Aula 06

CONHECIMENTOS DE BANCO DE DADOS (TEORIA E EXERCÍCIOS) P/
AUDITORIA E FISCALIZAÇÃO - GERAL – CGU

PROFa. PATRÍCIA LIMA QUINTÃO
Aula 6 – Exercícios Finais

Prezados amigos,
O tempo passa muito rápido, não é? Parece que foi ontem que começamos
este curso. Hoje, estamos chegando ao final do curso. Não foi fácil, mas foi
gratificante. Tantos bons comentários, sugestões, perguntas e elogios fazem a
diferença.
A minha principal dica é a tranquilidade. É muito mais fácil fazer uma boa
prova quando estamos serenos. É, é fácil falar, sabemos. Mas é possível obter
a calma por meio da segurança no que se fez (cada um fez o melhor que pôde)
e utilizando-se de treinamento. Treine, faça provas simuladas em casa, na
biblioteca, em outros concursos. Mas faça toda a simulação. Prepare-se para o
dia, cuide da alimentação, faça uso do mesmo mecanismo de transporte.
Antes da prova, vá ao local onde fará a prova, no horário marcado para
verificar o trajeto, o local e o trânsito. Deixe uma margem de tempo no horário
de chegada! Isso certamente ajuda, pois a agonia de ter de chegar no horário
com algum imprevisto ocorrendo pode atrapalhar – e muito – a concentração.
Aprenda a fazer escolhas na hora da prova. Primeiro, escolha a disciplina que
acredita ter domínio. Não gaste tempo lamentando ou tentando resolver
questões que não sabe ou que está com dúvidas. Marque a questão para
depois e siga em frente. O bom de começar pelo que se sabe mais é ganhar
confiança acertando muitas questões logo no início. Certamente a ansiedade
diminui.
Pausas! É importante fazer pausas. Não gaste todo o tempo fazendo a prova.
É importante dar um tempo, ir ao banheiro, comer alguma coisa. Sem viajar
demais, claro. Uma pequena pausa para recompor. Sabemos que a atenção
em uma aula presencial dura até 50 minutos. Depois, há uma tendência
natural de dispersão. O cérebro cansa e procura distração. Por que não
assumimos isto e fazemos uma pausa a cada hora? Uma balinha, doce ou
chocolate (podem ser alimentos saudáveis também, claro) já ajuda a
descansar a mente! O tempo gasto será pequeno e os benefícios podem ser
grandes. Não se preocupe demais – nem exagere – com alguns minutos gastos
com descanso. Podem ser valiosos para acertar mais algumas questões.
Não perca muito tempo nas questões que são difíceis ou que tenha dúvidas.
Concentre-se em marcar as que sabe primeiro. É melhor garantir logo o que
sabe e depois voltar para aumentar a pontuação. Ficar preso em uma parte da
prova pode obrigá-lo a deixar questões que acertaria facilmente.
No mais, o de sempre: boa alimentação, cuidar do sono, cuidar da
família e da saúde. Preparar para uma prova requer mais do que estudo,
requer uma organização de vida.
O principal Vem agora: CONFIANÇA e DEDICAÇÃO. Não desista, você
conseguirá.
Valeu, pessoal!
Profa Patrícia Lima Quintão
Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 1 de 18
A seguir um complemento relacionado à teoria sobre Mineração de Dados.

Vamos lá! Força, pessoal, fé em Deus e confiança!! É reta final e dará tudo
certo!!
Atributos
Um atributo é uma propriedade ou característica de um objeto.
• Exemplos: cor dos olhos de uma pessoa, temperatura, etc.
• Atributo também é conhecido como variável, campo ou Característica.
Uma coleção de atributos descreve um objeto
• Objeto também é conhecido como registro, ponto, caso, amostra,
entidade, ou instância.
Valores de Atributos
• Valores de atributos são números ou símbolos assinalados a um atributo.
• Distinção entre atributos e valores de atributos
o Um mesmo atributo pode ser mapeado em diferentes valores de
atributo. Exemplo: altura pode ser medida em pés ou metros.
o Diferentes atributos podem ser mapeados no mesmo conjunto de
valores. Exemplo: Valores de atributo para ID e idade são inteiros.
o Mas propriedades dos valores dos atributos podem ser diferentes.
Exemplo: ID não tem limite mas idade tem um valor máximo e um
mínimo.
Há Diferentes Tipos de Atributos
Nominal Fornecem apenas informações suficientes para distinguir um
objeto do outro. Exemplos: números de ID, cor dos olhos,
códigos de CEP.
Ordinal Fornecem informações suficientes para criar uma ordem
entre os objetos. Exemplos: ordem (e.g., gosto de batata
frita em uma escala entre 1-10), graus, altura em {alto,
médio, baixo}

