Hàm số mũ mô tả tăng trưởng dân số, phân rã phóng xha và lãi kép

Khi mọi người nói về các hàm số mô tả cách thế giới thay đổi theo thời gian, hàm số mũ thường là ví dụ đầu tiên. Chúng xuất hiện trong sinh học, vật lý và tài chính vì nhiều quá trình không thay đổi theo một lượng cố định mỗi khoảng thời gian. Thay vào đó, chúng thay đổi theo một tỷ lệ phần trăm cố định. Ý tưởng đơn giản đó kết nối tăng trưởng dân số, phân rã phóng xha và lãi kép thành một mô hình toán học tinh tế.

Theo các bước đơn giản, một hàm số mô tả một đại lượng được nhân với cùng một hệ số trong mỗi khoảng thời gian. Nếu hệ số lớn hơn 1, hàm số tăng. Nếu hệ số nằm giữa 0 và 1, hàm số giảm. Điểm mấu chốt là tốc độ thay đổi tỷ lệ thuận với giá trị hiện tại. Đây chính là điều khiến hành vi hàm số mũ khác biệt với hành vi tuyến tính, nơi sự thay đổi diễn ra bằng phép cộng thay vì phép nhân.

Dạng cơ bản của hàm số mũ

Dạng tiêu chuẩn thường được viết là y = a · b^t, trong đó a là giá trị ban đầu, b là hệ số tăng trưởng hoặc suy giảm, và t là thời gian. Khi b lớn hơn 1, hàm số tăng. Khi b nằm giữa 0 và 1, hàm số giảm. Trong nhiều mô hình thực tế, tiện lợi hơn khi viết y = a · e^(rt), trong đó e là hằng số Euler, r là lãi suất liên tục, và t là thời gian. Hai dạng này tương đương nhau vì b = e^r. Việc chọn dạng nào phụ thuộc vào việc bạn biết lãi suất theo từng kỳ hay lãi suất liên tục.

Một dạng hữu ích khác là y = a · (1 + r)^t cho tăng trưởng và y = a · (1 − r)^t cho suy giảm, trong đó r là phần trăm thay đổi mỗi đơn vị thời gian dưới dạng thập phân. Ví dụ, tốc độ tăng trưởng 3% có nghĩa là r = 0,03, nên hệ số là 1,03. Tốc độ suy giảm 5% có nghĩa là hệ số là 0,95. Dạng này phổ biến trong tài chính và mô hình dân số vì lãi suất thường được biểu thị bằng phần trăm.

Tăng trưởng dân số — ví dụ thực tế

Tăng trưởng dân số là một trong những ví dụ thực tế rõ ràng nhất về tăng trưởng và suy giảm hàm mũ. Ở dạng đơn giản nhất, nếu dân số tăng với một tỷ lệ phần trăm cố định mỗi năm, mô hình là hàm số mũ. Giả sử một thị trấn có 50.000 người và tăng 2% mỗi năm. Hệ số hàng năm là 1,02. Sau t năm, dân số là P(t) = 50.000 · 1,02^t.

Sau 10 năm, dân số khoảng 50.000 · 1,02^10 ≈ 60.950. Sau 20 năm, khoảng 50.000 · 1,02^20 ≈ 74.297. Lưu ý rằng sự gia tăng từ năm thứ 10 đến năm thứ 20 lớn hơn sự gia tăng từ năm thứ 0 đến năm thứ 10. Đây là đặc trưng của tăng trưởng hàm số: sự gia tăng tuyệt đối ngày càng lớn khi cơ sở ngày càng lớn, dù tỷ lệ phần trăm vẫn giữ nguyên.

Trong thực tế, tăng trưởng hàm số thuần túy hiếm khi kéo dài mãi vì các giới hạn như không gian, thức ăn và sự cạnh tranh. Đó là lý do các nhà sinh học thường sử dụng mô hình logistic sau một thời điểm nhất định. Tuy nhiên, trong khoảng thời gian vừa phải và trong môi trường dồi dào tài nguyên, các mô hình hàm số cung cấp xấp xỉ tốt ban đầu và giúp giải thích tại sao tăng trưởng có thể diễn ra nhanh đến bất ngờ.

Phân rã phóng xha — suy giảm hàm mũ

Phân rã phóng xha tuân theo mô hình suy giảm hàm s�� vì xác suất phân rã của mỗi nguyên tử là không đổi theo thời gian. Lượng chất phóng xha còn lại sau thời gian t thường được mô hình hóa bởi N(t) = N₀ · e^(−λt), trong đó N₀ là lượng ban đầu và λ là hằng số phân rã. Chu kỳ bán rã, thời gian cần để một nửa vật chất phân rã, liên hệ với λ bởi t½ = ln(2) / λ.

