Selecionar segmento
Estude com questões de diferentes segmentos
Atenção: Isso limpará todos os campos já preenchidos no filtro!
Foram encontradas 4.648 questões
Resolva questões gratuitamente!
Junte-se a mais de 4 milhões de concurseiros!
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952857
Banco de Dados
Considere o código em SQL a seguir.
A execução desse código retornará
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952856
Banco de Dados
Considere uma tabela chamada Livros com as colunas id (int), autor (varchar) e ano (int). Sabe-se que
alguns livros não são datados, resultando em valores NULL na coluna ano. Considere o seguinte comando
SQL:
SELECT * FROM Livros WHERE ano <> 1854;
Ao ser executado, esse comando retornará
SELECT * FROM Livros WHERE ano <> 1854;
Ao ser executado, esse comando retornará
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952855
Programação
Sobre as características fundamentais do modelo de dados e da tipagem, é correto afirmar que o
Python 3 é uma linguagem
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952854
Banco de Dados
Com relação aos conceitos e tipos ELT e ETL de pipeline de dados, analise as afirmativas a seguir.
I. A abordagem ELT é recomendada para tarefas relacionadas a LGPD porque realiza a limpeza de dados sensíveis antes que eles atinjam o sistema de destino, reduzindo riscos de segurança e economizando espaço de armazenamento.
II. No processo ETL, o conjunto de dados completo e sem tratamento é carregado diretamente no sistema de destino. Como há apenas uma etapa, e ela ocorre apenas uma vez, o carregamento no processo ETL é mais rápido do que no ELT.
III. Na abordagem ELT, é possível aproveitar o poder de processamento distribuído e a escalabilidade elástica do data warehouse de destino para realizar transformações via SQL, eliminando a necessidade de um servidor de processamento intermediário.
É verdadeiro o que é afirmado em
I. A abordagem ELT é recomendada para tarefas relacionadas a LGPD porque realiza a limpeza de dados sensíveis antes que eles atinjam o sistema de destino, reduzindo riscos de segurança e economizando espaço de armazenamento.
II. No processo ETL, o conjunto de dados completo e sem tratamento é carregado diretamente no sistema de destino. Como há apenas uma etapa, e ela ocorre apenas uma vez, o carregamento no processo ETL é mais rápido do que no ELT.
III. Na abordagem ELT, é possível aproveitar o poder de processamento distribuído e a escalabilidade elástica do data warehouse de destino para realizar transformações via SQL, eliminando a necessidade de um servidor de processamento intermediário.
É verdadeiro o que é afirmado em
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952853
Noções de Informática
No programa Microsoft Excel 365, versão desktop em Português (Brasil) para Windows, um analista
inseriu os seguintes valores em uma planilha:
Célula A1: 10
Célula A2: 20
Célula A3: 30
Célula A4: 10
Após digitar a fórmula =SOMA($A$1:A2) na célula B1, o analista utilizou a alça de preenchimento para arrastar a fórmula da célula B1 até a célula B3. O resultado exibido na célula B3 será
Célula A1: 10
Célula A2: 20
Célula A3: 30
Célula A4: 10
Após digitar a fórmula =SOMA($A$1:A2) na célula B1, o analista utilizou a alça de preenchimento para arrastar a fórmula da célula B1 até a célula B3. O resultado exibido na célula B3 será
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952852
Noções de Informática
Considere o fragmento de planilha abaixo, elaborado no programa Microsoft Excel 365, versão desktop
em Português (Brasil) para Windows.
Se a fórmula =SOMARPRODUTO(- -(B2:B6="Alimentos");C2:C6;D2:D6) for inserida na célula C7, o resultado a ser apresentado nessa célula será
Se a fórmula =SOMARPRODUTO(- -(B2:B6="Alimentos");C2:C6;D2:D6) for inserida na célula C7, o resultado a ser apresentado nessa célula será
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952851
Gerência de Projetos
No framework Kanban, a métrica ágil Lead Time refere-se
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952850
Programação
Considere o código em Python 3 a seguir.
O resultado da execução desse código será
O resultado da execução desse código será
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952849
Programação
Considere o código em Python 3 a seguir.
a = [2,4,3]
b = a[:]
c = a
a.append(7)
print(b + c)
O resultado da execução desse código será
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952848
Banco de Dados
Os comandos DROP e TRUNCATE da linguagem de consulta estruturada (SQL) pertencem à categoria
de comandos
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952847
Banco de Dados
Em relação aos repositórios de dados data lake e data warehouse em arquiteturas de Big Data, analise
as afirmativas a seguir.
I. Um data lake é caracterizado por priorizar a ingestão de dados em seu formato original, permitindo armazenar dados estruturados, semiestruturados e não estruturados, com uso de abordagens de schema-on-read.
II. Um data warehouse adota schema-on-write, exigindo modelagem prévia, como esquemas em estrela ou floco de neve, para suportar consultas analíticas otimizadas.
III. A simples adoção de schema-on-write em um data lake o caracteriza automaticamente como um data warehouse.
É verdadeiro o que se afirma em
I. Um data lake é caracterizado por priorizar a ingestão de dados em seu formato original, permitindo armazenar dados estruturados, semiestruturados e não estruturados, com uso de abordagens de schema-on-read.