Intervalar As diferenças entre os valores são significativas, i.e., existe

uma unidade de medida. Exemplos: temperaturas em
Celsius ou Fahrenheit
Razão Nesse caso, tanto as diferenças absolutas quanto as
proporções são significativas. Exemplos: tempo, corrente
elétrica.
Uma classificação adicional é a seguinte

• Atributos Qualitativos - Descrevem qualidades das entidades.
Exemplo: Atributos Nominais, Atributos Ordinais.
• Atributos Quantitativos - Descrevem uma grandeza. Exemplo:
Atributo Intervalar. Razão.
Outra possibilidade de classificar atributos é pelo número de valores (domínio)

que ele pode receber. Aqui tem-se:
• Atributos discretos: possui um conjunto de valores finitos. Exemplo:
dados numéricos inteiros.
• Atributos contínuos: representados por valores do conjunto dos números
reais. Não temos como determinar quantos valores distintos um atributo
desse tipo pode receber. Exemplo: salário, que pode receber uma infinidade
de valores.
Propriedades dos Valores de Atributos

• O tipo de um atributo depende de quais das seguintes propriedades ele
possui:
– Atributo Nominal: distinção

– Atributo Ordinal: distinção & ordem
– Atributo Intervalar: distinção, ordem & adição
– Atributo Razão: todas as quatro propriedades
Tipos de Conjunto de Dados

Dados de registros
Dados que consistem de uma coleção de registros, cada um dos quais consiste
de um conjunto fixo de atributos.

Dados de transações
São dados de registro de um tipo especial, em que cada registro (transação)
envolve um conjunto de itens. Por exemplo, considere um supermercado. O
conjunto de produtos comprados por um cliente constitui uma transação,
enquanto os produtos individuais comprados são os itens.
Dados matriciais
• Se os objetos de dados tem o mesmo conjunto fixo de atributos numéricos,
então os objetos de dados podem ser vistos como pontos em um espaço
multidimensional, em que cada dimensão representa um atributo distinto
• Tal conjunto de dados pode ser representado por uma matriz m por n, em
que há m linhas, uma para cada objeto, e n colunas, uma para cada
atributo.
Dados de documentos
• Cada documento torna-se um vetor de ‘termos’.
• Cada termo é um componente (atributo) do vetor.
• O valor de cada componente é o número de vezes que o termo
correspondente ocorre no documento.

Dados baseados em Grafos

Um grafo é representado por um conjunto de pontos (vértices) ligados por
retas (grafo não orientado) ou por setas (grafo orientado). Essas retas ou
setas são chamadas arestas. Exemplos: grafos genéricos e links HTML.
Dados Ordenados
Nesse contexto, a ordem dos dados tem importância, pois eles perdem sentido
se não estiverem na ordem correta. Exemplo: Dados da sequência genômica.
Bem, pessoal, é isso!! Fechamos aqui o referencial teórico!! Rumo às questões

complementares ☺!!

Lista de Questões Comentadas
1. (ESAF/AFC-TI/ STN 2005) O Data Warehouse é um conjunto de dados

orientado por assuntos, não volátil, variável com o tempo e integrado,
criado para dar suporte à decisão. Considerando essa tecnologia e suas
derivadas ou variantes é correto afirmar que
a) a premissa do Data Mining é uma argumentação ativa, isto é, em vez de o

usuário definir o problema, selecionar os dados e as ferramentas para analisar
tais dados, as ferramentas do Data Mining pesquisam automaticamente os
mesmos à procura de, por exemplo, possíveis relacionamentos, identificando
assim problemas não identificados pelo usuário.
b) um Data Mining é considerado Top-down quando uma empresa, por
desconhecer a tecnologia do Data Warehouse, prefere primeiro criar um banco
de dados para somente uma área. Com isso, os custos são bem inferiores de
um projeto de Data Warehouse completo. A partir da visualização dos
primeiros resultados, parte para outra área e assim sucessivamente até
resultar num Data Warehouse.
c) um Data Mining é considerado Bottom-up quando a empresa cria um Data
Warehouse e depois parte para sua segmentação, isto é, dividindo o Data
Warehouse em áreas menores, gerando assim pequenos bancos orientados por
assuntos departamentalizados.
d) o propósito de uma análise de dados com a tecnologia Data Mart é
descobrir, previamente, características dos dados, sejam relacionamentos,
dependências ou tendências desconhecidas.
e) as ferramentas de Data Mart analisam os dados, descobrem problemas ou
oportunidades escondidas nos relacionamentos dos dados, e então
diagnosticam o comportamento dos negócios, requerendo a mínima
intervenção do usuário.
Comentários
O Data Warehouse é um armazém centralizado de dados, ou seja, um
banco de dados ou um agrupamento de bases de dados que contêm dados
sobre os negócios organizados por assunto. Sem o uso da mineração de dados,
a busca em um Data Warehouse seria feita de forma manual, o que é inviável
nos dias de hoje.
Nesse ponto, cabe ressaltar novamente que os processos de Data Mining são
muito facilitados quando a empresa já possui seu Data Warehouse bem
estruturado. É justamente por isso, que esses dois termos Data Warehouse
e Data Mining caminham tão juntos. Pois, as empresas comumente irão
primeiramente amadurecer seus processos de organização dos dados sobre o
negócio e agrupá-los por assunto, formando seus Data Marts e em seguida
compondo seu Data Warehouse, para após, iniciar seus processos de Data
Mining, que irão procurar informações relevantes de forma

