Fazendo os procedimentos de ajuste com a mudança de váriavel:
µ y ¶
a
z = ln
1 − ay
temos:
z = αx + β
sendo α = λ e β = − ln b e temos que fazer um Ajuste Linear.
Como
©¡ na
¢ª subseção anterior, encontrando o valor de a utilizando um ajuste linear em
yi , ti , utilizando a Tabela 1, temos:
yi+1 −yi
Ano yi yi+1 ti = yi yi+1 ti y2i+1
1950 51.944.397 70.070.457 0, 348951206 24.451.170, 5 4.909.868.944.188.850
1960 70.070.457 93.139.037 0, 329219774 30.663.212, 69 8.674.880.213.287.370
1970 93.139.037 119.002.706 0, 277688817 33.045.720, 65 14.161.644.035.322.400
1980 119.002.706 146.592.579 0, 2318424 33.986.375, 38 21.489.384.217.871.200
1990 146.592.579 171.279.882 0, 16840759 28.844.832, 21 29.336.797.977.933.900
2000 171.279.882 − − − −
P
5
−→(∗) 693.265.373 595.084.661 1, 3220 144.477.776, 2212 76.884.776.568.603.800
i=1
Logo:
P
n Pn Pn
n zi xi − zi xi
7 (1, 921778427) − (−3, 148741118) (21)
α = i=0 i=0 i=0
µ ¶ 2
= 2
= 0, 406000064
Pn P
n 7 (91) − (21)
n x2i − xi
i=0 i=0
P
n P
n
zi − α xi
i=0 i=0 −3, 148741118 − (0, 406000064) (21)
β= = = −1, 66782035
n 7
ou seja:
z = 0, 406000064x − 1, 66782035
Logo:
α = λ = 0, 406000064
e:
β = − ln b =⇒ b = e−β =⇒ b = e1,66782035 = 5, 300601743
Assim:
243575077, 6
y (x) =
5, 300601743e−0,406000064x + 1
yi
Na figura abaixo temos as abscissas x = xi = Ano 10 −1940
e as ordenadas y = 1.000.000 =
População
1.000.000
. O pontos vermelhos não pertencentes à curva correspondem aos dados originais
dos censos do Ibge, enquanto que a curva esboçada em preto corresponde ao gráfico da
função logı́stica encontrada acima.
y
150
125
100
75
50
Observemos que, visualmente, a curva encontrada ajusta-se bem aos dados disponı́veis
até o momento para a população brasileira, além de possuir um valor assintótico (≈ 244
milhões) bastante razoável.
Suponhamos que a idade máxima atingida por qualquer fêmea da população estudada
seja L anos (ou alguma outra unidade de tempo). Se dividirmos a população em n faixas
etárias, então cada faixa terá L/n anos de duração.
(t)
Adotemos a seguinte nomenclatura: x1 fêmeas na primeira faixa etária no instante t,
(t)
x2 fêmeas na segunda faixa etária no instante t, e assim por diante. Como são n faixas
estárias, formamos um vetor-coluna no instante t, indicado por x(t) :
(t)
x1
(t)
x2
x(t) = ..
.
(t)
xn
x(t1 ) = Lx(t0 )
x(t2 ) = Lx(t1 ) = L2 x(t0 )
..
.
x(tk ) = Lx(tk−1 ) = Lk x(t0 )
Ly = λy
p(λ) = det(λIdn − L)
p(λ) = det(λIdn −L) = λn −a1 λn−1 −a2 b1 λn−2 −a3 b1 b2 λn−3 −. . . −an b1 b2 . . . bn−1 (6)
p(λ)
q(λ) = 1 +
−λn
Logo:
ou seja, q(λ) = 1.
O gráfico de q(λ) possui o aspecto próximo de um ramo de hipérbole equilátera contido
no primeiro quadrante.
