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):
  1. 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.
  2. Use as fórmulas de mínimos quadrados para linha y = \beta_0 + \beta_1 x. Defina n = número de pontos.
    • Calcule somas: \sum x_i, \sum y_i, \sum x_i y_i, \sum x_i^2.
    • A inclinação \beta_1 e intercepto \beta_0 são dados por
\beta_1 = \dfrac{n\sum x_i y_i - (\sum x_i)(\sum y_i)}{n\sum x_i^2 - (\sum x_i)^2},
\beta_0 = \dfrac{\sum y_i - \beta_1 \sum x_i}{n}.
  1. Relacione de volta aos parâmetros do Arrhenius:
B = \beta_1,\qquad A = \exp(\beta_0).
  1. Interpretar: a equação ajustada será \mu(T)=A\exp(B/T).
  2. Se quiser a forma com energia de ativação E (em J·mol^{-1}), use B=E/R com R=8{,}314\\ \text{J·mol}^{-1}\text{K}^{-1}. Logo E = R B.

Passo 4

Como ajustar um polinômio quadrático (método dos mínimos quadrados; passo a passo):
  1. Calcule as somas necessárias sobre seus dados (T_i,\mu_i)\): - \(S_0 = n\), - \(S_1 = \sum T_i\), - \(S_2 = \sum T_i^2\), - \(S_3 = \sum T_i^3\), - \(S_4 = \sum T_i^4\), - \(S_y = \sum \mu_i\), - \(S_{y1} = \sum T_i \mu_i\), - \(S_{y2} = \sum T_i^2 \mu_i\). 2. As equações normais para \(a_0,a_1,a_2\) ficam: \[\begin{cases} S_0 a_0 + S_1 a_1 + S_2 a_2 = S_y,\\[4pt] S_1 a_0 + S_2 a_1 + S_3 a_2 = S_{y1},\\[4pt] S_2 a_0 + S_3 a_1 + S_4 a_2 = S_{y2}. \end{cases}
  2. Resolva esse sistema linear (usando eliminação de Gauss, regra de Cramer, ou uma calculadora/Excel). Resultado: a_0,a_1,a_2\] 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:
\text{RMSE}=\sqrt{\dfrac{1}{n}\sum_{i=1}^n(\hat\mu_i-\mu_i)^2}.
  • 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:
    • Calcule \text{SSE}=\sum r_i^2 com r_i = y_i - (\beta_0 + \beta_1 x_i).
    • Compute S_{xx}=\sum (x_i-\bar{x})^2.
    • Erro padrão da inclinação:
\text{se}(\beta_1)=\sqrt{\dfrac{\text{SSE}}{(n-2)S_{xx}}}.
  • Erro padrão do intercepto:
\text{se}(\beta_0)=\text{se}(\beta_1)\sqrt{\dfrac{\sum x_i^2}{n}}.
  • 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):
  1. Reunir os pares (T_i,\mu_i) para cada teor de gordura separadamente.
  2. Converter T_i para kelvin.
  3. Para Arrhenius:
    • Calcular x_i=1/T_i, y_i=\ln\mu_i.
    • Calcular \sum x_i,\sum y_i,\sum x_i y_i,\sum x_i^2.
    • Calcular \beta_1,\beta_0 com as fórmulas do Passo 3.
    • Obter A=\exp(\beta_0), B=\beta_1. Escrever \mu(T)=A\exp(B/T).
    • Calcular R^2 e RMSE para avaliar.
  4. 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).
  5. Repetir para 15\%, 25\%, 35\%.
  6. 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\exp\!\left(\dfrac{B}{T}\right)\quad\text{(parâmetros: \(A=\) valor, \(B=\) valor)}.â
  • Se o ajuste quadrático for escolhido, 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.

Exercícios relacionados