AUTOMÁTICA, a fim de encontrar algum conhecimento de valor em meio aos
dados sobre o negócio.
Dentre as opções listadas, a correta é a assertiva A, já que as ferramentas
apropriadas de Data Mining pesquisam automaticamente os dados à procura
de, por exemplo, possíveis relacionamentos, identificando assim problemas até
então não identificados pelo usuário.
Gabarito: letra A.
2. (FCC/Analista Judiciário-Informática/TRF4 2010) Sobre data mining,

é correto afirmar:
a) Não requer interação com analistas humanos, pois os algoritmos utilizados
conseguem determinar de forma completa e eficiente o valor dos padrões
encontrados.
b) Na mineração de dados, encontrar padrões requer que os dados brutos
sejam sistematicamente "simplificados", de forma a desconsiderar aquilo que é
genérico e privilegiar aquilo que é específico.
c) É um grande banco de dados voltado para dar suporte necessário nas
decisões de usuários finais, geralmente gerentes e analistas de negócios.
d) O processo de descobrimento realizado pelo data mining só pode ser
utilizado a partir de um data warehouse, onde os dados já estão sem erros,
sem duplicidade, são consistentes e habilitam descobertas abrangentes e
precisas.
e) É o processo de descoberta de novas correlações, padrões e tendências
entre as informações de uma empresa, por meio da análise de grandes
quantidades de dados armazenados em bancos de dados usando técnicas de
reconhecimento de padrões, estatísticas e matemáticas.
Comentários
A Mineração de dados (ou Data Mining) é o nome dado ao conjunto de
técnicas que permite a extração de conhecimentos a partir de grandes volumes
de dados. Em outras palavras, é o processo de descoberta AUTOMÁTICA de
informações úteis em grandes depósitos de dados.
Gabarito: letra E.
3. (CESPE/Analista Judiciário-TI/TRT21 2010) Acerca de sistemas de

suporte a decisão e data warehousing, julgue os item seguinte: [O data
mining é um processo automático de descoberta de padrões, de
conhecimento em bases de dados, que utiliza, entre outros, árvores de
decisão e métodos bayesianos como técnicas para classificação de dados].
Comentários

A questão citou duas técnicas de classificação de dados corretamente, a saber:

árvores de decisão e métodos bayesianos.
Cabe destacar que não existe uma técnica que resolva todos os problemas de
data mining. Diferentes técnicas servem para diferentes propósitos,
cada uma oferecendo vantagens e desvantagens. A escolha da técnica
está fortemente relacionada com o tipo de conhecimento que se deseja
extrair ou com o tipo de dado no qual ela será aplicada.
A seguir serão apresentadas brevemente algumas das técnicas de data mining

mais conhecidas e usadas.
Árvores de Decisão
É um modelo preditivo que pode ser visualizado na forma de uma árvore,

daí seu nome. Cada ramo da árvore é uma questão de classificação e
cada folha é uma partição do conjunto de dados com sua classificação.
A forma de execução é simples: dado um conjunto de dados cabe ao
usuário escolher uma das variáveis como objeto de saída. A partir daí, o
algoritmo encontra o fator mais importante correlacionado com a variável de
saída e seta-o como o primeiro ramo (chamado de raiz), os demais fatores
são subsequentemente classificados como nós até que se chegue ao último
nível, a folha.
Desta forma, a árvore de decisão utiliza a estratégia de dividir para
conquistar, um problema complexo é decomposto em subproblemas mais
simples e recursivamente a mesma estratégia é aplicada a cada subproblema.
A abordagem “divisão e conquista” produz uma árvore em que cada nó
refere-se ao teste de um atributo particular.
Métodos Bayesianos
O filtro bayesiano utiliza uma abordagem probabilística, tendo como base o
Teorema de Bayes. Nesse caso, um item que precisa ser classificado tem uma
série de atributos. Então, ele calcula a probabilidade do item pertencer a cada
classe, dados aqueles atributos que ele tem. Dessa forma, a classe que
alcançar a maior probabilidade é aquela na qual o item vai ser classificado.
Regras de Indução
A técnica de Regras de Indução é altamente automatizada e, possivelmente, é
a melhor técnica de data mining para expor todas as possibilidades de padrões
existentes em um banco de dados (BERSON et al., 1999). Consiste em uma
expressão condicional do tipo:
se <condição> então <consequência>, ou, em outras palavras:
se <isto> então <aquilo>. Por exemplo:
- se comprou cereal então comprou também leite
- se comprou queijo e presunto então comprou também pão

