Resumo: Neste estudo é introduzida uma abordagem Bayesiana para analisar dados de séries temporais de contagem na presença de um ou mais pontos de mudança. Esta situação é muito comum em muitas áreas de aplicação, especialmente considerando séries temporais de contagem de epidemiologia. Quando a contagem observada n(t) os dados são diferentes de zero para cada tempo t, t = 1, 2, ....., N (número de vezes observadas), é proposto um modelo estatístico assumindo distribuições normais para o logaritmo dos dados transformados, ou seja, Y(t) = log[n(t)] na presença de um ou mais pontos de mudança. Em situações na presença de dados de contagem iguais a zero em momentos diferentes (ou seja, presença de contagem zero), o modelo estatístico baseado na transformação de logaritmo para os dados de contagem não é adequado na análise de dados. Para este caso, é proposto o uso de processos de Poisson não homogêneos (NHPP) assumindo uma modelagem PLP (power law process) para sua função intensidade na presença de pontos de mudança. Alguns exemplos com conjuntos de dados reais são apresentados para ilustrar a metodologia proposta.

Abstract: In this study it is introduced a Bayesian approach to analyze count time series data in presence of one or more change-points. This situation is very common in many areas of application, especially considering epidemiology count time series. When the observed count n(t) data are different of zero for each time t, t = 1, 2, ...., N (number of observed times), it is proposed a statistical model assuming normal distributions for the logarithm of the transformed data, that is, Y(t) = log[n(t)] in presence of one or more change-points. In situations in presence of count data equals to zero at different times (that is, presence of zero count) the statistical model based on the logarithm transformation for the count data is not suitable in the data analysis. For this case, it is proposed the use of non-homogeneous Poisson processes (NHPP) assuming a PLP (power law process) modeling for its intensity function in presence of change-points. Some examples with real data sets are presented to illustrate the proposed methodology.