Ajuste de Curvas e Modelagem

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.

Palavras-chave: Modelo Linear, Modelo Exponencial, Modelo Geométrico, Mo-

delo Hiperbólico, Modelo Exponencial Assintótico, Modelo Logı́stico , Modelo de
Leslie.

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.

Utilizamos vários modelos matemáticos provenientes de ajustes de curvas para aproximar

os dados dos censos da população brasileira, dentre eles:

(1) Linear, cuja curva possui equação dada por

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.

(3) Geométrico, cuja curva possui equação dada por

y = axb ; a > 0, b > 0, b 6= 1.

(4) Hiperbólico, cuja curva possui equação dada por

1 b
y= + k; a 6= 0, k ∈ R, x 6= − .
ax + b a

(5) Exponencial Assintótico, cuja curva possui equação dada por

y = k − aebx ; a 6= 0, b < 0, k > 0.

(6) Logı́stico, cuja curva possui equação dada por

a
y= ; a, b, λ > 0.
1 + be−λx

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

Encontrando os pontos crı́ticos de S:

 µn ¶ µn ¶ µn ¶
 ∂S(a, b) P 2 P P

 =2 xi a + 2 xi b − 2 xi yi = 0
∂a µi=1 ¶ i=1 µ ¶ i=1

 ∂S(a, b) Pn Pn
 =2 xi a + 2nb − 2 yi = 0
∂b 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

Da segunda equação do sistema (1) temos:

P
n P
n
yi − a xi
i=1 i=1
b= (2)
n

Substituindo o valor de b da equação (2) na primeira equação do sistema (1) temos:

µn ¶
Pn P
µn ¶ yi − xi a µ n ¶
P 2 i=1 i=1 P Pn
xi a + xi = xi yi ⇒
i=1 n i=1 i=1
µn ¶ µ ¶ 2
P 2 Pn P
n P
n
n xi a + yi xi − xi a
i=1 i=1 i=1 i=1 Pn
= xi yi ⇒
n i=1
à µ ¶ µ ¶ !
2
Pn Pn Pn Pn
n x2i − xi a + yi xi
i=1 i=1 i=1 i=1 Pn
= xi yi ⇒
n i=1
à µ ¶ µ ¶ !
2
P
n P
n P
n Pn Pn
n x2i − xi a + yi xi = n xi yi ,
i=1 i=1 i=1 i=1 i=1
ou seja:
P
n Pn P n
nxi yi − yi xi
a = i=1 i=1 i=1
µ n ¶2
P
n P
n x2i − xi
i=1 i=1

É fácil mostrar que (a, b) encontrados acima minimizam S.

O Ajuste Linear é adequado quando os pares ordenados de dados (xi , yi ) estão aproxi-
madamente alinhados no plano cartesiano.

Vamos ajustar os dados dos censos da população brasileira, nos quais

µ ¶
Ano − 1880
(xi , yi ) = , População ,
10

fornecidos pelo Ibge:

Ano População i: Índice xi yi x2i xi yi

1890 14.333.915 1 1 14.333.915 1 14, 333.915
1900∗ 17.438.434∗ 2 2 17.438.434 4 34.876.868
1910∗ 24.037.020∗ 3 3 24.037.020 9 72.111.059
1920 30.635.605 4 4 30.635.605 16 122.542.420
1930∗ 35.935.960∗ 5 5 35.935.960 25 179.679.800
1940 41.236.315 6 6 41.236.315 36 247.417.890
1950 51.944.397 7 7 51.944.397 49 363.610.779 (Tabela 1)
1960 70.070.457 8 8 70.070.457 64 560.563.656
1970 93.139.037 9 9 93.139.037 81 838.251.333
1980 119.002.706 10 10 119.002.706 100 1.190.027.060
1990 146.592.579 11 11 146.592.579 121 1.612.518.369
2000 171.279.882 12 12 171.279.882 144 2.055.358.584
P12
− − −→ 78 815.646.307 650 7.291.291.733
i=1

*: população estimada, pois nestas décadas não ocorreram censos.

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:

y (x) = 13.913.222x − 22.465.417

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.

2.2 Ajuste Linear de Modelos Exponenciais

Neste caso o Ajuste Linear de Modelos Exponenciais é utilizado quando a representação
geométrica dos dados (xi , yi ) no plano cartesiano está próxima à curva de equação:

y = beax , com b > 0 e a 6= 0.