Como todos os ai e bi são não-negativos, vemos que q(λ) é monotonamente decrescente
para λ maior do que zero. Além disto, q(λ) tem uma reta assı́ntota vertical em λ = 0 e
tende a zero quando λ → ∞. Conseqüentemente, existe um único λ, digamos λ = λ1 , tal
que q(λ1 ) = 1, ou seja: a matriz L tem um único autovalor real positivo.
Seja y um autovetor de L associado ao autovalor λ1 > 0 tal que q(λ1 ) = 1.
Logo:
a1 a2 a3 ... an−1 an y1 λ1 y1
b1 0 0 ... 0 0
y2 λ1 y2
0 b2 0 ... 0
0 . y3 = λ1 y3
Ly = λ1 y ⇒ ,
.. .. .. . . .. .. .. ..
. . . . . . . .
0 0 0 ... bn−1 0 yn λ1 yn
ou seja:
a1 y1 + a2 y2 + a3 y3 + ... + an−1 yn−1 + an yn = λ 1 y1
b1 y1 = λ 1 y2
b2 y2 = λ 1 y3
b3 y3 = λ 1 y4
.. ..
. = .
bn−1 yn−1 = λ1 yn
y4 = b1 bλ32 b3
1
..
.
yn = b1 bλ2n−1
···bn−1
1
ou seja:
1
b1
λ1
b1 b2
λ2
y=
1
b1 b2 b3
λ3
1
..
.
b1 b2 ···bn−1
n−1
λ1
Observamos que as coordenadas de y são todas positivas. Também pode ser mostrado
que λ1 tem multiplicidade algébrica 1, ou seja, λ1 não é raiz repetida do polinômio carac-
terı́stico de L. Como λ1 tem multiplicidade 1, o autoespaço correspondente tem dimensão
1 e, portanto, qualquer autovetor associado a λ1 é proporcional a y.
Podemos resumir os resultados discutidos acima no seguinte teorema:
Mas:
Lk x(t0 ) = x(tk ) .
Dividindo ambos os lados destas equações por λk1 , k = 1, 2, ..., obtemos:
1 0 0 ··· 0
³ ´k
λ2
1 (tk ) 0 0 ··· 0
λ1 −1 (t0 )
x = P. .. .. .. . . .. .P x . (7)
λk1 . . . . .
³ ´k
λn
0 0 0 ··· λ1
¯ ¯
¯ ¯
Como λ1 é o autovalor dominante, temos ¯ λλ1i ¯ < 1 para i = 2, 3, ..., n.
Assim,
¯ ¯k µ ¶k
¯ λi ¯ λi
¯ ¯
lim ¯ ¯ = 0 ⇒ lim = 0.
k→∞ λ1 k→∞ λ1
Logo, tomando o limite de ambos os lados da equação matricial (7):
1 0 0 ··· 0
³ ´k
λ2
1 (tk ) 0 0 ··· 0
λ1 −1 (t0 )
lim k x = lim P. .. .. .. . . .. .P x
k→∞ λ
1
k→∞ . . . . .
³ ´k
λn
0 0 0 ··· λ1
1 0 0 ··· 0
³ ´k
0 lim λ2 0 ··· 0
k→∞ λ1 −1 (t0 )
= P. .. .. .. . . .. .P x
. . . . .
³ ´k
λn
0 0 0 ··· lim λ1
k→∞
ou seja,
1 0
0 ··· 0
1 (tk ) 0 0
0 ··· 0
−1 (t0 )
lim x = P. .. ..
.. . . .. .P x . (8)
k→∞ λk . .. . .
1
0 0 0 ··· 0
Denotando a primeira entrada do vetor-coluna P−1 x(t0 ) pela constante c, podemos reescr-
ever a equação (8) , como:
1
lim k x(tk ) = cx1 .
k→∞ λ
1
Assim,
x(tk )
≈ cx1 ,
λk1
x(tk−1 ) ≈ cλk−1
1 x1 .
Logo:
x(tk ) x(tk−1 )
x1 ≈ e x 1 ≈ ,
cλk1 cλk−1
1
ou seja,
x(tk ) x(tk−1 )
≈ ⇒ x(tk ) ≈ λ1 x(tk−1 ) ,
cλk1 cλ1k−1
a1 + a2 b1 + a3 b1 b2 + ... + an b1 b2 ...bn−1 = 1.
