کیلوری ٹریکنگ کے پیچھے کی ریاضی

ہر calorie tracker آپ کی طرف سے حساب کرتا ہے۔ ان میں سے اکثر آپ کو equations نہیں دکھاتے۔ یہاں وہ ہیں، worked examples کے ساتھ، ترتیب میں، ایک دوسرے پر بنتے ہوئے۔

یہ post calculation کی پانچ layers کور کرتا ہے: آپ کا baseline metabolism کیسے estimate ہوتا ہے، وہ estimate روزانہ energy target کیسے بنتا ہے، app حقیقی data سے آپ کا actual expenditure کیسے سیکھتا ہے، جب آپ partial serving کھاتے ہیں تو food entries کیسے scale ہوتے ہیں، اور calorie deficit fat اور lean tissue loss میں کیسے translate ہوتا ہے۔ ہر number ایک equation تک trace کیا جا سکتا ہے۔ ہر equation ایک cited source تک trace کی جا سکتی ہے۔

Layer 1: BMR estimation

آپ کا Basal Metabolic Rate وہ energy ہے جو آپ کا جسم مکمل آرام میں burn کرتا ہے: بالکل ساکن، جاگتے ہوئے، temperature-neutral room میں لیٹے ہوئے۔ یہ total daily expenditure کا تقریباً 60-70% بنتا ہے۔

سب سے زیادہ validated formula Mifflin-St Jeor (1990) ہے:

BMR (male)   = 10 x weight(kg) + 6.25 x height(cm) - 5 x age + 5
BMR (female) = 10 x weight(kg) + 6.25 x height(cm) - 5 x age - 161

ہر term ایک physiological relationship کو ظاہر کرتا ہے۔ زیادہ وزن والے جسم زیادہ energy burn کرتے ہیں (weight term غالب ہے)۔ زیادہ قد والے جسموں کی surface area زیادہ ہوتی ہے اور metabolically active tissue بھی زیادہ ہوتا ہے۔ عمر کے ساتھ metabolism کم ہوتا جاتا ہے۔ sex offset average body composition کے فرق کو account کرتا ہے۔

Worked example. 30 سالہ male، 82 kg، 178 cm:

10 x 82   = 820
6.25 x 178 = 1,112.5
5 x 30    = 150
sex offset = +5

BMR = 820 + 1,112.5 - 150 + 5 = 1,787.5 kcal

یہ population average ہے۔ Mifflin-St Jeor کو 498 subjects کی indirect calorimetry measurements سے derive کیا گیا تھا۔ کسی بھی individual کے لیے standard error تقریباً ±200 kcal ہوتا ہے، یعنی دو افراد جن کے stats ایک جیسے ہوں ان کے BMR میں 400 kcal کا فرق ہو سکتا ہے۔ یہ formula آپ کو bell curve کا center دیتا ہے، آپ کی personal measurement نہیں۔

Source: Mifflin, M.D. et al. "A new predictive equation for resting energy expenditure in healthy individuals." American Journal of Clinical Nutrition, 1990.

Layer 2: from BMR to TDEE

BMR floor ہے۔ Total Daily Energy Expenditure (TDEE) باقی سب شامل کرتا ہے: چلنا، کام کرنا، exercise، food digest کرنا، بےچینی سے حرکت کرنا۔ روایتی طریقہ BMR کو activity factor سے multiply کرتا ہے:

Activity Level	Multiplier	What it actually means
Sedentary	1.200	Desk job, minimal walking
Lightly Active	1.375	~8,000 steps/day or light exercise 2x/week
Moderately Active	1.550	~10,000 steps + resistance training 3x/week
Active	1.725	Physical job or training 5x/week
Very Active	1.900	Hard training daily + active lifestyle

ہمارے worked example کے لیے (BMR = 1,788 kcal, lightly active):

TDEE = 1,788 x 1.375 = 2,458 kcal

مسئلہ فوراً نظر آ جاتا ہے: levels کے درمیان jump 0.175 ہے، جو 1,788 کے BMR کے لیے تقریباً 310 kcal بنتا ہے۔ یہ ایک پورا banana اور ایک tablespoon peanut butter کے برابر ہے۔ اگر آپ غلط activity level چن لیں (اور زیادہ تر لوگ یہی کرتے ہیں)، تو ایک بھی meal log کرنے سے پہلے ہی آپ کا TDEE estimate سینکڑوں calories سے غلط ہو جاتا ہے۔

اس سے بھی بدتر، multipliers NEAT (Non-Exercise Activity Thermogenesis) کو capture نہیں کر سکتے: بے چینی سے حرکت، posture، pacing، گھر کے کام۔ NEAT اکیلا ہی ایک جیسے stats اور exercise habits رکھنے والے افراد میں 700+ kcal/day تک مختلف ہو سکتا ہے۔

