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

27 questões encontradas

ID 180898 Tecnologia da Informação Servidores de Aplicação FCC 2026

Um Ministério Público decidiu modernizar seu sistema de acompanhamento processual, que antes era totalmente manual. No novo cenário, os promotores e funcionários utilizam um aplicativo desktop (desenvolvido em C#) instalado em seus computadores para consultar processos, registrar manifestações e emitir relatórios. Esse aplicativo cliente conecta-se diretamente a um servidor de aplicação no back-end , por meio de chamadas remotas ( REST ), para executar operações como “consultar andamento processual”, “protocolar manifestação” e “emitir relatórios estatísticos”. O servidor de aplicação, por sua vez, organiza suas funções em camadas internas (serviços, regras de negócio e acesso a dados) e conecta-se a um banco de dados centralizado, que armazena todos os processos sob responsabilidade da instituição. Nesse cenário,

A se futuramente parte das funcionalidades (por exemplo, gestão de manifestações ou relatórios estatísticos) for extraída para serviços independentes, a arquitetura migrará necessariamente para um modelo de microsserviços.

B por se tratar de uma arquitetura distribuída, os desenvolvedores não podem aplicar conceitos de orientação a objetos como encapsulamento, herança ou polimorfismo no código do servidor ou do cliente.

C esse desenho arquitetural caracteriza um modelo de cliente gordo em duas camadas, pois grande parte da lógica processual está implementada diretamente no aplicativo desktop utilizado pelos promotores.

D devido ao fato de o servidor de aplicação já possuir camadas internas de serviços, regras de negócio e acesso a dados, essa arquitetura já deve ser considerada totalmente orientada a serviços (SOA).

E uma desvantagem da arquitetura é que os aplicativos dos promotores e funcionários precisam ser atualizados sempre que houver mudanças relevantes nas operações do servidor, para manter compatibilidade.

ID 180888 Tecnologia da Informação FCC 2026

Durante a implementação do COBIT 2019 em um Ministério Público, a equipe de analistas decidiu adotar uma abordagem estruturada para conduzir o processo de governança e melhoria. De acordo com o método de implementação do COBIT 2019, a sequência de fases que representa corretamente o roadmap que orienta esse processo é:

A What are the priorities? What are the benefits? Where should we allocate resources? How do we manage stakeholders? Did we achieve value realization? How do we communicate lessons learned? How do we keep the momentum going?

B What govermnance components are missing? What controls are critical? How do we measure maturity? What processes need automation? Did we reduce risks? How do we update documentation?

C What are the drivers? Where are we now? Where do we want to be? What needs to be done? How do we get there? Did we get there? How do we keep the momentum going?

D What is our vision? What resources are available? Who is responsible? What are the risks? How do we control performance? Did we meet expectations? How do we report results?

E Whatis the business context? What is our capability level? How can we standardize? What are the dependencies? How do we align frameworks? Did we validate outputs? How do we keep the momenum going?

ID 180887 Tecnologia da Informação FCC 2026

Em um projeto de desenvolvimento de um novo sistema de acompanhamento de denúncias, a equipe de TI utilizou a Análise de Pontos de Função (APF) para estimar o tamanho da aplicação. As métricas e estimativas de custo total adotadas foram:

— O esforço para desenvolver cada Ponto de Função foi de 5 horas de trabalho.
— O custo da hora de trabalho foi de R$ 100,00.
— O custo total estimado do desenvolvimento do sistema foi de R$ 48.000,00.

Com base nesses dados, a quantidade total de Pontos de Função (PF) estimados para a aplicação foi de

A 100 PF.

B 96 PF.

C 98 PF.

D 105 PF.

E 95 PF.

ID 180885 Tecnologia da Informação FCC 2026

Em um banco de dados de um Ministério Público, há uma tabela chamada Promotor , com os campos: PromotorID , Nome , Cidade e DataIngresso . Um relatório precisa listar os 10 promotores mais antigos, isto é, com a menor data de ingresso. Para isso e em condições ideais, o comando SQL que deve ser utilizado no SQL Server 2019+ é:

A SELECT FIRST 10 PromotorID, Nome, Cidade, DataIngresso FROM Promotor ORDER BY DataIngresso ASC;

B SELECT PromotorID, Nome, Cidade, DataIngresso FROM Promotor ORDER BY DataIngresso ASC OFFSET 0 ROWS FETCH NEXT 10 ROWS ONLY;