Procedimento de ajuste:

Façamos a mudança de variáveis

z = ln y
(por isso que b > 0 na equação acima). Então:

z = αx + β

sendo α = a e β = ln b. Deste modo, temos o caso anterior, ou seja no caso do Ajuste

Linear.
Procedendo este ajuste com os mesmos dados (xi , yi ) da Tabela 1 temos:

Ano População i: Índice xi yi zi = ln yi x2i xi zi

1890 14.333.915 1 1 14.333.915 16, 4781 1 16, 4781
1900∗ 17.438.434∗ 2 2 17.438.434 16, 6742 4 33, 3484
1910∗ 24.037.020∗ 3 3 24.037.020 16, 9951 9 50, 9853
1920 30.635.605 4 4 30.635.605 17, 2377 16 68, 9507
1930∗ 35.935.960∗ 5 5 35.935.960 17, 3972 25 86, 9862
1940 41.236.315 6 6 41.236.315 17, 5348 36 105, 2090
1950 51.944.397 7 7 51.944.397 17, 7657 49 124, 3598
1960 70.070.457 8 8 70.070.457 18, 0650 64 144, 5201
1970 93.139.037 9 9 93.139.037 18, 3496 81 165, 1464
1980 119.002.706 10 10 119.002.706 18, 5947 100 185, 9466
1990 146.592.579 11 11 146.592.579 18, 8032 121 206, 8348
2000 171.279.882 12 12 171.279.882 18, 9588 144 227, 5057
P12
− − −→ 78 815.646.307 212, 8541 650 1.416, 2712
i=1

Fazendo o ajuste linear nas variáveis x e z:

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:

z = 0, 2288x + 16, 2506

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.

2.3 Ajuste Linear de Modelos Geométricos

Neste caso o Ajuste Linear de Modelos Geométricos é utilizado quando a representação
geométrica dos dados (xi , yi ) no plano cartesiano está próxima da curva de equação:

y = axb , com a > 0, b > 0 e b 6= 1 .

(obs.: se b < 0, o ajuste não é chamado de geométrico. No caso b = −1 é o ajuste

hiperbólico que veremos na próxima subseção)

Procedimento de ajuste:

Temos que fazer mudanças de variáveis de forma que:

z = ln y

(por isso que a > 0) e

w = ln x
Logo:
z = αw + β
sendo α = b e β = ln a e retornamos ao caso linear.

Procedendo este ajuste com os mesmos dados (xi , yi ) da Tabela 1 temos:

 Ano i: Índice xi yi (pop.) zi = ln yi wi = ln xi zi wi w2i
1890 1 1 14.333.915 16, 4781 0, 0000 0, 0000 0, 0000
1900∗ 2 2 17.438.434 16, 6742 0, 6931 11, 5577 0, 4805
1910∗ 3 3 24.037.020 16, 9951 1, 0986 18, 6710 1, 2069
1920 4 4 30.635.605 17, 2377 1, 3863 23, 8965 1, 9218
1930∗ 5 5 35.935.960 17, 3972 1, 6094 27, 9998 2, 5903
1940 6 6 41.236.315 17, 5348 1, 7918 31, 4182 3, 2104
1950 7 7 51.944.397 17, 7657 1, 9459 34, 5704 3, 7866
1960 8 8 70.070.457 18, 0650 2, 0794 37, 5651 4, 3241
1970 9 9 93.139.037 18, 3496 2, 1972 40, 3182 4, 8278
1980 10 10 119.002.706 18, 5947 2, 3026 42, 8158 5, 3019
1990 11 11 146.592.579 18, 8032 2, 3979 45, 0880 5, 7499
2000 12 12 171.279.882 18, 9588 2, 4849 47, 1109 6, 1748
P12
− −→ 78 815.646.307 212, 8541 19, 9872 361, 0116 39, 5749
i=1

Fazendo o ajuste linear nas variáveis w e z temos:

P
n Pn Pn
n wi zi − zi wi
12 (361, 0116) − (19, 9872) (212, 8541)
α = i=1 i=1 i=1
µ ¶ 2
= 2
= 1, 0314
Pn P
n 12 (39, 5749) − (19, 9872)
n w2i − wi
i=1 i=1
P
n P
n
zi − α wi
i=1 i=1 212, 8541 − 1, 0314 (19, 9872)
β= = = 16, 0199
n 12
Então:
z = 1, 0314w + 16, 0199
Mas:
b = α = 1, 0314
e
β = ln a =⇒ a = eβ = e16,0199 = 9.065.001, 4632
Logo:
y (x) = 9.065.001, 4632x1,0314
Assim como no Ajuste Linear, o Ajuste Geométrico feito acima também não é bom para
modelar dados demográficos, uma vez que a curva é ilimitada superiormente.

