Questões de Concurso
Comentadas para fiocruz
Foram encontradas 3.522 questões
Resolva questões gratuitamente!
Junte-se a mais de 4 milhões de concurseiros!
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331517
Sistemas de Informação
Considerando o avanço recente dos modelos de Processamento de Linguagem Natural (PLN) e a necessidade
crescente de processar e sumarizar grandes volumes de
documentos de forma eficiente, você foi encarregado de
desenvolver uma aplicação capaz de sumarizar automaticamente documentos clínicos, proporcionando aos
profissionais de saúde acessos mais rápidos e precisos às
informações relevantes dos pacientes. Um aspecto primordial no desenvolvimento de aplicações de sumarização é
a avaliação dos sumários gerados, na medida em que os
usuários passam a confiar nesses sumários para tomada
de decisão.
Sobre avaliação de sumários, a opção que NÃO apresenta um modelo adequado para esta tarefa é:
Sobre avaliação de sumários, a opção que NÃO apresenta um modelo adequado para esta tarefa é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331516
Saúde Pública
O uso de Large Language Models (LLMs) na área da
saúde, como GPT e BERT, oferece um vasto campo de
possibilidades para inovação. Atualmente, é possível criar
uma série de aplicações que fazem uso dessas LLMs,
variando desde melhorias da qualidade e acessibilidade
a conhecimentos até o apoio a novas pesquisas na área.
Entre as opções abaixo, aquela que apresenta uma iniciativa que NÃO pode ser baseada no uso de LLMs é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331515
Ciência e Tecnologia
A evolução das tecnologias de Inteligência Artificial,
especialmente no campo do Processamento de Linguagem
Natural (PLN), tem sido marcada por inovações significativas que transformaram a maneira como as máquinas entendem e geram linguagem humana. Uma dessas inovações
é a arquitetura de Transformers, introduzida pelo artigo
Attention is All You Need em 2017, superando as limitações
das abordagens anteriores baseadas em Redes Neurais
Recorrentes (RNNs) e tornando-se a base fundamental
para o surgimento dos Large Language Models (LLMs).
Sobre essa arquitetura, pode-se afirmar que:
Sobre essa arquitetura, pode-se afirmar que:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331514
Programação
Você é um cientista de dados trabalhando em um projeto
de pesquisa em saúde que envolve a análise de relatórios
médicos utilizando técnicas de Processamento de Linguagem Natural (PLN). Parte do seu trabalho é explorar as
relações semânticas entre diferentes condições de saúde
utilizando um modelo pré-treinado de word embeddings em
português, focado na área da saúde. Você decide investigar
a relação entre diferentes doenças e tratamentos.
Seja o seguinte código Python, que utiliza a biblioteca gensim e um modelo hipotético de word embeddings denominado modelo_saude.bin especializado em termos médicos em português:
import numpy as np from gensim.models import KeyedVectors
def calcular_similaridade(vetor_a, vetor_b): numerador = np.dot(vetor_a, vetor_b) denominador = np.linalg.norm(vetor_a) *
np.linalg.norm(vetor_b) similaridade = numerador / denominador return similaridade
mo del = Ke yed Vectors. load_ word 2vec _ format(‘modelo_saude.bin’, binary=True) vetor_diabetes = model[‘diabetes’] vetor_hipertensao = model[‘hipertensão’] vetor_insulina = model[‘insulina’]
vetor_diabetes_ajustado = vetor_diabetes + vetor_insulina vetor_hipertensao_ajustado = vetor_hipertensao + vetor_insulina
similaridade = calcular_similaridade(vetor_ diabetes_ajustado, vetor_hipertensao_ajustado) print(f”Similaridade: {similaridade}”)
Utilizando o modelo hipotético model_saude.bin, o resultado mostrado pelo código foi de 0.7036085724830627. Baseado no cenário descrito, no código fornecido e no resultado mostrado, a opção que melhor descreve o que está sendo calculado e o significado do resultado é:
Seja o seguinte código Python, que utiliza a biblioteca gensim e um modelo hipotético de word embeddings denominado modelo_saude.bin especializado em termos médicos em português:
import numpy as np from gensim.models import KeyedVectors
def calcular_similaridade(vetor_a, vetor_b): numerador = np.dot(vetor_a, vetor_b) denominador = np.linalg.norm(vetor_a) *
np.linalg.norm(vetor_b) similaridade = numerador / denominador return similaridade
mo del = Ke yed Vectors. load_ word 2vec _ format(‘modelo_saude.bin’, binary=True) vetor_diabetes = model[‘diabetes’] vetor_hipertensao = model[‘hipertensão’] vetor_insulina = model[‘insulina’]
vetor_diabetes_ajustado = vetor_diabetes + vetor_insulina vetor_hipertensao_ajustado = vetor_hipertensao + vetor_insulina
similaridade = calcular_similaridade(vetor_ diabetes_ajustado, vetor_hipertensao_ajustado) print(f”Similaridade: {similaridade}”)
Utilizando o modelo hipotético model_saude.bin, o resultado mostrado pelo código foi de 0.7036085724830627. Baseado no cenário descrito, no código fornecido e no resultado mostrado, a opção que melhor descreve o que está sendo calculado e o significado do resultado é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331513
Noções de Informática
Entre as observações abaixo sobre a técnica de Word
Embeddings e sua importância em modelos de Processamento de Linguagem Natural (PLN), a que está correta é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331512
Programação
Observe o código Python abaixo, que utiliza a biblioteca NLTK para tarefas de Processamento de Linguagem
Natural.
