← Voltar para a lista de provas Instituto de Proteção Ambiental do Amazonas (IPAAM) · Cargo 2: Analista Ambiental – Especialidade: Análise de Sistemas 50 questões nesta prova · página 1 de 3 · 48 com gabarito Gabarito disponível A qualidade de software pode ser avaliada por critérios e métricas definidos previamente. O cenário descreve critérios objetivos para avaliar confiabilidade, manutenibilidade e desempenho, ou seja, uso de métricas. A qualidade é mensurável e acompanhada ao longo do projeto. A) Não depende só da experiência individual. B) Deve ser buscada durante todo o ciclo, não só após a entrega. C) Não é apenas percepção subjetiva, pois há critérios objetivos. E) Vai além da correção funcional, abrangendo confiabilidade, manutenibilidade, desempenho etc. Referência: ISO/IEC 25010; PRESSMAN. Engenharia de Software. Resolução comentada do VaiConcursos. Gabarito disponível No MVC, apenas o item I descreve corretamente o componente. O Model representa os dados e as regras de negócio (item I certo). A View apresenta as informações ao usuário, e o Controller recebe as entradas e coordena a interação entre Model e View. Os itens II e III trocam as funções. II está errado: receber entradas e coordenar é função do Controller. III está errado: apresentar informações é função da View. Logo, apenas I está certo; B, C, D e E contêm itens errados. Referência: Padrão arquitetural MVC (Model-View-Controller); SOMMERVILLE. Resolução comentada do VaiConcursos. Gabarito disponível Scrum Master promove a compreensão e a aplicação do Scrum. Segundo o Guia Scrum, o Scrum Master é responsável por estabelecer o Scrum conforme definido, ajudando todos a entenderem a teoria e a prática, e serve ao time e à organização. Não é gerente nem líder técnico. B) Quem decide como implementar são os Developers. C) A priorização é responsabilidade do Product Owner. D) Os Developers se autogerenciam, e o Scrum Master não distribui tarefas nem cobra resultados. E) O Scrum Master não decide a arquitetura nem valida entregas. Referência: Guia do Scrum (Schwaber e Sutherland), seção Scrum Team. Resolução comentada do VaiConcursos. Gabarito disponível Estrutura estática com elementos e relacionamentos: diagrama de classes. O diagrama de classes representa a visão estática do sistema: classes, atributos, operações e os relacionamentos entre elas. Por isso apoia o entendimento do domínio e as decisões de projeto. A) Sequência mostra interação entre objetos ao longo do tempo (comportamental). B) Atividades modela fluxo de trabalho. D) Estados modela o ciclo de vida de um objeto. E) Casos de uso mostra a interação de atores com funcionalidades. Referência: OMG. UML Specification; BOOCH, RUMBAUGH, JACOBSON. UML: Guia do Usuário. Resolução comentada do VaiConcursos. Gabarito disponível Levantar, registrar e validar requisitos funcionais e não funcionais no início. A engenharia de requisitos deve tratar requisitos funcionais (o que o sistema faz) e não funcionais (restrições e qualidades), considerando usuários e ambiente organizacional, nas fases iniciais. Isso reduz retrabalho e falhas de entendimento. A) Ignora os requisitos funcionais. B) Ignora as restrições não funcionais. C) Levantar requisitos só após o desenvolvimento gera retrabalho. D) Informalidade e falta de processo estruturado levam a falhas de entendimento. Referência: SOMMERVILLE. Engenharia de Software; PRESSMAN. Engenharia de Software. Resolução comentada do VaiConcursos. Gabarito disponível Padrões de projeto são soluções reutilizáveis para problemas recorrentes. Padrões de projeto descrevem soluções reutilizáveis e testadas para problemas recorrentes de projeto, devendo ser adaptados ao contexto. Isso melhora manutenibilidade e flexibilidade sem substituir a análise e a modelagem. B) Padrões não substituem análise e modelagem. C) Têm papel no projeto, não só na implementação, e não dispensam decisões de projeto. D) Não garantem automaticamente desempenho e segurança. E) Não são estruturas fixas; devem ser adaptados aos