A certificação legal das contas na internet nas empresas do PSI20

Este trabalho pretende ilustrar o papel das Novas Tecnologias da Informação e da Comunicação (NTIC) como instrumento apropriado de divulgação dos documentos de prestação de contas, por parte das empresas portuguesas do PSI20. Procurou-se aferir em que medida o documento que induz credibilidade ou confiança quanto à conformidade das contas ou demonstrações financeiras - Certificação Legal das Contas - é devidamente divulgado por aquelas empresas na Internet, através das suas páginas website (em português sitio). Para tal analisou-se com detalhe a Certificação Legal das Contas, em termos dos tipos de opinião, de ênfases e de reservas emitidas pelo Revisor Oficial de Contas (ROC) ou Sociedade de Revisores Oficiais de Contas (SROC), quer para as contas individuais, quer para as contas consolidadas das empresas objecto do presente estudo. A estrutura do trabalho baseia-se nas seguintes linhas fundamentais: - a informação financeira na Internet, os documentos de prestação de contas e um estudo empírico sobre a certificação legal das contas nas empresas do PSI20. Conclui-se que a totalidade das empresas que integraram o PSI20 (em Março de 2004) dispõem de site, o qual contém informação financeira histórica e presente (suportada pelos documentos de prestação de contas, a maioria relativa às contas consolidades), e apresenta a Certificação Legal das Contas (a maioria sem reservas). Constatou-se que não há nenhuma relação entre os sites da empresas e da entidade certificadora das contas.

Feature Discretization with Relevance and Mutual Information Criteria

Feature discretization (FD) techniques often yield adequate and compact representations of the data, suitable for machine learning and pattern recognition problems. These representations usually decrease the training time, yielding higher classification accuracy while allowing for humans to better understand and visualize the data, as compared to the use of the original features. This paper proposes two new FD techniques. The first one is based on the well-known Linde-Buzo-Gray quantization algorithm, coupled with a relevance criterion, being able perform unsupervised, supervised, or semi-supervised discretization. The second technique works in supervised mode, being based on the maximization of the mutual information between each discrete feature and the class label. Our experimental results on standard benchmark datasets show that these techniques scale up to high-dimensional data, attaining in many cases better accuracy than existing unsupervised and supervised FD approaches, while using fewer discretization intervals.