C SELECT PromotorID, Nome, Cidade, DataIngresso FROM Promotor ORDER DataIngresso ASC OFFSET 0 ROWS FETCH NEXT 10 ROWS ONLY;

D SELECT PromotorID, Nome, Cidade, DataIngresso FROM Promotor ORDER BY 3 ASC OFFSET 0 ROWS FETCH NEXT 10 ROWS;

E SELECT PromotorID, Nome, Cidade, DataIngresso FROM Promotor LIMIT 10;

ID 180881 Tecnologia da Informação FCC 2026

Uma analista do Ministério Público está desenvolvendo um modelo em Python para prever a probabilidade de atraso em processos judiciais, usando informações históricas de carga de trabalho e prazos. O trecho abaixo foi escrito para treinar e avaliar um classificador simples.

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
import numpy as np
x = np.array([[10, 5], [20, 10], [15, 7], [30, 20], [25, 12], (5, 31]])
y = np.array([0, 1, 0, 1, 1, 0])
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
model = LogisticRegression()
model.fit (X_train, y_train)

_I_

Considerando que o código será executado em condições ideais, a lacuna I deve ser preenchida, para exibir a acurácia do modelo no conjunto de teste, com:

A print (model.loss(X_test, y_test))

B print (accuracy_score (model.predict (X_train), X_test))

C print (model.score(y_test, X_test))

D print (accuracy_score(y_test, model.predict(X_test)))

E print (model.evaluate(X_test, y_test))

ID 180880 Tecnologia da Informação FCC 2026

Uma equipe de analistas de um Ministério Público está preparando um conjunto de dados contendo informações de denúncias. Parte do pré-processamento envolve o uso de técnicas de feature engineering para o tratamento de valores ausentes em colunas categóricas antes da aplicação de algoritmos de aprendizado de máquina. Para isso, foi desenvolvido o código abaixo.

import pandas as pd
# Pequeno conjunto de dados de exemplo
data = {
"tipo_denuncia": ["Ambiental", None, "Penal", "Penal", None],
"origem": ["Anonima", "Identificada", None, "Anonima", "Anonima"]
}
df = pd.DataFrame (data)
# Seleciona colunas categóricas
categorical_cols = df.select_dtypes (include=['object']).columns
# Substitui valores ausentes pela categoria mais frequente
for col in categorical_cols:
mode = df[col].mode () [0]
I
print (df)

Considerando que esse código será executado em condições ideais, o comando que deve preencher corretamente a lacuna I , para garantir que as variáveis categóricas tenham seus valores ausentes substituídos pela categoria mais frequente, é:

A df[col].fillna(inplace=None, 'Desconhecido')

B df[col].append(mode)

C df[col] = df[col].fillna(mode)

D df[col].dropna(inplace=1)

E df[col] = df[col].replace(mode, None)

ID 180879 Tecnologia da Informação FCC 2026

Uma equipe está desenvolvendo uma API em Node.js que realiza operações de leitura e escrita em arquivos JSON muito grandes. Durante os testes, perceberam que, ao tentar processar arquivos com mais de 1GB, o servidor travava e aumentava drasticamente o uso de memória. Uma solução adequada para lidar com esses arquivos de forma eficiente em tempo de execução, no contexto do Node.js, é

A usar process.nextTick() em conjunto com fs.readFileSync() para dividir o processamento em ciclos menores, evitando travamentos.

B utilizar cluster para dividir a leitura entre múltiplos processos, cada um carregando o arquivo inteiro em memória, reduzindo o risco de travar um processo único.

C converter o arquivo em Base64 e processar como string em memória, já que Node.js lida melhor com strings do que com buffers binários.

D utilizar fs.readFile() de forma assíncrona para carregar todo o arquivo, pois o modelo assíncrono evita consumo excessivo de memória.

E adotar streams (fs.createReadStream) para ler o arquivo em pedaços, processando blocos sem carregar tudo na memória.