2.4 Ajuste Linear de Modelos Hiperbólicos

Neste caso o Ajuste Linear de Modelos Hiperbólicos é utilizado quando a representação
geométrica dos dados (xi , yi ) no plano cartesiano está próxima à curva de equação:

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.

2.5 Ajuste Linear de Modelos Exponenciais Assintóticos

Neste caso o Ajuste Linear de Modelos Exponenciais Assintóticos é utilizado quando a
representação geométrica dos dados (xi , yi ) no plano cartesiano está próxima à curva de
equação:
y = aebx + k, com k > 0, b < 0 e a 6= 0
Assim como no modelo hiperbólico, este ajuste pode ser usado quando há tendência de
estabilidade (comportamento assintótico horizontal) dos dados analisados.

Procedimento de ajuste:

Façamos as mudanças de variáveis:

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.

Precisamos do valor de k para proceder a mudança de variáveis acima. O Método de

Ford-Walford, que introduzimos a seguir, fornece uma estimativa da constante k a partir
dos dados (xi , yi ) .
 Método de Ford-Walford
(para estimativa de k)

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

D = {(yi , f (yi )) : i = 1, ..., n − 1}

e façamos um Ajuste Linear com esses dados:

f (y) = αy + β.

Logo, é imediato que:

∼ β
k= .
1−α

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:

Ano yi f (yi ) yi f(yi ) y2i

1890 14.333.915 17.438.434 249.961.030.689.110 205.461.119.227.225
1900∗ 17.438.434 24.037.020 419.167.978.107.463 304.098.980.372.356
1910∗ 24.037.020 30.635.605 736.388.634.779.297 577.778.306.443.380
1920 30.635.605 35.935.960 1.100.919.875.855.800 938.540.293.716.025
1930∗ 35.935.960 41.236.315 1.481.866.566.387.400 1.291.393.221.121.600
1940 41.236.315 51.944.397 2.141.995.517.177.050 1.700.433.674.779.220
1950 51.944.397 70.070.457 3.639.767.636.379.430 2.698.220.379.693.610
1960 70.070.457 93.139.037 6.526.294.887.129.910 4.909.868.944.188.850
1970 93.139.037 119.002.706 11.083.797.437.234.100 8.674.880.213.287.370
1980 119.002.706 146.592.579 17.444.913.580.518.800 14.161.644.035.322.400
1990 146.592.579 171.279.882 25.108.359.633.195.700 21.489.384.217.871.200
2000 171.279.882 − − −
P
11
−→(∗) 644.366.425 801.312.392 69.933.432.777.454.000 56.951.703.386.023.300
i=1

* somas das linhas de 1 a 11.

 Logo:
P
n Pn P
n
n yi f (yi ) −
yi f (yi )
i=1 i=1 i=1 11 (69.933.432.777.454.000) − (644.366.425) (801.312.392)
α= µ ¶ 2
=
P
n Pn 11 (56.951.703.386.023.300) − (644.366.425)2
n yi 2 − yi
i=1 i=1
= 1, 197236504
Pn Pn
f (yi ) − α yi
801.312.392 − (1, 197236504) (815.646.307)
β = i=1 i=1
= = 2.713.944, 188
n 11
Assim:
∼ β
k= = −13.759.847, 35
1−α
O valor assintótico k < 0 encontrado acima revela que não podemos encontrar um bom
ajuste da população brasileira com o Modelo Exponencial Assintótico.
Para que o Método de Ford-Walford funcione bem é necessário que tenhamos vários dados
da tabela do Ibge que apontem tendência de estabibilidade da população brasileira. Como
podemos observar, esse fato não ocorre.

2.6 Ajuste Linear de Modelos Logı́sticos

Neste caso, o Ajuste Linear de Modelos Logı́sticos é utilizado quando a representação
geométrica dos dados (xi , yi ) no plano cartesiano está próxima à curva de equação:

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.

O modelo de crescimento logı́stico de população foi proposto originalmente pelo matemáti-

co belga Pierre F. Verhurst em 1837 e utilizado com bastante êxito pelos demógrafos
americanos R. Pearl e L. Reed no inı́cio do Século XX na modelagem da população norte
americana. Este modelo foi concebido a partir da suposição de que a taxa de crescimento
relativo t de uma população não permanece constante ao longo do tempo, como pressupõe
o modelo malthusiano (exponencial), onde t é constante e a taxa de crescimento absoluto
y0 da população é proporcional à população, ou seja, y0 = ky. No caso logı́stico, a taxa
de crescimento relativo t da população varia linearmente com a população, ou seja, t =
ay+b, e diminui à medida que a população
¡ aumenta
¢ (a < 0) . Logo, a taxa de crescimento
absoluto y0 da população é tal que y0 = ay + b y. É claro que, quando a população y é
pequena, a taxa t é aproximamente constante (aproximadamente b) e o modelo logı́stico
é muito próximo do modelo malthusiano (exponencial).

