Este estudo consiste na comparação de 2 técnicas de modelagem da área de identificação de sistemas aplicadas à predição de dois importantes parâmetros elétricos de um cabo de telecomunicação do tipo LAN, que são Atenuação e Resíduo de Telediafônia. O foco do trabalho é representar a relação existente entre duas maneiras distintas de efetuar a medição dessas grandezas em um cabo. O estudo se iniciou através da aplicação de técnicas de modelagem que buscam Modelos Paramétricos, através da comparação polinomial, baseadas nas respostas dos modelos para os critérios de Akaike, Bestfits e Análise dos resíduos. Na seqüência, a fim de investigar o comportamento não-linear dos parâmetros do cabo em estudo, desenvolveram-se modelos baseados em Redes Neurais Artificiais. Estas redes são técnicas de inteligência artificial, inspiradas na natureza e capazes de identificar padrões e inferir conhecimentos, realizando comparações entre a saída real e a gerada pelo modelo. Utilizaram-se os toolboxes de identificação de sistemas e de redes neurais disponíveis no software Matlab, para desenvolvimento dos modelos. Com estes, neste trabalho foram apresentados os principais conceitos envolvidos em modelagem utilizando modelos paramétricos e redes neurais artificiais. Por fim, são apresentadas comparações entre os resultados obtidos com os respectivos critérios adotados e as técnicas utilizadas apontando para suas virtudes e limitações na solução deste problema. Essas comparações são feitas baseando-se em resultados obtidos para os modelos propostos a partir de dados reais obtidos em testes de qualidade de cabos LAN. / This study consists of a comparison between two system identification modeling techniques applied to predict two important performance parameter involved on a LAN telecommunication cable, which are Insertion Loss and Attenuation Crosstalk Ratio Far End. This work focused on representing the relation between two different ways of measuring a cable by modeling techniques using Parametric Models, which are based on techniques of polynomial comparison performing output models comparison considering Akaike, Bestfit and Residuals analyses criteria and in sequence the Artificial Neural Network, which is an artificial intelligence technique inspired on nature that can identify standards and knowledge, performing a comparison between the real output and the model output. All of that using the Matlab system identification and neural networks toolboxes. On this work were presented the main concepts involved on modeling using parametric models and Neural Networks and was performed a comparison between the obtained results with the adopted criteria and the applied techniques pointing to each advantage and disadvantage for the solution of this problem.