Vários modelos analíticos criados desde o trabalho pioneiro de Amdahl exploraram aspectos tais como variação no tamanho do problema, tamanho da memória, sobrecarga de comunicação e sobrecarga de sincronização, mas atrasos no acesso aos dados são considerados constantes. No entanto, esses atrasos podem variar, por exemplo, de acordo com o número de núcleos usados, com a relação entre as frequências do processador e da memória e com o tamanho do problema. Dados diferentes tamanhos de problemas e o grande número de configurações possíveis de frequência operacional e número de núcleos que as arquiteturas atuais podem oferecer, modelos de performance adequados para descrever tais variações entre essas configurações são bastante desejáveis para decisões de escalonamento offline ou online. Um novo modelo analítico de performance que considera variações no atraso médio de acesso a memória para descrever o efeito limitador da barreira de memória em aplicações paralelas em arquiteturas homogêneas de memória compartilhada é apresentado nesta tese. Os resultados experimentais indicam que a modelagem proposta captura bem o comportamento da aplicação. Além disso, mostramos que, levando em consideração parâmetros que refletem as características intrínsecas das aplicações, a proposta apresentada nesse trabalho tem vantagens significativas sobre modelos estatísticos como os baseados em aprendizagem de máquina. Nossos experimentos também mostram que a modelagem de aprendizagem de máquina convencional pode precisar de uma ordem de magnitude a mais de medições do que o modelo proposto para atingir o mesmo nível de acurácia alcançado pelo modelo proposto.