A operação de uma planta de tratamento de efluentes tem características próprias, especialmente em se tratando de processos biológicos. Os processos industriais semelhantes, com os mesmos projetos de estação, têm as suas características afetadas por alguma variável intrínseca, específica daqueles processos. Assim, as variáveis e ajustes de operação, para melhor eficiência de uma planta de tratamento de efluente biológico são realizadas dentro de faixas específicas e de acordo com as características desta planta, as quais envolvem uma série de análises físico-químicas, ajustes de equipamentos e de processos. Normalmente, quando uma ou mais variáveis saem do controle, podem ou não afetar outras variáveis. Por exemplo, se uma planta apresenta perda de sólidos em suspensão na saída de um decantador secundário, em um processo de tratamento biológico com lodos ativados, podem acontecer várias causas e ajustes para esta variável fora de controle, tais como sobrecarga hidráulica no decantador, sobrecarga de sólidos, desnitrificação, oxigenação inadequada no reator biológico, presença de microrganismos filamentosos, quebra de raspador mecânico, idade de lodo muito elevada, excesso de densidade de potência no reator biológico e fator de carga inadequado. Muitas vezes, o operador realiza o ajuste de uma variável por vez e espera os resultados, para que então se possa fazer o ajuste em outra variável, gerando demora no ajuste da planta e riscos ambientais. A interferência de uma variável sobre a outra pode gerar ou não consequências de perda de eficiência no tratamento biológico. Assim, fazer a previsão ou uma simulação do que ocorreria com a mudança destas variáveis, considerando as características intrínsecas de uma estação, seria uma ferramenta de grande valia no controle operacional. Neste trabalho, foram utilizadas algumas ferramentas estatísticas convencionais (média, média móvel, média móvel dupla, amortecimento exponencial simples, amortecimento exponencial duplo, modelo autoregressivo, integrativo com média móvel), para previsão em séries temporais e também técnicas que envolvem Inteligência artificial como redes neurais artificiais (RNA), vetor suporte de máquina (VSM), suavização por wavelet associada a RNA, redes neurais convolutivas (RNC) de aprendizado profundo, se buscando verificar os resultados, que mais se aproximem de uma previsão futura e também uma classificação dos resultados da demanda química de oxigênio (DQO) de saída de uma estação de tratamento de efluentes (ETE) e uso de técnicas como avaliação dos componentes principais (ACP), classificando e correlacionando as variáveis com os resultados, conseguindo valores de previsão, com erros na faixa entre 24 a 30% de erro médio relativo, valores bem abaixo do desvio padrão (56,7%), apresentado para esta variável no período e classificação de previsão futura acima de 83% de acurácia. Com as técnicas estatísticas e de inteligência artificial é possível ter noção tanto quantitativa, quanto qualitativa, do que ocorrerá um passo à frente ou no dia seguinte com a DQO de saída de um reator anaeróbio, e também simular o que ocorrerá ao se alterar uma das diversas variáveis de controle de uma estação de tratamento de efluentes.The operation of an effluent treatment plant has its own characteristics, especially when dealing with biological processes. Similar industrial processes, with the same station designs, have their characteristics affected by some intrinsic variable, specific to those processes. Thus, the operating variables and adjustments for better efficiency of a biological effluent treatment plant are carried out within specific ranges and according to the characteristics of this plant, which involve a séries of physical-chemical analyzes, equipment adjustments and of processes. Normally, when one or more variables go out of control, they may or may not affect other variables. For example, if a plant exhibits loss of suspended solids at the outlet of a secondary decanter, in a biological treatment process with activated sludges, various causes and adjustments for this out-of-control variable can occur, such as hydraulic overload in the decanter, overload of solids, denitrification, inadequate oxygenation in the biological reactor, presence of filamentous microorganisms, mechanical scraper cracking, very high sludge age, excess of power density in the biological reactor and inadequate relationship between food and microorganism. Often, the operator performs the adjustment of one variable at a time and waits for the results, so that the adjustment can be made in another variable, generating delay in the adjustment of the plant and environmental risks. The interference of one variable over the other may or may not lead to loss of efficiency in biological treatment. Thus, forecasting or a simulation of what would happen with the change of these variables, considering the intrinsic characteristics of a station, would be a valuable tool in operational control. In this work, we used some conventional statistical tools (mean, moving average, double moving average, simple exponential damping, double exponential damping, autoregressive model, integrative with moving average), for time séries forecasting and also techniques that involve artificial intelligence as neural networks (NN), support vector machine (SVM), wavelet smoothing associated with RNA, deep learning convolutional neural networks (CNN), seeking to verify the results, which are closer to a future forecast and also a classification of results of the chemical oxygen demand (COD) from an effluent treatment plant (ETP) and use of techniques such as principal component analysis (PCA), classifying and correlating the variables with the results, achieving predicted values with errors in the range of 24 to 30% relative mean error, values well below the deviation (56.7%), presented for this variable in the period and future forecast classification above 83% of accuracy. With statistical and artificial intelligence techniques it is possible to have both quantitative and qualitative notions of what will happen one step ahead or the next day with the exit COD of an anaerobic reactor, and also to simulate what will happen when one of the control variables of an effluent treatment plant.