import nltk nltk.download(‘punkt’) from nltk.tokenize import word_tokenize
texto = “Fundação Oswaldo Cruz (Fiocruz): Ciência e tecnologia em saúde para a população brasileira.” tokens = word_tokenize(texto)
contador = 0 resultado = 0 while contador < len(tokens): for letra in tokens[contador]: if letra.upper() in ‘FIOCRUZ’: resultado += 1 contador += 1
O valor da variável resultado, ao final da execução do código, é:
import nltk nltk.download(‘punkt’) from nltk.tokenize import word_tokenize
texto = “Fundação Oswaldo Cruz (Fiocruz): Ciência e tecnologia em saúde para a população brasileira.” tokens = word_tokenize(texto)
contador = 0 resultado = 0 while contador < len(tokens): for letra in tokens[contador]: if letra.upper() in ‘FIOCRUZ’: resultado += 1 contador += 1
O valor da variável resultado, ao final da execução do código, é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331511
Noções de Informática
O Processamento de Linguagem Natural (PLN) busca
melhorar a capacidade das máquinas de entender e interagir com a linguagem humana de forma natural e semanticamente adequada. Ao longo dos anos, a evolução
dos modelos de Machine Learning tem desempenhado um
papel fundamental nesse processo, permitindo avanços
significativos em tarefas como tradução automática, análise
de sentimentos e assistentes virtuais. Esses modelos dependem de uma série de técnicas de pré-processamento
para transformar texto bruto em formas que possam ser
eficientemente analisadas e compreendidas. Numere a
2ª coluna pela primeira, considerando as técnicas e as
respectivas definições.
COLUNA 1
(1) Tokenização, (2) POS Tagging, (3) Stemização, (4) Lematização e (5) Chunking.
COLUNA 2
( ) Técnica que transforma uma palavra para sua forma de dicionário, considerando o contexto, a classe gramatical e outras características linguísticas.
( ) Trata de dividir o texto em unidades menores, como palavras ou partes de palavras, transformando o texto bruto e preparando-o para ser manipulado por algoritmos de PLN.
( ) Refere-se a reduzir as palavras para suas formas radicais, facilitando a análise de padrões comuns em diferentes variações da mesma palavra.
( ) Técnica de atribuir a cada palavra em um texto a sua classe morfossintática, como substantivos, verbos, adjetivos, etc.
( ) Trata de dividir um texto em segmentos mais curtos, como conjuntos de palavras ou seções de um texto, que serão tratados separadamente em processos posteriores como, por exemplo, vetorização.
A sequência correta, de cima para baixo, é:
COLUNA 1
(1) Tokenização, (2) POS Tagging, (3) Stemização, (4) Lematização e (5) Chunking.
COLUNA 2
( ) Técnica que transforma uma palavra para sua forma de dicionário, considerando o contexto, a classe gramatical e outras características linguísticas.
( ) Trata de dividir o texto em unidades menores, como palavras ou partes de palavras, transformando o texto bruto e preparando-o para ser manipulado por algoritmos de PLN.
( ) Refere-se a reduzir as palavras para suas formas radicais, facilitando a análise de padrões comuns em diferentes variações da mesma palavra.
( ) Técnica de atribuir a cada palavra em um texto a sua classe morfossintática, como substantivos, verbos, adjetivos, etc.
( ) Trata de dividir um texto em segmentos mais curtos, como conjuntos de palavras ou seções de um texto, que serão tratados separadamente em processos posteriores como, por exemplo, vetorização.
A sequência correta, de cima para baixo, é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331510
Noções de Informática
As Redes Neurais Recorrentes (RNNs) são projetadas
para processar dados sequenciais ou temporais, destacando-se pela sua capacidade de reter memória de entradas
anteriores através de loops internos na sua arquitetura.
