Questões de Concurso
Sobre data mining em banco de dados
Foram encontradas 587 questões
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
AGEPAR
Prova:
CESPE / CEBRASPE - 2026 - AGEPAR - Especialista em Regulação - Especialidade Tecnologia da Informação |
Q4409086
Banco de Dados
A respeito das tarefas e do processo de mineração de dados (data
mining), assinale a opção correta.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
AGEPAR
Prova:
CESPE / CEBRASPE - 2026 - AGEPAR - Especialista em Regulação - Especialidade Tecnologia da Informação |
Q4409079
Banco de Dados
A aplicação prática da mineração de dados envolve restrições
ligadas à qualidade dos conjuntos de dados, à complexidade
algorítmica e à interpretabilidade dos modelos gerados.
A respeito das limitações técnicas e operacionais associadas a
esse processo, assinale a opção correta.
Ano: 2026
Banca:
FGV
Órgão:
DATAPREV
Prova:
FGV - 2026 - DATAPREV - Analista de Tecnologia da Informação – Análise de Negócio de TI |
Q4388954
Banco de Dados
Na análise de 10.000 registros de incidentes de serviços de TIC da
DATAPREV, foi usada a técnica de regras de associação para
identificar ocorrências que aparecem conjuntamente nos
registros. A equipe deseja avaliar a regra A → B.
Dentre os registros, destacam-se:
• 2.000 incidentes apresentaram a ocorrência A;
• 1.500 incidentes apresentaram a ocorrência B; e
• 1.200 incidentes apresentaram, simultaneamente, as ocorrências A e B.
Considerando as métricas empregadas em regras de associação, os valores de suporte e confiança para a regra A → B são, respectivamente,
Dentre os registros, destacam-se:
• 2.000 incidentes apresentaram a ocorrência A;
• 1.500 incidentes apresentaram a ocorrência B; e
• 1.200 incidentes apresentaram, simultaneamente, as ocorrências A e B.
Considerando as métricas empregadas em regras de associação, os valores de suporte e confiança para a regra A → B são, respectivamente,
Q4375812
Banco de Dados
No acompanhamento de serviços e processos corporativos, a
DATAPREV pode utilizar recursos de Business Intelligence (BI) para
transformar dados disponíveis em informações úteis à gestão.
Nesse contexto, indicadores, técnicas de descoberta de padrões e
recursos de apresentação de informações cumprem funções
distintas no processo analítico.
Relacione os conceitos a seguir às respectivas características.
1. Business Intelligence (BI)
2. Indicador-chave de desempenho (KPI)
3. Data Mining
4. Relatório gerencial
( ) Medida utilizada para acompanhar o desempenho de uma atividade, processo ou serviço em relação a determinado objetivo ou resultado esperado.
( ) Aplicação de técnicas de análise sobre conjuntos de dados com o propósito de identificar padrões, associações, tendências ou relações potencialmente úteis.
( ) Conjunto de métodos, processos e tecnologias empregados para transformar dados em informações que apoiem análises e decisões.
( ) Forma estruturada de apresentação de informações destinada a comunicar resultados, ocorrências ou desempenho aos responsáveis pela gestão.
Assinale a opção que indica a relação correta, segundo a ordem apresentada.
Relacione os conceitos a seguir às respectivas características.
1. Business Intelligence (BI)
2. Indicador-chave de desempenho (KPI)
3. Data Mining
4. Relatório gerencial
( ) Medida utilizada para acompanhar o desempenho de uma atividade, processo ou serviço em relação a determinado objetivo ou resultado esperado.
( ) Aplicação de técnicas de análise sobre conjuntos de dados com o propósito de identificar padrões, associações, tendências ou relações potencialmente úteis.
( ) Conjunto de métodos, processos e tecnologias empregados para transformar dados em informações que apoiem análises e decisões.
( ) Forma estruturada de apresentação de informações destinada a comunicar resultados, ocorrências ou desempenho aos responsáveis pela gestão.
Assinale a opção que indica a relação correta, segundo a ordem apresentada.