A expressão
R = a1 + a2 b1 + a3 b1 b2 + ... + an b1 b2 ...bn−1
é chamada a taxa lı́quida de reprodução da população. Assim, podemos dizer que uma pop-
ulação tem crescimento populacional nulo se, e somente se, sua taxa lı́quida de reprodução
é 1.
3.3 Projeção da População de Mulheres Brasileiras por Faixas
Etárias
Consideremos os dados da população brasileira de mulheres de 1980 e de 1990 por faixas
etárias de 10 anos cada segundo o Ibge (referência [6]).
Mulheres
Faixas Etárias 1980 1990
[0 − 9] 15.369.602 17.628.885
[10 − 19] 13.937.122 15.200.256
[20 − 29] 10.611.724 13.793.795
[30 − 39] 7.093.324 10.420.311
(Dados do Ibge)
[40 − 49] 5.208.793 6.848.132
[50 − 59] 3.644.405 4.858.572
[60 − 69] 2.298.323 3.159.582
[70 − 79] 1.143.228 1.623.792
[80 →) 351.347 534.564
Total 59.657.868 74.067.889
[10 − 19]: a2 = 0, 2.
[30 − 39]: a4 = 0, 3.
[40 − 49]: a5 = 0, 1.
Já a proporção b1 , b2 , b3 , ..., bn−1 de mulheres que sobreviveram de uma faixa etária para
outra entre 1980 e 1990 pode ser obtido das tabelas do Ibge:
15.200.256
[0 − 9] para [10 − 19]: = 0, 98898.
15.369.602
13.793.795
[10 − 19] para [20 − 29]: = 0, 98972.
10.911.724
10.420.311
[20 − 29] para [30 − 39]: = 0, 98196.
10.611.724
6.848.132
[30 − 39] para [40 − 49]: = 0, 96543.
7.093.324
4.858.572
[40 − 49] para [50 − 59]: = 0, 93276.
5.208.793
3.159.582
[50 − 59] para [60 − 69]: = 0, 86697.
3.644.405
1.623.792
[60 − 69] para [70 − 79]: = 0, 70651.
2.298.323
Logo, a Matriz de Leslie da população de mulheres brasileiras será:
0 0, 2 0, 6 0, 3 0, 1 0 0 0
0, 98898 0 0 0 0 0 0 0
0 0, 98972 0 0 0 0 0 0
0 0 0, 98196 0 0 0 0 0
L=
0 0 0 0, 96543 0 0 0 0
0 0 0 0 0, 93276 0 0 0
0 0 0 0 0 0, 86697 0 0
0 0 0 0 0 0 0, 70651 0
Notemos que existem duas faixas etárias férteis consecutivas. Logo, L possui autovalor
dominante.
Utilizando o software de cálculo numérico e simbólico MAPLE para cálculo do autovalor
dominante de L temos
λ1 = 1, 0489
Do autovalor acima, podemos concluir que a população de mulheres brasileiras quase
tende à estabilidade no futuro, com um crescimento da ordem de 4, 89% a cada 10 anos.
Vimos que um autovetor de L de coordenadas positivas associado a λ1 pode ser dado por:
1
(0, 98898)
(1, 0489)
(0, 98898) (0, 98972)
(1, 0489) 2 1
(0, 98898) (0, 98972) (0, 98196) 0, 94287
3 0, 88968
(1, 0489)
(0, 98898) (0, 98972) (0, 98196) (0, 96543) 0, 83290
.
y= =
0, 76662
(1, 0489)4
0, 68173
(0, 98898) (0, 98972) (0, 98196) (0, 96543) (0, 93276)
5 0, 56349
(1, 0489)
0, 37942
(0, 98898) (0, 98972) (0, 98196) (0, 96543) (0, 93276) (0, 86697)
(1, 0489)6
(0, 9889) (0, 9897) (0, 9819) (0, 9654) (0, 9327) (0, 8669) (0, 7065)
(1, 0489)7
Cálculo das proporções de mulheres entre 0 e 79 anos em cada faixa etária:
Logo:
1
Aproximadamente = 0, 16511 = 16, 511% das mulheres brasileiras estarão na
6, 0567
faixa [0 − 9] no futuro.
