Questões de Concurso Comentadas sobre banco de dados
Foram encontradas 15.750 questões
No que concerne ao modelo entidade‑relacionamento e aos bancos de dados MySQL e NoSQL, julgue o item a seguir.
Em bancos NoSQL do tipo chave‑valor, como o Redis, os dados são armazenados em pares de chave e valor, e não é possível realizar buscas por valores ou padrões complexos, como em bancos relacionais.
No que concerne ao modelo entidade‑relacionamento e aos bancos de dados MySQL e NoSQL, julgue o item a seguir.
Os bancos de dados NoSQL são indicados para todos os tipos de aplicações, pois eliminam a necessidade de consistência, garantindo sempre alta disponibilidade.
No que concerne ao modelo entidade‑relacionamento e aos bancos de dados MySQL e NoSQL, julgue o item a seguir.
No MySQL, os mecanismos de armazenamento InnoDB e MyISAM oferecem suporte nativo às transações ACID e à integridade referencial.
No que concerne ao modelo entidade‑relacionamento e aos bancos de dados MySQL e NoSQL, julgue o item a seguir.
Em modelos ER, um relacionamento muitos‑para‑muitos entre duas entidades deve ser representado por uma nova entidade associativa com suas próprias chaves.
No que concerne ao modelo entidade‑relacionamento e aos bancos de dados MySQL e NoSQL, julgue o item a seguir.
Em um diagrama entidade‑relacionamento (DER), uma entidade fraca depende de uma entidade forte para existir e é identificada por meio de uma chave parcial.
BI (Business Intelligence) é um conjunto de tecnologias, processos e ferramentas que permitem coletar, tratar, analisar e visualizar dados. A respeito do BI, julgue o item a seguir.
Ferramentas de análise financeira com base em BI permitem a visualização dinâmica de dados contábeis e financeiros, melhorando a tomada de decisão estratégica.
BI (Business Intelligence) é um conjunto de tecnologias, processos e ferramentas que permitem coletar, tratar, analisar e visualizar dados. A respeito do BI, julgue o item a seguir.
O uso de BI nas finanças corporativas está limitado à elaboração de relatórios gerenciais, e não se aplica à análise preditiva de cenários financeiros.
Com base nessa situação hipotética, julgue o item seguinte.
O comando DELETE FROM pacientes WHERE nome = ‘João’; remove o paciente com esse nome e todas as suas consultas automaticamente.
Com base nessa situação hipotética, julgue o item seguinte.
O comando SELECT * FROM consultas WHERE data_consulta > ‘2025‑07‑01’; retorna todas as consultas realizadas antes de 1º de julho de 2025.
Com base nessa situação hipotética, julgue o item seguinte.
Para atualizar o diagnóstico de um paciente, pode‑se usar o comando: UPDATE pacientes SET diagnostico = ‘depressão’ WHERE id = 5;.
Com base nessa situação hipotética, julgue o item seguinte.
O comando SELECT nome FROM pacientes WHERE diagnostico = ‘ansiedade’; retorna os nomes dos pacientes com esse diagnóstico registrado.
Com base nessa situação hipotética, julgue o item seguinte.
O comando INSERT INTO consultas (paciente_ id, data_consulta, terapeuta) VALUES (3, ‘2025‑07‑12’, ‘Dra. Carla’); está incorreto, pois falta o campo observacoes, que deve, obrigatoriamente, ser preenchido.
Essa escolha é tecnicamente justificada pela capacidade intrínseca desse modelo de:
A principal vantagem da escolha inicial pelo data lake reside no fato de que ele permite:
• (Comando 1) Criação de tabela de produtos CREATE TABLE Produto ( id_produto INT PRIMARY KEY, nome VARCHAR(120) NOT NULL, preco NUMERIC(10,2) NOT NULL, quantidade INT NOT NULL );
• (Comando 2) Inserção de dado inicial INSERT INTO Produto (id_produto, nome, preco, quantidade) VALUES (1, 'Mouse Óptico', 49.90, 100);
• (Comando 3) View para produtos sem estoque CREATE VIEW vw_produtos_em_falta AS SELECT id_produto, nome FROM Produto WHERE quantidade = 0;
• (Comando 4) Procedure para atualizar preço CREATE PROCEDURE atualizar_preco(p_id INT, p_preco NUMERIC(10,2)) BEGIN UPDATE Produto SET preco = p_preco WHERE id_produto = p_id; END;
• (Comando 5) Trigger para log de mudanças de preço CREATE TRIGGER trg_log_preco AFTER UPDATE OF preco ON Produto FOR EACH ROW BEGIN INSERT INTO LogAlteracoes(id_produto, campo, valor_antigo, valor_novo, dt_evento) VALUES (OLD.id_produto, 'preco', OLD.preco, NEW.preco, CURRENT_TIMESTAMP); END;
• (Comando 6) Atualização de quantidade UPDATE Produto SET quantidade = quantidade - 1 WHERE id_produto = 1;
• (Comando 7) Remoção de produtos sem estoque DELETE FROM Produto WHERE quantidade = 0;
• (Comando 8) Concessão de permissão de leitura GRANT SELECT ON Produto TO analista;
• (Comando 9) Alteração de esquema da tabela ALTER TABLE Produto ADD COLUMN ativo BOOLEAN DEFAULT TRUE;
• (Comando 10) Revogação de permissão de inserção REVOKE INSERT ON Produto FROM analista;
As instruções do tipo DML são executadas nos comandos:
• campos numéricos com valores negativos que não fazem sentido (como "idade" ou "renda");
• colunas categóricas com múltiplas grafias para a mesma categoria (ex: "PE", "pe", "Pernambuco");
• presença de valores nulos em campos-chave como “renda” e “número de dependentes”;
• valores repetidos na chave primária “ID cliente”.
Com base nas dimensões de qualidade de dados e nas boas práticas de tratamento com Python - especialmente usando Pandas -, é correto afirmar que a:
Conheça nossos planos