Neste trabalho desenvolvemos um estudo sobre modelos auto-regressivos com heterocedasticidade (ARCH) e modelos auto-regressivos com erros ARCH (AR-ARCH). Apresentamos os procedimentos para a estimação dos modelos e para a seleção da ordem dos mesmos. As estimativas dos parâmetros dos modelos são obtidas utilizando duas técnicas distintas: a inferência Clássica e a inferência Bayesiana. Na abordagem de Máxima Verossimilhança obtivemos intervalos de confiança usando a técnica Bootstrap e, na abordagem Bayesiana, adotamos uma distribuição a priori informativa e uma distribuição a priori não-informativa, considerando uma reparametrização dos modelos para mapear o espaço dos parâmetros no espaço real. Este procedimento nos permite adotar distribuição a priori normal para os parâmetros transformados. As distribuições a posteriori são obtidas através dos métodos de simulação de Monte Carlo em Cadeias de Markov (MCMC). A metodologia é exemplificada considerando séries simuladas e séries do mercado financeiro brasileiro / In this work we present a study of autoregressive conditional heteroskedasticity models (ARCH) and autoregressive models with autoregressive conditional heteroskedasticity errors (AR-ARCH). We also present procedures for the estimation and the selection of these models. The estimates of the parameters of those models are obtained using both Maximum Likelihood estimation and Bayesian estimation. In the Maximum Likelihood approach we get confidence intervals using Bootstrap resampling method and in the Bayesian approach we present informative prior and non-informative prior distributions, considering a reparametrization of those models in order to map the space of the parameters into real space. This procedure permits to choose prior normal distributions for the transformed parameters. The posterior distributions are obtained using Monte Carlo Markov Chain methods (MCMC). The methodology is exemplified considering simulated and Brazilian financial series

Made available in DSpace on 2016-08-10T10:40:18Z (GMT). No. of bitstreams: 1 KARLA VITOR DE OLIVEIRA.pdf: 1501584 bytes, checksum: 7b887da55f48f302501f5167179ca8f7 (MD5) Previous issue date: 2013-03-14 / In contemporary society, technology is a determining factor for the success of organizations. Businesses, partners and customers need quality information in real time. Although the 90 have revealed the development of several lines of software designed to multifunctional processes, ERP (Enterprise Resource Planning) stood highlighted in integrated management of organizational activities, but its use causes significant impacts on organizations of which the effects are both positive in nature, in terms of benefits, advantages and contributions that the system can provide, as negative, in which refer to the difficulties and problems encountered. Therefore, the objective of this study is to identify what are the benefits and problems encountered in the use of ERP systems by companies Goiás, medium and large. The results obtained by using the bootstrap technique with a confidence coefficient of 95% and a sampling error of 5%, which demonstrated the benefits are perceived by most companies, which is independent of its size. Upon completion of this study concluded that ERP systems act as facilitators for the integration of information and business growth Goiás medium and large. / Na sociedade contemporânea, a tecnologia é fator determinante para o sucesso das organizações. Empresas, parceiros e clientes necessitam de informação qualificada e em tempo real. Embora os anos 90 tenham revelado o desenvolvimento de várias linhas de software destinadas a processos multifuncionais, o ERP (Enterprise Resource Planning) se colocou em destaque na gestão integrada de atividades organizacionais, mas a sua utilização provoca grandes impactos nas organizações sendo que os efeitos são tanto de natureza positiva, em termos de benefícios, contribuições e vantagens que o sistema pode proporcionar, quanto negativos, no que se referem às dificuldades e problemas enfrentados. Sendo assim, o objetivo deste estudo é identificar quais são os benefícios e problemas encontrados na utilização de sistemas ERP TOTVS pelas empresas goianas, de médio e grande porte. Os resultados obtidos, por meio do uso da técnica bootstrap, com um coeficiente de confiança de 95% e erro amostral de 5%, demonstraram que os benefícios são mais percebidos pelas empresas, independente de qual seja o seu porte. Ao término deste estudo foi possível concluir que os sistemas ERP agem como facilitadores para a integração das informações e crescimento das empresas goianas de médio e grande porte.

Neste trabalho desenvolvemos um estudo sobre modelos auto-regressivos com heterocedasticidade (ARCH) e modelos auto-regressivos com erros ARCH (AR-ARCH). Apresentamos os procedimentos para a estimação dos modelos e para a seleção da ordem dos mesmos. As estimativas dos parâmetros dos modelos são obtidas utilizando duas técnicas distintas: a inferência Clássica e a inferência Bayesiana. Na abordagem de Máxima Verossimilhança obtivemos intervalos de confiança usando a técnica Bootstrap e, na abordagem Bayesiana, adotamos uma distribuição a priori informativa e uma distribuição a priori não-informativa, considerando uma reparametrização dos modelos para mapear o espaço dos parâmetros no espaço real. Este procedimento nos permite adotar distribuição a priori normal para os parâmetros transformados. As distribuições a posteriori são obtidas através dos métodos de simulação de Monte Carlo em Cadeias de Markov (MCMC). A metodologia é exemplificada considerando séries simuladas e séries do mercado financeiro brasileiro / In this work we present a study of autoregressive conditional heteroskedasticity models (ARCH) and autoregressive models with autoregressive conditional heteroskedasticity errors (AR-ARCH). We also present procedures for the estimation and the selection of these models. The estimates of the parameters of those models are obtained using both Maximum Likelihood estimation and Bayesian estimation. In the Maximum Likelihood approach we get confidence intervals using Bootstrap resampling method and in the Bayesian approach we present informative prior and non-informative prior distributions, considering a reparametrization of those models in order to map the space of the parameters into real space. This procedure permits to choose prior normal distributions for the transformed parameters. The posterior distributions are obtained using Monte Carlo Markov Chain methods (MCMC). The methodology is exemplified considering simulated and Brazilian financial series