Procedimento de ajuste:

Façamos a mudança de variável:

µ y ¶
a
z = ln y
1− a

Logo:
z = αx + β

sendo α = λ e β = − ln b e temos o caso linear.

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) .

Assim, se encontrarmos a e bem t = ay + b, teremos

∼ −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

*somas das linhas de 1 a 11.

Assim:

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.

Fazendo o ajuste linear nas variáveis x e z, utilizando a Tabela 1, temos:

à yi
!
Ano i: Índice xi yi zi = ln a
yi
xi zi x2i
1− a
1890 1 1 14.333.915 −4, 406451293 −4, 406451293 1
1900∗ 2 2 17.438.434 −4, 207757588 −8, 415515177 4
1910∗ 3 3 24.037.020 −3, 881192801 −11, 6435784 9
1920 4 4 30.635.605 −3, 632946679 −14, 53178671 16
1930∗ 5 5 35.935.960 −3, 468786471 −17, 34393235 25
1940 6 6 41.236.315 −3, 326599883 −19, 9595993 36
1950 7 7 51.944.397 −3, 086375296 −21, 60462707 49
1960 8 8 70.070.457 −2, 770983933 −22, 16787147 64
1970 9 9 93.139.037 −2, 465567181 −22, 19010463 81
1980 10 10 119.002.706 −2, 196638965 −21, 96638965 100
1990 11 11 146.592.579 −1, 962014668 −21, 58216135 121
2000 12 12 171.279.882 −1, 782414267 −21, 38897121 144
P
12
− −→ 78 815.646.307 −37, 18772903 −207, 2009886 650
i=1
Assim:
P
n Pn Pn
nxi zi − xi zi
12 (−207, 2009886) − (−37, 18772903) (78)
α = i=1 i=1 i=1
µ n ¶2 = = 0, 241393357
P 2
n P 12 (650) − (78)2
n xi − xi
i=1 i=1
P
n P
n
zi − α xi
i=1 i=1 −37, 18772903 − (0, 241393357) (78)
β= = = −4, 668034239
n 12
ou seja:
z = 0, 241393357x − 4, 668034239
Logo:
α = λ = 0, 241393357
e:
β = − ln b =⇒ b = e−β =⇒ b = e4,668034239 = 106, 4882062
Assim:
1.189.400.039
y (x) =
106, 4882062e−0,241393357x + 1
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 logı́stica encontrada 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

*somas das linhas de 1 a 5.

Assim:
P
n P
n P
n
n
ti yi+1 − ti yi+1
5 (144.477.776, 2212) − (1, 3220) (595.084.661)
a = i=1 i=1 i=1
µ ¶ 2
=
Pn
2
P
n 5 (76.884.776.568.603.800) − (595.084.661)2
n yi+1 − yi+1
i=1 i=1
= −0, 0000000021
Pn Pn
ti − a yi+1
1, 3220 − (−0, 0000000021) (595.084.661)
b = i=1 i=1
= = 0, 517038293
n 5
Logo:
t = −0, 0000000021y + 0, 517038293
0, 517038293
Como t → 0 temos y → , ou seja:
0, 0000000021
∼ 0, 517038293 = 243.575.077, 6
a=
0, 0000000021
que é um valor assintótico bastante razoável para a população brasileira (quase 244 milhões
de pessoas!).

Fazendo o ajuste linear nas variáveis x e z, utilizando a Tabela 1, temos:

à yi
!
Ano i: Índice xi yi zi = ln a
yi
xi zi x2i
1− a
1940 0 0 41.236.315 −1, 590624035 0 0
1950 1 1 51.944.397 −1, 305396123 −1, 305396123 1
1960 2 2 70.070.457 −0, 906702966 −1, 813405933 4
1970 3 3 93.139.037 −0, 479444616 −1, 438333849 9
1980 4 4 119.002.706 −0, 045740613 −0, 182962451 16
1990 5 5 146.592.579 0, 413126632 2, 06563316 25
2000 6 6 171.279.882 0, 766040604 4, 596243622 36
P
6
− −→ 21 693.265.373 −3, 148741118 1, 921778427 91
i=0

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

1.25 2.5 3.75 5 6.25

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.

