Resumos · Matemática Aplicada às Ciências SociaisPT · Secundário

Modelos de crescimento populacional

Como evolui uma população ao longo do tempo — de habitantes, de utilizadores da Internet, de uma cultura de bactérias? Este tema compara quatro modelos de crescimento (linear, exponencial, logarítmico e logístico), aprende a selecionar o modelo adequado a partir dos dados, a ajustá-lo com a calculadora e a fazer projeções. Sobretudo, ensina a reconhecer honestamente as limitações de cada modelo — nenhum descreve a realidade para sempre.

4 secções~15 min de leitura3 competênciasNível Padrão 2 · Aprofundamento 2

T·0555 / 8

Perfil de exame

Distinguir e comparar os crescimentos linear, exponencial, logarítmico e logísticoSelecionar e ajustar um modelo de crescimento a partir de dados, com a calculadoraFazer e interpretar projeções, reconhecendo as limitações de cada modelo

Operadores:comparamodelaselecionaajustacalculainterpretacritica

nível básico

Reconhecer cada tipo de crescimento pela sua forma e calcular valores a partir de um modelo dado.

nível avançado

Selecionar e ajustar o modelo adequado a dados reais com a calculadora e discutir criticamente a sua adequação e limites.

Profundidade

Texto

Conteúdo · 4 secções

Modelos de crescimento populacional

Crescimento linear e crescimento exponencial#

PadrãoAE-macs-populacionais-modelos

No crescimento linear, a população aumenta sempre a MESMA quantidade absoluta em cada período: «P(t) = P₀ + c·t», onde «P₀» é a população inicial e «c» o acréscimo por período. O gráfico é uma reta de declive «c». É o modelo adequado quando o crescimento é constante — por exemplo, uma coleção que aumenta 20 peças por ano. A característica que o identifica nos dados é uma diferença constante entre valores consecutivos.

No crescimento exponencial, a população é multiplicada, em cada período, por um MESMO fator «(1 + r)»: «P(t) = P₀·(1 + r)ᵗ», onde «r» é a taxa de crescimento por período. O que é constante já não é o acréscimo absoluto, mas a PERCENTAGEM de crescimento. O gráfico é a curva exponencial, que arranca devagar e depois dispara. É o modelo malthusiano — Thomas Malthus, no séc. XVIII, argumentou que as populações tendem a crescer exponencialmente enquanto os recursos crescem apenas linearmente, prevendo crises. É também o modelo do juro composto e da propagação inicial de uma epidemia.

A Fig. 1 compara «P(t) = 100 + 20t» (linear) com «P(t) = 100·1,1ᵗ» (exponencial, 10 % ao período), ambos a partir de 100. No início, o linear cresce mais depressa (acrescenta 20 por período, enquanto o exponencial só acrescenta 10 no primeiro); mas por volta de «t = 13» o exponencial ultrapassa-o, e depois a diferença torna-se enorme: em «t = 20», o linear vale 500 e o exponencial «100·1,1²⁰ ≈ 673». Esta é a assinatura do crescimento exponencial: por mais lento que pareça no início, acaba sempre por superar qualquer crescimento linear.

Crescimento linear vs exponencial

Fig. 1Fig. 1 — Linear «100 + 20t» vs exponencial «100·1,1ᵗ» (ambos partem de 100). O exponencial arranca mais devagar mas acaba por ultrapassar o linear.

A distinção entre os dois modelos é decisiva na leitura de fenómenos sociais. Confundir um crescimento exponencial com um linear leva a subestimar gravemente a evolução futura — um erro comum e perigoso, por exemplo, na fase inicial de uma epidemia ou na avaliação de uma dívida a juros compostos. A chave para os distinguir a partir de dados: se as DIFERENÇAS sucessivas são aproximadamente constantes, o modelo é linear; se são os QUOCIENTES sucessivos que são aproximadamente constantes, o modelo é exponencial.

