Nesta dissertação de mestrado, apresentamos um estudo dos modelos de séries temporais com componentes sazonais, tais que a medida presente está correlacionada com a medida imediatamente passada e com médias passadas no mesmo ponto de períodos anteriores. Dentro da classe de modelos periódicos, vamos considerar os modelos auto-regressivos periódicos - PAR. Estes modelos são adequados quando a correlação entre os meses variam de forma periódica, estas séries são ditas periodicamente estacionárias. Na análise Clássica a identificação do modelo é feita através da função de autocorrelação periódica, PeFAC e função de autocorrelação parcial periódica, PeFACP, a escolha do melhor modelo é feita usando-se o Critério de Informação Bayesiano, BIC, apresentamos ainda um teste estatístico para verificar a periodicidade na função de autocorrelação. Na análise Bayesiana consideramos três alternativas de densidades a priori para os parâmetros. A densidade preditiva é usada na escolha do melhor modelo e para fazer previsões um passo a frente de valores Muros da série usando resultados da simulaçãO em Cadeia de Markov, MCMC. Exploramos ainda o uso dos algoritmos de MCMC para estimar as densidade a posteriori marginais dos parâmetros do modelo. A metodologia desenvolvida neste trabalho é exemplificada com conjuntos de dados reais e simulados.

In this work we present a Bayesian approch seasonal time series using periodical autoregressive models PAR. In the Classical model order was estimated by periodical autocorrelation PeACF and periodical pardal autocorrelation funcition PePACF. The parsimonious model was chosen by Bayesian Information Criterios (BIC). In this work we present also a test of hypothesis for periodicity of the autocorrelation function. The Bayesian. approach in this work was made using three priori density function, Non- Informative priori, conjugate priori Normal-Gama and t-Student times Gama priori. The forecast was made by simulation of Monte Cano Markow rhain. For model selection we could consider the predictive for the futures values.