Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2014. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2014-10-13T14:16:39Z No. of bitstreams: 1 2014_PatriciaOliveiraSouza.pdf: 1025135 bytes, checksum: a276f800d39856c7a2cdda4764334f98 (MD5) / Approved for entry into archive by Tania Milca Carvalho Malheiros(tania@bce.unb.br) on 2014-10-20T11:49:28Z (GMT) No. of bitstreams: 1 2014_PatriciaOliveiraSouza.pdf: 1025135 bytes, checksum: a276f800d39856c7a2cdda4764334f98 (MD5) / Made available in DSpace on 2014-10-20T11:49:28Z (GMT). No. of bitstreams: 1 2014_PatriciaOliveiraSouza.pdf: 1025135 bytes, checksum: a276f800d39856c7a2cdda4764334f98 (MD5) / Nessa dissertação propomos um modelo dinâmico para casos em que a serie temporal e composta por dados de contagem. O modelo dinâmico para a distribuição Poisson Generalizada combina a classe dos modelos dinâmicos condicionalmente Gaussianos que, por sua vez, fornece uma estrutura flexí vel, permitindo que os parâmetros da distribuição dos dados possam ser modelados via MDLs normais e o esquema MCMC que une o amostrador de Gibbs com o algoritmo de Metropolis-Hastings de modo a proporcionar a amostragem das distribuições condicionais completas a posteriori. Desse modo nossa metodologia e capaz de tratar dados discretos correlacionados no tempo sendo poss vel realizar a estimacão dos estados latentes e previsão do desenvolvimento futuro. _______________________________________________________________________________________ ABSTRACT / In this dissertation, we propose a dynamic model for cases in which the time series is composed of count data. The dynamic model for generalized Poisson distribution combines the class of conditionally Gaussian dynamic models, which in turn provides a exible structure, allowing the parameters of the data distribution to be modeled via normal DLMs and the MCMC scheme that combines the Gibbs sampler with the Metropolis-Hastings algorithm to provide a complete sampling of the posteriori conditional distributions. Thus our methodology is capable of handling correlated discrete data in time and make the estimation of latent states and prediction of future development.