[pt] Esta tese apresenta uma modelagem para séries temporais que possuem uma estrutura de autocorrelação que depende não somente do intervalo de tempo entre as observações, mas também do período observado. Esta modelagem consiste na combinação entre as metodologias de encolhimento wavelets e modelos auto-regressivos periódicos – PAR(p). As wavelets vêm sendo utilizadas na literatura de séries temporais como um procedimento auxiliar de préprocessamento da série em análise; e o modelo PAR(p) tem sua importância reconhecida devido ao seu emprego em séries hidrológicas mensais. Especificamente, no setor elétrico brasileiro, pode-se observar a predominância da energia de origem hidrelétrica. Uma das principais características das matrizes de energia com esta composição é a forte dependência do padrão de precipitação e das condições hidrológicas futuras, o que torna a série de vazão muito irregular e difícil de ser modelada. Portanto, a geração hidrelétrica pode ser considerada uma variável estocástica e pequenos avanços na modelagem estocástica de vazões permitem um melhor planejamento da operação do sistema. Assim, esta tese teve como objetivos obter melhores previsões e geração de cenários a partir do modelo PAR(p) e avançar na modelagem estocástica de vazões. Os principais resultados obtidos indicaram que a combinação das metodologias obteve melhor desempenho do que apenas a modelagem PAR (p), tanto em casos simulados, quanto no emprego a séries reais. / [en] This thesis presents an approach to modeling time series that have an autocorrelation structure that depends not only on the time interval between the observations, but the observed period. This approach consists of a combination between wavelet shrinkage and periodic autoregressive models – PAR(p). Wavelets have been used in the literature of time series as an auxiliary procedure for preprocessing the series under analysis, and the PAR(p) model has its importance recognized due to its use in hydrological series monthly. Specifically, in the Brazilian electricity sector, it is possible to observe the predominance of hydroelectric energy. One of the main characteristics of energy matrices with this composition is the strong dependence on rainfall patterns and future hydrological conditions, which turn the streamflow series very irregular and difficult to be modeled. Therefore, hydroelectric generation can be considered a stochastic variable and small advances in stochastic modeling of streamflows allow for better planning of the system´s operation. Thus, this thesis aimed to improve forecasting and scenario generation with the PAR(p) model and to contribute to stochastic modeling of flow. The main results indicated that the combination of methodologies achieves better results than only the PAR(p) modeling, both in simulated cases and in real time series.