Explique a linearização de uma função do tipo potência pelo método logarítimico.
Passo 1
O que o enunciado pede e o que temos: explicar como linearizar uma função do tipo potência pelo método logarítmico. Informações relevantes que assumimos (essas são as hipóteses usuais do método):
A função tem a forma y=a\,x^{b}, com a>0 e x>0.
A ideia é transformar essa relação não linear em uma relação linear usando logaritmos, para poder estimar a e b por regressão linear ou para identificar b como inclinação num gráfico log–log.
Não há outras informações adicionais (por ex.: ruído), então a exposição cobrira o caso determinístico e o caso com ruído aditivo no log.
Passo 2
Por que tomar log transforma potência em linha reta — derivação básica.
Começa-se com a hipótese do modelo:
y = a\,x^{b}.
Tomando logaritmo (natural, por convenção) dos dois lados obtém-se:
\ln y = \ln a + b\ln x.
Explicando cada símbolo:
\ln y é a transformação do eixo vertical;
\ln x é a transformação do eixo horizontal;
\ln a é a constante (intercepto) na reta resultante;
b é a inclinação da reta no plano (\ln x,\ln y).
Conclusão prática: ao plotar \ln y versus \ln x espera-se uma reta de equação
v = \alpha + b u,
onde definimos u=\ln x, v=\ln y e \alpha=\ln a.
Passo 3
Condições e observações sobre domínio e base do logaritmo.
É necessário ter x>0 e y>0 para usar \ln. Se houver zeros ou valores negativos, é preciso tratar os dados (ex.: eliminar pontos, usar transformação alternativa ou deslocamento), mas isso muda a interpretação.
A base do logaritmo (ln, log_{10}, etc.) não altera a linearidade: usar \log_{10} dá
\log_{10} y = \log_{10} a + b \log_{10} x,
a inclinação num gráfico \log_{10}y vs \log_{10}x é a mesma b (apenas a escala muda).
Passo 4
Como estimar a e b a partir de dados: transformação e regressão linear.
Dado um conjunto de n observações (x_i,y_i) com x_i>0,y_i>0, calcula-se
Atenção ao ponto importante: se o modelo foi estimado com ruído aditivo no log, isto é, supondo o modelo
\ln y = \alpha + b\ln x + \varepsilon,\qquad \mathbb{E}[\varepsilon]=0,
então a esperança condicional \mathbb{E}[y\mid x] não é exatamente e^{\alpha + b\ln x} porque \mathbb{E}[e^{\varepsilon}]\neq 1 em geral. Se \varepsilon\sim N(0,\sigma^{2}), então
Logo, para previsões não viesadas da média de y geralmente aplica-se um fator de correção e^{\hat\sigma^{2}/2}, onde \hat\sigma^{2} é a variância residual no modelo log.
Esses quantificadores permitem testar se b é estatisticamente diferente de zero, construir intervalos de confiança e avaliar ajuste (R^2 no modelo log também dá informação sobre lineariade no log–log).
Passo 7
Dicas práticas para prova e para fazer “na mão” sem calculadora.
Para estimar b com dois pontos (x_1,y_1) e (x_2,y_2) basta:
b = \frac{\ln y_2 - \ln y_1}{\ln x_2 - \ln x_1}.
Isso é ótimo em provas rápidas: transforme os dois pontos e calcule a razão das diferenças.
Se tiver mais pontos, calcule u_i=\ln x_i, v_i=\ln y_i, some para obter \overline{u},\overline{v} e aplique as fórmulas do Passo 4.
Use logaritmos que facilitam contas (log base 10 ou ln), desde que seja consistente; para relações exatas em exercícios a manipulação de potências (por exemplo reconhecer potências de 2 ou 10) pode evitar cálculos decimais pesados.
Sempre verifique sinal de b e consistência física (por ex., se y cresce com x, b>0).
Passo 8
Exemplo numérico passo a passo (recupera parâmetros exatos).
Considere três pontos gerados por y=2\,x^{1{,}5}: (1,2), (4,16), (9,54).
Resultado: \widehat{y}=2\,x^{1{,}5}, que recupera exatamente o modelo gerador do exemplo.
Passo 9
Cuidados, limitações e recomendações finais (tipo “cheats” de prova).
Se houver heterocedasticidade (variância que muda com x), o ajuste no log pode estabilizar variância — isso é uma vantagem prática.
Se dados têm ruído aditivo em y (não no log), a transformação pode introduzir viés; pense qual modelo é mais razoável fisicamente: ruído relativo (multiplicativo) é compatível com modelo log‑linear.
Sempre verifique os resíduos no espaço (u,v) para checar se a relação é realmente linear; um bom ajuste log–log deve apresentar resíduos sem padrão.
Para prever médias de y, aplicar correção e^{\hat\sigma^{2}/2} quando apropriado (ver Passo 5).
Resposta
Para linearizar y=a\,x^{b} aplica-se log em ambos os lados, obtendo \ln y=\ln a + b\ln x. Definindo u=\ln x e v=\ln y, estima‑se a reta v=\alpha+b\,u por mínimos quadrados com