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 179313 Tecnologia da Informação Dados, BI e Analytics FCC 2025

Um Tribunal Regional do Trabalho deseja utilizar Big Data e Analytics para aprimorar a análise de dados sobre processos administrativos e decisões estratégicas, visando lidar com grandes volumes de dados e insights acionáveis. A abordagem que melhor se aplica para garantir escalabilidade e eficiência no processamento dos dados é

A manter os dados processados localmente e evitar arquiteturas em nuvem, pois a infraestrutura local oferece maior controle sobre a segurança, o desempenho do processamento e o sigilo dos insigths obtidos.

B utilizar um modelo de processamento distribuído baseado em frameworks como Apache Hadoop e Apache Spark, permitindo a manipulação eficiente de grandes volumes de dados de forma paralela e escalável.

C aumentar a capacidade dos servidores e utilizar bancos de dados relacionais, pois a verticalização dos recursos melhora o desempenho da análise de dados e viabiliza o data mining.

D focar na coleta de dados estruturados e ferramentas OLAP para análise, evitando dados não estruturados, pois estes não fazem parte do universo de dados do Tribunal.

E implementar dashboards de Business Intelligence para facilitar a tomada de decisão, pois visualizações bem estruturadas garantem uma análise detalhada, sem necessidade de processamento distribuído.

ID 179055 Tecnologia da Informação Dados, BI e Analytics FCC 2025

Em relação aos Vs do Big Data,

A o aumento do Volume de dados, já na escala de TeraBytes, inviabiliza o uso de ferramentas de bancos de dados tradicionais, exigindo imediatamente a adoção de arquiteturas em nuvem que operem em ExaBytes (1 Exabyte é equivalente a 1024 ZettaBytes) ou mais, devido à variedade envolvida.

B se há a necessidade de se processar um Volume de 100 TeraBytes de informação ( throughput ) em um sistema com capacidade de transferência de 1 GBps, o tempo total de processamento seria de cerca de 102.400 segundos. Considerando uma latência inicial para o sistema começar a processar os dados, da ordem de alguns segundos ou minutos dependendo da arquitetura, o tempo final para completar a transação seria de cerca de 28 horas e alguns minutos.

C a Veracidade dos dados é um desafio que surgiu recentemente, com a explosão de dados que deram origem ao Big Data. Dados de trabalhadores obtidos de redes sociais e fontes externas são pouco confiáveis, pois podem advir de fake news, ao contrário dos dados de sistemas internos como ERPs e CRMs, que garantem automaticamente a autenticidade das informações, gerando economia de recursos gastos com mecanismos de validação.

D a Volatilidade dos dados está relacionada à sua precisão e correção para o uso pretendido. Um exemplo seria: o dado "gênero" de trabalhadores cadastrados deve levar a um único atributo, como M para masculino e F para feminino, mesmo que na origem haja diferentes denominações como homem, mulher, macho, fêmea etc. M significando Mulher não poderia ser usado como M, pois este já indicaria Masculino.

E antes da era do big Data, era comum armazenar os dados quase que indefinidamente, já que alguns TeraBytes não implicavam em despesas relevantes com armazenamento. Mas este cenário mudou drasticamente devido à Velocidade e ao Volume do Big Data, e sua Variabilidade precisa ser cuidadosamente considerada. A Variabilidade implica, por exemplo, em responder: a partir de quantos anos os dados de um trabalhador podem ser considerados irrelevantes, históricos ou deixarem de ser úteis?

ID 178945 Tecnologia da Informação Dados, BI e Analytics FCC 2025

Uma Secretaria da Fazenda busca aprimorar a análise de dados fiscais utilizando tecnologias ligadas ao Bíg Data. A abordagem mais adequada para garantir escalabilidade, eficiência e análises em tempo real é

A a utilização de ferramentas de Data Mining, pois algoritmos de mineração de dados conseguem analisar qualquer volume de informações fiscais sem depender de frameworks como Hadoop ou Spark.

