[pt] Nos últimos anos, observa-se crescente penetração da energia eólica na matriz energética mundial e brasileira. Em 2015, ela já representava (seis por cento) da capacidade total de geração de energia do país, colocando-o na (décima) posição entre os países com capacidade eólica instalada. A crescente penetração dessa fonte de energia e suas características de intermitência e forte sazonalidade, passaram a demandar modelos de otimização capazes de auxiliar tanto a gestão dos sistemas elétricos com geração intermitente de energia eólica, quanto a comercialização dessa energia. Avançaram, assim, os estudos de previsões de médias a cada (dez) minutos, horárias e diárias de geração eólica, para atender a sua inserção na programação dos sistemas elétricos e a sua comercialização em mercados diários e horários. Contudo, poucos estudos deram atenção à previsão e simulação de médias mensais de geração eólica, imprescindíveis para gestão e otimização da comercialização dessa energia no Brasil, visto que esta ocorre essencialmente em base mensal. Neste contexto, insere-se esta tese, que busca avaliar a otimização comercial de um parque eólico no mercado livre de energia brasileiro, considerando diferentes modelos de simulação da incerteza de geração eólica e níveis de aversão ao risco do gestor. Para representar diferentes níveis de aversão ao risco do gestor, desenvolveu-se uma nova função de preferência, capaz de modelar a variação do nível de aversão ao risco de um mesmo gestor, para diferentes faixas de preferência, definidas a partir de percentis αs de VaRα. A função de preferência desenvolvida é uma ponderação entre o valor esperado e níveis de CVaR dos resultados. De certo modo, ela altera as probabilidades dos resultados, de acordo as preferências do gestor, similar ao efeito dos pesos de decisão na Teoria do Prospecto. Para simulação da geração eólica são adotados modelos autorregressivos com sazonalidade representada por dummies mensais (ARX-11) e periódicos (PAR). Considera-se, ainda, a inclusão de variáveis climáticas exógenas no modelo ARX-11, com ganho de capacidade preditiva. Observou-se que, para um gestor neutro ao risco, as diferentes simulações de geração eólica não alteraram a decisão ótima. O mesmo não é válido para um gestor avesso ao risco, especialmente ao ser considerado o modelo de simulação com variáveis climáticas exógenas. Portanto, é importante a definição de um único modelo de simulação a ser considerado pelo gestor avesso ao risco ou, a adoção de alguma técnica multicritério para ponderação de diferentes modelos. O perfil de risco também altera as decisões ótimas do gestor, observando-se redução do desvio-padrão e da média da distribuição dos resultados e, aumento dos CVaRs e prêmio de risco, à medida que aumenta a aversão ao risco. Assim, é importante a especificação de uma única função de preferência, que represente adequadamente o perfil de risco do gestor ou da empresa, para otimização da comercialização. A flexibilidade da função de preferência desenvolvida, ao permitir a definição de diferentes níveis de aversão ao risco do gestor, para diferentes faixas de preferência, contribui para essa especificação. / [en] In recent years, we have seen an increased penetration of wind power in the Brazilian energy matrix and also worldwide. In 2015, wind power already accounted for (six percent) of the Brazilian total power capacity and the country was the (tenth) in the world raking of wind power installed capacity. Due to the growing penetration of the source, its intermittency and strong seasonality, optimization models able to deal with the management of wind power, both in electrical systems operation and in trading environment, are necessary. Thus, we see the growth in the number of studies concerned about wind power forecasts for every (10) minutes, hours and days, meeting the electrical systems and international trading schedules. However, few studies have given attention to the forecasting and simulation of wind power monthly averages, which are essential for the management and optimization of energy trading in Brazil, since its occurs essentially on a monthly basis. In this context, we introduce this thesis, which seeks to assess the commercial optimization of a wind farm in the Brazilian energy free market, considering different simulation models for the wind power production uncertainty and different levels of manager s risk aversion. In order to represent the manager s different levels of risk aversion, we developed a new preference function, which is able to model the variation of risk aversion level of the same manager, for different preference groups. These groups are defined by α s percentiles of VaRα. The developed preference function is a weighted average between expected value of results and CVaR levels. In a way, it changes the odds of the results, according to the manager s preference, similar to the effect of the decision weights on Prospect Theory. We adopted autoregressive models to simulate wind power generation, with seasonality represented by monthly dummies (ARX -11) or periodic model (PAR). Furthermore, we consider the inclusion of climate exogenous variables in the ARX-11 model and obtain predictive gain. We observed that for a risk neutral manager, different simulations of wind power production do not change the optimal decision. However, this does not apply for risk averse managers, especially when we consider the simulation model with climate exogenous variables. Therefore, it is important that the risk averse manager establishes a single simulation model to consider or adopts some multi-criteria technique for weighting different models. The risk profile also changes the manager optimal decision. We observed that increasing risk aversion, the standard deviation and mean of the results distribution decrease, while risk premium and CVaRs increase. Therefore, to proceed the optimization, it is important to specify a single preference function, which represents adequately the manager or company risk profile. The flexibility of the developed preference function, allowing the definition of different manager s risk aversion levels for different preference groups, contributes to this specification.