Após a formação das regras, constrói-se uma tabela com o percentual de

precisão (com que frequência a regra está correta?) e de cobertura (com
que frequência a regra pode ser usada?). Quando maior o percentual, melhor a
regra.
Redes Neurais Artificiais

São técnicas que procuram reproduzir de maneira simplificada as conexões do
sistema biológico neural. Estruturalmente, consistem em um número de
elementos interconectados, chamados neurônios, organizados em camadas
que aprendem pela modificação de suas conexões. Tipicamente, tem-se uma
camada de entrada ligada a uma ou mais camadas intermediárias que são
ligadas a uma camada de saída (BERRY e LINOFF, 1997).
A partir de um conjunto de treinamento, procura-se aprender padrões gerais
que possam ser aplicados à classificação ou à predição de dados. A função
básica de cada neurônio é avaliar valores de entrada, calcular o total para
valores de entrada combinados, comparar o total com um valor limiar e
determinar o valor de saída.
Análise de Regressão
Busca explicar uma ou várias variáveis de interesse (sempre contínuas ou
binárias) em função de outras. Uma vez construído o modelo (que é uma
equação matemática), ele pode ser usado para realizar predições ou calcular
probabilidades.
Análise de Agrupamentos
Também chamada de segmentação de dados, diz respeito a agrupar ou
segmentar uma coleção de objetos em subconjuntos, chamados de clusters.
Os objetos dentro de um mesmo cluster são mais próximos entre si do que
com qualquer outro objeto alocado em outro cluster. Um cluster é um
subconjunto de todos os possíveis subconjuntos distintos da população (DINIZ
e LOUZADA NETO, 2000).
Gabarito: item correto.
4. (ESAF/Analista Desenvolvimento Sistemas/ANA 2009) Um conjunto

de um ou mais atributos, tomados coletivamente, para identificar
unicamente uma tupla numa relação, é denominado
a) chave assimetrica.
b) chave simetrica.
c) superchave.
d) chave secundaria.
e) chave de tupla.
Comentários
Para uma relação temos diversos subconjuntos de atributos que podem servir
como chave. Cada conjunto distinto de atributos, que pode identificar de forma

unívoca uma relação, e chamado de superchave. Chave de tupla foi um

termo criado pela banca examinadora, cuidado com pegadinhas!! Os termos
chaves assimétricas e simétricas estão relacionados aos conceitos de
criptografia.
Gabarito: letra C.
5. (ESAF/TRF/SRF 2006) Normalização é o processo de se reunir todos os

dados que serão armazenados em um certo banco de dados e concentrá-los
em uma única tabela.
Comentários
O processo de normalização pode ser visto como o processo no qual são
eliminados esquemas de relações (tabelas) não satisfatórios,
decompondo-os, através da separação de seus atributos em esquemas
de relações menos complexas mas que satisfaçam as propriedades
desejadas.
Gabarito: item errado.
6. (ESAF/SRF/TRF/2006) Uma das regras da integridade do modelo

relacional e possibilitar que um atributo que participe da chave primária de
uma relação básica aceite um e somente um valor nulo.
Comentários
Cabe relembrar a restrição de integridade de entidade, a qual destaca que
NENHUM atributo que participa da chave primária pode ter valores
nulos.
Gabarito: item errado.
7. (ESAF/SRF/TRF/2006) Em um banco de dados, quando se deseja

garantir que, em uma coluna ou combinações de coluna, a qualquer
momento, nenhum par de linhas da tabela deva conter o mesmo valor
naquela coluna ou combinação de colunas, é necessário definir uma chave
primária.
Comentários
Chave primária nada mais é do que um conjunto de um ou mais
campos, cujos valores, considerando a combinação de valores de todos
os campos da tupla, nunca se repetem. Em chaves primárias não pode
haver valores nulos nem repetição de tuplas (registros).
Gabarito: item correto.