Ano: 2026
Banca:
FGV
Órgão:
TCE-PE
Prova:
FGV - 2026 - TCE-PE - Analista de Gestão - Administração - REAPLICAÇÃO |
Q4282411
Banco de Dados
Um Tribunal de Contas mantém um canal de atendimento on-line
que recebe demandas durante 24 horas.
Para reduzir o tempo de resposta, o sistema passou a analisar o histórico dos atendimentos, considerando, entre outros elementos:
• horário de entrada da demanda;
• texto apresentado pelo usuário;
• categoria registrada;
• unidade para a qual a demanda foi encaminhada; e
• orientação fornecida.
A análise dos horários permitiu identificar os períodos de maior procura e as variações no volume de atendimentos ao longo do dia. Verificou-se também que demandas apresentadas de formas distintas eram frequentemente solucionadas com a mesma orientação. Considere parte dos resultados:
Embora os padrões de horário e volume pudessem ser identificados, a organização da base dificultava relacionar diferentes formas de apresentação às mesmas necessidades e orientações.
A conclusão sobre essa limitação foi sustentada pelo fato de a análise ter identificado
Para reduzir o tempo de resposta, o sistema passou a analisar o histórico dos atendimentos, considerando, entre outros elementos:
• horário de entrada da demanda;
• texto apresentado pelo usuário;
• categoria registrada;
• unidade para a qual a demanda foi encaminhada; e
• orientação fornecida.
A análise dos horários permitiu identificar os períodos de maior procura e as variações no volume de atendimentos ao longo do dia. Verificou-se também que demandas apresentadas de formas distintas eram frequentemente solucionadas com a mesma orientação. Considere parte dos resultados:
Embora os padrões de horário e volume pudessem ser identificados, a organização da base dificultava relacionar diferentes formas de apresentação às mesmas necessidades e orientações.
A conclusão sobre essa limitação foi sustentada pelo fato de a análise ter identificado
Ano: 2026
Banca:
FGV
Órgão:
TCE-PE
Prova:
FGV - 2026 - TCE-PE - Auditor de Controle Externo – Tecnologia da Informação - REAPLICAÇÃO |
Q4279915
Banco de Dados
O Tribunal de Contas recebeu registros de pagamentos para
análise. De acordo com as regras de qualidade da base:
• cada id_pagamento deve aparecer apenas uma vez;
• o campo valor deve estar preenchido e conter número maior que zero;
• após o tratamento dos dados, os registros válidos devem ser agrupados segundo a proximidade entre seus valores.
Para realizar o procedimento, foi elaborado o seguinte código em Python, que implementa uma forma simplificada de agrupamento por centroides:
A respeito da execução do código e das etapas de qualidade e mineração de dados, assinale a afirmativa correta.
• cada id_pagamento deve aparecer apenas uma vez;
• o campo valor deve estar preenchido e conter número maior que zero;
• após o tratamento dos dados, os registros válidos devem ser agrupados segundo a proximidade entre seus valores.
Para realizar o procedimento, foi elaborado o seguinte código em Python, que implementa uma forma simplificada de agrupamento por centroides:
A respeito da execução do código e das etapas de qualidade e mineração de dados, assinale a afirmativa correta.
Ano: 2026
Banca:
FGV
Órgão:
TCE-PE
Provas:
FGV - 2026 - TCE-PE - Auditor de Controle Externo – Tecnologia da Informação - REAPLICAÇÃO
|
FGV - 2026 - TCE-PE - Auditor de Controle Externo - Contas Públicas - REAPLICAÇÃO |
Q4279854
Banco de Dados
O histórico de pagamentos de órgãos jurisdicionados reúne
milhões de registros descritos por atributos como valor,
favorecido, objeto, unidade responsável e período. Não há, nessa
base, indicação prévia de quais ocorrências sejam regulares ou
irregulares.
Pretende-se empregar os próprios dados para selecionar uma parcela reduzida dos registros que mereça exame prioritário. O critério de seleção deverá considerar combinações pouco usuais entre os atributos, inclusive quando cada característica, observada isoladamente, for frequente. A seleção resultante servirá apenas para direcionar a análise dos auditores.