ID 180836 Tecnologia da Informação FCC 2026

Uma equipe de TI mantém um módulo de processamento de denúncias online em uma API ASP.NET Core. Atualmente, a classe DenunciaService possui um switch com ifs para cada canal de entrada (formulário web, aplicativo móvel, denúncia presencial digitalizada). Além disso, ela valida os dados, calcula prioridades, chama o repositório de denúncias e escreve logs . Sempre que um novo canal de recebimento é criado, DenunciaService cresce e exige mudanças no switch . Para a equipe facilitar testes e adicionar canais sem alterar o serviço central, aderindo à Arquitetura Limpa e SOLID/DRY/KISS, a melhor abordagem é

A usar um Service Locator estático para resolver webService ou AppMobileService por nome. Isso reduz dependâncias explícitas, mas cria acoplamento implícito e dificulta testes.

B criar uma enum DenunciaChannel e aplicar Strategy dentro do próprio DenunciasService , selecionando via switch . Organiza melhor mantendo a exigência de editar a classe central a cada novo canal.

C manter a lógica de decisão em um switch dentro de DenunciaService , mas extrair os blocos de cada canal para métodos privados. O código fica mais organizado e a classe continua centralizando toda a lógica, precisando ser alterada para novos canais.

D definir interfaces como ICanalDenuncia e IPrioridadeCalculator , implementar adaptadores separados para cada canal (exemplo: WebAdapter , AppMobileAdapter , PresencialAdapter ) e registrar no container de Dependency Injection. O DenunciaService depende apenas de abstrações e recebe IEnumerable , permitindo extensões sem alterar o núcleo.

E criar uma classe base DenunciaServiceBase e herdar WebDenunciaService , AppMobile DenunciaService etc. O controller decide qual subclasse instanciar, o que distribui a lógica mantendo forte acoplamento com implementações concretas.

ID 180834 Tecnologia da Informação FCC 2026

A equipe de TI de um Ministério Público está testando o uso de aprendizado de máquina para classificação automática de denúncias em urgente ou não urgente , utilizando Python. Para isso, foi desenvolvido o código abaixo.

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
# Conjunto de treinamento
denuncias = [
"corrupção em contrato público",
"fraude em licitação”,
"crime ambiental grave",
"uso indevido de recursos públicos",
"propina em contrato",
"ruído em vizinhança",
"denúncia de barulho",
"lixo acumulado na rua"
]
classes = [
"urgente", "urgente", "urgente", "urgente", "urgente",
"não urgente", "não urgente", "não urgente"
]
# Vetorização e treinamento
vetorizador = CountVectorizer ()
X = vetorizador.fit_transform(denuncias)
modelo = MultinomialNB ()
modelo.fit(X, classes)
# Nova denúncia a ser classificada
nova_denuncia = ["desvio de verba pública"]

I

Considerando que o código será executado em condições ideais, a lacuna I deve ser preenchida, para que seja exibido o resultado da classificação da nova denúncia no console, com os comandos:

A X_nova = vetorizador.transform(nova_denuncia)
print ("Classificação:", modelo.predict (X_nova) [0])

B X_nova = vetorizador.toarray (nova_denuncia)
print ("Classificação:", modelo.predict (X_nova))

C X_nova = modelo.fit_transform(nova_denuncia)
print("Classificação:", modelo.fit(X_nova) [0])

D X_nova = vetorizador.fit_transform(nova_denuncia)
print("Classificação:", modelo.predict(X_nova))

E X_nova = CountVectorizer().fit(nova_denuncia)
print("Classificação:", modelo.predict(X_nova))

ID 180833 Tecnologia da Informação FCC 2026

Um Ministério Público precisa implementar um sistema de assinatura e verificação de documentos digitais para tramitação segura entre promotores. Alguns analistas sugeriram utilizar apenas criptografia simétrica, outros propuseram criptografia assimétrica. Nesse contexto, a solução para garantir autenticidade e não repúdio dos documentos é

A adotar criptografia simétrica, mas com múltiplas chaves diferentes para cada par de promotores, garantindo que apenas os envolvidos possam validar as assinaturas.

B utilizar criptografia assimétrica corretamente, pois a chave privada do promotor assina o documento e a chave pública correspondente permite a qualquer pessoa verificar a assinatura.

C usar criptografia assimétrica, mas com a chave pública para assinar o documento e a chave privada para validar, pois isso garante que todos possam verificar a identidade do autor.

D implementar hashing SHA-256 sobre os documentos e armazenar os valores em planilha, sem usar chaves; assim é possível verificar a autoria e integridade.

E entregar certificados digitais autoassinados a cada promotor, pois assim não é necessária uma infraestrutura de chave pública (PKI).