8. (ESAF/ANA/Analista Sistemas/ 2009) Em SQL, a cláusula check

aplicada a uma declaração de domínio
a) permite especificar um predicado que deve ser satisfeito por qualquer valor
atribuído a uma variável de determinado domínio.
b) especifica um predicado que deve ser satisfeito por uma tupla em uma
relação.
c) proíbe a inserção de um valor nulo para as variáveis do domínio.
d) verifica se os atributos considerados formam uma chave candidata.
e) não tem efeito, pois não se aplica esta cláusula a declarações de domínio.
Comentários
A cláusula CHECK permite especificar uma condição que deve ser satisfeita
por qualquer valor atribuído a uma variável de determinado domínio.
Exemplo:
ALTER TABLE TELEFONE
ADD CONSTRAINT TIPO_TELEFONE
CHECK (TIPO IN(‘Fixo’, ‘Movel’));
Gabarito: letra A.
9. (ESAF/Auditor Informática/Pref Natal 2008) Quanto à estrutura,

propriedades e sintaxe da linguagem SQL, é correto afirmar que
a) o CREATE e o DROP são comandos básicos da DDL (Data Definition
Language - Linguagem de Definição de Dados).
b) o SELECT e o INSERT são comandos básicos da DDL ( Data Definition
Language - Linguagem de Definição de Dados ).
c) o CREATE e o DROP são comandos básicos da DCL ( Data Control Language
- Linguagem de Controle de Dados ).
d) o GRANT e o REVOKE são comandos básicos da DDL ( Data Manipulation
Language - Linguagem de Manipulação de Dados ).
e) o SELECT e o INSERT são comandos básicos da DCL ( Data Control
Language - Linguagem de Controle de Dados ).
Comentários
Os principais comandos da DDL são:
o CREATE TABLE: cria uma nova tabela com seus campos e define as
restrições de campo.
o CREATE INDEX: cria um novo índice em uma tabela existente. Os
índices são utilizados, principalmente, para melhorar o desempenho
do banco de dados (embora a utilização não apropriada possa resultar
em uma degradação desse desempenho).
o ALTER TABLE: altera as definições de campos e de restrições.
o CREATE DOMAIN: cria um tipo de dado definido pelo usuário.
o DROP TABLE: exclui uma tabela existente de um banco de dados
o DROP INDEX: exclui um índice existente de uma tabela.

Portanto, a assertiva A é correta, já que CREATE e o DROP são comandos
básicos da DDL (Data Definition Language - Linguagem de Definição de
Dados).
Gabarito: letra A.
10. (ESAF/ENAP/Analista de Sistemas/2006) A SQL possui recursos

para apagar tabelas e bancos de dados a partir do comando
a) CREATE TABLE NULL.
b) TRUNCATE PRIMARY KEY.
c) DROP.
d) INSERT INTO TABLE NULL.
e) DELETE TABLE NULL.
Comentários
• DROP TABLE: exclui uma tabela existente de um banco de dados
• DROP DATABASE: exclui um banco de dados.
• DROP INDEX: exclui um índice existente de uma tabela.
Algunas sinônimos para apagar = excluir,destruir, deletar, já ouvi também até

“dropar” , rs!
Gabarito: letra C.
11. (FCC/TRT23/Analista Judiciário - TI/2011) As operações da álgebra

relacional Seleção, Projeção e Produto Cartesiano são implementadas na
linguagem SQL, respectivamente, pelas cláusulas
a) Select, From e Where.
b) Select, Where e From.
c) Where, Select e From.
d) Where, From e Select.
e) Select, Select e Join.
Comentários
Uma consulta típica em SQL tem a forma:
SELECT coluna1, coluna2, ..., colunaN
FROM nome_da_tabela
WHERE condição;
• A cláusula SELECT relaciona as colunas que se quer presentes no

resultado da consulta. Essa cláusula corresponde à operação de
projeção da álgebra relacional.

• A cláusula FROM corresponde à operação de produto cartesiano da

álgebra relacional. Ela associa a tabela ou tabelas que serão
pesquisadas durante a avaliação de uma expressão.
• A cláusula WHERE corresponde à seleção do predicado da álgebra
relacional.
Gabarito: letra C.
12. (ESAF/PSS TI/2008) Na linguagem SQL, o uso da cláusula WHERE,

quando apropriado,
a) agrupa o resultado em subconjuntos que possuem valores correspondentes
em uma ou mais colunas. Em cada grupo não há duas linhas com o mesmo
valor na(s) coluna(s) de agrupamento.
b) permite selecionar linhas baseadas em uma expressão booleana. Somente
as linhas para as quais a expressão é avaliada como TRUE são retornadas no
resultado.
c) especifica se o ResultSet de uma instrução SELECT simples, que atende aos
requisitos para um cursor, é atualizável ou não.
d) permite selecionar colunas baseado em uma expressão numérica. Somente
as colunas para as quais a expressão é avaliada como TRUE são retornadas no
resultado. O uso desta cláusula obriga que os valores nulos sejam
considerados diferentes nos agrupamentos.
e) cria uma ou mais linhas e as armazena na tabela especificada. O número de
valores especificados na instrução WHERE deve ser idêntico ao número de
colunas especificadas ou implícitas.
Comentários
Item A. Item errado. Utilizaremos o GROUP BY nesse contexto.
Item B. Item correto. A cláusula WHERE especifica a condição ou condições
que as linhas selecionadas devem satisfazer. Assim, somente as linhas para as
quais a expressão é avaliada como verdadeira são retornadas no resultado.
Item C. Item errado. O ResultSet é tudo aquilo que é retornado de uma
consulta. Um cursor é uma referência a determinada consulta, assunto que
não será cobrado na sua prova.
Item D. Item errado. A cláusula que irá selecionar consultas é Select.
Item E. Item errado. A cláusula Where não cria uma ou mais linhas, apenas
determina o critério de seleção das mesmas. Especifica a condição ou
condições que as linhas selecionadas devem satisfazer.
Gabarito: letra B.

