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 51.483 questões FGV 25.316 questões FCC 24.632 questões AOCP 23.456 questões IBFC 11.190 questões VUNESP 11.173 questões Instituto Quadrix 10.156 questões FUNDATEC 9.088 questões IBADE 7.820 questões CESGRANRIO 6.013 questões CONSULPLAN 4.174 questões FEPESE 3.585 questões IADES 3.439 questões IESES 2.627 questões OBJETIVA 2.462 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

51.483 questões encontradas

ID 21060 Tecnologia da Informação Dados, BI e Analytics Cebraspe 2025

No desenvolvimento de soluções para problemas complexos fundamentados em evidências, é imperativo distinguir as competências e os objetivos de cada domínio. A respeito da relação técnica entre Big Data, ciência de dados (data science) e análise de dados (data analytics), assinale a opção correta.

A A análise de dados constitui uma etapa conceitual e puramente teórica que antecede a ciência de dados, prescindindo do uso de ferramentas computacionais ou de técnicas de matemática aplicada para sua execução.

B A inteligência artificial e o aprendizado de máquina são áreas adjacentes, porém independentes da ciência de dados, não havendo intersecção metodológica entre a modelagem de algoritmos preditivos e o processo de extração de conhecimento.

C O objetivo final da ciência de dados restringe-se à validação técnica de fluxos de dados (pipelines), sendo a compreensão do problema de negócio e o mapeamento de valor etapas exclusivas da engenharia de dados e do Big Data.

D A ciência de dados caracteriza-se primordialmente pelo estudo e pela implementação de infraestruturas físicas para transmissão de dados, ao passo que o Big Data tem foco estrito na modelagem algorítmica e inferência estatística.

E O Big Data provê o ecossistema tecnológico e as ferramentas para lidar com a coleta, o armazenamento e o processamento distribuído de dados em larga escala (volume, velocidade e variedade), enquanto a ciência de dados utiliza esse suporte para aplicar métodos científicos e matemáticos que permitam a extração de conhecimento e de padrões úteis à tomada de decisão.

ID 21059 Tecnologia da Informação Governança e Gestão de TI Cebraspe 2025

Com base nos fundamentos da governança de dados, assinale a opção tecnicamente correta.

A A definição de princípios éticos para o uso de dados é uma preocupação restrita a modelos de aprendizado de máquina, não integrando o escopo fundamental ou as áreas de conhecimento de um programa de governança de dados.

B A função primordial da governança de dados é a execução de atividades operacionais e técnicas, como processos de carga (ETL) e armazenamento, enquanto os comitês de governança atuam meramente como instâncias consultivas sem poder deliberativo.

C Os gestores de dados (data stewards) devem ser, preferencialmente, especialistas externos à organização, atuando de forma independente das áreas de negócio produtoras da informação para assegurar a neutralidade técnica e a padronização.

D A governança de dados estabelece o tratamento dos dados como ativos organizacionais, exigindo responsabilidade formal (accountability), definição clara de papéis e procedimentos de controle análogos aos aplicados a ativos físicos e financeiros, garantindo-se o alinhamento com os objetivos estratégicos do negócio.

E A governança de dados é um programa de natureza estritamente tecnológica, sob o qual a área de tecnologia da informação (TI) centraliza as decisões sobre o significado e o uso dos dados, cabendo às unidades de negócio apenas o consumo das informações.

ID 21058 Tecnologia da Informação Governança e Gestão de TI Cebraspe 2025

De acordo com as diretrizes do DAMA-DMBOK (Data Management Body of Knowledge), assinale a opção correta acerca de conceitos de governança e gestão de dados.

A A governança de dados deve ser aplicada exclusivamente aos ambientes analíticos (data lakes), sendo prescindível nos sistemas transacionais, dado que estes operam sob regras de integridade referencial nativas dos bancos de dados relacionais.

B A governança de dados foca primordialmente na administração da infraestrutura física (servidores e redes), sendo uma atribuição operacional exclusiva do departamento de tecnologia da informação (TI).

C A qualidade de dados é tratada como uma disciplina multidimensional cujas dimensões (como acurácia, completude, consistência, tempestividade e unicidade) devem ser definidas e medidas com base nos requisitos e na criticidade do negócio.

