

Seu próximo nível começa aqui
Com a Assinatura Ilimitada, você tem tudo que precisa para sua aprovação.
Com a Assinatura Ilimitada, você combina prática, teoria e método em uma única assinatura com tudo que você precisa para sua aprovação.
No desenvolvimento de soluções para problemas complexos fundamentados em evidências, é imperativo distinguir as competências e os objetivos de cada domínio. A respeito da relação técnica entre Big Data, ciência de dados (data science) e análise de dados (data analytics), assinale a opção correta.
A análise de dados constitui uma etapa conceitual e puramente teórica que antecede a ciência de dados, prescindindo do uso de ferramentas computacionais ou de técnicas de matemática aplicada para sua execução.
A inteligência artificial e o aprendizado de máquina são áreas adjacentes, porém independentes da ciência de dados, não havendo intersecção metodológica entre a modelagem de algoritmos preditivos e o processo de extração de conhecimento.
O objetivo final da ciência de dados restringe-se à validação técnica de fluxos de dados (pipelines), sendo a compreensão do problema de negócio e o mapeamento de valor etapas exclusivas da engenharia de dados e do Big Data.
A ciência de dados caracteriza-se primordialmente pelo estudo e pela implementação de infraestruturas físicas para transmissão de dados, ao passo que o Big Data tem foco estrito na modelagem algorítmica e inferência estatística.
O Big Data provê o ecossistema tecnológico e as ferramentas para lidar com a coleta, o armazenamento e o processamento distribuído de dados em larga escala (volume, velocidade e variedade), enquanto a ciência de dados utiliza esse suporte para aplicar métodos científicos e matemáticos que permitam a extração de conhecimento e de padrões úteis à tomada de decisão.
Plataformas de processamento distribuído utilizadas em ambientes de Big Data podem ser executadas em infraestrutura de nuvem para realizar processamento paralelo de grandes volumes de dados, os quais podem posteriormente ser utilizados no treinamento de modelos de inteligência artificial.
Certo
Errado
No que se refere a Big Data, julgue o seguinte item.
Value, pilar fundamental do Big Data, está relacionado à qualidade, à confiabilidade e à precisão dos dados, assim como à garantia de que esses dados não se tornem ruído.
Certo
Errado
Um dos 5 Vs do Big Data refere-se à variedade, que designa a possibilidade de armazenamento de diferentes tipos de dados: estruturados, semiestruturados e não estruturados.
Certo
Errado
No contexto do combate à pesca ilegal descrito no texto 2A2-II, a adoção de práticas associadas a Big Data contribui diretamente para a efetividade da fiscalização, porque possibilita
a identificação de padrões complexos em grandes volumes de dados heterogêneos.
a substituição da análise humana por sistemas automatizados.
a centralização de todos os dados em um único formato padronizado.
a eliminação da necessidade de políticas públicas baseadas em evidências.
o uso exclusivo de tecnologias proprietárias de visualização.


Seu próximo nível começa aqui

Seu próximo nível começa aqui
Destrave a preparação completa para sua aprovação. Com a Assinatura Ilimitada, você estuda com os melhores professores do Brasil e todos os recursos Gran.
No que se refere à ciência de dados aplicada à gestão pública e à saúde.
Data lake permite o armazenamento de dados brutos de diferentes origens para futuras análises, sem a rigidez de um esquema de banco de dados relacional.
Certo
Errado
Os Big Data são constituídos unicamente de grandes quantidades de dados estruturados armazenados em banco de dados relacionais e permitem, entre outros fatores, gerir, com velocidade e veracidade, esse volume de dados.
Certo
Errado
No contexto de arquiteturas modernas de dados, data lakes são adotados para lidar com grande volume, variedade e velocidade de dados, mantendo flexibilidade para múltiplos usos analíticos, tendo como princípio a estratégia
de cubos.
de normalização.
OLTP.
schema-on-read.
schema-on-write.
Embora Big Data ofereça novas capacidades de análise, seu impacto prático no mercado permanece restrito a grandes corporações globais, visto que o alto custo de capital necessário para a construção e manutenção de infraestrutura própria de servidores ainda inviabiliza o acesso de pequenas empresas a ferramentas de análise de dados não estruturados.
Certo
Errado
O conceito de Big Data refere-se a conjuntos de dados extremamente grandes e complexos. Uma arquitetura comum para lidar com Big Data é o Data Lake.
Qual a principal característica de um Data Lake?
Processar dados exclusivamente em tempo real (streaming).
Armazenar grandes volumes de dados em seu formato bruto e nativo, sem a necessidade de um esquema predefinido (schema-on-read).
Utilizar apenas bancos de dados NoSQL do tipo chave-valor.
Manter os dados distribuídos em múltiplos sistemas operacionais sem um repositório centralizado.
Estruturar todos os dados em um modelo relacional rigoroso antes do armazenamento (schema-on-write).