Considerações Finais
Bem, estamos na reta final do nosso curso, espero que estejam conseguindo
assimilar os conceitos já apresentados, que serão de grande valia no dia da
prova.
Gostaria de agradecer a todos os alunos que confiaram seus estudos
às minhas aulas. Espero ter estado à altura do desafio e da expectativa de
todos vocês!
Também agradeço a todos que participaram do fórum, seja enviando
dúvidas, comentários e/ou sugerindo melhorias. O retorno de vocês é
de grande importância para que nossos objetivos estejam alinhados!!
Finalizando, desejo muito sucesso a todos nos estudos e concursos
vindouros. Todo o esforço feito nessa fase será devidamente
recompensado.
“Se seus sonhos estiverem nas nuvens, não se preocupe,
pois eles estão no lugar certo; agora, construa os alicerces!"
Os alicerces para uma excelente prova são: persistência, garra, força de
vontade, estudo disciplinado e fé em Deus!!!
Um abraço,
Profa Patrícia
Referências Bibliográficas
QUINTÃO, Patrícia Lima. Notas de aula, 2011/2012.
Material prof Júlio César Nievola, PPGIa – PUCPR, 2011.
ROB, Peter; CORONEL, Carlos. Sistemas de Banco de Dados. Projeto,
Implementação e Administração. 2011.
ELMASRI, R.; NAVATHE, S. B. Sistemas de Banco de Dados. 4. ed. Pearson.
2006.
HEUSER, Carlos Alberto. Projeto de banco de dados. 4. ed. Porto
Alegre:Sagra, 2001.
HERNANDEZ, Michael J. Aprenda a projetar seu próprio banco de dados.
Tradução Patrizia Tallia Parenti. São Paulo: Makron, 2000.
KORTH, Henry F.; SILBERSCHATZ, Abraham. Sistema de banco de
dados.Tradução Mauricio Heihachiro Galvan Abe. 2. ed. São Paulo: Makron,
1995.
MACHADO, Felipe Nery Rodrigues; ABREU, Maurício Pereira de. Projeto de
banco de dados: uma visão prática. 6. ed. São Paulo: Érica, 2000.

Lista das Questões Apresentadas na Aula

1. (ESAF/AFC-TI/ STN 2005) O Data Warehouse é um conjunto de dados
orientado por assuntos, não volátil, variável com o tempo e integrado,
criado para dar suporte à decisão. Considerando essa tecnologia e suas
derivadas ou variantes é correto afirmar que
a) a premissa do Data Mining é uma argumentação ativa, isto é, em vez de o

usuário definir o problema, selecionar os dados e as ferramentas para analisar
tais dados, as ferramentas do Data Mining pesquisam automaticamente os
mesmos à procura de, por exemplo, possíveis relacionamentos, identificando
assim problemas não identificados pelo usuário.
b) um Data Mining é considerado Top-down quando uma empresa, por
desconhecer a tecnologia do Data Warehouse, prefere primeiro criar um banco
de dados para somente uma área. Com isso, os custos são bem inferiores de
um projeto de Data Warehouse completo. A partir da visualização dos
primeiros resultados, parte para outra área e assim sucessivamente até
resultar num Data Warehouse.
c) um Data Mining é considerado Bottom-up quando a empresa cria um Data
Warehouse e depois parte para sua segmentação, isto é, dividindo o Data
Warehouse em áreas menores, gerando assim pequenos bancos orientados por
assuntos departamentalizados.
d) o propósito de uma análise de dados com a tecnologia Data Mart é
descobrir, previamente, características dos dados, sejam relacionamentos,
dependências ou tendências desconhecidas.
e) as ferramentas de Data Mart analisam os dados, descobrem problemas ou
oportunidades escondidas nos relacionamentos dos dados, e então
diagnosticam o comportamento dos negócios, requerendo a mínima
intervenção do usuário.
2. (FCC/Analista Judiciário-Informática/TRF4 2010) Sobre data mining,