Entre os algoritmos mais utilizados, destacam-se o Long
Short-Term Memory (LSTM) e o Gated Recurrent Unit
(GRU), ambos projetados para preservar informações ao
longo do tempo e superar o desafio do desaparecimento
do gradiente. Além disso, técnicas fundamentais como
softmax, backpropagation e o processo feedforward são
fundamentais para o treinamento e a eficácia das RNNs.
Acerca dessas técnicas, a opção que apresenta uma observação INCORRETA é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331508
Programação
O scikit-learn é uma biblioteca de aprendizado de máquina para Python que fornece uma ampla variedade de
classes e funções para análise de dados e modelagem de
Machine Learning. Ele inclui algoritmos para classificação,
regressão, clusterização, redução de dimensionalidade,
seleção de modelos, pré-processamento de dados, entre
outros.
Entre as opções abaixo, a que apresenta corretamente a combinação de classes e funções do scikit-learn usadas para implementar regressão do tipo polinomial e classificação com árvores de decisão é:
Entre as opções abaixo, a que apresenta corretamente a combinação de classes e funções do scikit-learn usadas para implementar regressão do tipo polinomial e classificação com árvores de decisão é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331507
Noções de Informática
Modelos de Machine Learning (ML) são parte fundamental do conhecimento no campo de um cientista de
dados, objetivando a compreensão de padrões complexos
e a tomada de decisão baseada em dados. Esses modelos
permitem que cientistas de dados transformem grandes
volumes de dados brutos em insights acionáveis, previsões
e recomendações com precisão que frequentemente supera
análises tradicionais.
Considerando a base de dados contendo projetos, pesquisadores, publicações e financiamentos, diversos modelos de aprendizado de máquina podem ser criados. Entre as opções abaixo, a que apresenta uma relação INCORRETA entre objetivo, tipo de aprendizado e tipo de algoritmo de aprendizado de máquina é:
Considerando a base de dados contendo projetos, pesquisadores, publicações e financiamentos, diversos modelos de aprendizado de máquina podem ser criados. Entre as opções abaixo, a que apresenta uma relação INCORRETA entre objetivo, tipo de aprendizado e tipo de algoritmo de aprendizado de máquina é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331504
Programação
Quando se trabalha com grandes conjuntos de dados
no Pandas, a eficiente alocação de memória torna-se crucial
para manter um bom desempenho e evitar o esgotamento
dos recursos do sistema. Dado este desafio, analise as
opções abaixo para otimizar o uso da memória ao manipular
grandes volumes de dados com Pandas.
I. Empregar categorias para dados textuais repetitivos ao invés de strings.
II. Segmentar os dados em chunks menores durante a leitura de arquivos grandes, utilizando o parâmetro chunksize no read_csv.
III. Fazer uso intensivo de operações inplace.
Sobre as afirmativas acima, pode-se dizer que:
I. Empregar categorias para dados textuais repetitivos ao invés de strings.
II. Segmentar os dados em chunks menores durante a leitura de arquivos grandes, utilizando o parâmetro chunksize no read_csv.
III. Fazer uso intensivo de operações inplace.
Sobre as afirmativas acima, pode-se dizer que:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde |
Q3331503
Banco de Dados
O campo da Ciência de Dados é dinâmico e está em
constante evolução, com o desenvolvimento de tecnologias
e ferramentas que tornam a análise de dados mais eficiente
e acessível. Uma dessas ferramentas é a biblioteca Pandas
para a linguagem de programação Python. Por ser uma
biblioteca de análise de dados conhecida principalmente
por suas estruturas de dados poderosas que facilitam a
manipulação de dados, como dataframes, é amplamente
utilizada em processos de ETL (Extract, Transform and
Load) por engenheiros e cientistas de dados que necessitam pré-processar e transferir dados entre plataformas de
dados, como, por exemplo, bancos de dados relacionais e
Data Lakes.
Considere o seguinte código Python que implementa parte de um ETL sobre a tabela Financiamento.
import pandas as pd from sqlalchemy import create_engine from datetime import datetime
engine = create_engine(“postgresql:// postgres:postgres@localhost:5432/bd_pesquisa”) query = “SELECT * FROM Financiamento” df = pd.read_sql_query(con=engine.connect(), sql=sql_text(query)) df[‘data_inicio’] = pd.to_datetime(df[‘data_ inicio’]).dt.strftime(‘%d/%m/%Y’) df[‘data_fim’] = pd.to_datetime(df[‘data_ fim’]).dt.strftime(‘%d/%m/%Y’) df.to_csv(‘financiamentos_transformados.csv’, index=False)
Observe as afirmativas a seguir sobre a execução do código.