B o Data Warehouse, pois permite processar dados não estruturados e estruturados simultaneamente, garantindo alta velocidade e baixa latência nas análises fiscais.

C a combinação de Hadoop, para armazenamento distribuído e processamento em lote, com Spark, para análises rápidas e em tempo real, que viabiliza a fiscalização de grandes volumes de dados fiscais.

D o Apache Hadoop, ferramenta ideal para análise em tempo real, pois seu módulo de processamento MLIb, otimizado para aprendizado de máquina, permite respostas instantâneas a consultas complexas em grandes volumes de dados fiscais.

E o Apache Spark, uma plataforma otimizada para processamento em lote, ideal para análises de streamíng e detecção de padrões em tempo real utilizando MapReduce.

ID 178884 Tecnologia da Informação Dados, BI e Analytics FCC 2025

Uma Secretaria da Fazenda está implementando um Data Warehouse para aprimorar a análise histórica de dados fiscais e otimizar a tomada de decisões estratégicas. A melhor prática para garantir a qualidade dos dados e a eficiência das consultas é

A implementar um pipeline de ETL estruturado, aplicando técnicas de limpeza, agregação e conformidade dos dados antes do carregamento no Data Warehouse, para assegurar a integridade referencial, a consistência semântica e a performance das consultas analíticas.

B priorizar um modelo ELT ( Extract, Load, Transform ) em vez de ETL, pois carregar os dados diretamente no Data Warehouse antes da transformação proporciona maior flexibilidade para ajustes futuros e evita a perda de informações relevantes.

C modelara estrutura do Data Warehouse exclusivamente com tabelas de fato, pois elas armazenam os eventos principais e eliminama necessidade de tabelas dimensionais, otimizando o armazenamento eaposterior análise.

D projetar a modelagem dimensional garantindo que a funcionalidade de drill up permita explorar os dados em níveis de detalhamento cada vez mais específicos e que a funcionalidade de drill down agregue informações para gerar análises mais resumidas e sintéticas.

E evitar processos de carga periódica no Data Warehouse e utilizar prioritariamente ETL em tempo real, garantindo que todas as análises sejam feitas com base em snapshots de dados mais recentes e relevantes.

ID 178029 Tecnologia da Informação Dados, BI e Analytics FCC 2025

Um Analista de um Tribunal Regional do Trabalho está configurando o Elastic Stack (Elasticsearch, Logstash e Kibana) integrado ao AWS para coletar, indexar e analisar logs de serviços da AWS, como CloudTrail e CloudWatch. À sequência de ações que ele deve utilizar para configurar o pipeline de dados e realizar a análise dos logs é

A utilizar o Kibana para coletar logs diretamente do AWS CloudTrail, o Logstash para visualizar os logs e o Elasticsearch para criar dashboards .

B configurar o Elasticsearch para coletar os logs diretamente do AWS CloudWatch, usar o Kibana para transformar os dados em pipelines e o Logstash para criar relatórios.

C usar o Kibana para indexar os logs do AWS CloudTrail, enviar os dados para o Logstash e armazená-los no Elasticsearch.

D configurar o Logstash para ingerir logs do AWS CloudTrail e CloudWatch , enviar os dados para o Elasticsearch para armazenamento e realizar a análise visual dos logs com Kibana.

E configurar o Elasticsearch para ingerir dados de logs e usar o Logstash para criar dashboards customizados.

ID 163389 Tecnologia da Informação Dados, BI e Analytics AOCP 2025

Sobre as etapas do processo de ETL (Extract, Transform, Load), informe se é verdadeiro (V) ou falso (F) o que se afirma a seguir e assinale a alternativa com a sequência correta.

( ) A etapa de extract envolve a captura de dados de diversas fontes, como bancos de dados, arquivos CSV (Comma-Separated Values), APIs (Application Programming Interfaces), entre outros.
( ) A etapa de transform envolve a inserção ou atualização dos dados em um destino, como um banco de dados, data warehouse ou data lake.
( ) A etapa de load envolve limpeza, formatação, agregação, conversão ou enriquecimento dos dados.

