[pt] O modelo autorregressivo periódico da família Box & Jenkins, PAR(p), é empregado na modelagem e geração das séries de vazões hidrológicas e/ou de energias naturais afluentes utilizadas no modelo de otimização do despacho hidrotérmico no Brasil. Recentemente, alguns aspectos da modelagem têm sido alvo de estudos e diversas pesquisas vêm sendo realizados. Inicialmente, este trabalho visou o estudo da fase de identificação das ordens p dos modelos, fundamental para a correta definição da estrutura de modelagem e para a geração de cenários sintéticos. Atualmente, a identificação é feita com base na avaliação da significância dos coeficientes da função de autocorrelação parcial (FACP), baseados na aproximação assintótica de Quenouille. A proposta deste estudo foi a aplicação da técnica de computação intensiva Bootstrap para estimar a real significância dos referidos coeficientes. O segundo objetivo deste trabalho foi o emprego da mesma técnica com vistas à geração de cenários. A metodologia adotada atualmente ajusta uma distribuição Lognormal com três parâmetros para a geração de ruídos aleatórios, o que parece causar uma não-linearidade indesejável ao modelo original. Neste trabalho, os próprios resíduos gerados pelo modelo PAR(p), quando aplicado às séries históricas, foram utilizados na geração dos cenários. Os resultados mostraram que o Bootstrap levou à identificação de ordens inferiores na maioria dos casos e que os cenários conservaram satisfatoriamente as propriedades estatísticas das séries originais. Finalmente, os resultados obtidos foram bastante satisfatórios, corroborando alguns pontos levantados em estudos anteriores sobre a abordagem tradicional. / [en] The periodic autoregressive model, a particular structure of the Box & Jenkins family, denoted by PAR(p), is employed to model the series of hydrological streamflow used for estimating the operational costs of the Brazilian hydro-thermal optimal dispatch. Recently, some aspects of this approach began to be studied and several researches on this topic are being developed. This work focused on the identification phase of the order "p" of the PAR(p), essential to the correct definition of the model structure, as well as to generate synthetic scenarios to be used in the optimization procedure. Nowadays, the identification is based on evaluating the significance of the estimated partial autocorrelation coefficients function (PACF), based on the asymptotic result of Quenouille. The purpose of this study was on the application of a computer-intensive technique, called Bootstrap, to estimate the real statistical significance of such the estimated. The second goal of this study was use the Bootstrap technique in order to generate synthetic scenarios. The current methodology uses an approach for noise generation through a three parameters Lognormal distribution. Such approach seems to cause an undesirable non-linearity in the model. In this work, the PAR (p) resulted noises were used during the scenarios generation. The results showed that the Bootstrap led to the identification of lower orders models, in comparison with the traditional approach, in almost all cases. In addition, the scenarios retained the statistical characteristics of the original series. The obtained results were quite satisfactory, corroborating some points raised in previous studies about the traditional approach.