Nesse trabalho, a empresa é encarada pelo perfil funcional, primeiramente sob um ponto de vista interno, quando são analisados seus fatores componentes, notadamente o aviamento e a clientela -, em seguida pela perspectiva externa, quanto é tratada como objeto de direitos. Nessa parte, estuda-se o trespasse da azienda e a proibição de concorrência do alienante como uma sua conseqüência natural, implícita mas derrogável, desse tipo de negócio jurídico. Essa obrigação é, então, analisada à luz dos princípios da liberdade de iniciativa e da livra concorrência, concluindo-se pela harmonia entre eles quando a vedação da concorrência é limitada no seu objeto e no espaço geográfico, bem como por um período definido de tempo. Nessa parte, propõe-se o recurso aos conceitos de mercado relevante para definição do objeto e da área em que a concorrência é proibida, bem como a aplicação analógica do inc. III, do art. 51 da Lei n° 8.254/91 (em vez do período cuja analogia é a mais invocada, do inc. II do mesmo dispositivo legal). Por fim, é analisada as possibilidade e conseqüências jurídicas que do advento do comércio eletrônico, que altera a noção de mercado geográfico, ampliando as possibilidades de concorrência, inserindo um fator novo a ser considerado na configuração da extensão da obrigação de não concorrência imposta ao alienante da azienda. / In questo lavoro l\'impresa è considerata, attraverso il profilo oggetivo, in precedenza dal punto de vista interno, ove sono analizzati i suoi fattori costituenti - espressivo l\'avviamento e la clientela, e in seguito la prospettiva esterna, quando essa è trattata come l\'obiettivo di diritti. In questa parte, studiasi il trapasso dell\'azienda e il divieto di concorrenza dell\'alienante come una conseguenza naturale, sottintesa ma derogabile di questo tipo di affare giuridico. Quest\'ibbligazione è, pertanto, annalizzata sotto la luce dei principi della libertà di iniziativa e della libera concorrenza, concludendosi in direzioni all\'armonia fra loro quando il divieto della concorrenza è limitato nel suo oggetto e nello spazio geografico, cosi come nel periodo circonscritto di tempo. In questa parte, si propone il ricorso al concetto di mercato rilevante alla definizione dell\'oggetto e dell\'area in cui la concorrenza è vietata, cosi come l\'applicazione analogica dell\'inciso III, dell\'articolo 51, della Legge n° 8.254/91 (anziché il periodo la cui analogia è il più appellato previsto nell\'inciso II dello stesso dispositivo legale). Infine, sono analizzate le possibilità e conseguenze giuridiche dell\'avvenimento dei commercio elettronico, che modifica la nozione dei mercato geografico, amplificando le possibilità di concorrenza e, così, introducendo un nuovo termine a considerarsi nella conformazione della estensione di divieto di concorrenza imposta all\'alienante dell\'azienda.

Survival analysis is a subfield of statistics where the goal is to analyse and model the data where the outcome is the time until the occurrence of an event of interest. Because of the intrinsic temporal nature of the analysis, the employment of more recently developed sequential models (Recurrent Neural Network (RNN) and Long Short Term Memory (LSTM)) has been paired with the use of dynamic temporal features, in contrast with the past reliance on static ones. Such an abrupt shift of policy has left open the challenge of understanding how those two kinds of features influence the predictive capabilities of models. This thesis aims at assessing the effect of combining static and dynamic features on the most commonly used models in survival analysis. In doing so, we compare the error measurements of such models with dataset composed of purely dynamic features or a combination of static and dynamic ones. Empirical measurements have shown that models respond differently to the addition of static features to the analysis, with more complex, sequential models like the LSTM struggling to deal with the added data complexity (with a 12% increase in error), while non sequential models see reductions of up to 14.7% in error. The thesis also includes a clusterization task aimed at aiding the interpretation of survival analysis outcomes. / Överlevnadsanalys är ett delområde inom statistiken där målet är att analysera och modellera data där utfallet är tiden fram till dess att en händelse av intresse inträffar. På grund av analysens inneboende tidsmässiga karaktär har användningen av mer nyligen utvecklade sekventiella modeller (RNN och LSTM) kombinerats med användningen av dynamiska tidsmässiga egenskaper, i motsats till den tidigare förlitningen på statiska sådana. En sådan drastisk förändring av ansatsen har lämnat öppet för utmaningen att förstå hur dessa två typer av egenskaper påverkar modellernas förutsägande förmåga. Syftet med denna uppsats är att bedöma effekten av att kombinera statiska och dynamiska egenskaper på de vanligaste modellerna för överlevnadsanalys. I detta syfte jämför vi felmätningar av sådana modeller med dataset som består av rent dynamiska egenskaper eller en kombination av statiska och dynamiska egenskaper. Empiriska mätningar har visat att modellerna reagerar olika på tillägget av statiska egenskaper till analysen, där mer komplexa, sekventiella modeller som LSTM kämpar för att hantera den ökade datakomplexiteten (med en ökning av felet med 12 %), medan icke-sekventiella modeller ser en minskning av felet med upp till 14,7 %. Uppsatsen innehåller också en klusteruppgift som syftar till att underlätta tolkningen av resultaten av överlevnadsanalyser. / L’analisi della sopravvivenza è una branca della statistica il cui obiettivo è l’analisi e la modellazione di dati il cui risultato è il tempo che intercorre fino al verificarsi di un evento di interesse. A causa dell’intrinseca natura temporale dell’analisi, l’impiego di modelli sequenziali di più recente sviluppo (RNN e LSTM) è stato abbinato all’uso di attributi temporali dinamici, a differenza dell’uso più diffuso in passato di attributi statici. Questo brusco cambiamento ha lasciato aperta la sfida di capire come questi due tipi di attributi influenzino le capacità predittive dei modelli. Questa tesi si propone di valutare l’effetto della combinazione di attributi statici e dinamici sui modelli più comunemente utilizzati nell’analisi della sopravvivenza. A tal fine, confrontiamo le misure di errore di tali modelli con set di dati composti da attributi puramente dinamici o da una combinazione di statici e dinamici. I risultati empirici hanno mostrato che i modelli rispondono in modo diverso all’aggiunta di attrbiuti statici, con i modelli sequenziali più complessi, come l’LSTM, che faticano a gestire la complessità dei dati aggiunti (con un aumento dell’errore del 12%), mentre i modelli non sequenziali registrano riduzioni dell’errore fino al 14,7%. La tesi comprende anche una clusterizzazione volta a facilitare l’interpretazione dei risultati dell’analisi di sopravvivenza.