A gestão eficaz de projetos de construção enfrenta desafios significativos devido a frequentes atrasos, muitos dos quais são influenciados por variáveis climáticas. Antecipar esses atrasos é crucial, e embora existam diversos métodos baseados em geradores estocásticos, modelos de impacto na produtividade ou aprendizado de máquina, ainda há uma carência notável de abordagens diretas que modelem a produtividade utilizando exclusivamente dados meteorológicos históricos, os quais são facilmente acessíveis. Além disso, não é suficiente ter apenas uma estimativa pontual do atraso de um projeto específico. É mais útil estimar a incerteza total associada a essa estimativa. Esta dissertação propõe um modelo não paramétrico flexível que visa preencher essas lacunas, estimando a distribuição de probabilidade do tempo de execução de um projeto utilizando apenas informações meteorológicas. Partimos da premissa de que cada tarefa tem uma probabilidade diária de execução. Esse processo envolve um processo estocástico não estacionário, descrito por uma Cadeia de Markov não estacionária em tempo discreto. Utilizamos exclusivamente os dados climáticos para calcular os parâmetros necessários, e a distribuição é estimada por meio de simulação de Monte Carlo. Os resultados destacam a utilidade do modelo na previsão de datas de início ideais, na estimativa precisa da conclusão do projeto, no estabelecimento de limites contratuais para atrasos esperados devido às condições climáticas e na análise de caminhos críticos dentro do projeto. Além disso, apresentamos uma ferramenta matematicamente rigorosa para comparação de modelos, permitindo a otimização de hiperparâmetros e a seleção do modelo de predição mais adequado. Esta investigação contribui para melhorar a tomada de decisões, minimizando os impactos negativos da incerteza na produtividade e nos prazos de construção, resultando numa melhoria global na eficiência do projeto.

Effective construction project management faces significant challenges due to frequent delays, many of which are influenced by climatic variables. Anticipating these delays is crucial, and although various methods based on stochastic generators, productivity impact models, or machine learning exist, there is still a notable lack of direct approaches that model productivity using exclusively historical weather data, which is easily accessible. Moreover, it is not sufficient to have only a point estimate of the delay for a specific project. It is more useful to estimate the total uncertainty associated with this estimate. This dissertation proposes a flexible nonparametric model aimed at filling these gaps by estimating the probability distribution of a projects execution time using only weather information. We start from the premise that each task has a daily probability of execution. This process involves a non-stationary stochastic process, described by a non-stationary discrete-time Markov Chain. We use exclusively climatic data to calculate the necessary parameters, and the distribution is estimated through Monte Carlo simulation. The results highlight the utility of the model in predicting optimal start dates, accurately estimating project completion, establishing contractual limits for expected delays due to weather conditions, and analyzing critical paths within the project. Additionally, we present a mathematically rigorous tool for model comparison, allowing for the optimization of hyperparameters and the selection of the most suitable prediction model. This investigation contributes to improving decision-making, minimizing the negative impacts of uncertainty on productivity and construction timelines, resulting in an overall improvement in project efficiency.