Layer 3: adaptive TDEE

Static formulas اندازہ لگاتی ہیں کہ آپ جیسے لوگ عموماً کتنی calories burn کرتے ہیں۔ Adaptive TDEE الٹا جا کر حساب کرتی ہے کہ آپ نے اصل میں کتنی burn کیں، یعنی آپ کے جسم میں جو ہوا اس سے واپس حل کرتی ہے۔

Core insight: اگر آپ کو معلوم ہو کہ آپ نے کتنی calories کھائیں اور وقت کے ساتھ آپ کا وزن کیسے بدلا، تو آپ expenditure solve کر سکتے ہیں۔

The algorithm

28 دن کے data window کے لیے:

Step 1. صرف tracked days پر average calorie intake نکالیں۔ جن دنوں food logs نہیں ہیں انہیں مکمل طور پر exclude کیا جاتا ہے (zero شمار نہیں کیا جاتا)۔

Step 2. روزانہ weight readings کو 7-day Exponential Moving Average سے smooth کریں تاکہ water, glycogen, اور sodium noise filter ہو جائے۔ پھر smoothed series پر least-squares linear regression fit کریں۔ slope آپ کا kg/day میں حقیقی weight trend ہے۔

Step 3. Weight slope کو calories میں convert کریں:

caloric impact = daily weight slope x 7,700 kcal/kg

7,700 kcal/kg کی value body tissue کی energy density کا standard approximation ہے (fat تقریباً 7,700 اور lean تقریباً 1,800 کا weighted mix)۔

Step 4. TDEE estimate کریں:

TDEE = average daily intake - caloric impact

اگر آپ weight lose کر رہے ہیں، تو caloric impact negative ہوتا ہے، اس لیے TDEE intake سے زیادہ آتا ہے۔ اگر آپ weight gain کر رہے ہیں، تو کم آتا ہے۔ اگر weight stable ہے، تو TDEE intake کے برابر ہوتا ہے۔

Step 5. روزانہ adjustment کو پچھلے estimate سے ±100 kcal تک clamp کریں۔ اس سے noisy data سے بڑے swings نہیں آتے۔

Worked example

یہ کسی ایسے شخص کا حقیقی 28-day dataset ہے جو تقریباً 0.3 kg/week وزن کم کر رہا ہے:

Day	Weight (kg)	EMA (kg)	Calories	Tracked?
1	82.3	82.30	2,180	Yes
4	82.5	82.35	2,210	Yes
7	81.8	82.15	2,050	Yes
10	82.0	81.96	--	No
14	81.7	81.72	2,100	Yes
21	80.9	81.12	2,180	Yes
24	81.0	80.93	2,120	Yes
28	80.7	80.72	2,050	Yes

Calculation:

Average intake (tracked days): 2,150 kcal/day
EMA weight slope (regression): -0.042 kg/day
Caloric impact: -0.042 x 7,700 = -323 kcal/day
Estimated TDEE: 2,150 - (-323) = 2,473 kcal

یہ number آپ کا actual metabolism reflect کرتا ہے: NEAT، adaptation، genetics، سب کچھ۔ activity level کا اندازہ لگانے کی ضرورت نہیں۔

Why 28 days

روزانہ weight پانی کی retention، glycogen stores، جسم میں موجود food mass، اور sodium intake کی وجہ سے ±1 kg تک fluctuate کر سکتا ہے۔ اگر کوئی ہفتے میں 0.5 kg وزن کم کر رہا ہو، تو 14 دن کا expected signal تقریباً 1 kg ہوتا ہے، جو noise floor سے ذرا ہی اوپر ہے۔ 28-day window اسی noise کے مقابلے میں تقریباً 2 kg کا signal capture کرتی ہے، یعنی signal-to-noise ratio تقریباً دگنی ہو جاتی ہے۔

Window length، EMA smoothing، اور convergence behavior کی مزید تفصیل کے لیے Why Your TDEE Calculator Is Probably Wrong دیکھیں۔

Layer 4: macro scaling

جب آپ کوئی food entry log کرتے ہیں، تو عموماً آپ database میں درج exact serving size نہیں کھا رہے ہوتے۔ Macro scaling وہ arithmetic ہے جو ہر چیز کو proportionally adjust کرتی ہے:

scaling factor = consumed amount / serving size

ہر macro ایک ہی factor سے multiply ہوتا ہے۔ یہ linear scaling ہے۔

Worked example. Oats کی database entry: 100g serving، 389 kcal، 13.2g protein، 66.3g carbs، 6.9g fat۔ آپ نے 45g کھائے۔

factor = 45 / 100 = 0.45

calories: 389 x 0.45 = 175.1 kcal
protein:  13.2 x 0.45 = 5.9g
carbs:    66.3 x 0.45 = 29.8g
fat:      6.9 x 0.45 = 3.1g

یہ سیدھا ہے، لیکن ایک subtle بات ہے جو لوگوں کو confuse کرتی ہے: macros ہمیشہ calories کے برابر نہیں ہوتے۔