P(t) = P_0 + c\,t

Crescimento linear

Acréscimo absoluto constante c por período; o gráfico é uma reta. Identifica-se por diferenças sucessivas constantes.

P(t) = P_0\,(1 + r)^{t}

Crescimento exponencial

Multiplicação por um fator constante (1 + r) por período (percentagem r constante); crescimento cada vez mais rápido. Identifica-se por quocientes sucessivos constantes.

Exemplo resolvido

Comparar crescimento linear e exponencial

Uma população parte de 100. No modelo linear cresce 20 por período; no exponencial cresce 10 % por período. Calcula a população em t = 10 e t = 20 em cada modelo.

Modelo linear
P(t) = 100 + 20t. Em t = 10: 100 + 200 = 300. Em t = 20: 100 + 400 = 500.
Modelo exponencial
P(t) = 100·1,1ᵗ. Em t = 10: 100·1,1¹⁰ ≈ 100·2,594 = 259,4. Em t = 20: 100·1,1²⁰ ≈ 100·6,727 = 672,7.
Comparação em t = 10
300 (linear) > 259 (exponencial): no início, o linear lidera.
Comparação em t = 20
500 (linear) < 673 (exponencial): o exponencial já ultrapassou e afasta-se.

Resultado: t = 10: 300 vs ≈259 (linear à frente). t = 20: 500 vs ≈673 (exponencial à frente). O exponencial acaba sempre por vencer.

Erros frequentes

Modelar como linear um fenómeno cujo crescimento é percentual (exponencial), subestimando a evolução.
Confundir a taxa r com a percentagem (r = 0,1 corresponde a 10 %) ou somar a percentagem em vez de multiplicar pelo fator (1 + r).

Revisão ativa

Uma população parte de 200 indivíduos. Num modelo, cresce 30 por ano; noutro, cresce 8 % ao ano. Escreve as duas expressões P(t), calcula a população ao fim de 10 anos em cada modelo e indica qual cresce mais.

Evocação ativa

Recorda os pontos-chave — depois revela.

Fontes: Aprendizagens Essenciais de MACS — 11.º ano (Modelos populacionais; crescimento linear e exponencial) (Direção-Geral da Educação (DGE))

Crescimento logarítmico#

PadrãoAE-macs-populacionais-modelos

O crescimento logarítmico é, em certo sentido, o «oposto» do exponencial: cresce muito depressa no início e depois vai ABRANDANDO, embora nunca pare completamente. Modela-se por «P(t) = a + b·ln(t)» (com «b > 0»). É adequado a fenómenos com forte progresso inicial e retornos decrescentes — a curva de aprendizagem de uma competência (aprende-se muito nas primeiras horas, cada vez menos depois), a difusão inicial rápida de uma novidade, ou certas medidas de perceção que crescem com o logaritmo do estímulo.

A forma da curva é característica: um arranque acentuado seguido de um achatamento progressivo (ver Fig. 2). Ao contrário do modelo logístico, não há um limite superior (a curva continua a subir indefinidamente, apenas cada vez mais devagar); mas, ao contrário do exponencial, o ritmo de crescimento diminui em vez de aumentar. É esta desaceleração sem paragem que o distingue dos restantes modelos.

Crescimento logarítmico

Fig. 2Fig. 2 — Crescimento logarítmico «20 + 30·ln(t + 1)»: rápido no início, desacelerando depois — mas sem limite superior.

Na Fig. 2 representa-se «P(t) = 20 + 30·ln(t + 1)». Em «t = 0» vale 20; em «t = 4», «20 + 30·ln 5 ≈ 20 + 48,3 = 68,3»; em «t = 9», «20 + 30·ln 10 ≈ 20 + 69,1 = 89,1»; em «t = 20», «20 + 30·ln 21 ≈ 20 + 91,3 = 111,3». Repara como, entre «t = 9» e «t = 20» (onze períodos), o aumento (≈22) é bem menor do que entre «t = 0» e «t = 4» (quatro períodos, aumento ≈48): o crescimento trava.