é correto afirmar:
a) Não requer interação com analistas humanos, pois os algoritmos utilizados
conseguem determinar de forma completa e eficiente o valor dos padrões
encontrados.
b) Na mineração de dados, encontrar padrões requer que os dados brutos
sejam sistematicamente "simplificados", de forma a desconsiderar aquilo que é
genérico e privilegiar aquilo que é específico.
c) É um grande banco de dados voltado para dar suporte necessário nas
decisões de usuários finais, geralmente gerentes e analistas de negócios.
d) O processo de descobrimento realizado pelo data mining só pode ser
utilizado a partir de um data warehouse, onde os dados já estão sem erros,
sem duplicidade, são consistentes e habilitam descobertas abrangentes e
precisas.
e) É o processo de descoberta de novas correlações, padrões e tendências

entre as informações de uma empresa, por meio da análise de grandes
quantidades de dados armazenados em bancos de dados usando técnicas de
reconhecimento de padrões, estatísticas e matemáticas.
3. (CESPE/Analista Judiciário-TI/TRT21 2010) Acerca de sistemas de

suporte a decisão e data warehousing, julgue os item seguinte: [O data
mining é um processo automático de descoberta de padrões, de
conhecimento em bases de dados, que utiliza, entre outros, árvores de
decisão e métodos bayesianos como técnicas para classificação de dados].
4. (ESAF/Analista Desenvolvimento Sistemas/ANA 2009) Um conjunto

de um ou mais atributos, tomados coletivamente, para identificar
unicamente uma tupla numa relação, é denominado
a) chave assimetrica.
b) chave simetrica.
c) superchave.
d) chave secundaria.
e) chave de tupla.
5. (ESAF/TRF/SRF 2006) Normalização é o processo de se reunir todos os

dados que serão armazenados em um certo banco de dados e concentrá-los
em uma única tabela.
6. (ESAF/SRF/TRF/2006) Uma das regras da integridade do modelo

relacional e possibilitar que um atributo que participe da chave primária de
uma relação básica aceite um e somente um valor nulo.
7. (ESAF/SRF/TRF/2006) Em um banco de dados, quando se deseja

garantir que, em uma coluna ou combinações de coluna, a qualquer
momento, nenhum par de linhas da tabela deva conter o mesmo valor
naquela coluna ou combinação de colunas, é necessário definir uma chave
primária.
8. (ESAF/ANA/Analista Sistemas/ 2009) Em SQL, a cláusula check

aplicada a uma declaração de domínio
a) permite especificar um predicado que deve ser satisfeito por qualquer valor
atribuído a uma variável de determinado domínio.
b) especifica um predicado que deve ser satisfeito por uma tupla em uma
relação.
c) proíbe a inserção de um valor nulo para as variáveis do domínio.
d) verifica se os atributos considerados formam uma chave candidata.
e) não tem efeito, pois não se aplica esta cláusula a declarações de domínio.

9. (ESAF/Auditor Informática/Pref Natal 2008) Quanto à estrutura,

propriedades e sintaxe da linguagem SQL, é correto afirmar que
a) o CREATE e o DROP são comandos básicos da DDL (Data Definition
Language - Linguagem de Definição de Dados).
b) o SELECT e o INSERT são comandos básicos da DDL ( Data Definition
Language - Linguagem de Definição de Dados ).
c) o CREATE e o DROP são comandos básicos da DCL ( Data Control Language
- Linguagem de Controle de Dados ).
d) o GRANT e o REVOKE são comandos básicos da DDL ( Data Manipulation
Language - Linguagem de Manipulação de Dados ).
e) o SELECT e o INSERT são comandos básicos da DCL ( Data Control
Language - Linguagem de Controle de Dados ).
10. (ESAF/ENAP/Analista de Sistemas/2006) A SQL possui recursos

para apagar tabelas e bancos de dados a partir do comando
a) CREATE TABLE NULL.
b) TRUNCATE PRIMARY KEY.
c) DROP.
d) INSERT INTO TABLE NULL.
e) DELETE TABLE NULL.
11. (FCC/TRT23/Analista Judiciário - TI/2011) As operações da álgebra

relacional Seleção, Projeção e Produto Cartesiano são implementadas na
linguagem SQL, respectivamente, pelas cláusulas
a) Select, From e Where.
b) Select, Where e From.
c) Where, Select e From.
d) Where, From e Select.
e) Select, Select e Join.
12. (ESAF/PSS TI/2008) Na linguagem SQL, o uso da cláusula WHERE,

quando apropriado,
a) agrupa o resultado em subconjuntos que possuem valores correspondentes
em uma ou mais colunas. Em cada grupo não há duas linhas com o mesmo
valor na(s) coluna(s) de agrupamento.
b) permite selecionar linhas baseadas em uma expressão booleana. Somente
as linhas para as quais a expressão é avaliada como TRUE são retornadas no
resultado.
c) especifica se o ResultSet de uma instrução SELECT simples, que atende aos
requisitos para um cursor, é atualizável ou não.
d) permite selecionar colunas baseado em uma expressão numérica. Somente
as colunas para as quais a expressão é avaliada como TRUE são retornadas no
resultado. O uso desta cláusula obriga que os valores nulos sejam
considerados diferentes nos agrupamentos.

e) cria uma ou mais linhas e as armazena na tabela especificada. O número de

valores especificados na instrução WHERE deve ser idêntico ao número de
colunas especificadas ou implícitas.
Gabarito
1. Letra A.
2. Letra E.
3. Item correto.
4. Letra C.
5. Item errado.
6. Item errado.
7. Item correto.
8. Letra A.
9. Letra A.
10. Letra C.
11. Letra C.
12. Letra B.