requisitos. Referência: GAMMA et al. Padrões de Projeto (GoF). Resolução comentada do VaiConcursos. Gabarito disponível Média de pH em Python com lista de floats, sum(), / e print(). A forma idiomática é guardar as medições numéricas em uma lista de floats, somar com sum(), dividir por len() usando o operador / (divisão real) e exibir com print(). Isso cobre armazenar, calcular a média e exibir o resultado. B) Armazena pH como string e concatena, o que não calcula média. C) Usa inteiros e set (elimina repetições, distorcendo dados) e retorna o máximo, não a média. D) Uma variável por medição é inviável, e converter para string e guardar em tupla não calcula média. E) len() da string original retorna o número de caracteres, não a média. Referência: Documentação oficial do Python: funções embutidas sum(), len(), print() e tipo list. Resolução comentada do VaiConcursos. Gabarito disponível A hierarquia de categorias e subcategorias é o componente central da arquitetura de informação. A arquitetura de informação envolve organização, rotulação, navegação e busca. No cenário, o componente fundamental é a estrutura hierárquica de categorias e subcategorias que organiza o conteúdo em níveis lógicos, o que permite navegação intuitiva e recuperação rápida de informações. A) UX é um conceito mais amplo, não o componente da AI. C) A busca é um subsistema da AI, mas o texto descreve a hierarquia como base da estrutura. D) O fluxo de aprovação é gestão de conteúdo, não AI. E) A acessibilidade técnica é requisito de interface, não da organização da informação. Referência: Rosenfeld & Morville, Information Architecture for the World Wide Web. Resolução comentada do VaiConcursos. Gabarito disponível Itens I e II estão corretos; as WCAG não são meramente opcionais. O item I está certo, pois o HTML semântico melhora a acessibilidade e a indexação. O item II está certo, pois as media queries do CSS3 permitem estilos responsivos por dispositivo. O item III está errado, porque as WCAG são o referencial de acessibilidade, e no Brasil o eMAG e a legislação tornam a acessibilidade exigência em portais públicos, não algo opcional. A) Omite o item II, que está certo. B e D) Consideram o item III certo, mas ele está errado. E) Inclui o item III, que está errado. Referência: W3C: HTML, CSS Media Queries e WCAG; Lei nº 13.146/2015 (Lei Brasileira de Inclusão); eMAG. Resolução comentada do VaiConcursos. Gabarito disponível UX é o estudo da experiência percebida pelo usuário ao interagir com a interface. User eXperience abrange as percepções, emoções e a satisfação do usuário durante a interação com um produto ou interface, incluindo usabilidade, navegação intuitiva e acessibilidade. É isso que orienta o design do SGC. A) Análise de tráfego e métricas do servidor é monitoramento e analytics. B) Versionamento colaborativo é gestão de configuração. D) Otimização de código para carregamento é desempenho, um aspecto parcial e não exclusivo. E) Segurança de dados é outro domínio. Referência: ISO 9241-210; Garrett, The Elements of User Experience. Resolução comentada do VaiConcursos. Gabarito disponível Microsserviços por domínio em contêineres atendem evolução, integração e isolamento de falhas. Microsserviços organizados por domínio permitem evoluir cada serviço de forma independente, integrar-se a sistemas externos por APIs e isolar falhas. Os contêineres independentes e escaláveis reforçam o isolamento e a escalabilidade. B) O monolito, com módulos no mesmo processo, propaga falhas e dificulta a evolução. C) Cliente-servidor de duas camadas com banco centralizado é rígido e pouco escalável. D) Um MVC único concentra responsabilidades e acopla integrações. E) Um barramento único é ponto central de falha e acoplamento. Referência: Newman, Building Microservices; Fowler, Microservices. Resolução comentada do VaiConcursos. Gabarito disponível Para dados com dependência temporal, usa-se validação cruzada adaptada a séries temporais. Na análise preditiva de desmatamento, os dados geoespaciais e históricos