Reconhecer um crescimento logarítmico nos dados exige atenção: ele parece «saturar», mas nunca atinge um patamar fixo. Confundi-lo com um modelo logístico (que tem limite) é um erro frequente. Na prática, a distinção faz-se pela existência ou não de uma capacidade máxima plausível para o fenómeno: se há um teto natural (uma população não pode crescer sem fim num território finito), o modelo é logístico; se o crescimento apenas desacelera sem teto óbvio, o logarítmico pode ser adequado.

P(t) = a + b\,\ln(t)

Crescimento logarítmico

Com b > 0, cresce rapidamente no início e desacelera, sem limite superior. Usa-se «ln(t + 1)» quando é preciso incluir t = 0.

Exemplo resolvido

Valores de um modelo logarítmico

Para «P(t) = 20 + 30·ln(t + 1)», calcula P em t = 0, t = 4 e t = 20 e compara o aumento nos dois intervalos.

P(0)
20 + 30·ln(1) = 20 + 30·0 = 20.
P(4)
20 + 30·ln(5) ≈ 20 + 30·1,609 = 20 + 48,3 = 68,3.
P(20)
20 + 30·ln(21) ≈ 20 + 30·3,045 = 20 + 91,3 = 111,3.
Ritmo
De t = 0 a 4 (4 períodos): aumento ≈48,3. De t = 4 a 20 (16 períodos): aumento ≈43,0. Muito mais crescimento nos primeiros períodos — desaceleração típica.

Resultado: P(0) = 20; P(4) ≈ 68,3; P(20) ≈ 111,3. O crescimento é rápido no início e depois trava.

Erros frequentes

Atribuir um limite superior (patamar) ao crescimento logarítmico — ele desacelera, mas não tem teto.
Calcular ln em «t = 0» num modelo «a + b·ln(t)» (indefinido); usar «ln(t + 1)» ou domínios «t ≥ 1».

Revisão ativa

Num modelo de aprendizagem, o número de palavras memorizadas é «P(t) = 10 + 25·ln(t + 1)», com «t» em horas. Calcula «P» para t = 0, t = 3 e t = 9 e comenta o ritmo de crescimento.

Evocação ativa

Recorda os pontos-chave — depois revela.

Fontes: Aprendizagens Essenciais de MACS — 11.º ano (crescimento logarítmico) (Direção-Geral da Educação (DGE))

Crescimento logístico e capacidade de suporte#

AprofundamentoAE-macs-populacionais-modelos

O crescimento logístico é o modelo mais realista para populações num ambiente com recursos limitados. Corrige o defeito do modelo exponencial — que cresceria sem fim — introduzindo uma capacidade de suporte «K»: o valor máximo que o meio consegue sustentar. A expressão é «P(t) = K / (1 + a·e^(−k·t))». No início, com a população longe de «K», o crescimento é quase exponencial; à medida que «P» se aproxima de «K», o crescimento trava e a curva estabiliza junto do teto «K», que é uma assíntota horizontal.

O resultado é a característica curva em S (sigmoide): crescimento lento no arranque, depois acelerado, e finalmente desacelerado até quase estabilizar (ver Fig. 3). Há um ponto de inflexão, sensivelmente a meio caminho («P = K/2»), onde o crescimento é MÁXIMO e a partir do qual começa a abrandar. É o modelo típico da difusão de uma inovação (poucos adotantes no início, adoção em massa a meio, saturação no fim), do crescimento de uma cultura de bactérias num meio finito, ou da evolução do número de utilizadores de um serviço até saturar o mercado.

Crescimento logístico com capacidade de suporte

Fig. 3Fig. 3 — Curva logística «1000/(1 + 9·e^(−0,5t))»: forma em S com capacidade de suporte K = 1000 (assíntota a tracejado). Parte de 100 e satura junto de 1000.