A F - V - F.

B V - F - V.

C F - V - V.

D V - F - F.

E V - V - V.

ID 162394 Tecnologia da Informação Dados, BI e Analytics AOCP 2025

Na administração contemporânea, o uso de sistemas de informações para a análise de dados tornou-se essencial para apoiar a tomada de decisões estratégicas e operacionais. Com a crescente digitalização dos processos organizacionais, diferentes nomenclaturas e conceitos relacionados à análise de dados surgiram, cada um com uma função específica. Nesse contexto, assinale a alternativa correta.

A Data Warehousing refere-se ao processamento de grandes volumes de dados em tempo real, permitindo que decisões sejam tomadas instantaneamente, sem a necessidade de armazená-los previamente.

B Business Intelligence (BI) está focada apenas na coleta de dados internos da organização, não considerando fontes externas, como redes sociais, tendências de mercado e concorrência.

C Data Mining é a técnica utilizada para transformar dados brutos em informações organizadas, estruturadas e padronizadas para facilitar seu armazenamento e recuperação.

D Machine Learning é um modelo de banco de dados usado para armazenar informações estruturadas, sendo utilizado principalmente para o armazenamento físico de grandes volumes de dados.

E Big Data é caracterizado pelo grande volume, variedade e velocidade dos dados processados, permitindo análises avançadas para identificar padrões e apoiar decisões estratégicas.

ID 162337 Tecnologia da Informação Dados, BI e Analytics AOCP 2025

Considerando a utilização de ferramentas de visualização de dados, sendo o Qlik Sense a ferramenta escolhida para análise, qual função retorna o nome da conexão de dados ativa para conexões ODBC (Open Database Connectivity) ou OLE DB (Object Linking and Embedding Database), sendo que essa função retornará uma string vazia caso nenhum comando connect tenha sido executado, assim como retornará uma string vazia após uma declaração de disconnect?

A FileDir()

B FileSize()

C GetPossibleCount()

D ConnectString()

E ConnectFor()

ID 162137 Tecnologia da Informação Dados, BI e Analytics AOCP 2025

O Aprendizado de Máquina (Machine Learning - ML) é uma subárea da Inteligência Artificial (IA) que capacita os sistemas a “aprenderem” a partir de dados, ou seja, a ajustarem seu comportamento com base em padrões identificados nos dados, sem a necessidade de programação explicita para cada tarefa. Em vez de serem programados para realizar tarefas específicas, os algoritmos de aprendizado de máquina analisam dados, detectam padrões e fazem previsões ou tomam decisões baseadas nesse aprendizado. Considerando isso, assinale a alternativa que apresenta a técnica de aprendizado de máquina que agrupa dados de maneira que os itens dentro de um grupo sejam mais semelhantes entre si e diferentes de outros grupos. Exemplo: segmentação de clientes com base em seu comportamento.

A Redução de dimensionalidade.

B Classificação.

C Regressão.

D Associação.

E Clusterização.

ID 161930 Tecnologia da Informação Dados, BI e Analytics AOCP 2025

Hadoop é um framework de código aberto baseado em um modelo distribuído que permite o processamento e o armazenamento de grandes volumes de dados de maneira escalável. Dentro desse framework, uma das principais abordagens para o processamento de dados envolve a divisão do processamento em duas etapas: na primeira, os dados são divididos em pequenos blocos e distribuídos para os nós do cluster; na segunda, os dados processados são agregados. Diante de tal informação, assinale a alternativa que apresenta uma das partes do Hadoop que implementa esse modelo de processamento de dados.

A FinalCompressor.

B Spark Streaming.

C Resilient Distributed Datasets (RDDs).

D MapReduce.

E HDFS (Hadoop Distributed File System).