têm dependência sequencial. A validação cruzada k-fold adaptada a séries temporais (como o time series split) preserva a ordem cronológica e evita vazamento de dados do futuro para o treino. Segundo o gabarito, é o método adequado para ajustar parâmetros e minimizar erros de predição. A) Sem conjunto de validação separado não se avalia a generalização e há risco de overfitting. B) Equilibrar classes só no teste não é uma boa prática. D) A divisão aleatória ignora a ordem temporal e pode causar vazamento. E) A divisão fixa 80/20 sem validação intermediária não permite ajuste robusto de parâmetros. Referência: Validação cruzada (k-fold e time series split), scikit-learn; Hastie et al., The Elements of Statistical Learning. Resolução comentada do VaiConcursos. Gabarito disponível Aprendizado de máquina aprende padrões dos dados e generaliza para novos casos. A característica central do aprendizado de máquina é aprender padrões a partir de dados, em vez de seguir regras fixas, e generalizar para casos novos. O LLP-Co faz isso ao rotular e classificar imagens com supervisão e validação dos pesquisadores. A) O texto cita supervisão e validação dos pesquisadores. B) Instruções determinísticas pré-codificadas caracterizam software tradicional. C) Regras simbólicas de especialistas caracterizam sistemas especialistas. E) Estatística descritiva apenas resume dados, sem generalizar. Referência: Mitchell, Machine Learning; conceitos de aprendizado supervisionado. Resolução comentada do VaiConcursos. Gabarito disponível Classificar culturas é associar instâncias a classes pré-definidas aprendidas de exemplos. Na mineração de dados, a classificação é uma tarefa supervisionada: o modelo aprende, a partir de exemplos rotulados, a atribuir novas instâncias a classes previamente definidas, como tipo de cultura ou espécie vegetal. A) Redução de dimensionalidade é outra tarefa. B) Agrupar sem rótulos é clusterização. C) Identificar exceções raras é detecção de anomalias. D) Descobrir relações frequentes entre atributos é regras de associação. Referência: Han & Kamber, Data Mining: Concepts and Techniques. Resolução comentada do VaiConcursos. Gabarito disponível O SIG integra dados espaciais e atributos para organizá-los e analisá-los. O Sistema de Informação Geográfica captura, armazena, integra, analisa e exibe dados georreferenciados, combinando a geometria com atributos descritivos, o que atende à necessidade descrita. A) O aprendizado de máquina classifica, mas não é a tecnologia que organiza e integra dados georreferenciados. B) Mineração de texto trata dados textuais. C) Repositório estático não analisa. E) Banco relacional convencional não tem funções espaciais nativas de análise. Referência: Câmara & Davis, Introdução à Ciência da Geoinformação (INPE). Resolução comentada do VaiConcursos. Gabarito disponível Sensoriamento remoto obtém informações da superfície por sensores, sem contato físico direto. No sensoriamento remoto, sensores em satélites, aeronaves e drones registram a radiação eletromagnética refletida ou emitida pelos alvos, o que gera informações da superfície sem contato físico direto. A) As imagens de sensores são matriciais (raster) e exigem processamento posterior. B) Observação direta em campo não é sensoriamento remoto. C) A análise não se restringe a bases locais. E) Sensores terrestres em contato não caracterizam o uso de drones e satélites do texto. Referência: Fundamentos de sensoriamento remoto. Resolução comentada do VaiConcursos. Gabarito disponível O compartilhamento geoespacial exige padrões abertos do OGC no âmbito da INDE. A interoperabilidade de dados geoespaciais depende de padrões abertos, como os serviços WMS, WFS e CSW do OGC, adotados pela Infraestrutura Nacional de Dados Espaciais (INDE), que permitem a diferentes órgãos publicar e consumir dados de modo padronizado. A) Metadados em PLN não são o requisito de interoperabilidade; o que importa são metadados padronizados. B, D e E) Sistemas isolados, formatos proprietários e armazenamento