D Em modelos de governança robustos, o papel do data steward (curador de dados) torna-se desnecessário, uma vez que as ferramentas de catálogo de dados automatizam as decisões sobre o ciclo de vida da informação.

E Os metadados dividem-se em técnicos, de negócio e operacionais, abrangendo desde a estrutura de tabelas até regras de negócio, linhagem de dados (lineage) e definições de responsabilidade.

ID 21057 Tecnologia da Informação Geral Cebraspe 2025

Uma secretaria de fazenda estadual recebe diariamente milhões de notas fiscais eletrônicas (NF-e). Um desafio central da fiscalização é validar se a descrição textual dos itens comercializados é condizente com o código NCM (nomenclatura comum do Mercosul) declarado. Para automatizar essa classificação semântica em larga escala, utiliza-se processamento de linguagem natural (PLN) e redes neurais. Assinale a opção em que são apresentadas a técnica adequada para esse cenário e sua descrição.

A Lemmatization — método de agrupamento não supervisionado (clustering) que organiza descrições de mercadorias por similaridade, prescindindo de rótulos de treinamento para a classificação fiscal

B Stemming — técnica de redução morfológica que mapeia palavras para vetores numéricos densos, preservando a semântica contextual completa do item fiscal

C Word embeddings – representações vetoriais de palavras em um espaço contínuo, em que termos semanticamente semelhantes são projetados em posições próximas (baixa distância vetorial), facilitando a identificação de sinônimos na descrição dos produtos

D Arquiteturas transformer — modelos baseados no mecanismo de atenção (attention), capazes de capturar dependências contextuais e relações de longo alcance entre os termos de uma descrição, sendo altamente eficazes para a tarefa de classificação de texto e compatibilização com a NCM

E Tokenização — processo de detecção de anomalias sintáticas que substitui a necessidade de modelos preditivos ao identificar erros de digitação em documentos fiscais

ID 21056 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina Cebraspe 2025

Suponha que, em determinada secretaria de fazenda estadual, esteja avaliando a aplicação de arquiteturas de deep learning para otimizar processos de fiscalização e gestão. Considerando essa situação hipotética e as propriedades das redes neurais convolucionais (CNNs), cuja arquitetura é baseada em camadas de filtragem para a extração de hierarquias de características espaciais, assinale a opção que indica uma aplicação tecnicamente adequada das CNNs, seguida de sua descrição.

A redução de dimensionalidade — aplicação de camadas convolucionais para o cálculo de indicadores fiscais sintéticos a partir de variáveis estatísticas descorrelacionadas em ambiente Big Data

B análise econométrica — estimativa da elasticidade-preço da demanda e impacto do PIB na receita estadual por meio do treinamento de filtros convolucionais em variáveis macroeconômicas agregadas

C agrupamento de contribuintes — utilização de CNNs para a segmentação de empresas por comportamento de crédito, utilizando como entrada bases de dados relacionais e tabelas de histórico de pagamentos

D modelagem preditiva de receita — aplicação de CNNs para o ajuste de modelos autorregressivos de séries temporais de arrecadação baseados estritamente em dados numéricos tabelados

E auditoria de documentos fiscais — reconhecimento de padrões e classificação automática de documentos digitalizados (como notas fiscais, faturas ou contratos), com vistas a identificar fraudes ou inconsistências em elementos visuais

ID 21055 Probabilidade e Estatística Séries Temporais e Processos Estocásticos Cebraspe 2025

No âmbito de uma secretaria de fazenda estadual, um analista de dados deve avaliar se existe uma tendência monotônica (crescente ou decrescente) estatisticamente significativa na arrecadação do ICMS ao longo de uma série histórica de dez anos. O diagnóstico preliminar dos dados indicou a ausência de normalidade na distribuição e a presença de valores atípicos (outliers). Considerando essa situação hipotética, assinale a opção em que é apresentada a técnica estatística mais adequada para o teste de hipótese de tendência nesse caso.