0, 94287
Aproximadamente = 0, 15567 = 15, 567% das mulheres brasileiras estarão na
6, 0567
faixa [10 − 19] no futuro.
0, 88968
Aproximadamente = 0, 14689 = 14, 689% das mulheres brasileiras estarão na
6, 0567
faixa [20 − 29] no futuro.
0, 83290
Aproximadamente = 0, 13752 = 13, 752% das mulheres brasileiras estarão na
6, 0567
faixa [30 − 49] no futuro.
0, 76662
Aproximadamente = 0, 12657 = 12, 657% das mulheres brasileiras estarão na
6, 0567
faixa [40 − 49] no futuro.
0, 68173
Aproximadamente = 0, 11256 = 11, 256% das mulheres brasileiras estarão na
6, 0567
faixa [50 − 59] no futuro.
0, 56349
Aproximadamente = 0, 09304 = 9, 304% das mulheres brasileiras estarão na
6, 0567
faixa [60 − 69] no futuro.
0, 37942
Aproximadamente = 0, 06265 = 6, 265% das mulheres brasileiras estarão na
6, 0567
faixa [70 − 79] no futuro.
x(1990) = Lx(1980)
0 0, 2 0, 6 0, 3 0, 1 0 0 0 15.369.602
0, 98898 0 0 0 0 0 0 0 13.937.122
0 0, 98972 0 0 0 0 0 0 10.611.724
0 0 0, 98196 0 0 0 0 0 7.093.324
=
0 0 0 0, 96543 0 0 0 0 5.208.793
0 0 0 0 0, 93276 0 0 0 3.644.405
0 0 0 0 0 0, 86697 0 0 2.298.323
0 0 0 0 0 0 0, 70651 0 1.143.228
11.803.000
15.200.000
13.794.000
10.420.000
∼
= ⇒ ≈ 67.707.000 mulheres entre 0 e 79 anos em 1990.
6.848.100
4.858.600
3.159.600
1.623.800
Considerando que a população de homens é aproximadamente 50% do total e que há cerca
de 0, 6% de idosos com mais de 80 anos, podemos sintetizar a seguinte projeção:
4 Conclusões
243.575.077, 6
y (x) =
5, 300601743e−0,406000064x + 1
que foi apresentado anteriormente, e esse modelo é o que permite fazer a melhor projeção
da população brasileira para próximos anos: 2010, 2020, 2030 e 2040, conforme figura a
seguir, sendo que os pontos em vermelho referem-se aos dados do Ibge, enquanto que a
curva é o gráfico de função logı́stica acima considerando x = t−1940
10
.
Notemos também que, segundo esse modelo, a população brasileira tende à estabilidade
quando for de aproximadamente 243 ou 244 milhões de pessoas.
260 y (população) milhões
240
220
200
180
160
140
120
100
80
60
40
20
1860 1880 1900 1920 1940 1960 1980 2000 2020 2040
t (anos)
5 Referências Bibliográficas
[1] Bassanezzi, R. C. Ensino e Aprendizagem com Modelagem Matemática. São Paulo:
Editora Contexto. 2002.
[2] Boldrini, J. L. et alli. Álgebra Linear. 3a . ed. Rio de Janeiro: Harbra. 1986.
[3] Howard, A. Álgebra Linear com Aplicações. 8a . ed. Porto Alegre: Bookman. 2001.
[4] Leslie, P. H. “Some further notes on the use of matrices in population mathematics”.
Biometrika 35, 1948. pp. 213-245.
[5] Minc, H. Nonnegative Matrices. New York: Jonh Wiley e Sons. 1988.