Xem xét một mẫu có chu kỳ bán rã là 5 năm. Khi đó λ = ln(2) / 5 ≈ 0,1386 mỗi năm. Nếu bạn bắt đầu với 100 gam, sau 5 năm còn khoảng 50 gam, sau 10 năm còn khoảng 25 gam, và sau 15 năm còn khoảng 12,5 gam. Mỗi khoảng thời gian bằng nhau giảm lượng còn lại đi cùng một phân số, đúng như suy giảm hàm số dự đoán.

Hành vi này được sử dụng trong xác định niên đại bằng carbon-14, chẩn đoán hình ảnh y tế và an toàn hạt nhân. Cấu trúc tương tự xuất hiện trong các bối cảnh phân rã khác, chẳng hạn làm nguội vật thể đến nhiệt độ phòng hay khấu hao thiết bị, mặc dù những quá trình đó có thể phức tạp hơn và có thể cần các mô hình điều chỉnh.

Lãi kép trong tài chính hàng ngày

Lãi kép là một mô hình hàm số kinh điển khác. Nếu bạn đầu tư một khoản vốn P với lãi suất hàng năm r, tính lãi hàng năm, số tiền sau t năm là A(t) = P · (1 + r)^t. Nếu lãi được tính n lần mỗi năm, công thức là A(t) = P · (1 + r/n)^(nt). Với lãi suất liên tục, công thức là A(t) = P · e^(rt).

Ví dụ cụ thể, giả sử bạn đầu tư 10.000 USD với lãi suất 6% mỗi năm, tính lãi hàng năm. Sau 10 năm, giá trị khoảng 10.000 · 1,06^10 ≈ 17.908 USD. Sau 20 năm, khoảng 10.000 · 1,06^20 ≈ 32.071 USD. Sau 30 năm, khoảng 10.000 · 1,06^30 ≈ 57.435 USD. Sự tăng trưởng tăng tốc theo thời gian vì lãi suất mỗi năm được tính trên số dư lớn hơn. Đây là lý do tại sao đầu tư dài hạn và đóng góp sớm có thể mạnh mẽ đến vậy.

Lãi kép cũng giải thích chi phí nợ. Nếu số dư thẻ tín dụng tăng với lãi suất hàng tháng cao, số dư có thể tăng nhanh nếu các khoản thanh toán nhỏ. Hiểu cấu trúc hàm số giúp so sánh các đề nghị vay, kế hoạch tiết kiệm và lựa chọn đầu tư với các lịch trình tính lãi khác nhau.

Đọc dữ liệu hàm số trong thực tế

Khi làm việc với dữ liệu thực, việc kiểm tra xem một quá trình có phải là hàm số hay không bằng cách xem các tỷ số rất hữu ích. Trong một hàm số, các khoảng thời gian bằng nhau cho ra các tỷ số bằng nhau, không phải các hiệu bằng nhau. Nếu các giá trị xấp xỉ tăng gấp đôi mỗi khoảng cố định, đó là tín hiệu mạnh của tăng trưởng hàm số. Nếu chúng giảm một nửa mỗi khoảng cố định, đó là dấu hiệu của suy giảm hàm số.

Để ước tính lãi suất từ dữ liệu, lấy hai điểm và giải tìm r. Với tăng trưởng được mô hình hóa bởi y = a · (1 + r)^t, nếu bạn biết y₁ tại thời điểm t₁ và y₂ tại thời điểm t₂, thì r = (y₂ / y₁)^(1 / (t₂ − t₁)) − 1. Với suy giảm, cùng công thức áp dụng, và r sẽ âm. phép tính đơn giản này biến một bảng số liệu thành một mô hình sử dụng được.

Tại sao hàm số quan trọng

Hàm số mạnh mẽ vì chúng nắm bắt ý tưởng rằng sự thay đổi phụ thuộc vào trạng thái hiện tại. Trong sinh học dân số, điều đó dẫn đến tăng trưởng nhanh khi điều kiện thuận lợi. Trong vật lý, điều đó dẫn đến sự suy giảm mượt mà, có thể dự đoán. Trong tài chính, điều đó dẫn đến hiệu ứng lãi kép định hình tiết kiệm và nợ.

Bằng cách nhận ra cấu trúc, chọn đúng dạng và kiểm tra dữ liệu với các tỷ số và chu kỳ bán rã, bạn có thể áp dụng các mô hình này vào nhiều tình huống hàng ngày. Kết quả là sự hiểu biết rõ ràng hơn về cách những thay đổi phần trăm nhỏ, đều đặn tích lũy thành những tác động lớn theo thời gian — đó chính là cốt lõi của các ví dụ thực tế về hàm số tăng trưởng và suy giảm hàm mũ.