Seu próximo nível começa aqui
Seu desenvolvimento não pode ter limites. Garanta sua Assinatura Ilimitada e libere uma preparação completa com os melhores professores do Brasil.
Assinale a opção que corresponde ao modelo, em Big Data, utilizado para processar paralelamente grandes volumes de dados.
process control
data break
map reduce
file management
volume parallel
Em arquiteturas de Big Data, dados não estruturados não podem ser indexados ou consultados diretamente, sendo obrigatória sua transformação em dados estruturados antes de qualquer análise.
Certo
Errado
O fenômeno do Big Data é definido exclusivamente pelo crescimento exponencial do volume de dados armazenados, sendo sua principal característica o aumento da capacidade física de discos rígidos e servidores nas empresas.
Certo
Errado
Qual alternativa indica uma dificuldade para implantação e uso de big data pelas corporações?
Necessidade de demissão das pessoas de tecnologia da informação uma vez que esta tecnologia suprime a necessidade de profissionais especializados.
Poucos dados relevantes para análise.
Excesso de dados estruturados presente nos big data.
A velocidade com que os dados são gerados e precisam ser processados.
Impossibilidade de adotar medidas robustas e eficientes para tratar a segurança e privacidade dos dados coletados.
Big Data é tipicamente definida por três V’s: Quais são os V’s do Big Data?
Volume, Variedade, Virtualidade.
Volume, Verticalidade, Veracidade.
Vantagem, Verticalidade, Velocidade
Vantagem, Veracidade, Virtualidade.
Volume, Variedade e Velocidade.


Seu próximo nível começa aqui

Seu próximo nível começa aqui
Destrave a preparação completa para sua aprovação. Com a Assinatura Ilimitada, você estuda com os melhores professores do Brasil e todos os recursos Gran.
Big data é um conjunto de dados maior e mais complexo, especialmente de novas fontes de dados. Esses conjuntos de dados são tão volumosos que o software tradicional de processamento de dados simplesmente não consegue gerenciá-los. Os principais pilares conceituais que ajudam a entender as características que diferenciam o Big Data dos dados tradicionais são conhecidos como os “5V's” do Big Data.
Adaptado do artigo da Oracle: O que é Big Data”, acessado em https://www.oracle.com/br/big-data/what-is-big-data/ dia 05/06/2025.
Qual das alternativas apresenta corretamente os "5 Vs" do Big Data?
Volume, Velocidade, Variedade, Valor e Veracidade.
Volume, Velocidade, Variedade, Valor e Virtualização.
Volume, Velocidade, Variedade, Visibilidade e Virtualização.
Volume, Velocidade, Variedade, Valor e Visibilidade.
Volume, Velocidade, Variedade, Versão e Visibilidade.
Em um ambiente de Big Data, a função do HDFS (Hadoop distributed file system) é caracterizada por armazenar grandes volumes de dados de forma distribuída e tolerante a falhas.
Certo
Errado
Define-se Big Data apenas pelo volume de dados, sendo o armazenamento eficiente desses dados o principal objetivo dos sistemas modernos de processamento de informações.
Certo
Errado
Na administração contemporânea, o uso de sistemas de informações para a análise de dados tornou-se essencial para apoiar a tomada de decisões estratégicas e operacionais. Com a crescente digitalização dos processos organizacionais, diferentes nomenclaturas e conceitos relacionados à análise de dados surgiram, cada um com uma função específica. Nesse contexto, assinale a alternativa correta.
Data Warehousing refere-se ao processamento de grandes volumes de dados em tempo real, permitindo que decisões sejam tomadas instantaneamente, sem a necessidade de armazená-los previamente.
Business Intelligence (BI) está focada apenas na coleta de dados internos da organização, não considerando fontes externas, como redes sociais, tendências de mercado e concorrência.
Data Mining é a técnica utilizada para transformar dados brutos em informações organizadas, estruturadas e padronizadas para facilitar seu armazenamento e recuperação.
Machine Learning é um modelo de banco de dados usado para armazenar informações estruturadas, sendo utilizado principalmente para o armazenamento físico de grandes volumes de dados.
Big Data é caracterizado pelo grande volume, variedade e velocidade dos dados processados, permitindo análises avançadas para identificar padrões e apoiar decisões estratégicas.
Big Data é um termo usado para descrever grandes volumes de dados — estruturados ou não — gerados em alta velocidade e a partir de diversas fontes. Ele permite identificar padrões, prever comportamentos e otimizar processos, transformando dados brutos em informação útil para decisões mais inteligentes e estratégicas. Considerando-se que a análise de dados contribui para a tomada de decisões baseadas em evidências, assinale a alternativa correta que apresenta uma aplicação prática da análise de dados no setor público.
Prever necessidades da população e tomar decisões baseadas apenas em opiniões públicas e não em dados concretos, ignorando a análise de grandes volumes de informação.
Na segurança da população: utilizar dados desatualizados ou irrelevantes, sem considerar padrões reais de criminalidade, para distribuir efetivos policiais de forma aleatória.
No contexto da assistência social: cruzar dados de benefícios para evitar fraudes.
Melhorar a área da educação, centralizando recursos em regiões com baixo índice de evasão escolar, sem considerar dados sobre vulnerabilidade social ou abandono escolar.
Ignorar dados pessoais para proteger a privacidade dos cidadãos.