Considere a existência de duas caixas idênticas A e B. Na caixa A são colocadas duas bolinhas de cor verde e duas bolinhas cor-de-rosa. Na caixa B são colocadas quatro bolinhas de cor verde.

Em seguida, executam-se sequencialmente os passos a seguir:

1. Escolhe-se, aleatoriamente, uma das caixas, sem, no entanto, identificá-la.

2. Retira-se uma bolinha da caixa escolhida, que revela possuir a cor verde.

3. Retira-se uma segunda bolinha da caixa escolhida, que também acaba por possuir a cor verde.

A sequência que indica a evolução das probabilidades de que a caixa inicialmente escolhida seja a caixa A ou a caixa B, respectivamente, imediatamente após os passos 1, 2, e 3, é dada por:

A densidade de probabilidade de uma variável aleatória segue a função p(x) = 1 – | x |, caso | x | < 1, ou 0, caso contrário.

Ao retirar-se uma amostra aleatória x, a probabilidade de -3,0 < x < 0,8 é:

Sobre o Modelo de Referência Cross- Industry Standard Process for Data Mining (CRISP-DM), avalie as afirmativas a seguir:

I. Após a fase de “Preparação dos dados” ocorre a fase de “Compreensão dos dados”.

II. Durante a fase de “Mineração de Dados” ocorre a aplicação de algoritmos de mineração de dados buscando a extração de padrões.

III. Durante a fase de “Preparação dos Dados”, pode ocorrer a construção de novos atributos a partir de outros já existentes.

Está correto o que se afirma em

Julgue o item a seguir, a respeito de sistemas de arquivos, banco de dados NoSQL e sistemas de indexação de dados.

O Hadoop Distributed File System (HDFS) usa uma tabela para rastrear os clusters em um volume de armazenamento; esses clusters se conectam por meio de diretórios e arquivos associados e o HDFS suporta arquivos com tamanhos de volume de até 4 GB.

Considere as seguintes afirmativas a respeito da diferença entre data warehouse e data lake.

I. Tipicamente, data warehouses armazenam dados em esquemas definidos, o que permite otimizar consultas em SQL.
II. Data lakes prestam-se a armazenar dados oriundos de fontes externas, tais como sensores e mídias sociais, dentre outras, com formatos diversificados e estruturas não completamente definidas.
III. Embora haja diferenças importantes, ambos são implementados e operados por meio de Sistemas Gerenciados de Bancos de Dados (SGBD) e coletam dados por meio de ferramentas de ETL.

Está correto somente o que se afirma em

No contexto de análise de dados numéricos em aplicações de Big Data, há casos em que é necessário lidar com a identificação/isolamento de outliers. Uma das técnicas utilizadas nesses casos é baseada na fórmula a seguir.
Z = (x – µ) / σ
Na fórmula, “Z” é um fator (ou escore) que permite estabelecer se o valor numérico “x” deve ser considerado um outlier ou não.
Os símbolos “µ” e “σ” empregados na fórmula significam respectivamente:

No campo de desenvolvimento de tecnologias para realidade virtual (VR), a seguinte técnica é empregada para otimizar o processamento gráfico, concentrando os recursos de renderização na área da visão onde o olhar do usuário está focado, enquanto reduz a qualidade gráfica nas periferias da visão, resultando em uma experiência de alta qualidade visual com menor demanda computacional:

Em um projeto de pesquisa avançado na área de reabilitação física, uma equipe multidisciplinar está desenvolvendo uma solução inovadora baseada em Visão Computacional e IA para auxiliar na recuperação de pacientes que sofreram lesões musculoesqueléticas.
A tecnologia precisa capturar e analisar os movimentos do corpo humano, avaliando a execução correta dos exercícios e sugerindo ajustes para garantir a eficácia da reabilitação. A tecnologia deve, ainda, ser capaz de interpretar a complexidade dos movimentos humanos, identificando posições e partes específicas do corpo e garantindo que os pacientes mantenham a postura adequada durante toda a sessão de exercícios.
Com base nessas informações, assinale a técnica de visão computacional e Inteligência Artificial fundamental para o desenvolvimento desse sistema.

No contexto do Processamento de Linguagem Natural, a geração aumentada de recuperação (ou RAG, do inglês Retrieval Augmented Generation) é uma técnica que visa a melhorar a acurácia e a confiabilidade de modelos de IA Generativa.

O objetivo principal dessa técnica é