<!DOCTYPE html>
<html lang="pt-BR">
<head>
 <meta charset="UTF-8">
 <style>
 body {
 font-size: 16px;
 line-height: 1.5;
 }
 .blue {
 color: blue;
 }
 math {
 font-size: 16px;
 }
 </style>
</head>
<body>
 No contexto de Big Data, o termo pipelines de dados refere-se aos processos envolvidos na movimentação, processamento e armazenamento de grandes volumes de dados de diversas fontes até o destino final, onde os dados são utilizados para análise ou tomada de decisão.
 
 
 O enunciado sugere que os pipelines de dados têm uma única estrutura para o recebimento de dados de uma fonte não confiável. No entanto, essa afirmação não condiz com as práticas comuns em Big Data, que exigem flexibilidade e robustez na gestão de diferentes tipos e origens de dados.
 
 
 A seguir, farei uma análise detalhando por que a alternativa "Errado" é a mais adequada:
 
 
 <ul>
 <li>
 Flexibilidade: Os pipelines de dados devem ser capazes de lidar com diversos formatos e fontes de dados. Isso inclui não só dados estruturados, mas também não estruturados e semi-estruturados. A variabilidade e a veracidade dos dados, que são parte dos cinco Vs do Big Data (Volume, Velocidade, Variedade, Veracidade e Valor), implicam que um único modelo de recebimento de dados pode não ser suficiente ou adequado para todas as situações.
 </li>
 
 <li>
 Procedimentos de Verificação: Em casos de fontes não confiáveis, é comum a implementação de etapas adicionais no pipeline tais como a validação, limpeza e transformação de dados para garantir a qualidade e a utilidade dos dados recebidos. Portanto, sugerir uma única estrutura de recebimento ignora a necessidade dessas operações críticas.
 </li>
 
 <li>
 Adaptabilidade: Um pipeline eficaz de Big Data deve ser capaz de adaptar-se rapidamente a mudanças, como novas fontes de dados ou mudanças nas existentes. A integração e a orquestração flexíveis são essenciais para responder às dinâmicas de dados em constante mudança.
 </li>
 
 </ul>
 
 
 Com base nestas reflexões, fica evidente que um único esquema para todos os tipos de dados, especialmente de fontes não confiáveis, não é prático nem recomendado em ambientes de Big Data. Estratégias mais flexíveis e robustas são necessárias para garantir a integridade e utilidade dos dados coletados.
 
 
 Portanto, a alternativa correta é E.
 

</body>
</html>

Pipelines de dados apresentam uma única estrutura para o recebimento dos dados originados de uma fonte não confiável.

A respeito de Big Data, julgue o próximo item.


<!DOCTYPE html>
<html lang="pt-BR">
<head>
 <meta charset="UTF-8">
 <style>
 body {
 font-size: 16px;
 line-height: 1.5;
 }
 .blue {
 color: blue;
 }
 math {
 font-size: 16px;
 }
 </style>
</head>
<body>
 Para abordar essa questão sobre Big Data, é fundamental compreender os conceitos de "ruído" e "overfitting" dentro do contexto de análise de dados em grande escala.
 
 Primeiramente, vamos definir ruído em dados. No contexto de Big Data, ruídos são informações irrelevantes ou incorretas misturadas com os dados úteis. Essas informações podem surgir de diversas fontes, como erro de medição, corrupção de dados ou falhas no processo de coleta de dados. Ruídos podem comprometer seriamente a precisão dos modelos preditivos e analíticos aplicados aos dados.
 
 Em seguida, examinemos o conceito de overfitting. Overfitting ocorre quando um modelo estatístico ou de machine learning descreve aleatoriedades ou ruídos nos dados em vez de capturar a relação subjacente real. Isso resulta em um modelo que funciona excepcionalmente bem com os dados de treinamento, mas possui um desempenho muito pobre quando exposto a novos dados. Overfitting pode ser visualizado quando um modelo é excessivamente complexo, capturando detalhes e padrões que não se generalizam.
 
 Portanto, podemos analisar o enunciado apresentado:
 <ul>
 <li>Ruídos são descritos como informações que comprometem ou deturpam as análises. Isso está correto, conforme a definição de ruído em contextos de Big Data.</li>
 
 <li>Overfitting é definido como a interpretação errônea dos ruídos como dados legítimos. Essa descrição também está correta. Overfitting implica que o modelo está adaptando-se demais aos dados de treinamento, incluindo ruídos, resultando em generalizações pobres.</li>
 
 </ul>
 O enunciado conclui que esses dois conceitos estão corretamente relacionados entre ruídos e efeitos dos mesmos nos modelos de dados. A interpretação de ruídos como dados relevantes e legítimos pelo processo de overfitting é um fenômeno bem documentado no campo da ciência de dados e aprendizado de máquina.
 
 Portanto, a alternativa correta é C.
 

</body>
</html>

Em Big Data, ruídos consistem em informações extras que acabam deturpando as análises, enquanto overfitting designa a interpretação equivocada dos ruídos como dados legítimos.

 desvio padrão; quantidade de valores avaliados.

 mediana; quantidade de valores avaliados.

