Questões de Concurso para DATAPREV | Qconcursos.com

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086091 Banco de Dados

Em um sistema de banco de dados relacional, o script de comandos SQL a seguir especificado foi submetido à execução:
Q70.png (283×218)

A análise do script permite-nos afirmar que a sua execução produzirá um resultado.
Assinale a opção que indica esse resultado.

A

A criação de uma nova coluna “atr4” ao final da execução do script, com as duas tuplas do estado da tabela contendo o valor zero como conteúdo desse novo atributo criado.

B

A criação de uma nova restrição de integridade “atr4” ao final da execução do script, que demanda que valores não nulos sejam inicialmente preenchidos com o valor zero.

C

O comando ALTER TABLE apresentará erro, pois a especificação da linguagem SQL não permite um novo atributo em uma tabela com especificação de não nulo.

D

O comando INSERT não será executado, já que a segunda tupla especificada contém valor nulo no atributo atr3, que necessita ser maior que zero.

E

Um erro sintático de construção do comando ALTER TABLE, pela ausência da especificação da palavra reservada COLUMN após a palavra reservada ADD.

Incorreta. Gabarito oficial da banca:

Veja como esse erro impacta seu desempenho geral. Ver estatísticas

teste

Parabéns! Você acertou!

Esse acerto melhora seu desempenho! Veja suas estatísticas

teste

Q3086090

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086090 Banco de Dados

No âmbito de normalização de bancos de dados relacionais, há o conceito de dependência com a seguinte especificação: “para o esquema de uma relação R, uma restrição que demanda que cada estado r de R apresente uma decomposição de junção não aditiva e não trivial para cada decomposição R_i de R, em que o valor de i varie entre 1 e n, sendo n o número de decomposições de R”.
Esse conceito de dependência, considerando um valor de n maior que dois (n>2), integra a definição da

A

2ª forma normal (2FN).

B

3ª forma normal (3FN).

C

4ª forma normal (4FN).

D

5ª forma normal (5FN).

E

forma normal Boyce-Codd (FNBC).

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

teste

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

teste

Q3086089

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086089 Banco de Dados

Um dos conceitos associados a coleções de objetos de dados e/ou arquivos de sistemas de bancos de dados NoSQL é o de sharding.
Nesse contexto, uma das características de sharding refere-se

A

ao armazenamento de múltiplos itens com timestamps.

B

à conciliação de gravação em operações conflitantes.

C

a não exigência de um esquema prévio de dados.

D

a oferta de uma linguagem de consulta menos poderosa.

E

ao particionamento horizontal dos dados entre nós do sistema.

Incorreta. Gabarito oficial da banca:

Veja esse conteúdo explicado passo a passo em nossos cursos. Buscar curso

teste

Parabéns! Você acertou!

Mandou bem! Revise esse tema nos nossos cursos. Buscar curso

teste

Q3086088

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086088 Sistemas Operacionais

O Apache Spark é uma ferramenta amplamente utilizada para processamento de grandes volumes de dados.
Assinale a opção que o descreve corretamente, assim como suas capacidades e suas funcionalidades.

A

O Apache Spark é um sistema de armazenamento distribuído de arquivos que gerencia grandes volumes de dados por meio de replicação e fragmentação, com foco na segurança e no versionamento dos arquivos.

B

O Apache Spark é um framework de computação distribuída que permite o processamento rápido de grandes volumes de dados, suportando operações em tempo real e por lote, além de fornecer bibliotecas para machine learning e gráficos.

C

O Apache Spark é uma plataforma de análise de dados especializada em bancos de dados relacionais, permitindo consultas SQL em tempo real e fornecendo ferramentas de visualização integradas.

D

O Apache Spark é um sistema de gerenciamento de filas que prioriza a execução de tarefas paralelas em ambientes distribuídos, garantindo que as tarefas sejam executadas de acordo com a capacidade da infraestrutura.

E

O Apache Spark é um sistema de controle de versões distribuído que facilita o gerenciamento colaborativo de projetos de dados e código, permitindo a reversão de alterações e o controle detalhado de permissões.

Incorreta. Gabarito oficial da banca:

Treine mais com um simulado focado no seu concurso. Criar simulado

teste

Parabéns! Você acertou!

Está mandando bem! Treine mais em um simulado completo. Criar simulado

teste

Q3086087

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086087 Sistemas Operacionais

O Apache Hadoop é uma plataforma amplamente utilizada no processamento de grandes volumes de dados. Ele se destaca por sua arquitetura distribuída e capacidade de lidar com grandes conjuntos de dados de forma eficiente.
Com base nas capacidades e funcionalidades do Hadoop, assinale a opção que = descreve corretamente seu funcionamento e aplicação prática.