Atwater factors (protein کے لیے 4 kcal/g، carbs کے لیے 4 kcal/g، fat کے لیے 9 kcal/g) approximation ہیں۔ اصل values food کے حساب سے مختلف ہوتی ہیں۔ Fiber تقریباً 2 kcal/g contribute کرتی ہے، alcohol 7 kcal/g contribute کرتا ہے، اور دونوں standard macro نہیں ہیں۔ جب food database total calories اور macros دونوں list کرتی ہے، تو اکثر یہ independent lab measurements سے آتے ہیں۔ ہر macro کو ایک decimal place تک round کرنے اور Atwater factors apply کرنے کے بعد، total listed calories سے 5-15 kcal per serving مختلف ہو سکتا ہے۔ یہ پورے دن کے logging میں جمع ہوتا جاتا ہے۔

یہ bug نہیں ہے۔ یہ Atwater system کی inherent imprecision ہے۔ Total calorie figure macro-derived calories کے مجموعے سے زیادہ accurate ہوتی ہے، کیونکہ total کو bomb calorimetry یا proximate analysis سے direct measure کیا جاتا ہے۔

Layer 5: deficit math and body composition

Energy balance equation:

weight change = (intake - expenditure) / energy density of tissue

500 kcal/day deficit، standard 7,700 kcal/kg استعمال کریں تو، 0.45 kg/week weight loss پیدا کرنا چاہیے۔ لیکن یہ number فرض کرتا ہے کہ جو وزن کم ہوا وہ سب fat ہے۔ ایسا نہیں ہوتا۔

Forbes/Hall model پیشگوئی کرتا ہے کہ weight loss کا کتنا حصہ fat ہے اور کتنا lean tissue، اس بات کی بنیاد پر کہ آپ کے پاس کتنا fat ہے:

P-ratio = fat mass / (fat mass + 10.4)

P-ratio وہ fraction ہے جو weight change میں fat سے آتا ہے۔ Constant 10.4 body composition studies سے empirically derive کیا گیا تھا (Forbes 1987، Hall 2007 سے refined)۔

زیادہ body fat کا مطلب higher P-ratio ہے، یعنی loss کا زیادہ حصہ fat ہوتا ہے۔ کم body fat کا مطلب زیادہ lean tissue sacrifice ہوتا ہے۔ اسی لیے low body fat percentages پر aggressive deficits الٹا نقصان دیتے ہیں: math آپ کے خلاف کام کرتی ہے۔

Worked example. 80 kg شخص، 22% body fat کے ساتھ، 500 kcal deficit میں:

Fat mass:       80 x 0.22 = 17.6 kg
P-ratio:        17.6 / (17.6 + 10.4) = 0.629
Mixed density:  0.629 x 7,700 + 0.371 x 1,800 = 5,510 kcal/kg
Daily loss:     500 / 5,510 = 0.091 kg/day
Daily fat loss: 0.091 x 0.629 = 0.057 kg/day
Weekly total:   0.64 kg
  of which fat: 0.40 kg (63%)
  of which lean: 0.24 kg (37%)

0.45 kg/week pure fat نہیں۔ اصل number اس پر depend کرتا ہے کہ آپ کہاں سے شروع کرتے ہیں۔

35% body fat پر P-ratio 0.77 ہوتا ہے: loss کا تقریباً 80% fat ہوتا ہے۔ 12% body fat پر یہ 0.54 تک گر جاتا ہے: تقریباً آدھا loss lean tissue ہوتا ہے۔ Same deficit, different bodies, different outcomes.

Sources: Forbes, G.B. "Lean body mass-body fat interrelationships in humans." Nutrition Reviews, 1987. Hall, K.D. "Body fat and fat-free mass inter-relationships." British Journal of Nutrition, 2007.

---

Where you'll see this in the app

یہ وہ equations ہیں جو Onyx Tenet کے اندر چلتی ہیں۔ عملی طور پر یہ کچھ یوں نظر آتی ہیں۔

TDEE card formula estimate اور adapted value دونوں دکھاتا ہے، confidence badge اور data coverage stats کے ساتھ۔ TDEE Trajectory chart دکھاتا ہے کہ estimate وقت کے ساتھ کیسے بدلا۔ اس مثال میں adaptive TDEE (2,163 kcal) formula estimate (2,172 kcal) کے بہت قریب ہے، جس کی تصدیق 26 weigh-ins اور 28 tracked days سے ہوتی ہے۔

Weekly summary Layer 5 سے energy balance equation apply کرتا ہے۔ Average intake (1,991 kcal) minus average TDEE (2,254 kcal) روزانہ 263 kcal deficit دیتا ہے، جو -0.24 kg/week weight change کی projection بناتا ہے۔ ہر دن کے macros نیچے breakdown میں نظر آتے ہیں۔

ہر number اوپر والی equations میں سے کسی ایک تک trace ہوتا ہے۔ کوئی black boxes نہیں۔

Onyx Tenet میں Adaptive TDEE free ہے۔ یہ تقریباً 4 ہفتے logging اور weighing کے بعد خود بخود activate ہو جاتا ہے۔ Subscription کی ضرورت نہیں۔