Este trabalho apresenta uma abordagem bayesiana para fazer inferência sobre os parâmetros de modelos auto-regressivos. Neste contexto, quando os parâmetros variara de forma aleatória e independente adotamos um modelo hierárquico para descrever a densidade a posteriori dos parâmetros. Unia segunda abordagem supõe que os parâmetros variam de acordo com um modelo auto-regressivo de primeira ordem, nesse caso a abordagem proposta é vista como uma extensão do filtro de Kalman onde as variâncias dos ruídos são conhecidas. Os modelos foram analisados usando-se técnicas de simulação de Monte Carlo e a geração de amostras das densidades a posteriori permitiram fazer previsões de séries através das densidades preditivas. Ilustrações de séries financeiras com dados reais são apresentadas e avaliadas pela qualidade da previsão obtida, salientando-se o modelo que melhor representa os dados.

This work deals with the Bayesian method to make inferences on the parameters of autoregressive modeLs. When in this context the parameters of theses models vary randomly and independently, a hierarchical was adopted to obtain a posteriori density of parameters. Another approach of the some method presupposes that the parameters of model srary according to a first-order autoregressive model and is regarded as an extension of Kalman's filter in which the variances of noises are kncrwon. Both models were analysed through Monte Carlo's simulation techniques and the resulting samples of a posteriori densities allow to calculate a data series through predictable densities. Exemples of a finance series with actual data are provided and the two models are evaluated through their predicting qualities thus revealing the most appropriate.