A técnica compatível com esse objetivo é
Pretende-se empregar os próprios dados para selecionar uma parcela reduzida dos registros que mereça exame prioritário. O critério de seleção deverá considerar combinações pouco usuais entre os atributos, inclusive quando cada característica, observada isoladamente, for frequente. A seleção resultante servirá apenas para direcionar a análise dos auditores.
A técnica compatível com esse objetivo é
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
Prefeitura de Porto Velho - RO
Provas:
CESPE / CEBRASPE - 2026 - Prefeitura de Porto Velho - RO - Contador
|
CESPE / CEBRASPE - 2026 - Prefeitura de Porto Velho - RO - Técnico de Controle Interno |
Q4228080
Banco de Dados
Considerando a aplicação de regras de associação ao contexto de
mineração de dados, assinale a opção correta.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
Prefeitura de Porto Velho - RO
Prova:
CESPE / CEBRASPE - 2026 - Prefeitura de Porto Velho - RO - Auditor |
Q4200150
Banco de Dados
A respeito de mineração de dados, assinale a opção correta.
Ano: 2026
Banca:
CONSULPAM
Órgão:
Prefeitura de Pindorama - SP
Prova:
CONSULPAM - 2026 - Prefeitura de Pindorama - SP - Analista de Tecnologia da Informação - Redes e Data Center |
Q4181870
Banco de Dados
Em uma iniciativa de Business Intelligence, uma
instituição consolidou dados provenientes de sistemas
transacionais distintos para alimentar painéis gerenciais,
análises OLAP e modelos exploratórios de descoberta
de padrões. Durante a revisão da arquitetura, foram
avaliados processos de ETL, regras de qualidade de
dados, granularidade das cargas, tratamento de
dimensões lentamente mutáveis e uso de técnicas de
Data Mining. Com base no tema, analise as sentenças a
seguir:
I- Em processos de ETL, a etapa de transformação pode envolver padronização de formatos, tratamento de valores ausentes, remoção de duplicações, conversão de tipos, aplicação de regras de negócio e conformidade entre dimensões oriundas de fontes distintas.
II- A qualidade dos dados em ambientes analíticos depende exclusivamente da ferramenta de visualização utilizada, pois inconsistências de origem, duplicidades, ausência de chaves de integração e divergências semânticas são corrigidas automaticamente durante a renderização dos dashboards.
III- Técnicas de Data Mining podem ser utilizadas para identificar padrões, associações, agrupamentos, classificações ou tendências em grandes conjuntos de dados, mas seus resultados exigem interpretação crítica, validação e atenção a vieses, qualidade da amostra e pertinência do modelo.
IV- A carga incremental em um Data Warehouse elimina a necessidade de controle temporal dos dados, pois qualquer alteração em sistemas de origem deve sobrescrever integralmente os registros históricos para preservar apenas o estado atual das informações.
Analisadas as sentenças, estão CORRETAS apenas:
I- Em processos de ETL, a etapa de transformação pode envolver padronização de formatos, tratamento de valores ausentes, remoção de duplicações, conversão de tipos, aplicação de regras de negócio e conformidade entre dimensões oriundas de fontes distintas.
II- A qualidade dos dados em ambientes analíticos depende exclusivamente da ferramenta de visualização utilizada, pois inconsistências de origem, duplicidades, ausência de chaves de integração e divergências semânticas são corrigidas automaticamente durante a renderização dos dashboards.
III- Técnicas de Data Mining podem ser utilizadas para identificar padrões, associações, agrupamentos, classificações ou tendências em grandes conjuntos de dados, mas seus resultados exigem interpretação crítica, validação e atenção a vieses, qualidade da amostra e pertinência do modelo.
IV- A carga incremental em um Data Warehouse elimina a necessidade de controle temporal dos dados, pois qualquer alteração em sistemas de origem deve sobrescrever integralmente os registros históricos para preservar apenas o estado atual das informações.