<!DOCTYPE html>
<html lang="pt-BR">
<head>
 <meta charset="UTF-8">
 <style>
 body {
 font-size: 16px;
 line-height: 1.5;
 }
 .blue {
 color: blue;
 }
 math {
 font-size: 16px;
 }
 </style>
</head>
<body>
 No contexto de análise de Big Data, uma das técnicas essenciais para lidar com a identificação ou isolamento de outliers envolve o uso de um escore Z, dado pela fórmula:
 
 
 <center>
 <math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <mi>Z</mi>
 <mo>=</mo>
 <mfrac>
 <mrow>
 <mo>(</mo>
 <mi>x</mi>
 <mo>−</mo>
 <mi>μ</mi>
 <mo>)</mo>
 </mrow>
 <mi>σ</mi>
 </mfrac>
 </math>
 </center>
 

 Na fórmula apresentada, μ (mu) representa a média aritmética dos dados, e σ (sigma) representa o desvio padrão dos dados. Este escore Z é utilizado para determinar o quão afastado o valor 'x' está da média, medido em número de desvios padrões.
 

 Vamos analisar cada alternativa oferecida:
 <ul>
 <li>A) desvio padrão; quantidade de valores avaliados:
 Incorreta, pois confunde os conceitos de média (µ) com desvio padrão e desvio padrão (σ) com a quantidade de dados, o que não se encaixa na fórmula original.
 </li>
 
 <li>B) média aritmética; variância:
 Incorreta, pois confunde desvio padrão (σ) com variância. A variância é o quadrado do desvio padrão, não o desvio padrão em si.
 </li>
 
 <li>C) mediana; quantidade de valores avaliados:
 Incorreta, a mediana não é usada na fórmula do escore Z, e a quantidade de valores não é relevante para o cálculo do escore Z.
 </li>
 
 <li>D) média aritmética; desvio padrão:
 Correta, como já foi explicado, μ representa a média aritmética e σ o desvio padrão dos dados. Isso se alinha diretamente com a fórmula do escore Z fornecida.
 </li>
 
 <li>E) variância; desvio padrão:
 Incorreta porque a variância e o desvio padrão são duas medidas distintas de dispersão; na equação, apenas o desvio padrão é utilizado para o cálculo do escore Z, e a média aritmética é usada ao invés da variância.
 </li>
 
 </ul>
 
 
 Portanto, a alternativa correta é D.
 

</body>
</html>

<!DOCTYPE html>
<html lang="pt-BR">
<head>
 <meta charset="UTF-8">
 <style>
 body {
 font-size: 16px;
 line-height: 1.5;
 }
 .blue {
 color: blue;
 }
 math {
 font-size: 16px;
 }
 </style>
</head>
<body>
 A questão pede que identifiquemos qual ferramenta em um cenário de big data seria mais adequada para processar negociações financeiras como uma sequência de eventos em tempo real. Esse tipo de tarefa é crucial em ambientes onde a velocidade de processamento e a capacidade de reagir a eventos em tempo quase real são necessárias.
 
 
 Vamos analisar cada uma das alternativas fornecidas:
 

 <ul>
 <li>A) Orquestrator:
 Orquestradores são usados principalmente para gerenciar complexas cargas de trabalho e pipelines de automação em ambientes de nuvem, principalmente para coordenação de tarefas, e não especificamente para o processamento contínuo de fluxos de dados em tempo real.
 </li>
 
 <li>B) Batch Processor:
 Processadores em lote (Batch Processor) são utilizados para processar grandes volumes de dados que já estão armazenados e não para dados que estão sendo gerados em tempo real. O processamento em lote ocorre em um ponto no tempo, e não continuamente.
 </li>
 
 <li>C) Analytical Data Store:
 Lojas de dados analíticos são plataformas de armazenamento otimizadas para análise, mas elas não lidam diretamente com a ingestão ou processamento de dados em tempo real.
 </li>
 
 <li>D) Streaming Processor:
 Processadores de streaming são projetados especificamente para lidar com fluxos contínuos de dados, processando-os em tempo real. Eles permitem o processamento e análise conforme os dados são recebidos, o que é ideal para aplicativos que dependem fortemente de dados temporais e eventos recentes, como é o caso da análise de negociações financeiras em tempo real.
 </li>
 
 <li>E) Real-timing Message Ingestion:
 Embora a ingestão de mensagens em tempo real seja crucial para o processamento de dados em tempo real, essa opção foca mais na ingestão de dados do que no seu processamento subsequente. A arquitetura para ingestão precisa ser complementada com um sistema capaz de processar essas informações.
 </li>
 
 </ul>
 
 
 Com base na necessidade de processar e analisar dados como uma sequência de eventos, em tempo real, a ferramenta mais adequada é o streaming processor. Esta escolha se justifica pela capacidade dessa ferramenta de lidar com grandes volumes de dados em movimento, permitindo análises e decisões em tempo real, alinhadas com as necessidades descritas no enunciado para a analista de mercado.
 
 
 Portanto, a alternativa correta é D.

</body>
</html>

histograma <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged591017.jpg />

gauge <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged590214.jpg />

area <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged591840.jpg />

rede <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged591911.jpg />

treemap <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged591939.jpg />

Questões de Tecnologia da Informação - Big Data