II. Um data warehouse adota schema-on-write, exigindo modelagem prévia, como esquemas em estrela ou floco de neve, para suportar consultas analíticas otimizadas.
III. A simples adoção de schema-on-write em um data lake o caracteriza automaticamente como um data warehouse.
É verdadeiro o que se afirma em
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952846
Engenharia de Software
No Extreme Programming (XP), práticas que dão suporte à propriedade coletiva do código incluem
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952845
Gerência de Projetos
Em relação aos eventos do Scrum, analise as afirmativas a seguir.
I. A Sprint Review tem como foco principal identificar melhorias no processo de trabalho e definir ações de aprimoramento para a próxima Sprint.
II. O Scrum master tem autoridade para cancelar uma Sprint quando avalia que a Meta da Sprint se tornou obsoleta.
III. A Daily Scrum tem como propósito inspecionar o progresso em direção à Meta da Sprint e ajustar o Sprint Backlog conforme necessário.
É verdadeiro o que se afirma em
I. A Sprint Review tem como foco principal identificar melhorias no processo de trabalho e definir ações de aprimoramento para a próxima Sprint.
II. O Scrum master tem autoridade para cancelar uma Sprint quando avalia que a Meta da Sprint se tornou obsoleta.
III. A Daily Scrum tem como propósito inspecionar o progresso em direção à Meta da Sprint e ajustar o Sprint Backlog conforme necessário.
É verdadeiro o que se afirma em
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952844
Sistemas de Informação
No que tange a preparação de dados no Power Query, a linguagem M é utilizada para
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952843
Banco de Dados
No âmbito de Business Intelligence, sistemas OLAP são projetados para
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952842
Arquitetura de Software
Com relação à ingestão de dados via filas de mensagens em pipelines de dados, considere o cenário a
seguir. Um pipeline consome eventos de uma fila de mensagens que pode entregar mensagens fora de
ordem e com política de entrega “pelo menos uma vez”, o que pode ocasionar o recebimento do mesmo
evento mais de uma vez. Nesse contexto, a medida mais adequada para evitar efeitos duplicados no
processamento é
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952841
Noções de Informática
Com relação à orquestração de dados, analise as afirmativas a seguir.
I. Um agendador baseado em tempo, como o cron, dispara tarefas conforme um horário configurado.
II. Um sistema de orquestração pode iniciar tarefas quando as dependências de um grafo acíclico direcionado (DAG) são satisfeitas e pode sinalizar falhas durante a execução.
III. Um sistema de orquestração pode manter histórico de execuções e suportar reprocessamento de períodos anteriores por meio de backfill.
É verdadeiro o que se afirma em
I. Um agendador baseado em tempo, como o cron, dispara tarefas conforme um horário configurado.
II. Um sistema de orquestração pode iniciar tarefas quando as dependências de um grafo acíclico direcionado (DAG) são satisfeitas e pode sinalizar falhas durante a execução.
III. Um sistema de orquestração pode manter histórico de execuções e suportar reprocessamento de períodos anteriores por meio de backfill.
É verdadeiro o que se afirma em
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952840
Noções de Informática
Em relação ao aprendizado de máquina não supervisionado, analise as afirmativas a seguir.
I. No algoritmo k-means, a atribuição de cada instância a um grupo é feita pela menor distância ao centroide, e os centroides são atualizados como a média das instâncias atribuídas a cada grupo, de forma iterativa até um critério de parada.
II. O coeficiente de silhouette é uma métrica de avaliação de agrupamento, baseada em a(i) (distância média da instância i ao seu grupo) e b(i) (menor distância média de i a um grupo vizinho), assumindo valores no intervalo [−1,1].
III. O algoritmo DBSCAN é um método de agrupamento baseado em centroides, no qual o número de grupos k é definido previamente.
É verdadeiro o que se afirma em
I. No algoritmo k-means, a atribuição de cada instância a um grupo é feita pela menor distância ao centroide, e os centroides são atualizados como a média das instâncias atribuídas a cada grupo, de forma iterativa até um critério de parada.
II. O coeficiente de silhouette é uma métrica de avaliação de agrupamento, baseada em a(i) (distância média da instância i ao seu grupo) e b(i) (menor distância média de i a um grupo vizinho), assumindo valores no intervalo [−1,1].
III. O algoritmo DBSCAN é um método de agrupamento baseado em centroides, no qual o número de grupos k é definido previamente.
É verdadeiro o que se afirma em
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952839
Estatística
Em aprendizado de máquina supervisionado, o fenômeno overfitting ocorre quando o modelo apresenta
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Auditor Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3952838
Estatística
Em um problema de classificação binária, P representa a classe positiva e N representa a classe
negativa. A matriz de confusão a seguir apresenta as linhas como classes reais e as colunas como classes
preditas, com o número de instâncias (amostras) em cada caso.
Os valores de precisão e recall para a classe P, nessa ordem, são
Os valores de precisão e recall para a classe P, nessa ordem, são
Conheça nossos planos