3 O Modelo de Leslie para Crescimento Populacional

3.1 Introdução
Um dos modelos de crescimento populacional utilizado por demógrafos é o assim chamado
Modelo de Leslie, desenvolvido na década de 1940 pelo estatı́stico P. H. Leslie (referência
[4]). Este modelo descreve o crescimento da parte fêmea de uma população animal ou
humana por faixas etárias de igual duração.
Nosso objetivo nesta primeira subseção é introduzir o principal objeto de estudo desse
modelo: a Matriz de Leslie, bem como algumas definições e considerações que serão úteis
na próxima subseção.

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

que chamamos de vetor de distribuição etária no instante t.

À medida que o tempo avança, o número de fêmeas dentro de cada uma das n faixas
etárias muda em virtude de três processos biológicos: nascimento, morte e envelhecimento.
Descrevendo esses três processos quantitativamente, veremos como projetar o vetor de
distribuição etária no instante t para o futuro.
A maneira mais fácil de estudar o processo de envelhecimento é observar a população a
intervalos discretos de tempo, digamos t1 , t2 , t3 , ..., tk , ... O Modelo de Leslie requer que
a duração entre dois tempos de observação sucessivos seja igual à duração de uma faixa
etária.
Com essa hipótese, todas as fêmeas na (i + 1)-ésima faixa etária no instante tk estavam na
i-ésima faixa no instante tk−1 , ou seja, os indivı́duos que sobreviverem da faixa i contados
no instante tk−1 constituirão a faixa (i + 1) na contagem do instante tk .
Os processos de nascimento e morte entre dois tempos de observações sucessivas podem
ser descritos por meio dos seguintes parâmetros demográficos:

 Número médio de fêmeas nascidas
ai , (i = 1, 2, 3, ..., n) por mãe durante o tempo em que a

mãe está na i-ésima faixa etária

 Fração de fêmeas na i-ésima faixa
bi , (i = 1, 2, 3, ..., n − 1) etária que se espera que vá sobreviver e

passar para a (i + 1)-ésima faixa etária.
Pelas definições acima e, em condições normais, temos como conseqüências:

(i) ai ≥ 0 para i = 1, 2, ..., n.

(ii) 0 < bi ≤ 1 para i = 1, 2, ..., n − 1.
Notemos que não permitimos qualquer bi ser zero, pois então nenhuma fêmea sobreviveria
além da i-ésima faixa etária. Também vamos supor que pelo menos um dos ai é positivo,
de modo que há algum nascimento. Qualquer faixa etária para a qual o correspondente
valor de ai é positivo é chamada uma faixa etária fértil.
Deste modo, no instante tk , as fêmeas na faixa etária 1 são exatamente as filhas nascidas
entre os instantes tk−1 e tk de todas as faixas etárias. Assim, podemos escrever de modo
genérico:
número de número de filhas número de filhas
fêmeas na nascidas das nascidas das
faixa etária = fêmeas na faixa + ··· + fêmeas na faixa
1 no tempo tk etária 1 entre etária n entre os
os tempos tk−1 e tk tempos tk−1 e tk
ou, matematicamente,
(t ) (t ) (t )
x1 k = a1 x1 k−1 + a2 x2 k−1 + ... + an xn(tk−1 ) (3)
As fêmeas na (i + 1)-ésima faixa etária (i = 1, 2, ..., n − 1) no instante tk são aquelas que
estavam na i-ésima faixa etária no instante tk−1 e que ainda vivem no instante tk . Assim,
número de fêmeas na fração de fêmeas na faixa número de fêmeas na
faixa etária i + 1 no = etária i que sobrevive e passa . faixa etária i no
tempo tk para a faixa etária i + 1 instante tk−1 .
ou seja:
(t ) (tk−1 )
xi+1
k
= bi xi , i = 1, 2, ..., n − 1 (4)
sendo bi a fração dos indivı́duos que sobrevivem da faixa i para a faixa (i + 1) daqui a
L/n anos.
Deste modo, a quantidade de indivı́duos na faixa (i + 1) no instante tk é proveniente
da taxa de sobrevivência da faixa i no instante tk−1 multiplicada pela quantidade de
indivı́duos que havia na faixa i no instante tk−1 .
Usando notação matricial, podemos juntar as equações (3) e (4) e escrever:
 (t )     (tk−1 ) 
x1 k a1 a2 a3 ... an−1 an x
 (tk )     1(tk−1 ) 
 x2  b1 0 0 ... 0 0   x2 
 (tk )    (tk−1 ) 
 x3 = 0 b 0 ... 0 0  
 .  x3 
   . .
2
. . . .  
 ..   .. .. .. .. .. ..   .. 
 .   . 
xn
(tk ) 0 0 0 ... b n−1 0 xn
(tk−1 )

ou, mais compactamente:

x(tk ) = Lx(tk−1 ) , k = 1, 2, ... (5)
Definimos L como sendo a Matriz de Leslie:
 
a1 a2 a3 ... an−1 an
 b1 0 0 ... 0 0 
 
 0 b2 0 ... 0 0 
L= 
 .. .. .. ... .. .. 
 . . . . . 
0 0 0 ... bn−1 0

Utilizando a equação (5) podemos escrever:

x(t1 ) = Lx(t0 )
x(t2 ) = Lx(t1 ) = L2 x(t0 )
..
.
x(tk ) = Lx(tk−1 ) = Lk x(t0 )