local sem padronização impedem o compartilhamento. Referência: OGC (WMS, WFS, CSW); INDE (Decreto nº 6.666/2008). Resolução comentada do VaiConcursos. Gabarito disponível Power BI e Tableau favorecem exploração interativa e comunicação de padrões. Ferramentas de BI e visualização permitem painéis interativos, filtros e detalhamento, facilitando que gestores explorem os dados e entendam padrões relevantes para priorizar a fiscalização. A) Dependem de fontes de dados e usam consultas. B) Conectam dados, mas não substituem a integração. C) Não fazem inferência causal automática. D) São voltadas também a usuários sem alto domínio de programação, e não restringem a análise. Referência: Business Intelligence e visualização de dados (Power BI, Tableau). Resolução comentada do VaiConcursos. Gabarito disponível Big Data permite achar padrões complexos em grandes volumes de dados heterogêneos. As práticas de Big Data (volume, variedade, velocidade) tratam dados diversos, como rastreamento, imagens e registros, e permitem identificar padrões complexos, como rotas e comportamentos suspeitos, o que melhora a efetividade da fiscalização. B) Apoia a análise humana, não a substitui. C) Lida com dados heterogêneos, sem exigir um único formato. D) Reforça políticas baseadas em evidências. E) Não depende de tecnologias proprietárias exclusivas. Referência: Conceito de Big Data (os 3 Vs e extensões). Resolução comentada do VaiConcursos. Gabarito disponível A integração SQL com Python/R une extração estruturada e análise estatística automatizada. O SQL extrai e prepara dados de forma estruturada e eficiente no banco. Python e R acrescentam métodos estatísticos, modelagem, visualização e automação de rotinas, de modo que a integração complementa as duas camadas e justifica a arquitetura. A) A integração amplia a escalabilidade, não a limita. B) Ela distribui as etapas entre banco e linguagens, não as concentra no banco. C) Não elimina a necessidade de modelagem e saneamento. E) Persistência e integridade continuam sob responsabilidade do SGBD. Referência: Ciência de dados: pipeline analítico com SQL, Python e R. Resolução comentada do VaiConcursos.IPAAM 2025 — Analista Ambiental — Especialidade: Análise de Sistemas (Cargo 2) — Conhecimentos Específicos
Considerando-se a situação descrita, é correto afirmar que a qualidade de softwareResolução comentada
Análise das alternativas
I Model é responsável por representar os dados da aplicação e implementar as regras de negócio associadas.
II View recebe as entradas do usuário e coordena a interação entre os componentes do sistema.
III Controller tem como função principal apresentar as informações ao usuário final, refletindo o estado do model.
Assinale a opção correta.Resolução comentada
Análise das alternativas
Resolução comentada
Análise das alternativas
O modelo UML ao qual o cenário descrito se refere é o diagrama deResolução comentada
Análise das alternativas
Diante desse cenário, assinale a opção que descreve a melhor abordagem para atender às necessidades descritas.Resolução comentada
Análise das alternativas
Nesse cenário, a ação mais adequada a ser adotada pela equipe éResolução comentada
Análise das alternativas
Nessa situação hipotética, para armazenar os dados de pH, calcular sua média e exibir o resultado em Python, o analista deveResolução comentada
Análise das alternativas
Ao se analisar a referida estrutura proposta hipoteticamente para o SGC do IPAAM, identifica-se como componente fundamental da arquitetura de informaçãoResolução comentada
Análise das alternativas
I As diretrizes W3C enfatizam o uso de HTML semântico para melhorar acessibilidade e indexação por mecanismos de busca em interfaces de consulta pública.
II O padrão CSS3 permite o uso de media queries para criar estilos responsivos específicos de dispositivos, otimizando a apresentação e a performance em telas móveis.
III As WCAG (web content accessibility guidelines) do W3C são recomendações opcionais para implementação em sistemas de gestão de conteúdo.
