Determine uma equação empírica que relacione a viscosidade ( \mu ) e a temperatura (T) para o creme de leite com diferentes teores de gordura (15%, 25% e 35%), com base nos dados fornecidos. Utilize modelos matemáticos adequados, como a equação de Arrhenius ou modelos polinomiais ajustados aos valores experimentais.
Passo 1
O enunciado pede para determinar equações empíricas que relacionem a viscosidade \mu e a temperatura T para creme de leite com teores de gordura 15\%, 25\% e 35\%, usando modelos como a equação de Arrhenius ou polinômios, com base em dados experimentais.
Informações/restrições dadas no enunciado:
Foram indicados três teores de gordura: 15\%, 25\% e 35\%.
Foi pedido o uso de modelos adequados (Arrhenius, polinomial, etc.).
Informação importante que falta (necessária para calcular as equações numéricas):
Não foram fornecidos os valores experimentais de viscosidade \mu para as respectivas temperaturas T (ou uma tabela/figura com esses dados). Sem esses pares (T_i,\mu_i) não é possível calcular os parâmetros numéricos dos modelos.
Observação: a partir daqui vou explicar, passo a passo e de forma prática, como você deve proceder assim que tiver os dados experimentais. Vou ensinar tanto o modelo de Arrhenius (linearizável) quanto o ajuste polinomial e as ferramentas para comparar modelos — para que você consiga obter as equações numéricas sozinho na prova ou em casa.
Passo 2
Modelos candidatos e suas formas (fórmulas úteis, com explicação do que cada símbolo significa):
Modelo estilo Arrhenius (forma frequentemente usada para dependência térmica da viscosidade):
\mu(T)=A\exp\!\left(\dfrac{B}{T}\right),
onde:
\mu é a viscosidade (unidade experimental usada nos dados, ex.: Pa·s),
T é a temperatura em kelvin (sempre converta para kelvin: T(\text{K}) = T(^{\circ}\text{C}) + 273{,}15),
A e B são parâmetros a ajustar ( B tem dimensão de temperatura, ou, se preferir, pode-se usar B=\dfrac{E}{R} com E energia de ativação e R constante dos gases).
Observação: como \dfrac{B}{T} diminui quando T aumenta, essa forma descreve \mu decrescendo com T se B>0, o que é comum para líquidos.
Linearização útil do Arrhenius (transformação que torna o ajuste em regressão linear):
\ln\mu = \ln A + \dfrac{B}{T}.
Defina x_i=\dfrac{1}{T_i} e y_i=\ln\mu_i. Então ajusta-se y = \beta_0 + \beta_1 x com \beta_0=\ln A e \beta_1=B.
Modelo polinomial (por exemplo quadrático, útil em faixas estreitas de temperatura):
\mu(T)=a_0 + a_1 T + a_2 T^2,
onde a_0,a_1,a_2 são constantes a ajustar. Para faixas muito pequenas um polinômio de grau 1 (reta) pode ser suficiente; para faixas maiores, usar grau 2.
Passo 3
Como ajustar o modelo Arrhenius por regressão linear (passo a passo prático):
Preparação dos dados:
Converter todas as temperaturas para kelvin: para cada ponto experimental, calcule T_i(\text{K}).
Calcule x_i=\dfrac{1}{T_i} e y_i=\ln\mu_i.
Use as fórmulas de mínimos quadrados para linha y = \beta_0 + \beta_1 x. Defina n = número de pontos.
Resolva esse sistema linear (usando eliminação de Gauss, regra de Cramer, ou uma calculadora/Excel). Resultado: a_0,a_1,a_2\] e modelo \(\mu(T)=a_0+a_1T+a_2T^2.
Dica numérica: centrar T (usar u=T-\bar{T}) reduz erros numéricos e facilita contas manuais.]
Passo 5
Como comparar e escolher entre modelos (critério prático):
Faça os ajustes separados para cada teor de gordura (15\%, 25\%, 35\%). Cada teor terá sua própria equação.