Assim, se conhecemos a distribuição etária inicial x(t0 ) e a Matriz de Leslie L, podemos

determinar a distribuição etária das fêmeas em tempos posteriores.
Utilizando autovalores e autovetores apresentamos na próxima subseção, a partir da Ma-
triz de Leslie, um estudo mais qualitativo do crescimento populacional de fêmeas, bem
como procedimentos para determinar a proporção de fêmeas em cada faixa etária para
intervalos longos de tempo.

3.2 A Matriz de Leslie: Autovalores, Autovetores e Projeções

Populacionais
Nesta subseção, pretendemos empreender um estudo da Matriz de Leslie apresentada na
subseção anterior com o objetivo de fazer projeções populacionais de fêmeas por faixas
etárias.
Embora as equações (5) dêem a distribuição etária da população em qualquer instante tk ,
elas não dão automaticamente uma idéia geral da dinâmica do processo de crescimento.
Para ter isso, precisamos investigar os autovalores e autovetores da Matriz de Leslie.
Recordando o conceito de autovalor e autovetor de uma matriz quadrada:
Seja L uma matriz quadrada de ordem n com entradas reais. Suponha que exista λ ∈ C e
   
y1 0
 y2   0 
   
y =  ..  6=  .. 
 .   . 
yn 0

um vetor com n entradas reais tais que:

Ly = λy

Nessas condições, chamamos λ de autovalor da matriz L e y autovetor de L associado ao

autovalor λ.
O polinômio caracterı́stico da matriz L é definido como

p(λ) = det(λIdn − L)

sendo Idn a matriz identidade de ordem n.

Da Álgebra Linear sabemos que os autovalores de L são as raı́zes do polinômio carac-
terı́stico de L.
O polinômio caracterı́stico de uma Matriz de Leslie genérica é dado por:

p(λ) = det(λIdn −L) = λn −a1 λn−1 −a2 b1 λn−2 −a3 b1 b2 λn−3 −. . . −an b1 b2 . . . bn−1 (6)

Para analisar as raı́zes do polinômio caracterı́stico de L é conveniente introduzir a função

p(λ)
q(λ) = 1 +
−λn
Logo:

λn − a1 λn−1 − a2 b1 λn−2 − a3 b1 b2 λn−3 − . . . − an b1 b2 . . . bn−1

q(λ) = 1 +
−λn
a1 a2 b1 an b1 b2 . . . bn−1
q(λ) = 1 − 1 + + 2 + ... +
λ λ λn
a1 a2 b1 an b1 b2 . . . bn−1
q(λ) = + 2 + ... +
λ λ λn
Usando esta função, a equação caracterı́stica p(λ) = 0 é equivalente a q(λ) = 1 para
p(λ) 0
λ 6= 0. De fato, se 0 é uma raiz de p(λ), temos p(λ) = 0 e q(λ) = 1 + −λ n = 1 + −λn = 1,

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

Resolvendo o sistema obtemos todas as coordenadas de um autovetor y associado ao

autovalor λ1 : 
 y1 = 1




 y2 = bλ11


 y3 = bλ1 b2 2
1

 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:

Teorema 1 (existência de um autovalor positivo) Uma Matriz de Leslie L tem um único

