Defina:
c) Estimativa.

Passo 1

O que o enunciado pede: definir o que é uma estimativa (item c).
Informações dadas: não há dados numéricos nem contexto adicional — só é pedida a definição do termo.

Passo 2

Intuição básica (do jeitinho que eu gosto de explicar): quando estudamos fenômenos, muitas vezes existe uma quantidade verdadeira que interessa, mas que não conhecemos — por exemplo, a média real de altura de todos os alunos de um curso. Como não podemos medir todo mundo, pegamos uma amostra (algumas observações) e a usamos para “chutar” um valor para essa quantidade desconhecida. Esse “chute informado” baseado na amostra é a ideia de estimativa.

Passo 3

Diferência entre termos importantes (para não confundir na prova):
  • Seja \theta a quantidade verdadeira (parâmetro) que queremos saber — por exemplo, média populacional, variância populacional, probabilidade de sucesso, etc.
  • Um estimador é uma regra ou função que transforma os dados da amostra em um valor aleatório. Escrevemos, por exemplo, \hat{\theta}=t(X_1,\dots,X_n), onde X_1,\dots,X_n são as observações da amostra e t é uma função (a regra).
  • Uma estimativa é o valor numérico concreto que obtemos ao aplicar o estimador aos dados observados. Se os dados observados foram x_1,\dots,x_n, então a estimativa é \hat{\theta}(x_1,\dots,x_n). Em provas: estimador = fórmula (aleatório), estimativa = número concreto (observado).

Passo 4

Exemplos clássicos (para fixar):
  • Estimador da média populacional: \hat{\mu}=\bar{X}=\dfrac{1}{n}\sum_{i=1}^{n}X_i.
    Se a amostra observada é x_1,\dots,x_n, a estimativa da média é \bar{x}=\dfrac{1}{n}\sum_{i=1}^{n}x_i.
  • Estimador da proporção em uma amostra Bernoulli: \hat{p}=\dfrac{1}{n}\sum_{i=1}^{n}X_i, onde X_i\in\{0,1\}. A estimativa é a fração observada de sucessos.

Passo 5

Tipos de estimativas (resuma na prova):
  • Estimativa pontual: um único número que “chuta” o parâmetro (ex.: \bar{x} para a média).
  • Estimativa por intervalo (intervalo de confiança): um intervalo [L,U] construído a partir dos dados, com a interpretação probabilística associada (ex.: intervalo de 95\% de confiança). A estimativa por intervalo expressa incerteza — muito útil na prova para mostrar compreensão.

Passo 6

Propriedades desejáveis de um estimador (para você saber o que avaliar numa questão):
  • Não viesado (unbiased): \displaystyle \mathrm{Bias}(\hat{\theta})=E[\hat{\theta}]-\theta=0. Ou seja, em média o estimador acerta o parâmetro.
  • Consistente: \hat{\theta}\xrightarrow{p}\theta quando n\to\infty. Na prática: com amostras grandes o estimador se aproxima do verdadeiro.
  • Eficiência / menor variância: entre estimadores não viesados, costuma-se preferir o que tem menor variância \operatorname{Var}(\hat{\theta}).
  • MSE (erro quadrático médio): \displaystyle \mathrm{MSE}(\hat{\theta})=E[(\hat{\theta}-\theta)^2]=\operatorname{Var}(\hat{\theta})+[\mathrm{Bias}(\hat{\theta})]^2. É uma medida geral de qualidade (menor é melhor).

Passo 7

Métodos comuns para obter estimadores (saber isso ajuda a justificar na prova):
  • Método dos momentos: igualar momentos amostrais a momentos populacionais e resolver para o parâmetro.
  • Máxima verossimilhança (MLE): escolher \hat{\theta} que maximiza a verossimilhança dos dados. Frequentemente produz estimadores com boas propriedades assintóticas.
  • Mínimos quadrados (em regressão): escolher parâmetros que minimizam a soma dos quadrados dos resíduos.
Rápida intuição do MLE com exemplo simples: para observações Bernoulli X_i\sim\mathrm{Bernoulli}(p), a verossimilhança é L(p)=\prod_{i=1}^n p^{x_i}(1-p)^{1-x_i}. Maximizar em p \hat{p}=\dfrac{1}{n}\sum_{i=1}^n x_i — a proporção observada.

Passo 8

Exemplo numérico curtinho (prático e reconfortante): suponha que a amostra é 2,3,5.
  • Estimador da média: \bar{X}=\dfrac{1}{n}\sum X_i.
  • Estimativa (valor): \bar{x}=\dfrac{2+3+5}{3}=\dfrac{10}{3}.
    Aqui \bar{X} é a fórmula aleatória, \bar{x}=10/3 é a estimativa concreta que você escreveria na prova.

Passo 9

Como responder objetivamente na prova (minha dica amiga): ao pedir “defina estimativa”, escreva:
  1. definição concisa (estimativa = valor numérico obtido pelo estimador aplicado aos dados),
  2. diferença curta entre estimador e estimativa, e
  3. um exemplo rápido (por ex., média amostral \bar{x}). Isso mostra compreensão e clareza.

Resposta

Estimativa: o valor numérico concreto obtido ao aplicar um estimador aos dados observados, usado como “chute informado” para um parâmetro desconhecido (por exemplo, a estimativa da média \bar{x}=\tfrac{1}{n}\sum_{i=1}^n x_i).

Exercícios relacionados