A Fig. 3 representa «P(t) = 1000 / (1 + 9·e^(−0,5t))», com capacidade de suporte «K = 1000». Em «t = 0», «P = 1000/(1 + 9) = 100»; em «t = 5», «P ≈ 575»; em «t = 10», «P ≈ 943»; e para «t» grande, «P» aproxima-se de 1000 sem nunca o ultrapassar. A assíntota «P = 1000» (a tracejado na figura) é o limite que a curva respeita — traduz o facto de o ambiente não conseguir sustentar mais do que «K» indivíduos.

O modelo logístico é o que melhor traduz a limitação central de qualquer crescimento real: os recursos são finitos. Reconhecer a capacidade de suporte é um ato de literacia — evita a ingenuidade de projetar crescimentos exponenciais indefinidos, seja de populações, de consumos ou de mercados. Ainda assim, como todos os modelos, é uma simplificação: pressupõe um «K» fixo e condições estáveis, o que nem sempre se verifica. Como possível aprofundamento, a Aprendizagem Essencial refere ainda outros modelos, como o de Gompertz, fora do essencial avaliado.

P(t) = \dfrac{K}{1 + a\,e^{-k t}}

Crescimento logístico

K é a capacidade de suporte (assíntota horizontal); a curva tem forma de S e cresce quase exponencialmente longe de K, estabilizando junto de K. O ponto de inflexão ocorre em P = K/2.

Exemplo resolvido

População num modelo logístico

Para «P(t) = 1000/(1 + 9·e^(−0,5t))», indica a capacidade de suporte e calcula P em t = 0, t = 5 e t = 10.

Capacidade de suporte
Para t muito grande, e^(−0,5t) → 0, logo P → 1000/(1 + 0) = 1000. A capacidade de suporte é K = 1000.
P(0)
P(0) = 1000/(1 + 9·e⁰) = 1000/(1 + 9) = 1000/10 = 100.
P(5)
e^(−2,5) ≈ 0,0821; P(5) = 1000/(1 + 9·0,0821) = 1000/1,739 ≈ 575.
P(10)
e^(−5) ≈ 0,00674; P(10) = 1000/(1 + 9·0,00674) = 1000/1,0607 ≈ 943.

Resultado: K = 1000; P(0) = 100; P(5) ≈ 575; P(10) ≈ 943. A população cresce em S e satura junto de 1000.

Erros frequentes

Esperar que a curva logística ultrapasse a capacidade de suporte «K» — «K» é um limite (assíntota) que a curva não excede.
Aplicar um modelo exponencial a um fenómeno com recursos limitados, ignorando a saturação.

Revisão ativa

Um modelo logístico para o número de peixes num lago é «P(t) = 800/(1 + 7·e^(−0,4t))». Indica a capacidade de suporte, calcula a população inicial (t = 0) e a população em t = 10, e comenta.

Evocação ativa

Recorda os pontos-chave — depois revela.

Fontes: Aprendizagens Essenciais de MACS — 11.º ano (crescimento logístico) (Direção-Geral da Educação (DGE))

Escolher, ajustar e criticar um modelo#

AprofundamentoAE-macs-populacionais-ajuste

Perante um conjunto de dados reais, a tarefa central da MACS não é aplicar uma fórmula dada, mas ESCOLHER o modelo adequado. O primeiro passo é sempre representar os dados num diagrama de dispersão e observar a forma da nuvem: uma tendência retilínea sugere um modelo linear; um crescimento cada vez mais rápido, um exponencial; um crescimento que desacelera sem teto, um logarítmico; uma forma em S com saturação, um logístico. A forma dos dados guia a escolha, não o contrário.

Escolhido o tipo de modelo, ajusta-se aos dados com a calculadora gráfica, por regressão. A Informação-Prova de MACS refere expressamente o uso da calculadora «com recurso a diferentes regressões — linear, exponencial, logarítmica e logística». A calculadora devolve os parâmetros do modelo (por exemplo, «P₀» e «r» no exponencial, ou «K», «a» e «k» no logístico) e permite sobrepor a curva ajustada à nuvem de pontos para avaliar visualmente a qualidade do ajuste. O trabalho matemático está em preparar os dados, escolher o tipo de regressão e INTERPRETAR os parâmetros no contexto.

