Banco público de questões

Questões para Concursos

Pesquise questões reais por disciplina, assunto, tópico, banca, órgão, cargo, ano e modalidade.

Questões por banca

29 bancas disponíveis. Clique para visualizar todas.

Acesse diretamente as bancas disponíveis na QuestLab. As quantidades abaixo consideram as questões ativas do banco.

CEBRASPE 51.363 questões FGV 25.316 questões FCC 24.632 questões AOCP 23.456 questões IBFC 11.190 questões VUNESP 10.983 questões Instituto Quadrix 9.793 questões FUNDATEC 9.088 questões IBADE 7.820 questões CESGRANRIO 6.013 questões OBJETIVA 4.740 questões CONSULPLAN 4.174 questões FEPESE 3.585 questões IADES 3.439 questões IESES 2.627 questões SELECON 2.377 questões IDECAN 1.907 questões MS CONCURSOS 1.485 questões Instituto Legalle 1.281 questões FAFIPA 1.161 questões FUMARC 842 questões ACAFE 551 questões INSTITUTO AOCP 430 questões NUCEPE 378 questões FUNIVERSA 348 questões FAURGS 203 questões FIOCRUZ 48 questões MACKENZIE 48 questões CETRO 17 questões

Encontre as questões que procura

Palavra-chave

Disciplina

Assunto

Tópico

Banca

Órgão

Ano

Cargo

Modalidade

Limpar filtros

188 questões encontradas

ID 180949 Tecnologia da Informação Dados, BI e Analytics FCC 2026

Uma abordagem comum de aprendizado de máquina não supervisionado, empregada em lojas de varejo on-line para entenderem melhor as relações entre diferentes produtos e criarem melhores estratégias de recomendação, é a tarefa denominada

A Clustering divisivo.

B Testes Captcha.

C Algoritmos Apriori.

D Regressão linear.

E Agrupamento K-means.

ID 180363 Tecnologia da Informação Dados, BI e Analytics FCC 2026

Uma Secretaria Estadual analisa contribuintes do ICMS com variáveis numéricas contínuas padronizadas (faturamento, variação intermensal, frequência de retificações e uso de créditos), sem conhecimento prévio do número de grupos, e deseja obter uma estrutura hierárquica interpretável para priorização de auditorias. A combinação técnica que atende ao cenário descrito é

A o emprego de k-medoids com distância Manhattan para produzir um dendrograma de risco fiscal.

B a utilização de clusterização hierárquica aglomerativa com método de Ward e distância euclidiana ao quadrado.

C a aplicação de k-means com distância euclidiana, com definição prévia do número de grupos e segmentação plana dos contribuintes.

D a utilização de clusterização hierárquica divisiva com distância do cosseno para variáveis contínuas padronizadas.

E a adoção de DBSCAN com métrica de correlação de Pearson para identificar grupos por densidade.

ID 179795 Tecnologia da Informação Dados, BI e Analytics FCC 2026

Considerando um pipeline diário que consolida arquivos fiscais CSV/JSON de sistemas legados para relatórios de arrecadação e que utiliza Pandas para padronizar datas, normalizar códigos e agregar valores, a etapa que caracteriza corretamente a transformação no processo ETL é

A extrair incrementalmente dos sistemas transacionais por conectores de origem.

B padronizar tipos, corrigir chaves de referência e agregar por contribuinte antes da carga final.

C ler CSV/JSON e armazenar os arquivos brutos em diretório central sem alterações.

D replicar dados brutos no data lake para retenção histórica e auditoria.

E persistir os dados consolidados em banco analítico para consumo de Bl.

ID 179776 Tecnologia da Informação Dados, BI e Analytics FCC 2026

Uma SEFAZ carrega dados fiscais brutos em um data lake para retenção e só realiza transformações sob demanda no ambiente analítico. Nesse caso, o padrão de engenharia de dados adequado é

A ELT, pois a carga ocorre primeiro e a transformação é posterior conforme necessidade.

B ETL, pois o data lake é necessariamente um destino final e não permite transformação posterior.

C ETL, pois a transformação precisa ocorrar antes de qualquer persistência.

D Streaming ETL, pois retenção histórica implica processamento em tempo real.