Aula 06

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Aula 06

Transféré par

Droits d'auteur :

Formats disponibles

CONHECIMENTOS DE BANCO DE DADOS (TEORIA E EXERCÍCIOS) P/

AUDITORIA E FISCALIZAÇÃO - GERAL – CGU

Aula 6 – Exercícios Finais

A seguir um complemento relacionado à teoria sobre Mineração de Dados.

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 2 de 18

Intervalar As diferenças entre os valores são significativas, i.e., existe

Uma classificação adicional é a seguinte

Outra possibilidade de classificar atributos é pelo número de valores (domínio)

Propriedades dos Valores de Atributos

– Atributo Nominal: distinção

Tipos de Conjunto de Dados

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 3 de 18

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 4 de 18

Dados baseados em Grafos

Bem, pessoal, é isso!! Fechamos aqui o referencial teórico!! Rumo às questões

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 5 de 18

Lista de Questões Comentadas

1. (ESAF/AFC-TI/ STN 2005) O Data Warehouse é um conjunto de dados

a) a premissa do Data Mining é uma argumentação ativa, isto é, em vez de o

Mining, que irão procurar informações relevantes de forma

2. (FCC/Analista Judiciário-Informática/TRF4 2010) Sobre data mining,

3. (CESPE/Analista Judiciário-TI/TRT21 2010) Acerca de sistemas de

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 7 de 18

A questão citou duas técnicas de classificação de dados corretamente, a saber:

A seguir serão apresentadas brevemente algumas das técnicas de data mining

É um modelo preditivo que pode ser visualizado na forma de uma árvore,

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 8 de 18

Após a formação das regras, constrói-se uma tabela com o percentual de

Redes Neurais Artificiais

4. (ESAF/Analista Desenvolvimento Sistemas/ANA 2009) Um conjunto

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 9 de 18

unívoca uma relação, e chamado de superchave. Chave de tupla foi um

5. (ESAF/TRF/SRF 2006) Normalização é o processo de se reunir todos os

6. (ESAF/SRF/TRF/2006) Uma das regras da integridade do modelo

7. (ESAF/SRF/TRF/2006) Em um banco de dados, quando se deseja

Gabarito: item correto.

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 10 de 18

8. (ESAF/ANA/Analista Sistemas/ 2009) Em SQL, a cláusula check

9. (ESAF/Auditor Informática/Pref Natal 2008) Quanto à estrutura,

o DROP INDEX: exclui um índice existente de uma tabela.

10. (ESAF/ENAP/Analista de Sistemas/2006) A SQL possui recursos

Algunas sinônimos para apagar = excluir,destruir, deletar, já ouvi também até

11. (FCC/TRT23/Analista Judiciário - TI/2011) As operações da álgebra

• A cláusula SELECT relaciona as colunas que se quer presentes no

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 12 de 18

• A cláusula FROM corresponde à operação de produto cartesiano da

12. (ESAF/PSS TI/2008) Na linguagem SQL, o uso da cláusula WHERE,

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 13 de 18

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 14 de 18

Lista das Questões Apresentadas na Aula

a) a premissa do Data Mining é uma argumentação ativa, isto é, em vez de o

2. (FCC/Analista Judiciário-Informática/TRF4 2010) Sobre data mining,

e) É o processo de descoberta de novas correlações, padrões e tendências

3. (CESPE/Analista Judiciário-TI/TRT21 2010) Acerca de sistemas de

4. (ESAF/Analista Desenvolvimento Sistemas/ANA 2009) Um conjunto

5. (ESAF/TRF/SRF 2006) Normalização é o processo de se reunir todos os

6. (ESAF/SRF/TRF/2006) Uma das regras da integridade do modelo

7. (ESAF/SRF/TRF/2006) Em um banco de dados, quando se deseja

8. (ESAF/ANA/Analista Sistemas/ 2009) Em SQL, a cláusula check

Profa. Patrícia Lima Quintão www.pontodosconcursos.com.br 16 de 18

9. (ESAF/Auditor Informática/Pref Natal 2008) Quanto à estrutura,

10. (ESAF/ENAP/Analista de Sistemas/2006) A SQL possui recursos

11. (FCC/TRT23/Analista Judiciário - TI/2011) As operações da álgebra

12. (ESAF/PSS TI/2008) Na linguagem SQL, o uso da cláusula WHERE,