[pt] A ocorrência de erros em surto é observada principalmente em canais sem fio. Para a análise e melhor entendimento deste tipo de erro, a fim de se melhorar os projetos de sistemas de comunicações digitais, uma modelagem mais precisa, de canais com esta característica, torna-se necessária. Uma diversidade de métodos de estimação de parâmetros tem sido estudada, principalmente aquelas baseadas nos Modelos Escondidos de Markov (HMM do ingês). Em geral cada método é focado em um sistema de comunicações específico, sobre uma camada específica. Neste trabalho é proposto um novo método baseado em um HMM com uma estrutura particular, que permite a dedução de expressões analíticas para todas as estatísticas de interesse. A estrutura do modelo proposto permite a geração de eventos que ocorrem numa sequência binária de dados sujeita a surtos de erro, de acordo com a definição de surtos de erro do CCITT. O modelo proposto possui um número fixo de apenas sete parâmetros, mas o seu número de estados cresce com um de seus parâmetros, que aumenta a precisão, mas não a complexidade. Este trabalho adotou técnicas de otimização, associadas aos métodos de Máxima Verossimilhança e Particle Swarm Optimization (PSO) a fim de realizar a estimação dos parâmetros do modelo proposto. Os resultados demonstram que o modelo proposto permite a caracterização precisa de canais com memória de diversas origens. / [en] The occurrence of error busts is mainly observed in wireless channels. For analysis and a better understanding of such errors, in order to improve the design of communication systems, an accurate modeling of channels with this characteristic is necessary. A lot of parameter estimation methods have been studied, mainly the ones based on Hidden Markov Models (HMM). In general each method is focused in a specific communication system, on a specific layer. In this work it is proposed a new method based on a HMM with particular structure that allows the deduction of analytical expressions for all statistics of interest. The structure of the proposed model permits the generation of events that occur in a binary data sequence subject to bursts of error concerning CCITT error burst definition. The proposed model has a fixed number of only seven parameters but its number of states increase with one of those parameters that increase the accuracy but not the complexity. This work adopted techniques of optimization associated to Maximum Likelihood (ML) and Particle Swarm Optimization (PSO) to perform the parameter estimation to the proposed model. The results show that the proposed model achieves accurate characterization of channels with memory from many different sources.