Analisadas as sentenças, estão CORRETAS apenas:
Ano: 2026
Banca:
VUNESP
Órgão:
UNESP
Prova:
VUNESP - 2026 - UNESP - Analista de Informática I - Área de Atuação: Desenvolvimento de Sistemas - Edital nº 350 |
Q4126652
Banco de Dados
A mineração de dados em bancos de dados, particularmente em um data warehouse, tem como finalidade
principal
Ano: 2026
Banca:
INSTITUTO AOCP
Órgão:
IF-CE
Prova:
INSTITUTO AOCP - 2026 - IF-CE - Professor EBTT - Metodologia e Técnicas da Computação |
Q4086259
Banco de Dados
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.
( ) 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.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
AgSUS
Prova:
CESPE / CEBRASPE - 2026 - AgSUS - Assistente de Projeto - Perfil 1 - UMA |
Q4054542
Banco de Dados
No que se refere à ciência de dados aplicada à gestão pública e à saúde.
O uso de algoritmos de processamento de linguagem natural (PLN) permite converter dados não estruturados de prontuários médicos e diários oficiais em indicadores quantitativos monitoráveis.
O uso de algoritmos de processamento de linguagem natural (PLN) permite converter dados não estruturados de prontuários médicos e diários oficiais em indicadores quantitativos monitoráveis.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Auditor de Controle Externo - Especialidade: Tecnologia da Informação |
Q4019761
Banco de Dados
Julgue o próximo item, a respeito de visualização e análise exploratória de dados, de linguagens e ferramentas de apoio à análise de dados e de técnicas e tarefas de mineração de dados.
O boxplot (diagrama de caixa) é uma ferramenta de visualização que possibilita identificar a mediana, a dispersão dos dados e a presença de valores atípicos (outliers) em uma distribuição.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Auditor de Controle Externo - Especialidade: Tecnologia da Informação |
Q4019758
Banco de Dados
Acerca de modelagem dimensional, do CRISP-DM e do uso de banco de dados relacionais na análise de dados, julgue o item a seguir.
No modelo de referência CRISP-DM, a fase de preparação de dados ocorre estritamente após a conclusão da fase de modelagem, com o objetivo de formatar as saídas preditivas geradas.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014212
Banco de Dados
Texto associado
No que se refere à classificação da mineração de dados, à
mineração de texto, à modelagem preditiva e à visualização e
análise exploratória de dados, julgue os item subsecutivo.
Modelos de regressão linear são métodos estocásticos para
modelagem da relação entre variáveis aleatórias e uma
função polinomial.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014211
Banco de Dados
Texto associado
No que se refere à classificação da mineração de dados, à
mineração de texto, à modelagem preditiva e à visualização e
análise exploratória de dados, julgue os item subsecutivo.
Em um processo de mineração de texto, a tokenização é o
processo de dividir textos longos em palavras individuais,
removendo-se espaços e pontuação, para fins de
identificação da frequência de termos ou da estrutura de uma
frase em um grande volume de documentos.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014210
Banco de Dados
Texto associado
No que se refere à classificação da mineração de dados, à
mineração de texto, à modelagem preditiva e à visualização e
análise exploratória de dados, julgue os item subsecutivo.
Enquanto um falso positivo é um erro do tipo 2, um falso
negativo é um erro do tipo 1.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014208
Banco de Dados
Texto associado
Acerca de técnicas para pré-processamento de dados,
CRISP-DM, análise de grupamento, detecção de anomalias e
regras de associação, julgue o próximo item.
Uma anomalia é um valor discrepante, ou seja, um valor que
se localiza significativamente distante dos valores
considerados normais.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014207
Banco de Dados
Texto associado
Acerca de técnicas para pré-processamento de dados,
CRISP-DM, análise de grupamento, detecção de anomalias e
regras de associação, julgue o próximo item.
Na metodologia CRISP-DM, a preparação dos dados serve
para limpá-los, tratando valores ausentes, outliers e
inconsistências.
Conheça nossos planos