[pt] O presente trabalho tem como objetivo principal investigar por meio de simulação Monte Carlo algumas propriedades estatísticas dos modelos GARMA (Generalized Autoregressive Moving Average) para séries temporais de dados de contagem. Os modelos GARMA são uma extensão dos Modelos Lineares Generalizados de McCullagh e Nelder para situações de dados dependentes, caracterizando-se pela adição de um termo extra ao preditor linear, o qual passa a incorporar termos autoregressivos (AR) e de médias móveis (MA). As propriedades estatísticas investigadas foram às condições de estacionariedade dos modelos GARMA e os critérios de identificação da ordem (p,q) dos polinômios AR e MA que definem o modelo. Os resultados encontrados indicam que os critérios AIC BIC e Hannan-Quin utilizados foram razoavelmente eficazes na identificação da ordem dos modelos e que as condições de estacionariedade estabelecidas empiricamente em termo de restrições no espaço paramétrico são bastante complexas exigindo um estudo mais detalhado. Como objetivo secundário testamos os modelo GARMA em séries reais, ajustando os modelos GARMA- Poissson e GARMA-Binomial Negativa ao número de caso de poliomielite nos EUA e ao número de infartos do miocárdio no município do Rio de Janeiro. Os resultados indicam que os modelos foram capazes de explicar, de forma econômica, a variação destas séries. / [en] The main objective of this dissertation is to investigate, using Monte Carlo simulations, some statistical properties of GARMA (Generalized Autoregressive Moving Average ) models for time series of count data. GARMA models are extensions of the Generalized Linear Models to dependent data, in which autoregressive (AR) and/or moving average (MA) terms are incorporated into the linear predictor. The statistical properties targeted in our investigation were the model stationarity conditions and the identification criteria for selection of model orders, the lag structure (p,q) associated with the AR and MA terms. Our results suggest that AIC, BIC and Hann-Quinn criteria worked relatively well in identifying the model order, and that the conditions for stationarity established empirically in terms of parameter space restrictions were not totally conclusive, requiring further investigation. As a secondary objective we tested the model against real data, by fitting both a GARMA-Poisson and a GARMA-Negative Binomial to the series of number of cases of poliomyelitis on the US and the number of heart-attacks in Rio de Janeiro city. The results we found indicate that these models were able to explain, in a parsimonious way, the variation of both series.