Acerca de estimadores pontuais, julgue cada item a seguir, e Justifique a sua resposta:
a. Para cada parâmetro populacional, há um único estimador pontual.
b. O estimador pontual da média populacional é dado pela média aritmética da amostra.
c. A estimativa pontual é obtida por meio de um intervalo de confiança que contém o valor estimado do parâmetro populacional com uma certa probabilidade, como 95%.

Passo 1

Você recebeu três afirmações sobre estimadores pontuais e deve julgar cada uma (verdadeira ou falsa) com justificativa. As três afirmações são:
a. Para cada parâmetro populacional, há um único estimador pontual.
b. O estimador pontual da média populacional é dado pela média aritmética da amostra.
c. A estimativa pontual é obtida por meio de um intervalo de confiança que contém o valor estimado do parâmetro populacional com uma certa probabilidade, como 95\%.
As informações relevantes fornecidas pelo enunciado: são declarações gerais sobre estimadores pontuais, média amostral e intervalo de confiança; não foram dadas amostras específicas nem suposições extras além do texto.

Passo 2

Primeiro, vamos organizar bem os conceitos — sem pânico, vou explicando passo a passo como se estivéssemos juntos na lousa.
  • Parâmetro populacional: é um número fixo que descreve a população (por exemplo, a média populacional \mu, a variância populacional \sigma^2, a proporção p, etc.). Esse valor é desconhecido na prática e é o que queremos estimar.
  • Estimador (pontual): é uma regra, isto é, uma função das observações da amostra que dá um valor numérico para estimar o parâmetro. Formalmente, é uma variável aleatória, porque depende da amostra. Por exemplo, a média amostral
\bar X = \frac{1}{n}\sum_{i=1}^n X_i
é um estimador para \mu.
  • Estimativa pontual: é o número concreto que obtenho depois de observar a amostra. Ex.: se em uma amostra encontro \bar x = 10, esse é a estimativa pontual de \mu (valor numérico).
  • Intervalo de confiança: é um procedimento que, a partir da amostra, fornece um intervalo aleatório [L, U] tal que, em repetições do procedimento, uma fração \gamma (por exemplo \gamma=0{,}95) dos intervalos conterá o verdadeiro parâmetro. O intervalo não é a mesma coisa que um estimador pontual — é uma estimação por intervalo.
Entendido isso, vamos aplicar aos itens.

Passo 3

A afirmação diz que “para cada parâmetro populacional, há um único estimador pontual”. Pense comigo: um estimador é qualquer função das observações que tentamos usar para aproximar o parâmetro. Não existe em teoria uma restrição que force haver só uma função possível. Exemplos concretos:
  • Para estimar a média populacional \mu, posso usar a média amostral \bar X. Mas também posso usar a mediana amostral, ou um “trimmed mean” (média com cortes), ou até um estimador do tipo \hat\mu = \frac{1}{n}\sum_{i=1}^n w_i X_i com pesos w_i apropriados. Todos esses são estimadores (diferentes) para o mesmo parâmetro \mu.
  • Para estimar a variância \sigma^2, existem pelo menos duas formas comuns: o estimador amostral não viesado
S^2 = \frac{1}{n-1}\sum_{i=1}^n (X_i-\bar X)^2
e o estimador com denominador n
\tilde S^2 = \frac{1}{n}\sum_{i=1}^n (X_i-\bar X)^2.
Ambos estimam o mesmo parâmetro \sigma^2 (mas têm propriedades diferentes).
Portanto, há muitos estimadores possíveis para um mesmo parâmetro; não existe unicidade forçada. Isso mostra que a afirmação (a) não é verdadeira.

