Em arquiteturas de dados que seguem o padrão de medallion architecture, a ingestão de dados provenientes de sistemas transacionais é frequentemente realizada de forma incremental para minimizar o impacto nos bancos de produção. Uma das abordagens comuns utiliza ferramentas de CDC (change data capture) acopladas a sistemas de mensageria para alimentar um data lake ou cloud data warehouse. A esse respeito, julgue o item a seguir.

No contexto de arquiteturas de dados modernas para auditoria e inteligência, a implementação de CDC integrada a um modelo ELT permite que os eventos de alteração de dados (DML) sejam ingeridos e persistidos no repositório central em seus formatos semiestruturados originais.

A partir das informações apresentadas e do trecho de código SQL precedente, julgue o item a seguir.

No que concerne à manipulação de dados em larga escala e à organização de consultas SQL, a utilização da CTE (common table expression) apresentada a seguir para encapsular a lógica de ranking é semanticamente equivalente à consulta SQL apresentada, pois ambas as abordagens produzem o mesmo resultado lógico ao isolar a versão mais recente de cada contrato, sob a premissa de que a coluna data_atualizacao permita uma ordenação unívoca para cada id_contrato.

A partir das informações apresentadas e do trecho de código SQL precedente, julgue o item a seguir.

No contexto de uma arquitetura de inteligência da informação para auditoria de dados, a consulta SQL apresentada utiliza a função de janela ROW_NUMBER() para segmentar os registros por contrato e ordená-los cronologicamente de forma decrescente; essa abordagem é eficaz para identificar a versão mais recente de cada contrato em uma tabela de CDC, sob a condição de que a coluna data_atualizacao tenha granularidade suficiente para garantir uma ordenação unívoca, evitando que registros distintos de um mesmo contrato apresentem o exato mesmo marcador temporal.

A respeito de dados estruturados e não estruturados, de banco de dados NoSQL, de modelagem e normalização de dados e de Big Data, julgue o item a seguir.

Sabendo-se que, no contexto da implementação de uma arquitetura de Big Data, o uso de um data lake distribuído para o armazenamento de dados brutos favorece a escalabilidade horizontal e a flexibilidade de esquemas, a adoção de formatos de arquivo colunares, como o Apache Parquet, é uma prática recomendada para otimizar a performance de leitura e reduzir o consumo de armazenamento por meio de técnicas de compressão e codificação eficientes.

A respeito de dados estruturados e não estruturados, de banco de dados NoSQL, de modelagem e normalização de dados e de Big Data, julgue o item a seguir.

No que se refere à tipologia de dados, documentos em HTML são classificados como dados estruturados, uma vez que a utilização de tags de marcação define rigidamente a organização e o esquema dos dados, de forma equivalente à estrutura de tabelas em bancos de dados relacionais.

A respeito de dados estruturados e não estruturados, de banco de dados NoSQL, de modelagem e normalização de dados e de Big Data, julgue o item a seguir.

Considere uma tabela em um banco de dados relacional com o esquema R(A, B, C, D), em que {A, B} constitui a chave primária. Considere, também, que não existam dependências parciais, que o atributo C seja determinado pela chave {A, B} e que o atributo D tenha uma dependência funcional em relação a C (C → D). Nesse caso, conclui-se corretamente que a tabela encontra-se na terceira forma normal (3FN). 

De acordo com o DAMA‐DMBoK, a modelagem de dados é o processo de descoberta, análise e delimitação dos requisitos de dados de forma iterativa, podendo incluir modelo conceitual, lógico e físico, de forma a representar e comunicar esses requisitos de dados.

O PROC SQL integra o software Base SAS e pode ser usado com qualquer conjunto de dados SAS. 

Modelos de regressão linear são métodos estocásticos para modelagem da relação entre variáveis aleatórias e uma função polinomial. 

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.

Enquanto um falso positivo é um erro do tipo 2, um falso negativo é um erro do tipo 1. 

Histograma é uma representação da distribuição dos dados de certa base, conforme um ou mais atributos desses dados, por meio de um gráfico de barras. 

Uma anomalia é um valor discrepante, ou seja, um valor que se localiza significativamente distante dos valores considerados normais. 

Na metodologia CRISP-DM, a preparação dos dados serve para limpá-los, tratando valores ausentes, outliers e inconsistências.

Em mineração de dados, dado ruidoso é aquele cujo valor está fora do domínio do atributo.

O k-means é um algoritmo iterativo de agrupamento baseado em centroides, isto é, ele divide um conjunto de dados em grupos semelhantes com base na distância entre seus centroides.

No contexto de regras de associação, o conceito de confiança refere-se à expectativa de que um dado, grupo ou banco de dados atue da maneira esperada em dada situação.

É chamado de esquema estrela o conjunto formado por uma tabela de fatos, várias tabelas de dimensão e chaves estrangeiras que relacionam dados da tabela de fatos aos dados das tabelas de dimensão.

Em um data warehouse, o armazenamento orientado à transação não necessita de múltiplas operações de entrada e saída para carregar dados no banco de dados. 

A execução de comandos DML, como UPDATE e DELETE, sem cláusula WHERE pode resultar em operações em massa que afetam toda a tabela, podendo comprometer a integridade lógica dos dados.