A coeficiente de correlação de Pearson, por medir a força da associação linear entre o tempo e o volume arrecadado, independentemente da distribuição

B regressão linear simples, por ser imune à presença de outliers, desde que estimada pelo método de mínimos quadrados ordinários

C teste de Mann-Kendall, por se tratar de um teste não paramétrico robusto quanto a outliers e indicado para a detecção de tendências em séries temporais

D análise de componentes principais (PCA), com o objetivo de isolar a variância da arrecadação em um único autovetor temporal

E teste t de Student para amostras pareadas, para comparar as médias de arrecadação entre o biênio inicial e o biênio final da série

ID 21054 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina Cebraspe 2025

No que concerne aos fundamentos conceituais e operacionais do aprendizado de máquina, julgue os itens a seguir.
I O algoritmo de aprendizado constitui o procedimento lógico-matemático (ou processo de otimização) aplicado ao conjunto de dados para a indução de um modelo; este último representa a generalização ou hipótese final capaz de realizar inferências sobre dados não observados durante o treinamento.
II Os parâmetros são variáveis internas ao modelo cujos valores são aprendidos ou estimados a partir dos dados (ex.: pesos em redes neurais ou coeficientes de regressão); por outro lado, os hiperparâmetros são configurações externas ao modelo, definidas antes do processo de treinamento, que controlam o comportamento do algoritmo e a complexidade do modelo (ex.: número de vizinhos no KNN ou a taxa de aprendizado).
III No aprendizado supervisionado, o objetivo é a indução de uma função de mapeamento entre variáveis de entrada e uma variável alvo predestinada (rótulo); já no aprendizado não supervisionado, o processo foca a descoberta de padrões intrínsecos, estruturas latentes ou distribuições em dados que não possuem anotações ou supervisão externa.
Assinale a opção correta.

A Apenas o item II está certo.

B Apenas o item III está certo.

C Apenas os itens I e II estão certos.

D Apenas os itens I e III estão certos.

E Todos os itens estão certos.

ID 21053 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina Cebraspe 2025

No âmbito do aprendizado de máquina não supervisionado, os algoritmos de agrupamento (clustering) apresentam diferentes abordagens para a organização de dados sem rótulos. Considerando as propriedades operacionais dos algoritmos k-means, DBSCAN e SOM (self-organizing maps), assinale a opção correta.

A O DBSCAN e o SOM operam sob a mesma função de custo baseada na minimização da soma dos erros quadráticos (SSE) em relação a um ponto central fixo.

B O k-means é um algoritmo de particionamento que minimiza a variância intracluster, sendo inerentemente robusto quanto à presença de outliers devido ao uso da média aritmética para o cálculo dos centroides.

C O DBSCAN fundamenta-se na densidade local de pontos, permitindo a identificação de agrupamentos de formas geométricas arbitrárias e a segregação de ruído, prescindindo da especificação prévia do número de clusters.

D O SOM utiliza uma arquitetura de rede neural competitiva para realizar a redução de dimensionalidade e o agrupamento, garantindo a preservação da topologia global sem a necessidade de definir uma vizinhança entre os neurônios.

E O k-means apresenta desempenho superior ao DBSCAN na detecção de agrupamentos não convexos ou com densidades significativamente distintas.

ID 21052 Tecnologia da Informação Geral Cebraspe 2025

No desenvolvimento de estratégias de alfabetização de dados (data literacy), a distinção entre métricas de adoção e métricas de valor é crucial. Assinale a opção em que são corretamente apresentados o nome e a descrição de uma métrica de impacto e valor de negócio que é focada especificamente nos resultados derivados da competência analítica dos colaboradores.

A automação de output: total de planilhas manuais migradas para fluxos de dados automatizados

B volume de consumo de ativos: quantidade de logins ou visualizações em painéis de indicadores

C agilidade decisória baseada em dados: redução do lead time entre a identificação de um problema de negócio e a implementação de uma solução fundamentada em evidências

D taxa de ocupação de TI: tempo dedicado pela equipe técnica à limpeza de dados para usuários finais

E índice de conclusão de treinamento: percentual de colaboradores certificados em ferramentas de BI

ID 21051 Tecnologia da Informação Geral Cebraspe 2025

No âmbito das competências fundamentais da alfabetização de dados (data literacy), a habilidade de avaliar de forma criteriosa a fidedignidade das fontes, a integridade metodológica e a neutralidade dos dados, a fim de identificar distorções ou interpretações equivocadas antes da tomada de decisão, é definida tecnicamente como

A leitura e questionamento crítico.

B análise e exploração de dados.

C governança e ética de dados.

D raciocínio estatístico.

E fluência em dados (data fluency).