[pt] O problema de estimação pode ser entendido como um caso particular dos problemas inversos. Dadas observações da resposta de um sistema para certas causas, deseja-se estimar certas características do sistema. Essas características, em um sistema dinâmico, geralmente são representadas por parâmetros. Assim, para uma representação físico-matemática do sistema, dada uma excitação e observando a resposta, é possível obter uma estimação dos parâmetros. A estimação paramétrica é de grande importância e utilizada em diversas situações, desde experimentalistas, ao observar fenômenos no laboratório, até quem estuda o comportamento de setores sociais por amostras populacionais. A parte inicial desta dissertação apresenta uma breve introdução ao problema inverso do marco da estatística Bayesiana. Neste marco trata-se a estimação paramétrica como resultado da resolução de um problema inverso. Duas técnicas de estimação s ao deduzidas a partir da inferência estatística Bayesiana. A primeira delas, mínimos quadrados, coleta todos os dados e logo faz a estimação. A segunda, filtro de Kalman (e filtro de Kalman extendido), melhora o estado do conhecimento dos parâmetros a serem estimados a cada nova observação. Para a abordagem destas técnicas de estimação, de modo de poder compará-las, é apresentada a resolução analítica de um sistema harmônico de um e dois graus de liberdade. Por último, é apresentada uma modelagem de uma bancada experimental, em escala de laboratório, que emula uma coluna de perfura ção acoplada a um motor. Esta bancada foi desenvolvida para estudos de dinâmica torcional, na dissertação de mestrado de Bruno C. Cayres A., de modo que aqui só é de interesse a caracterização da mesma. As técnicas de estimação paramétrica são usadas de forma teórica, simulando os dados a partir de soluções analíticas para diferentes parâmetros da modelagem do motor e da coluna. Também usa-se medições feitas na bancada para estimar os parâmetros da modelagem, obtendo assim um conhecimento melhorado dos parâmetros envolvidos no sistema coluna-motor. / [en] The estimation problem can be understood as a particular case of an inverse problem. Given observations of the response of a system, due to certain causes, one wants to estimate certain characteristics of the problem. These features, in a dynamic system, are usually represented by parameters. Thus, for a mathematical representation of the physical system, given an excitation and given the observing response, it is possible to give an estimation of the parameters. The parameter estimation is of great importance and used in countless situations, such as experimental obseration of a phenomena in the laboratory or even by those who study the behaviors social sectors by population samples. The initial part of this dissertation presents a brief introduction to the inverse problem the framework of the Bayesian statistics. In this context, the parametric estimation is a result of the resolution of an inverse problem. Two estimation techniques are derived from the Bayesian statistical inference. The first of these, least squares, collects all the data and then makes the estimation. The second, Kalman filter (and extended filter Kalman), improves the state of knowledge of the parameters to be estimated, with each new observation. To address these estimation techniques, in order to be able to compare them, presents the analytical resolution of a harmonious system of one and two degrees of freedom. Finally, it is presented a model for an experimental setup, in laboratory scale, which emulates a drillstring coupled to a motor. This experimental setup was developed to study the dynamic torsional and by the author of the dissertation of Bruno C. Cayres A., the mode that is of interest here only the characterization of it. These techniques are used for parameter estimation in theoretical way, simulating data from the analytical solutions, for different parameters involved in the column-motor modeling. Also, we use measurements obtained from the experimental setup to estimate the parameters of the column-motor model. Thereby, we obtain an improved knowledge of the parameters involved in the column-motor.