Assinale a opção correta.Resolução comentada
Análise das alternativas
Resolução comentada
Análise das alternativas
Na situação hipotética apresentada, a abordagem arquitetural mais adequada consiste emResolução comentada
Análise das alternativas
No processo de treinamento do modelo de classificação, o método utilizado para ajustar os parâmetros e minimizar erros de predição envolveResolução comentada
Análise das alternativas
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
O sistema LLP-Co, descrito no texto 2A2-I, enquadra-se, segundo a literatura especializada, no conceito de sistema de aprendizado de máquina, porque sua característica central consiste emResolução comentada
Análise das alternativas
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
A classificação automática de culturas agrícolas e espécies vegetais, conforme descrita no texto 2A2-I, corresponde, do ponto de vista da mineração de dados, a uma tarefa de classificação porqueResolução comentada
Análise das alternativas
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
Em relação ao uso integrado de imagens de satélite, dados rotulados e análises espaciais, mencionado no texto 2A2-I, é correto afirmar que a tecnologia que permite organizar, integrar e analisar essas informações georreferenciadas de forma sistemática é oResolução comentada
Análise das alternativas
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
No sensoriamento remoto, o emprego de drones e satélites para coletar informações sobre a cobertura vegetal amazônica, conforme consta no texto 2A2-I, fundamenta-se naResolução comentada
Análise das alternativas
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
Os dados espaciais provenientes de satélites e drones, conforme mencionados no texto 2A2-I, são potencialmente integráveis a diferentes órgãos ambientais. Para viabilizar o compartilhamento desses dados geoespaciais, é fundamental o uso deResolução comentada
Análise das alternativas
Texto 2A2-II
Um órgão ambiental federal responsável pelo monitoramento e pela fiscalização de recursos pesqueiros iniciou um projeto nacional de combate à pesca ilegal. O projeto envolve a integração de dados heterogêneos, incluindo registros administrativos de licenças de pesca, dados de rastreamento de embarcações, imagens de satélite, informações geoespaciais, relatórios de fiscalização e séries históricas de infrações ambientais. A equipe técnica precisa estruturar um ambiente analítico que permita consultas eficientes, automatização de rotinas recorrentes, análise e comunicação clara dos resultados para os gestores responsáveis pela formulação de políticas públicas e pela priorização de ações de fiscalização.
No fluxo analítico do projeto descrito no texto 2A2-II, o uso de ferramentas como Power BI e Tableau seria tecnicamente adequado porque essas plataformasResolução comentada
Análise das alternativas
Texto 2A2-II
Um órgão ambiental federal responsável pelo monitoramento e pela fiscalização de recursos pesqueiros iniciou um projeto nacional de combate à pesca ilegal. O projeto envolve a integração de dados heterogêneos, incluindo registros administrativos de licenças de pesca, dados de rastreamento de embarcações, imagens de satélite, informações geoespaciais, relatórios de fiscalização e séries históricas de infrações ambientais. A equipe técnica precisa estruturar um ambiente analítico que permita consultas eficientes, automatização de rotinas recorrentes, análise e comunicação clara dos resultados para os gestores responsáveis pela formulação de políticas públicas e pela priorização de ações de fiscalização.
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 possibilitaResolução comentada
Análise das alternativas
Texto 2A2-II
Um órgão ambiental federal responsável pelo monitoramento e pela fiscalização de recursos pesqueiros iniciou um projeto nacional de combate à pesca ilegal. O projeto envolve a integração de dados heterogêneos, incluindo registros administrativos de licenças de pesca, dados de rastreamento de embarcações, imagens de satélite, informações geoespaciais, relatórios de fiscalização e séries históricas de infrações ambientais. A equipe técnica precisa estruturar um ambiente analítico que permita consultas eficientes, automatização de rotinas recorrentes, análise e comunicação clara dos resultados para os gestores responsáveis pela formulação de políticas públicas e pela priorização de ações de fiscalização.