Passo 4

A afirmação (b) diz que “o estimador pontual da média populacional é dado pela média aritmética da amostra”. Vamos explicar por que a média amostral é, de fato, um estimador natural e frequentemente usado para \mu.
Definição do estimador média amostral:
\bar X = \frac{1}{n}\sum_{i=1}^n X_i,
onde X_1,\dots,X_n são as observações da amostra.
Propriedade importante (esperança da média amostral): supondo que as observações sejam independentes e identicamente distribuídas (i.i.d.) com esperança \mathbb{E}[X_i]=\mu (isso é uma suposição padrão para justificar o uso), podemos calcular a esperança de \bar X usando a linearidade da esperança:
\mathbb{E}[\bar X] = \mathbb{E}\!\left[\frac{1}{n}\sum_{i=1}^n X_i\right] = \frac{1}{n}\sum_{i=1}^n \mathbb{E}[X_i] = \frac{1}{n}\cdot n\mu = \mu.
Isto quer dizer que \bar X é um estimador não viesado de \mu (a esperança do estimador é exatamente o parâmetro).
Além disso a média amostral costuma ter variância pequena (diminui com n) e, sob condições técnicas, é consistente (converge para \mu quando n\to\infty). Por essas razões a média amostral é o estimador padrão para a média populacional.
Logo, a afirmativa (b) está de acordo com a prática estatística: a média amostral é o estimador pontual usual da média populacional. (Observação: há situações robustas ou com distribuições assimétricas onde outros estimadores podem ser preferidos, mas isso não contradiz que a média amostral é um estimador válido e com boas propriedades.)

Passo 5

A afirmação (c) diz que "a estimativa pontual é obtida por meio de um intervalo de confiança que contém o valor estimado do parâmetro populacional com uma certa probabilidade, como 95\%". Vamos destrinchar isso com calma.
  • A estimativa pontual é um único número (por exemplo, \bar x = 10). Não se “obtém” uma estimativa pontual a partir de um intervalo; são conceitos distintos: a estimativa pontual vem direto do estimador (uma função dos dados) e resulta em um valor único. O intervalo de confiança é outro procedimento que produz um conjunto de valores [L,U].
  • Um intervalo de confiança 95\% significa que o método usado tem probabilidade 0{,}95 de produzir intervalos que, em repetições do experimento, contenham o verdadeiro parâmetro. Não significa que, dado um intervalo observado [L_{\text{obs}},U_{\text{obs}}], existe 95\% de chance do parâmetro estar dentro dele no sentido bayesiano (a interpretação frequencista é sobre o procedimento, não sobre o parâmetro fixo). Mas isso é detalhe de interpretação; o ponto essencial é: o intervalo é uma estimação por intervalo, não é o processo pelo qual se “obtém” a estimativa pontual.
  • Além disso, a frase “contém o valor estimado do parâmetro populacional com uma certa probabilidade” está confusa: o intervalo de confiança não é construído para “conter a estimativa pontual” (normalmente a estimativa pontual fica no centro do intervalo), e sim para, com certo nível de confiança, conter o verdadeiro parâmetro. O fato de o ponto estimado ficar dentro do intervalo é trivial (se o intervalo for construído em torno do estimador, como costuma ser), mas isso não é o que define nem substitui a estimativa pontual.
Portanto, a idéia de que “a estimativa pontual é obtida por meio de um intervalo de confiança” está incorreta: são procedimentos diferentes e independentes na definição. Um intervalo de confiança pode ser construído a partir do estimador pontual (por exemplo, \bar X \pm z_{\alpha/2}\cdot\text{se}(\bar X)), mas isso não faz da estimativa pontual um produto do intervalo — a estimativa pontual vem primeiro (do estimador); o intervalo é uma informação adicional sobre incerteza.

Passo 6

  • Exemplo para (a): estimar \mu — tanto \bar X quanto a mediana amostral são estimadores diferentes. Logo não há unicidade.
  • Exemplo para (b): calcular \bar X=\frac{1}{n}\sum X_i e usar \bar X como estimador de \mu; mostramos \mathbb{E}[\bar X]=\mu.
  • Exemplo para (c): com uma amostra posso ter \bar x=10 (estimativa pontual) e ainda construir o intervalo 95\% que pode ser, por exemplo, [8,12]. A estimativa pontual é o 10; o intervalo é informação extra sobre precisão. Um não é obtido “por meio” do outro.
Força aí — você já entendeu a diferença fundamental entre estimador (a regra), estimativa (o número) e intervalo (a medida de incerteza). Agora vamos ao fechamento com as respostas diretas.

Resposta

a. Falso
b. Verdadeiro
c. Falso

Exercícios relacionados