The state space models are a proposal for time series analysis and forecasting in viewpoint Bayesian. This course conclusion work aims to present the Dynamics Linear Models (DLM), its use and application context. DLM’s properties are shown and demonstrated, like Kalman filter, the smoothing, the forecasting one-step-ahead and so the forecasting steps ahead. Markov chain Monte Carlo methods (MCMC) are reviewed in recursive algorithms used to estimate parameters, they are: Gibbs sampler, MetropolisHastings e FFBS.A modelagem dinâmica é uma proposta de análise e previsão de séries temporais do ponto de vista Bayesiano. Este trabalho de conclusão de curso tem como objetivo apresentar os Modelos Lineares Dinâmicos (MLD), seu uso e contexto de aplicação. São mostradas e demonstradas propriedades dos MLDs, como o Filtro de Kalman, a suavização, a previsão um passo à frente e, também, passos à frente. São revisados métodos de Monte Carlo via Cadeia de Markov (MCMC) em algoritmos recursivos usados para estimar parâmetros, são eles: amostrador de Gibbs, Metropolis-Hastings e FFBS.