I. O código se conecta a um banco de dados PostgreSQL usando a biblioteca SQLAlchemy e extrai todos os dados da tabela Financiamento.
II. As colunas data_inicio e data_fim são transformadas para o formato DD/MM/AAAA, mas esses dados não são atualizados no banco de dados.
III. O dataframe resultante da transformação é salvo em um arquivo CSV chamado financiamentos_transformados.csv na máquina local, incluindo o índice do datadrame como uma coluna adicional.
Sobre as afirmativas acima, pode-se dizer que:
Considere o seguinte código Python que implementa parte de um ETL sobre a tabela Financiamento.
import pandas as pd from sqlalchemy import create_engine from datetime import datetime
engine = create_engine(“postgresql:// postgres:postgres@localhost:5432/bd_pesquisa”) query = “SELECT * FROM Financiamento” df = pd.read_sql_query(con=engine.connect(), sql=sql_text(query)) df[‘data_inicio’] = pd.to_datetime(df[‘data_ inicio’]).dt.strftime(‘%d/%m/%Y’) df[‘data_fim’] = pd.to_datetime(df[‘data_ fim’]).dt.strftime(‘%d/%m/%Y’) df.to_csv(‘financiamentos_transformados.csv’, index=False)
Observe as afirmativas a seguir sobre a execução do código.
I. O código se conecta a um banco de dados PostgreSQL usando a biblioteca SQLAlchemy e extrai todos os dados da tabela Financiamento.
II. As colunas data_inicio e data_fim são transformadas para o formato DD/MM/AAAA, mas esses dados não são atualizados no banco de dados.
III. O dataframe resultante da transformação é salvo em um arquivo CSV chamado financiamentos_transformados.csv na máquina local, incluindo o índice do datadrame como uma coluna adicional.
Sobre as afirmativas acima, pode-se dizer que:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Tecnologias aplicadas à Pesquisa em Saúde e Processos Biotecnológicos |
Q3331500
Legislação Federal
Segundo o Art. 12 da Lei nº 11.540, de 12 de novembro
de 2027, os recursos do FNDCT referentes às receitas
previstas no Art. 10 desta Lei poderão ser aplicados nas
seguintes modalidades, EXCETO:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Tecnologias aplicadas à Pesquisa em Saúde e Processos Biotecnológicos |
Q3331499
Administração Pública
O Fundo Nacional de Desenvolvimento Científico e
Tecnológico (FNDCT), instituído pelo Decreto-Lei nº 719,
de 31 de julho de 1969, e restabelecido pela Lei nº 8.172,
de 18 de janeiro de 1991, é um fundo especial de natureza
contábil e financeira e tem o objetivo de financiar a inovação
e o desenvolvimento científico e tecnológico com vistas a
promover o desenvolvimento econômico e social do País.
O órgão público que gerencia o FNDCT é:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Tecnologias aplicadas à Pesquisa em Saúde e Processos Biotecnológicos |
Q3331498
Legislação Federal
A Lei nº 11.196 de 21 de novembro de 2005, conhecida
como a Lei do Bem, tem como objetivo estimular as empresas a desenvolverem internamente atividades de pesquisa
tecnológica e desenvolvimento de inovação tecnológica
quer na concepção de novos produtos e/ou na agregação
de novas funcionalidades ou características ao produto ou
processo. Os incentivos fiscais à inovação tecnológica, da
Lei do Bem, podem incidir sobre:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Tecnologias aplicadas à Pesquisa em Saúde e Processos Biotecnológicos |
Q3331497
Técnicas em Laboratório
Em relação à infraestrutura necessária à pesquisa
biotecnológica, o nível de biossegurança requerido para
o laboratório vai depender da Classificação de Risco do
microrganismo patogênico manipulado. A elaboração e
a atualização da classificação dos agentes biológicos
com potencial risco à saúde humana é uma atribuição da
Comissão de Biossegurança em Saúde (CBS), do Ministério
da Saúde. A classificação de risco dos agentes biológicos
oficial foi aprovada por meio da publicação da Portaria GM/
MS n° 3.398, de 07 de dezembro de 2021, no Diário Oficial
da União, e classifica os microrganismos em classes de 1 a
4, sendo a classe 1 a de menor risco e a classe 4 a de maior
risco. Em relação a Classificação de Risco, supracitada,
avalie as afirmativas abaixo:
I. Classe de risco 1: risco individual e para a comunidade é baixo, ou seja, são microrganismos que têm baixa probabilidade de provocar infecções no homem ou em animais, como por exemplo o Bacillus subtilis.