A

O Hadoop é uma plataforma de banco de dados relacional, que utiliza o SQL para gerenciar grandes volumes de dados de maneira centralizada.

B

O Hadoop possui uma arquitetura distribuída, composta principalmente pelo HDFS (Hadoop Distributed File System) e o MapReduce, permitindo o processamento de grandes volumes de dados de maneira escalável e paralela.

C

O principal componente do Hadoop é o NoSQL, que possibilita o armazenamento de dados não estruturados em um único servidor, sem a necessidade de distribuição.

D

O Hadoop foi projetado para pequenas empresas que possuem volumes reduzidos de dados e não requerem processamento paralelo, destacando-se por sua simplicidade de uso.

E

O Hadoop se limita ao armazenamento de dados em clusters locais, não sendo compatível com ambientes de computação em nuvem ou distribuídos globalmente.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

teste

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

teste

Q3086086

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086086 Programação

Considere o seguinte código em R:

Q65.png (317×137)

É correto afirmar que

A

carrega a biblioteca "ggplot2", carrega o dataset "mpg" e cria um gráfico de barras mostrando a relação entre as variáveis displ e hwy.

B

carrega a biblioteca "ggplot2", carrega o dataset "mpg" e cria um gráfico de pontos mostrando a relação entre as variáveis displ e hwy.

C

cria um histograma da variável displ usando o dataset "mpg".

D

carrega a biblioteca "dplyr", carrega o dataset "mpg" e cria um gráfico de pontos mostrando a relação entre as variáveis displ e hwy.

E

carrega a biblioteca "ggplot2", carrega o dataset "mpg", mas o código contém um erro, então não gera nenhum gráfico.

Incorreta. Gabarito oficial da banca:

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

teste

Parabéns! Você acertou!

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

teste

Q3086085

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086085 Programação

Considere o seguinte código que tenta criar e treinar uma rede neural simples com TensorFlow e Keras. Observe o erro que pode ocorrer ao tentar executá-lo (desconsidere questões de indentação do Pythone):
Q64.png (333×145)

Com base no código, assinale a opção que indica o erro que levaria a uma falha na execução.

A

O modelo não pode ser compilado porque não possui uma função de métrica definida no método compile.

B

O código falhará, pois x_train e y_train não foram definidos ou carregados.

C

O método Dense precisa especificar a função de ativação sigmoid na última camada.

D

O código apresenta erro na função de perda, que deveria ser definida como categorical_crossentropy.

E

A função Sequential deveria ter os parâmetros explicitamente definidos como layers=[].

Incorreta. Gabarito oficial da banca:

Esse erro também aparece no seu Resumão. Veja o que melhorar

teste

Parabéns! Você acertou!

Esse acerto está no seu Resumão. Ver Resumão da semana

teste

Q3086084

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086084 Programação

Considere o código Python abaixo, que utiliza as bibliotecas Pandas e Matplotlib:

Q63.png (307×131)

Com base no código fornecido, assinale a opção que descreve corretamente a sua função.

A

Cria um DataFrame, plota um gráfico de barras verticais com os dados das colunas 'A' e 'B', e exibe o gráfico gerado.

B

Cria um DataFrame, plota um gráfico de dispersão com os dados das colunas 'A' e 'B', e exibe o gráfico gerado.

C

Cria uma série de tempo e plota um gráfico de linha com os valores da série 'A'.

D

Cria um DataFrame, plota um gráfico de barras verticais empilhadas com os dados das colunas 'A' e 'B', e exibe o gráfico gerado.

E

Utiliza o Streamlit para criar uma interface gráfica que exibe um gráfico com os dados das colunas 'A' e 'B'.

Q3086083

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086083 Algoritmos e Estrutura de Dados

Seja o conjunto de dados X apresentado a seguir, em que os atributos “P” e “Q” são preditores, e o atributo “Classe” é o atributo-alvo:

Q62.png (255×118)

Queremos classificar uma nova amostra x=(5.0, 5.0) utilizando o algoritmo clássico dos k vizinhos mais próximos (k-NN), utilizando a distância euclidiana para a determinação de vizinhanças.
Com base nesse algoritmo, e considerando os valores aproximados de √2 ≈ 1,414 e √3 ≈ 2,236, o k-NN retorna como categoria de x

A

a classe A para k=2, pois, como houve empate, a escolha aleatória tende para o início de X.

B

a classe B para k=1, pois a distância para o ponto (4.0, 5.0) é a menor de todas.

C

a classe C para k=1, já que a distância para o ponto (1.0, 1.0) foi eleita por votação.

D

a classe D para k=3, pela aplicação do critério da distância ponderada nas três classes empatada.