Métricas de qualidade:
Para ajuste linear (Arrhenius depois de linearizar): calcule resíduos r_i = y_i - \hat{y}_i em y=\ln\mu. SSE (soma dos quadrados dos resíduos): \text{SSE}=\sum r_i^2. SST: \text{SST}=\sum (y_i-\bar{y})^2. Coeficiente de determinação:
R^2 = 1 - \dfrac{\text{SSE}}{\text{SST}}.
Para comparação entre modelos que predizem \mu diretamente, calcule RMSE em \mu:
Use R^2 (ou R^2 ajustado) e RMSE para decidir: modelo com RMSE menor e R^2 maior é preferível, desde que não esteja claramente sobreajustado (modelo muito complexo pode ajustar ruído).
Faça um gráfico: (i) \ln\mu vs 1/T para checar linearidade (Arrhenius), (ii) \mu vs T com curva ajustada (polinômio). Visualmente você nota que modelo faz sentido.
Passo 6
Erros e incertezas (para dar segurança estatística às suas equações)
Após ajustar a regressão linear (Arrhenius), pode-se estimar o erro padrão da inclinação e do intercepto:
Use esses erros e distribuições t para construir intervalos de confiança para A e B (lembrando que A=\exp(\beta_0), então o intervalo para A obtém-se exponenciando o intervalo de \beta_0).
Passo 7
Passo a passo prático e conciso para você aplicar aos seus dados (checklist que funciona na prova ou no PC):
Reunir os pares (T_i,\mu_i) para cada teor de gordura separadamente.
Para polinomial (se desejar ou se Arrhenius não linearizar bem):
Calcular somas S_0,S_1,\dots,S_{y2}.
Resolver sistema das normais (Passo 4) para a_0,a_1,a_2.
Avaliar ajuste com RMSE e R^2 (comparar com Arrhenius).
Repetir para 15\%, 25\%, 35\%.
Escolher a forma final (Arrhenius ou polinomial) para cada teor com base em ajuste e interpretabilidade. Em muitos casos de líquidos a forma Arrhenius (log-linear em 1/T) é preferida por ter interpretação física (energia de ativação).
Passo 8
Exemplos de forma final que você deve reportar (substitua os parâmetros pelos valores ajustados a partir dos seus dados):
Se o ajuste Arrhenius for escolhido para um teor, reporte:
\mu(T)=a_0 + a_1 T + a_2 T^2\quad\text{(parâmetros: \(a_0,a_1,a_2\))}.â
Sempre informe:
Unidade de \mu,
Faixa de T onde o ajuste foi feito,
R^2 ou RMSE para que o leitor saiba a qualidade do modelo,
Intervalos de confiança para os parâmetros (se possível).
Passo 9
Observações práticas e dicas de prova (estilo amigo que te dá o truque)
Converta temperatura para kelvin: nunca faça a regressão com T em ^{\circ}\text{C} na forma Arrhenius; o termo 1/T exige kelvin para interpretação correta.
Se só houver 3–5 pontos, evite polinômios de grau alto (sobreajuste). Com poucos pontos, Arrhenius linearizado costuma ser mais robusto.
Se você só precisar de uma aproximação rápida na prova, tente primeiro ajustar linearmente \ln\mu vs 1/T. É rápido de calcular com somas simples e normalmente dá boa resposta.
Use gráficos: um bom gráfico muitas vezes diz se a linearização faz sentido (linhas retas em \ln\mu vs 1/T).
Resposta
Não é possível determinar equações empíricas numéricas porque os dados experimentais (T_i,\mu_i) para os teores 15\%, 25\% e 35\% não foram fornecidos. Siga o procedimento descrito nos passos anteriores para ajustar, a partir dos seus dados, modelos do tipo \mu(T)=A\exp\!(B/T) (Arrhenius) ou \mu(T)=a_0+a_1T+a_2T^2 (polinomial) e obter as equações para cada teor de gordura.