[pt] Como (1) aponta, a previsibilidade acerca da política monetária pode melhorar a eficácia da política de estabilização de um Banco Central. Nesse artigo, procuramos reduzir a incerteza a respeito de um instrumento de Forward Guidance do Banco Central norte-americano (o Federal Reserve) estimando distribuições de probabilidade completas sobre todas as associações possíveis entre seus membros e o dot plot de taxa de juros para cada reunião. Nossa contribuição para a literatura ocorre em duas frentes: primeiro, propomos um algoritmo Bayesiano geral que estima essas hipóteses de associação entre agentes e ações sempre que elas não são observadas. Além disso, elaboramos uma maneira nova e menos subjetiva para quantificar textos em dados numéricos, usando Alocação Latente Dirichlet (LDA) e modelos econométricos de seleção. Esse método apresenta algumas características desejáveis como uma correlação positiva entre o presidente do FOMC e o resto do comitê, e um ordenamento na postura de política monetária que reflete, ainda que parcialmente, visões de analistas de mercado a respeito desse espectro entre membros mais duros e mais lenientes com a taxa de juros. Nosso algoritmo de rastreamento de alvos também tem bom desempenho num ambiente simulado, no sentido em que, em média, considera como mais provável a verdadeira associação entre membros e dots. Usando dados reais de discursos individuais e dots, ele também consegue atribuir a maior probabilidade para a associação correta na única reunião em que ela é conhecida de fato. / [en] As (1) points out, monetary policy predictability can enhance a Central Bank stabilization policy efficacy. In this paper we aim to reduce uncertainty about one Federal Reserve forward guidance instrument by estimating full association probabilities distributions between members and the interest rate dot plot for each FOMC meeting. Our contribution to the literature is twofold: first, we propose a general Bayesian algorithm which estimates these association hypotheses between agents and actions whenever they are not observed. Second, we elaborate a novel and less subjective technique for quantifying text into data, using Latent Dirichlet Allocation (LDA) and shrinkage econometric tools. This method shows some desirable features such as positive correlation between the FOMC chair and the rest of the committee, and a policy stance ordering which partially reflects analysts and market participants views on this hawk-dove spectrum. Our tracking algorithm performs successfully in a simulated environment, in a sense that it on average considers the correct member-to-dot association as the most likely one. Using real data on speeches and Fed dots, it is also able to attribute the highest probability to the correct assignment hypothesis in the only meeting it is known for sure.