Neste trabalho de tese, estudamos o modelo de crescimento logístico de populações biológicas utilizando a abordagem de espaço de estados. Os estados não observados são as biomassas anuais, a equação de observação é linear e a equação de estado é não linear. As distribuições de probabilidade utilizadas para os termos de erro de observação aditivos são: Normal, t-student, Skew-normal e Skew-t. As distribuições Log-normal, Log-t, Log-skew-normal e Log-skew-t são consideradas para os erros de observação multiplicativos. A inferência nos modelos é realizada considerando-se métodos Bayesianos e as distribuições a posterior de interesse são aproximadas utilizando-se algoritmos MCMC e a aproximação de Laplace. Apresentamos duas aplicações, a primeira referente a pesca de camarão marinho na costa do Chile, na qual a variável observável é o rendimento médio anual de pesca (captura por unidade de esforço média). Na segunda é considerada a pesca de lagostim vermelho na costa de Chile, na qual além do rendimento médio anual da pesca, observa-se as estimativas anuais de biomassa vulnerável, obtidas através de estudos de área varrida. Para o primeiro conjunto de dados, os modelos com erros de observação multiplicativos têm melhor performance, particularmente os modelos Log-skew-normal e Log-skew-t. Considerando estes resultados, no segundo caso utilizamos somente erros multiplicativos e a distribuição a posteriori preditiva mostra que cada variável observável parece ter sua própria família de distribuição de probabilidades. Além disso, os resultados também revelam uma crescente complexidade do modelo ao incorporar a classe mais geral de distribuições assimétricas.

We study the logistic population growth model using a state-space approach. The non observable states are the annual biomass of the population with a linear observation equation and a non-linear state equation. The probability distribution used for the additives observation error terms are Normal, Student-t, Skew-normal and Skew-t, and Log-normal, Log-t, Log-skew-normal and Log-skew-t for multiplicative observation errors terms. The inference about the parameters of the models is performed using Bayesian methods, with MCMC algorithms and Laplace approximations. We present two applications to real data sets. The first in marine shrimp population off the coast of Chile, where observable variable is the average annual fishing yield. The second application is for the population of the red squat lobster off Chile, where in addition to the average annual fishing yield, a second observable variable was included. In the first case, the multiplicative observational errors models presented the best results. Particularly the Log-skew-normal and Log-skew-t models has the better performances. Considering these results, in the second application we use only multiplicative observation errors models.