II. Classe de risco 2: risco individual é moderado e para a comunidade é limitado. São microrganismos que podem provocar infecções, porém, dispõe-se de medidas terapêuticas e profiláticas eficientes, sendo o risco de propagação limitado, como por exemplo Vírus da Febre Amarela e Schistosoma mansoni.
III. Classe de risco 3: risco individual é alto e para a comunidade é moderado. O patógeno pode provocar infecções no homem e nos animais graves, podendo se propagar de indivíduo para indivíduo, porém existem medidas terapêuticas e de profilaxia, como por exemplo o vírus Marburg.
IV. Classe de risco 4: risco individual e para a comunidade é alto. São microrganismos que representam sério risco para o homem e para os animais, sendo altamente patogênicos, de fácil propagação, não existindo medidas profiláticas ou terapêuticas, como por exemplos o Vírus da Encefalite Equina Venezuelana e Mycobacterium tuberculosis.
Sobre as afirmativas é correto afirmar que são corretas, apenas:
I. Classe de risco 1: risco individual e para a comunidade é baixo, ou seja, são microrganismos que têm baixa probabilidade de provocar infecções no homem ou em animais, como por exemplo o Bacillus subtilis.
II. Classe de risco 2: risco individual é moderado e para a comunidade é limitado. São microrganismos que podem provocar infecções, porém, dispõe-se de medidas terapêuticas e profiláticas eficientes, sendo o risco de propagação limitado, como por exemplo Vírus da Febre Amarela e Schistosoma mansoni.
III. Classe de risco 3: risco individual é alto e para a comunidade é moderado. O patógeno pode provocar infecções no homem e nos animais graves, podendo se propagar de indivíduo para indivíduo, porém existem medidas terapêuticas e de profilaxia, como por exemplo o vírus Marburg.
IV. Classe de risco 4: risco individual e para a comunidade é alto. São microrganismos que representam sério risco para o homem e para os animais, sendo altamente patogênicos, de fácil propagação, não existindo medidas profiláticas ou terapêuticas, como por exemplos o Vírus da Encefalite Equina Venezuelana e Mycobacterium tuberculosis.
Sobre as afirmativas é correto afirmar que são corretas, apenas:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Tecnologias aplicadas à Pesquisa em Saúde e Processos Biotecnológicos |
Q3331496
Administração Geral
Uma ferramenta surgiu no Japão como ferramenta de
gestão de qualidade, e com o passar do tempo passou a
ser aplicada em diversas áreas (inclusive no gerenciamento
de projetos). A metodologia se configura nas respostas de
simples perguntas, com a finalidade de concentrar os esforços nas ações mais importantes. Desta forma, é muito
usada para o controle de tarefas e prazos, ajudando na
confecção de cronogramas mais adequados aos projetos
e na correta aferição dos resultados. A ferramenta descrita
acima é chamada de:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Tecnologias aplicadas à Pesquisa em Saúde e Processos Biotecnológicos |
Q3331495
Gerência de Projetos
As ferramentas de gestão de projetos são usadas para
definir o escopo de trabalho, alocar recursos e dividir as
responsabilidades, com foco em agilizar todas as etapas
para alcançar o resultado desejado do projeto de pesquisa.
A ferramenta de gestão de projeto que costuma ser feita
em um papel ou quadro branco, onde postites representam
cada tarefa que precisa ser executada e as colunas são
os estágios de fluxos que as tarefas percorrerão, possibilitando a identificação dos gargalos entre as etapas e a
consequente melhoria constante, é chamada de:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Tecnologias aplicadas à Pesquisa em Saúde e Processos Biotecnológicos |
Q3331494
Direito Administrativo
De acordo com a Lei nº 14.133 o processo licitatório
observar-se-á o seguinte, EXCETO:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Tecnologias aplicadas à Pesquisa em Saúde e Processos Biotecnológicos |
Q3331493
Direito Administrativo
A legislação de contratos e licitações atual observa os
princípios da legalidade, da impessoalidade, da moralidade,
da publicidade, da eficiência, do interesse público, da probidade administrativa, da igualdade, do planejamento, da
transparência, da eficácia, da segregação de funções, da
motivação, da vinculação ao edital, do julgamento objetivo,
da segurança jurídica, da razoabilidade, da competitividade,
da proporcionalidade, da celeridade, da economicidade e
do desenvolvimento nacional sustentável. Neste sentido,
o termo de referência é um documento:
Conheça nossos planos