Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2010.Com base na abordagem bayesiana de Modelos Dinâmicos, séries de tempo de dados composicionais são modeladas para análises de previsão e de comportamento. Por se tratar de dados convertidos para a escala de proporções relativas a uma série agregada, os modelos são construídos utilizando-se de transformações razão-log e distribuição Logística-Normal, nos casos em que se assume a normalidade dos dados. Para casos mais gerais, os modelos baseiam-se na classe dos Modelos Lineares Dinâmicos Generalizados (MLDG), e em dados com distribuição Beta, e tais desenvolvimentos consistem em contribuições inéditas na área de modelos dinâmicos. _____________________________________________________________________________ ABSTRACTUsing a bayesian approach for Dynamic Models, compositional time series data are modeled for forecasting and analysing data behavior. Since the original data is converted to the scale of relative proportions of the aggregated series, the models are constructed using log-ratio transformation and Logistic-Normal distribution for the cases where the restriction of normally distributed data is assumed. For more general situations, we develop methodology for models that are related to the class of Dynamic Generalized Linear Models (DGLM), more specifically for the Beta distribution. Such developments represent new contributions in the area of dynamic models.