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

3 questões encontradas

ID 180443 Tecnologia da Informação Modelagempreditiva FCC 2026

Uma equipe de ciência de dados está desenvolvendo um modelo de risco para identificar empresas envolvidas na emissão de notas frias, usando dados de NF-e, escriturações fiscais digitais, cadastros, histórico de autuações e cruzamentos bancários. Foram definidas as seguintes atividades:

1.Definir objetivos de negócio (ex.: aumentar em 10% a recuperação de crédito em operações com notas frias, mantendo o número de fiscalizações).
2.Mapear as fontes de dados disponíveis (NF-e, cadastros, autuações) e avaliar sua qualidade e completude.
3.Selecionar técnicas de modelagem (ex.: redes neurais) e definir a estratégia de validação.
4.Definir métricas técnicas de avaliação (ex.: recall em top-k contribuintes, precisão por faixa de risco) alinhadas aos objetivos de negócio.
5.Planejar a integração do score ao sistema de seleção de contribuintes, incluindo monitoramento e possíveis recalibrações.

A correlação mais consistente dessas atividades às fases do modelo CRISP-DM está em:

A 1
2
3
4
5
Business Understanding
Data Understanding
Modeling
Evaluation
Deployment

B 1
2
3
4
5
Data Understanding
Data Preparation
Modeling
Evaluation
Deployment

C 1
2
3
4
5
Business Understanding
Data Preparation
Modeling
Deployment
Evaluation

D 1
2
3
4
5
Business Understanding
Data Understanding
Data Preparation
Modeling
Evaluation

E 1
2
3
4
5
Business Understanding
Data Understanding
Evaluation
Modeling
Deployment

ID 179371 Tecnologia da Informação Modelagempreditiva FCC 2025

Durante o desenvolvimento de um sistema preditivo para auxiliar na gestão de processos judiciais em um Tribunal do Trabalho, uma equipe de analistas treinou dois modelos distintos para resolver problemas diferentes:

• O modelo A prevê se um processo será encerrado em até 6 meses (1) ou não (0), com base em dados como tipo de ação, número de audiências e histórico de partes envolvidas.
• O modelo B estima o número de dias até o encerramento do processo, utilizando variáveis como a vara do trabalho, grau de complexidade e duração média de tramitação por tipo de causa.

Após o treinamento, os seguintes resultados foram obtidos:

• O modelo A apresentou alta acurácia (92%), mas AUC-ROC de 0.61.
• O modelo B apresentou R 2 de 0.83 no treino e 0.42 no teste, além de MAE ( Mean Absolute Error ) de 120 dias.

Com base nos resultados e considerando as boas práticas de avaliação preditiva quanto à qualidade e confiabilidade,

A a acurácia elevada no modelo A e o R 2 consistente no modelo B indicam que ambos têm desempenho adequado; embora a AUC do modelo A esteja próxima de 0.5 e haja queda no R 2 do modelo B no teste, essas variações são normais em projetos preditivos e não comprometem a confiabilidade dos modelos.

B o modelo A sofre com possível desbalanceamento de classes, o que reduz a confiabilidade da acurácia, mesmo estando elevada; já o modelo B mostra sinais de sobreajuste, evidenciado pela diferença expressiva entre R 2 de treino e teste. É necessário reavaliar ambos antes de avançar.

C o modelo À apresenta excelente desempenho, pois uma acurácia superior a 90% indica que a maior parte das previsões foi correta, tornando a AUC irrelevante neste caso.

D o modelo B pode ser considerado adequado, pois o erro médio de 120 dias está dentro de uma margem aceitável em processos judiciais, mesmo que o R 2 no teste tenha caído.

E o modelo A é adequado para produção, pois mesmo com AUC moderada, a taxa de acerto geral garante sua aplicabilidade em classificações binárias.

ID 177884 Tecnologia da Informação Modelagempreditiva FCC 2025

Uma equipe de um Tribunal Regional do Trabalho está desenvolvendo um modelo preditivo para avaliar o tempo de tramitação de processos trabalhistas. Os dados estão armazenados em um arquivo CSV chamado “processos.csv”, com as seguintes colunas:

- id_processo: Identificador único do processo.
- data_abertura: Data em que o processo foi aberto.
- data_encerramento: Data em que o processo foi encerrado.

A equipe deseja calcular o tempo de tramitação (em dias) de cada processo e inseri-lo em uma nova coluna chamada tempo_tramitacao. Considerando que o arquivo foi carregado em um dataframe chamado dados , o comando R que realiza corretamente esta tarefa é:

A dados$tempo_tramitacao

B dados$tempo_tramitacao

C dados$tempo_tramitacao

D dados

E dados