autovalor real positivo λ1 . Esse autovalor tem multiplicidade algébrica 1 e existe um
autovetor y associado a λ1 cujas entradas são todas positivas.
O comportamento ao longo do tempo da distribuição etária da população de fêmeas
é determinado pelo autovalor positivo λ1 e seu autovetor de coordenadas positivas y
encontrado acima. Os próximos resultados ratificam essa afirmação.
Teorema 2 (autovalores de uma Matriz de Leslie) Se λ1 é o único autovalor positivo de
uma Matriz de Leslie L e λk é qualquer outro autovalor real ou complexo de L, então
|λk | ≤ λ1 .
Para os nossos propósitos, a conclusão do teorema acima não é suficientemente forte.
Gostarı́amos que também valesse |λk | < λ1 pois, caso contrário, a população de fêmeas
nas faixas etárias ficam periódicas. Quando |λk | < λ1 , dizemos que λ1 é um autovalor
dominante de L. A seguir enunciamos uma condição suficiente para um autovalor de L ser
dominante.
Teorema 3 (autovalor dominante) Se duas entradas sucessivas ai e ai+1 da primeira
linha de uma Matriz de Leslie L são não nulas, então o autovalor real positivo λ1 de L é
dominante.
Assim, se a população de fêmeas tem duas faixas etárias férteis sucessivas, então a Matriz
de Leslie tem um autovalor dominante. Isto sempre ocorre com populações reais se a faixa
etária for tomada suficientemente pequena. Em nosso estudo, vamos supor sempre que a
condição desse teorema está satisfeita.
No que segue, vamos supor que L é diagonalizável, ou seja, que existe uma matriz P
inversı́vel tal que:  
λ1 0 0 · · · 0
 0 λ2 0 · · · 0 
  −1
L = P.  .. .. .. . . ..  .P
 . . . . . 
0 0 0 · · · λn
sendo λ1 , ..., λn autovalores de L.
A Matriz de Leslie ser diagonalizável não é realmente necessário para o que queremos
estudar, mas simplifica bastante a argumentação. Neste caso, L tem n autovalores,
λ1 , λ2 , λ3 , ..., λn , não necessariamente distintos, e n autovetores associados linearmente
independentes, x1 , x2 , ..., xn . Consideramos o autovalor dominante λ1 em primeiro lugar
e o autovetor y = x1 , associado a λ1 , de coordenadas positivas. Construı́mos uma matriz
P cujas colunas são os autovetores x1 , x2 , ..., xn de L:
£ ¤
P = x1 x2 x3 ... xn
Assim:  
λ1 0 0 ··· 0
 0 λ2 0 ··· 0 
  −1
L = P.  .. .. .. . . ..  .P
 . . . . . 
0 0 0 ··· λn
Daı́, segue que:  
λk1 0 0 ··· 0
 0 λk2 0 ··· 0 
k   −1
L = P.  .. .. .. . . ..  .P
 . . . . . 
0 0 0 ··· λkn
Logo, se x(t0 ) é o vetor de distribuição etária inicial, então:
 
λk1 0 0 · · · 0
 0 λk 0 · · · 0 
 2  −1 (t )
Lk x(t0 ) = P.  .. .. .. . . ..  .P x 0
 . . . . . 
0 0 0 ··· λkn

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

para k grande, ou seja,

x(tk ) ≈ cλk1 x1 .

Desta forma, no instante tk (k grande), a distribuição etária de fêmeas será proporcional

às entradas do 1o autovetor x1 associado a λ1 .
Analogamente, para valores grandes de k, temos:

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

ou seja, para valores grandes de k podemos obter a distribuição etária no instante tk

multiplicando a distribuição etária no instante tk−1 pelo autovalor dominante da Matriz
de Leslie.

De acordo com o autovalor positivo λ1 , temos três casos possı́veis:

(i) A população acaba aumentando se λ1 > 1.

(ii) A população acaba diminuindo se λ1 < 1.
(iii) A população acaba estabilizando se λ1 = 1.

O caso λ1 = 1 é particularmente interessante, pois determina uma população com taxa

de crescimento populacional nulo. Para qualquer distribuição etária inicial, a população
tende a uma distribuição etária limite que é proporcional ao autovetor y = x1 .
A partir da equação (6) , vemos que λ1 = 1 é um autovalor se, e somente se,

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

Para estudar o comportamento da população de mulheres brasileiras com idades entre

0 e 79 anos no futuro, tomemos as oito faixas etárias de dez anos cada: [0, 9], [10, 19],
..., [70, 79] indicadas na tabela acima. Estamos desconsiderando a população com idade
superior a 80 anos por ser pouco representativa: aproximadamente 0, 6% do total).
Embora não tenhamos encontrado uma estimativa oficial do Ibge no que diz respeito ao
número médio de meninas nascidas de mulheres brasileiras entre 1980 e 1990 nas oito
faixas etárias, vamos considerar os valores a1 , a2 , ..., an que julgamos razoáveis para a
primeira linha da Matriz de Leslie como sendo os seguintes:

[0 − 9]: a1 = 0. (não nascem filhas de meninas entre 0 e 9 anos)

[10 − 19]: a2 = 0, 2.

[20 − 29]: a3 = 0, 6. (a maioria das filhas nascem de mulheres entre 20 e 29 anos)

[30 − 39]: a4 = 0, 3.

[40 − 49]: a5 = 0, 1.

[50 − 59]: a6 = 0. (não nascem filhas de mulheres entre 50 e 59 anos)

[60 − 69]: a7 = 0. (não nascem filhas de mulheres entre 60 e 69 anos)

[70 − 79]: a8 = 0. (não nascem filhas de mulheres entre 70 e 79 anos)

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:

Somando as entradas do autovetor y:

S = 1 + 0, 94287 + 0, 88968 + 0, 83290 + 0, 76662 + 0, 68173 + 0, 56349 + 0, 37942

= 6, 0567

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.

Cálculo do número de mulheres entre 0 e 79 anos em 1990, 2000, 2010, 2020,

2030, 2040 e 2050 pela Matriz de Leslie

Tomando t0 = 1980, temos

 
15.369.602
 13.937.122 
 
 10.611.724 
 
 7.093.324 
x(1980) =

.

 5.208.793 
 3.644.405 
 
 2.298.323 
1.143.228
Logo:

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

e, procedendo de modo análogo:

x(2000) = L2 x(1980) ⇒ ≈ 78.281.000 mulheres entre 0 e 79 anos em 2000.

x(2010) = L3 x(1980) ⇒ ≈ 88.693.000 mulheres entre 0 e 79 anos em 2010.
x(2020) = L4 x(1980) ⇒ ≈ 96.572.000 mulheres entre 0 e 79 anos em 2020.
x(2030) = L5 x(1980) ⇒ ≈ 103.660.000 mulheres entre 0 e 79 anos em 2030.
x(2040) = L6 x(1980) ⇒ ≈ 109.360.000 mulheres entre 0 e 79 anos em 2040.
x(2050) = L7 x(1980) ⇒ ≈ 113.700.000 mulheres entre 0 e 79 anos em 2050.

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:

Ano Projeção da População

∼ 136.230.000
1990 2 (67.707.000) / (1 − 0, 006) =
∼ 157.510.000
2000 2 (78.281.000) / (1 − 0, 006) =
∼ 178.460.000
2010 2 (88.693.000) / (1 − 0, 006) =
∼ 194.310.000
2020 2 (96.572.000) / (1 − 0, 006) =
∼ 208.570.000
2030 2 (103.660.000) / (1 − 0, 006) =
∼ 220.040.000
2040 2 (109.360.000) / (1 − 0, 006) =
∼ 228.770.000
2050 2 (113.700.000) / (1 − 0, 006) =

Percebemos uma estimativa interessante da população brasileira pelo Modelo de Leslie

introduzido acima, mas que certamente não refletirá a realidade. Observemos que a
população de mulheres entre 0 e 79 anos em 1990 era de 73, 5 milhões pelas tabelas do
Ibge, ou seja, abaixo dos 67, 7 milhões estimados acima. Por outro lado, como a população
tende a estabilizar-se, certamente ocorrerá um ano em que a estimativa pelo Modelo de
Leslie acima será superior à população real. Isto se deve ao fato de que o autovalor
dominante λ1 é maior que 1 e, no nosso caso, indica que a população de mulheres estará
crescendo, no futuro, a uma taxa de aproximadamente 4, 89% à década. Sendo assim,
o Modelo de Leslie encontrado acima não se estabiliza. É possı́vel que, para um futuro
próximo, as estimativas pelo Modelo de Leslie se tornem mais precisas se soubéssemos os
valores corretos de a1 , ..., an que foram simplesmente “chutados” nesta subseção.

4 Conclusões

Levando-se em conta que populações humanas tendem à estabilidade, observamos que os

modelos Linear, Exponencial, Geométrico e o Modelo de Leslie (com autovalor dominante
maior que 1), não se adequam à modelagem da população brasileira pois os mesmos não
são limitados superiormente.
Já os modelos Hiperbólico, Exponencial Assintótico e Logı́stico podem ser tomados com
valores assintóticos e limitados superiormente e, teoricamente, poderiam ser utilizados
para modelar as populações que tendem a se estabilizar no futuro (como é o caso de
populações humanas).
No entanto, vimos que os dados dos últimos censos da população brasileira apontam
diminuição da taxa de crescimento apenas nas duas últimas décadas, o que faz com
que os valores assintóticos dos modelos Hiperbólico e Exponencial Assintótico não sejam
adequados.
É importante ressaltar, novamente, que no último ajuste logı́stico foram omitidos os dados
dos censos de 1890 até 1930, devido às irregularidades dos mesmos. Isto se justifica devido
ao fato das grandes imigrações do final do Século XIX e inı́cio do Século XX no Brasil.
Portanto, dentre os modelos analisados, o que melhor se adapta aos dados dos censos da
população brasileira é o Modelo Logı́stico de equação:

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.

[6] www.ibge.gov.br. Site do Instituto Brasileiro de Geografia e Estatı́stica - IBGE.