A Fig. 4 mostra dados (hipotéticos) do número de assinantes de um serviço ao longo de 8 anos, com a reta de regressão LINEAR sobreposta. A reta ajusta-se manifestamente mal: os pontos têm forma de S — crescem devagar, depois depressa, e por fim estabilizam por volta de 113 mil. Um modelo linear ignoraria a saturação e projetaria um crescimento indefinido, claramente irrealista. Os dados pedem um modelo logístico, com uma capacidade de suporte próxima de 115 mil assinantes. Escolher a regressão errada dá previsões erradas.

Dados em S e o mau ajuste de uma reta

Fig. 4Fig. 4 — Assinantes (milhares) ao longo de 8 anos (dados hipotéticos) com a regressão LINEAR: a reta ajusta-se mal a dados em S. O modelo adequado seria o logístico.

Por fim, a lição mais importante — e uma Aprendizagem Essencial explícita: compreender as limitações da adequação de modelos teóricos à realidade. Um modelo é uma aproximação útil, nunca a realidade. As projeções só são fiáveis dentro do intervalo dos dados (interpolação); extrapolar muito para o futuro é arriscado, porque as condições mudam (novos recursos, crises, políticas). Um bom analista social apresenta sempre as projeções com as devidas reservas, indicando os pressupostos e os limites do modelo — a honestidade é parte da competência matemática.

Exemplo resolvido

Escolher o modelo a partir dos dados

Os assinantes (milhares) de um serviço em 8 anos foram: 5, 9, 18, 35, 60, 85, 102, 110, 113. Que tipo de modelo é adequado? Justifica e indica a capacidade de suporte aproximada.

Observar a forma
Os valores crescem devagar (5→9→18), depois muito depressa (18→35→60→85) e por fim estabilizam (102→110→113): é uma forma em S.
Excluir modelos
Não é linear (diferenças não constantes) nem exponencial puro (não dispara sem fim: trava no final).
Escolher o modelo
A forma em S com saturação corresponde ao modelo logístico.
Capacidade de suporte
Os valores estabilizam por volta de 113; a capacidade de suporte K é próxima de 115 mil assinantes.

Resultado: Modelo logístico (forma em S com saturação), com capacidade de suporte K ≈ 115 mil. Uma reta ou uma exponencial dariam previsões erradas.

Erros frequentes

Ajustar sempre uma regressão linear, mesmo quando a nuvem de pontos é claramente curva ou em S.
Extrapolar o modelo muito para além do intervalo dos dados e tomar a previsão como certa.

Revisão ativa

Dados de uma cultura de bactérias duplicam a contagem em cada hora, nas primeiras horas, e depois estabilizam por falta de nutrientes. Indica que tipo de modelo usarias em cada fase e por que um único modelo exponencial seria inadequado a longo prazo.

Evocação ativa

Recorda os pontos-chave — depois revela.

Fontes: Aprendizagens Essenciais de MACS — 11.º ano (seleção e ajuste de modelos; limitações) (Direção-Geral da Educação (DGE))

Referências e fontes

Fontes

Direção-Geral da Educação (DGE)

Aprendizagens Essenciais de MACS — 11.º ano (Modelos populacionais; crescimento linear e exponencial)

Modelos de crescimento populacional

4 secções~15 min de leitura3 competênciasNível Padrão 2 · Aprofundamento 2

Modelos de crescimento populacional

Pontos-chave

Comparar crescimento linear e exponencial

Pontos-chave

Valores de um modelo logarítmico

Pontos-chave

População num modelo logístico

Pontos-chave

Escolher o modelo a partir dos dados

Fontes

Modelos de crescimento populacional

Pontos-chave

Comparar crescimento linear e exponencial

Pontos-chave

Valores de um modelo logarítmico

Pontos-chave

População num modelo logístico

Pontos-chave

Escolher o modelo a partir dos dados

Fontes