E ETL paralelo, pois o data lake substitui a etapa de transformação por particionamento.

ID 179615 Tecnologia da Informação Dados, BI e Analytics FCC 2026

Uma equipe de Tecnologia da Informação inicia um projeto para aprimorar o processo de planejamento orçamentário. Nessa etapa, são reunidos documentos em PDF, mensagens de e-mail e imagens de notas fiscais digitalizadas, provenientes de diversas unidades administrativas, com o objetivo de consolidar essas informações em um sistema de apoio à decisão.

Essa situação caracteriza-se por uma atuação sobre dados

A estruturados na etapa de coleta.

B estruturados na etapa de tratamento.

C estruturados na etapa de armazenamento.

D não estruturados na etapa de coleta.

E não estruturados na etapa de recuperação.

ID 179582 Tecnologia da Informação Dados, BI e Analytics FCC 2026

Um time está implementando uma arquitetura Data Lakehouse para suportar as atividades de Business Intelligence (Bl) e Machine Learning . Considerando a necessidade de garantir qualidade nos dados para relatórios analíticos, a ação fundamental para assegurar a consistência das informações durante processos de ETL/ELT com atualizações concorrentes é

A utilizar ferramentas de visualização de dados com capacidade de processamento in-memory para agilizar a geração de dashboaras .

B implementar uma camada de metadados com suporte a transações ACID sobre o armazenamento cloud , usando formatos como Delta Lake, Iceberg ou Hudi .

C configurar pipelines de dados em fluxo continuo ( streaming ) para ingestão imediata dos dados nas camadas de apresentação.

D aplicar técnicas de modelagem dimensional, como esquemas estrela e floco de neve, na camada de armazenamento do Data Lake .

E utilizar ferramentas de Data Catalog para documentar metadados business e técnicos dos conjuntos de dados.

ID 146741 Tecnologia da Informação Dados, BI e Analytics AOCP 2026

A mineração de dados envolve técnicas utilizadas para descobrir padrões e relações em grandes volumes de dados, podendo empregar métodos supervisionados ou não supervisionados. Considerando esses conceitos, informe se é verdadeiro (V) ou falso (F) o que se afirma a seguir e assinale a alternativa com a sequência correta.

( ) Classificação é uma técnica não supervisionada cujo objetivo é prever uma classe categórica a partir dos dados analisados. ( ) Regressão é uma técnica supervisionada utilizada para prever um valor numérico contínuo com base em um conjunto de dados previamente rotulados.
( ) Clusterização é uma técnica não supervisionada que visa agrupar objetos similares sem a utilização de rótulos prévios.
( ) Regras de associação buscam identificar relações do tipo “Se X ocorre, então Y tende a ocorrer”, sendo o algoritmo k-NN (k-Nearest Neighbors, ou k-vizinhos mais próximos) um dos métodos comumente utilizados para esse fim.

A V – V – F – F.

B F – V – V – F.

C F – F – V – V.

D V – F – V – F.

E F – V – F – V.

ID 20633 Tecnologia da Informação Dados, BI e Analytics CEBRASPE 2026

Julgue o seguinte item, relativo a segurança da informação e Big Data.

Os Big Data são constituídos unicamente de grandes quantidades de dados estruturados armazenados em banco de dados relacionais e permitem, entre outros fatores, gerir, com velocidade e veracidade, esse volume de dados.

A Certo

B Errado

ID 187985 Tecnologia da Informação Dados, BI e Analytics CEBRASPE 2025

Texto associado

Julgue os itens a seguir, referentes a algoritmos de aprendizado de máquina.

O algoritmo K-means garante a otimização dos clusters , independentemente da inicialização dos centroides, desde que a métrica de distância utilizada seja euclidiana, e os dados estejam em um espaço vetorial de baixa dimensionalidade.

C Certo

E Errado

ID 187690 Tecnologia da Informação Dados, BI e Analytics CEBRASPE 2025

Com relação a processos de banco de dados ETL (extração, transformação e carga), julgue os itens subsequentes.

Na extração incremental, apenas os dados alterados desde a última carga são extraídos, tornando o processo mais eficiente que a extração full , que recupera todos os dados da fonte.

C Certo

E Errado