Ainda em relação à situação apresentada no texto 2A2-II, na arquitetura analítica do projeto de combate à pesca ilegal, a integração entre consultas em SQL e o uso de linguagens como Python e R seria tecnicamente justificável porque essa integraçãoResolução comentada
Análise das alternativas
Durante a condução de um projeto de software, a equipe técnica decidiu acompanhar a qualidade do produto ao longo de seu desenvolvimento. Para isso, foram definidos critérios objetivos para avaliar características como confiabilidade, manutenibilidade e desempenho, de maneira a verificar se o software atendia aos padrões estabelecidos e a identificar pontos de melhoria ao longo do projeto.
O padrão arquitetural MVC (model-view-controller) estabelece uma separação clara de responsabilidades entre seus componentes, com o objetivo de organizar a aplicação, facilitar sua manutenção e permitir a evolução do software ao longo do tempo. A respeito das funções atribuídas aos componentes do padrão MVC, julgue os itens a seguir.
A unidade fundamental do Scrum é um pequeno time de pessoas, denominado scrum team, que consiste, basicamente em um scrum master, um product owner e developers. No scrum team, o scrum master tem o papel de
Durante a documentação de um sistema de informação, a equipe de desenvolvimento utiliza um modelo UML para representar a estrutura estática da solução, evidenciando os principais elementos que compõem o sistema e os vínculos existentes entre eles, com o objetivo de facilitar o entendimento do domínio e apoiar decisões de projeto.
Durante o desenvolvimento de um sistema de informação, a equipe responsável identificou a necessidade de compreender claramente o que o sistema deve fazer e quais restrições devem ser observadas para que ele atenda às expectativas dos usuários e às condições impostas pelo ambiente organizacional. Para evitar retrabalho e falhas de entendimento ao longo do projeto, a equipe decidiu adotar uma abordagem adequada para lidar com essas necessidades.
Durante o projeto de um sistema orientado a objetos, uma equipe de desenvolvimento identificou que determinados problemas de projeto se repetem em diferentes partes do sistema. A equipe busca uma forma de lidar com essas situações recorrentes, para aumentar a manutenibilidade e a flexibilidade do software, sem comprometer as decisões de análise e modelagem já realizadas.
Um analista ambiental, ao automatizar a consolidação de dados de monitoramento da qualidade da água, decidiu usar Python para organizar medições diárias de pH, calcular a média e exibir o resultado. Para tanto, ele precisa compreender como os elementos básicos da linguagem se articulam para produzir o resultado esperado.
No IPAAM, um analista ambiental projeta um sistema de gestão de conteúdo (SGC) para disponibilizar relatórios técnicos sobre licenciamento ambiental e monitoramento de desmatamento. O sistema organiza os conteúdos em categorias hierárquicas (páginas principais: licenças, fiscalização, monitoramento; subcategorias: relatórios anuais, mapas temáticos), com navegação por menu lateral e busca por palavras-chave. Essa estruturação visa facilitar o acesso eficiente por técnicos e pelo público externo.
Considerando SGC para portais web e as recomendações W3C para desenvolvimento web (web standards), julgue os itens a seguir.
Suponha que, no IPAAM, um SGC seja desenvolvido para disponibilizar relatórios de licenciamento ambiental ao público e que, nessa situação, as noções de UX (User eXperience) orientem o design das interfaces para garantir navegação intuitiva e satisfação dos usuários. Em um SGC, noções de UX caracterizam-se como
O IPAAM planeja modernizar sua plataforma de licenciamento ambiental eletrônico, adotando uma arquitetura de software que facilite a evolução de serviços, a integração com sistemas externos e o isolamento de falhas. A equipe de análise de sistemas avalia diferentes abordagens arquiteturais antes de definir o desenho final da solução.
No IPAAM, analistas ambientais desenvolvem um sistema para análise preditiva de desmatamento na Amazônia, utilizando técnicas de aprendizado de máquina. Nesse contexto, o modelo treinado classifica áreas de floresta como suscetíveis ou não a degradação, com base em dados geoespaciais e históricos.
Texto-base:
Texto-base:
Texto-base:
Texto-base:
Texto-base:
Texto-base:
Texto-base:
Texto-base: