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.