E

a nenhuma classe, já que o algoritmo k-NN não opera em conjuntos com dados categóricos.

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

teste

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

teste

Q3086082

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086082 Banco de Dados

Os modelos de dados desempenham um papel fundamental no processo de ETL (Extração, Transformação e Carga), pois são responsáveis por estruturar e organizar as informações de maneira eficiente e consistente. Eles garantem que os dados extraídos de diferentes fontes sejam integrados corretamente, facilitando a transformação e preparação para a análise posterior.
No contexto de modelos de dados em ETL, existe o conceito de tabela de fatos sem fato (factless fact), que se caracteriza por

A

anotar falhas em transações intermediárias.

B

apresentar ausência de medidas.

C

registrar somente medidas que anulam os registros originais de dados.

D

representar um intervalo de tempo regularmente repetido.

E

revelar medições instantâneas em um ponto específico no tempo e espaço.

Incorreta. Gabarito oficial da banca:

Veja esse conteúdo explicado passo a passo em nossos cursos. Buscar curso

teste

Parabéns! Você acertou!

Mandou bem! Revise esse tema nos nossos cursos. Buscar curso

teste

Q3086081

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086081 Engenharia de Software

Support Vector Machines (SVMs) é um método de aprendizado de máquina que pode ser aplicado em áreas como reconhecimento de padrões, bioinformática e detecção de fraudes, devido à sua capacidade de lidar com dados complexos.
Nesse contexto, identificamos que o método SVM

A

adequa-se a problemas de agrupamento de dados multidimensionais.

B

apoia-se no princípio do “kernel trick”, que mapeia explicitamente dados não lineares em outros dados lineares.

C

define margem como sendo a maior saturação de erro (bias) suportada pelo algoritmo na geração de hiperplanos concorrentes.

D

inviabiliza o uso de abordagens para SVMs lineares com margens rígida e suave para utilização em SVMs não lineares em dados linearmente inseparáveis.

E

usa um mapeamento não linear para transformar os dados de treino originais em um espaço de dimensão superior.

Incorreta. Gabarito oficial da banca:

Treine mais com um simulado focado no seu concurso. Criar simulado

teste

Parabéns! Você acertou!

Está mandando bem! Treine mais em um simulado completo. Criar simulado

teste

Q3086080

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086080 Engenharia de Software

A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelos mais confiáveis, permitindo uma avaliação mais precisa de sua capacidade preditiva em diferentes cenários.
Uma das características da validação cruzada com k conjuntos é que esse método

A

considera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos.

B

divide aleatoriamente registros em treinamento e teste em proporções p e (1-p), respectivamente.

C

gera conjuntos cuja interseção é não vazia, utilizados a cada iteração como conjunto de treino e teste.

D

penaliza os conjuntos de treino com k sorteios aleatórios, de modo a torná-lo equilibrado frente ao conjunto de teste.

E

produz o conjunto de treinamento a partir de N sorteios aleatórios com reposição a partir dos dados originais.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

teste

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

teste

Q3086079

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086079 Engenharia de Software

Um conjunto de dados foi particionado em dois subconjuntos, sendo um de treinamento e outro de testagem, ambos utilizados exclusivamente para serem usados em seus objetivos originais (dados de treino para treinamento, e de teste para testagem).
Em relação ao ajuste e validação de modelos em aprendizado de máquina, um modelo sofre overfitting quando

A

apresenta bom desempenho nos dados de treinamento, mas tem baixo desempenho nos dados de teste.

B

é simples demais para capturar os padrões subjacentes nos dados.

C

minimiza o erro nos dados de treinamento e os de teste, aumentando a correlação entre esses dois conjuntos.

D

oferece uma matriz de confusão para um classificador detalhando seu desempenho.

E

relaciona-se aos altos viés e variância do conjunto de dados.

Incorreta. Gabarito oficial da banca:

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

teste

Parabéns! Você acertou!

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

teste

Q3086078

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086078 Programação

Seja o código em R a seguir:

Q57.png (410×291)

Analisando o código apresentado, sem a necessidade de executá-lo, é correto deduzir que

A

a categoria "Móveis" apresentou a menor quantidade de unidades vendidas.

B

a estrutura do data frame inviabiliza o uso da função cor().

C

a função aggregate() revela que a categoria "Eletrônicos" tem o maior total de unidades vendidas.

D

existe uma correlação forte e negativa entre unidades vendidas e receita.

E

o coeficiente de correlação entre unidades vendidas e receita mostrará um valor positivo.

Incorreta. Gabarito oficial da banca:

Esse erro também aparece no seu Resumão. Veja o que melhorar

teste

Parabéns! Você acertou!

Esse acerto está no seu Resumão. Ver Resumão da semana

teste

Q3086077

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086077 Banco de Dados

Considere o seguinte cenário: Uma empresa de telecomunicações está analisando os dados de uso de seus clientes, como frequência de chamadas, uso de dados móveis e envio de mensagens. Ela quer identificar grupos de clientes com comportamentos semelhantes para oferecer promoções personalizadas.
Em uma escolha por uma solução de aprendizado de máquina, o cientista de dados deve observar que, se o aprendizado for

A

híbrido, congregará as características dos modelos supervisionado e não supervisionado, em um modelo ensemble.

B

não supervisionado oferecerá opções como os algoritmos back propagation, K-means e C4.5.

C

não supervisionado demandará uma fase de pósprocessamento que envolve visualização e análise do modelo.

D

supervisionado considerará a abstração de um modelo de conhecimento da forma (entrada, saída desejada).

E

supervisionado, os algoritmos partirão dos dados, buscando relacionamento entre eles.

Incorreta. Gabarito oficial da banca:

Veja como esse erro impacta seu desempenho geral. Ver estatísticas

teste

Parabéns! Você acertou!

Esse acerto melhora seu desempenho! Veja suas estatísticas

teste

Q3086076

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086076 Engenharia de Software

O algoritmo de redução de dimensionalidade conhecido como Análise de Componentes Principais (PCA – Principal Component Analysis) possui características importantes.
Dada a escolha de um número k de componentes principais e um conjunto de dados X com cinco variáveis A, B, C, D e E, o PCA

A

adiciona a média de cada observação para cada dimensão de X, normalizando-a depois pelo desvio-padrão.

B

constrói a matriz de confusão a partir de X, multiplicando-a pelos autovalores de seus vetores originais.

C

escolhe k autovetores aleatórios do conjunto original de dados.

D

preserva as distâncias geodésicas entre os pontos do espaço original dos dados por redução não linear.

E

retorna k combinações lineares dos atributos do conjunto {A,B,C,D,E}.

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

teste

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

teste

Q3086075

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086075 Algoritmos e Estrutura de Dados

Algoritmos de agrupamento podem ser classificados em diferentes categorias. Um algoritmo de agrupamento amplamente utilizado em aprendizado de máquina e mineração de dados é conhecido como K-Means.
O K-Means, em sua versão original, é classificado como um tipo de algoritmo

A

baseado em grade.

B

baseado em grafo.

C

hierárquico.

D

partitivo.

E

por densidade.

Incorreta. Gabarito oficial da banca:

Veja esse conteúdo explicado passo a passo em nossos cursos. Buscar curso

teste

Parabéns! Você acertou!

Mandou bem! Revise esse tema nos nossos cursos. Buscar curso

teste

Q3086074

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086074 Banco de Dados

Considere o seguinte conjunto de transações em uma loja de varejo:

Q53.png (231×173)

A partir desse conjunto de transações, produz-se a regra de associação R: Leite → Pão

Nesse contexto, é correto afirmar que a métrica de R que possui valor igual a 50% é

A

a confiança.

B

o F1 score.

C

a precisão.

D

o recall.

E

o suporte.

Incorreta. Gabarito oficial da banca:

Treine mais com um simulado focado no seu concurso. Criar simulado

teste

Parabéns! Você acertou!

Está mandando bem! Treine mais em um simulado completo. Criar simulado

teste

Q3086073

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086073 Estatística

A companhia aérea Flying to the Moon sabe que o peso das bagagens despachadas por passageiro é uma variável aleatória com média μ=20 kg e desvio padrão σ=5 kg. Em um voo com capacidade máxima de 100 passageiros, todos os assentos estão ocupados.
Observações:

• Considere que a distribuição da soma pode ser aproximada por uma distribuição normal; • Nomeando de Z a variável padronizada (escore-z), utilize a tabela a seguir, se julgar necessário.

Q52.png (163×150)

A probabilidade de que o peso total das bagagens neste voo exceda 2100 kg, e assim, ultrapasse o limite de segurança estabelecido, é igual a

A

97,72%

B

50%

C

0,9772%

D

2,28%

E

4,55%

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

teste

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

teste

Q3086072

Ano: 2024 Banca: FGV Órgão: DATAPREV Prova: FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |

Q3086072 Estatística

Seja X uma variável aleatória discreta com a seguinte distribuição de probabilidade:

Q51.png (242×97)

A variância de X é igual a

A

5,9

B

0,61

C

2,3

D

5,29

E

0,66

Incorreta. Gabarito oficial da banca:

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

teste

Parabéns! Você acertou!

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

teste

🚀 Mais performance?

🚀 Mais performance?

Foram encontradas 3.151 questões

Resolva questões gratuitamente!

, continue estudando de graça!