Avaliação II - Individual

Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original

Prova Impressa
GABARITO | Avaliação II - Individual (Cod.:1526003)
Peso da Avaliação 2,00
Prova 109452529
Qtd. de Questões 10
Acertos/Erros 9/1
Nota 9,00
Os bancos de dados orientados a grafos são projetados para modelar e explorar relacionamentos 
complexos entre entidades, utilizando uma estrutura de nós e arestas. Esse modelo é especialmente 
eficaz em aplicações que requerem uma compreensão profunda das conexões entre dados, como redes 
sociais, sistemas de recomendação e análise de redes. A escalabilidade e a eficiência na navegação 
pelas relações tornam esse tipo de banco de dados ideal para cenários em que a análise de conexões é 
central.Com base nas características dos bancos de dados orientados a grafos, assinale a alternativa 
correta:
A Bancos de dados orientados a grafos são aplicáveis apenas a dados estruturados, como planilhas
e tabelas.
B Bancos de dados orientados a grafos utilizam uma estrutura em tabelas, similar ao modelo
relacional, para representar conexões entre dados.
C A escalabilidade é limitada em bancos de dados orientados a grafos, o que os torna inadequados
para grandes conjuntos de dados interconectados.
D Em bancos de dados orientados a grafos, apenas nós representam entidades, enquanto arestas não
desempenham nenhum papel na modelagem.
E A linguagem Cypher é usada em bancos de dados orientados a grafos para facilitar a expressão de
consultas que exploram relações complexas entre entidades.
No cenário de processamento de Big Data, em que volumes massivos de informações precisam 
ser analisados de forma eficiente, o MapReduce surge como um paradigma de programação 
fundamental. Criado pelo Google, esse modelo simplifica o desenvolvimento de aplicações 
distribuídas, permitindo o processamento paralelo de grandes conjuntos de dados em clusters de 
computadores.Considerando o algoritmo de MapReduce, avalie as asserções a seguir e a relação 
proposta entre elas:I. No processamento paralelo e distribuído tradicional, o conjunto de dados era 
dividido em partes menores para que fossem armazenados em máquinas diferentes. Essa abordagem 
gerava desafios que foram superados pelo MapReduce.
PORQUE
II. Com o MapReduce, esses desafios são superados, tendo em vista que ele permite computação 
paralela e distribuída sem a necessidade de cuidar de problemas como confiabilidade, tolerância a 
falhas.A respeito dessas asserções, assinale a opção correta:
A As asserções I e II são verdadeiras, e a II é uma justificativa correta da I.
B A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
C As asserções I e II são falsas.
D As asserções I e II são verdadeiras, mas a II não é uma justificativa correta da I.
 VOLTAR
A+ Alterar modo de visualização
1
2
14/11/2025, 09:45 Avaliação II - Individual
about:blank 1/5
E A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
O Big Data é definido por seus principais componentes, conhecidos como as três dimensões 
"V": volume, relacionado à escala massiva de dados gerados diariamente; velocidade, que reflete a 
taxa em que os dados são gerados e processados em tempo real; e variedade, que destaca a 
diversidade de formatos e tipos de dados. Além dessas dimensões, conceitos como veracidade 
(confiabilidade dos dados) e valor (extração de insights) são fundamentais para explorar o potencial 
transformador do Big Data em diferentes setores.Com base no texto, sobre os componentes do Big 
Data, analise as afirmativas a seguir:I. O componente de volume está relacionado à confiabilidade dos 
dados em sistemas computacionais.
II. A velocidade no Big Data refere-se à taxa de geração e processamento de dados, permitindo 
decisões em tempo real.
III. A variedade destaca a diversidade de formatos e tipos de dados, incluindo texto, imagens e vídeos.
IV. Veracidade e valor são dimensões complementares que destacam a confiabilidade dos dados e a 
extração de insights significativos.É correto o que se afirma em:
A I e II, apenas.
B I, II e III, apenas.
C I, III e IV, apenas.
D II e III, apenas.
E III e IV, apenas.
O particionamento de dados é uma técnica elementar que visa quebrar um vasto volume de 
informações em segmentos menores e mais fáceis de administrar, conhecidos como partições. Essa 
abordagem não só acelera a execução de consultas, mas também simplifica a dispersão dos dados por 
diversos servidores, resultando em uma utilização mais eficiente dos recursos e uma maior robustez 
do sistema.Considerando os tipos de particionamento, qual deles cria subtabelas derivadas de uma 
central?
A Particionamento dimensional.
B Particionamento lateral.
C Particionamento funcional.
D Particionamento vertical.
E Particionamento horizontal.
Para superar os desafios inerentes ao gerenciamento de grandes volumes de dados e otimizar o 
desempenho de sistemas distribuídos, diversas estratégias de particionamento foram desenvolvidas. A 
escolha da estratégia correta é fundamental e depende de fatores como o padrão de acesso aos dados, 
3
4
Revisar Conteúdo do Livro
5
14/11/2025, 09:45 Avaliação II - Individual
about:blank 2/5
os requisitos de escalabilidade e as características específicas da aplicação.Considerando as 
estratégias de partição, avalie as asserções a seguir e a relação proposta entre elas:I. A estratégia de 
intervalos de particionamento utiliza-se de algoritmos de hash, e pode ter como exemplo uma lista de 
pedidos ordenada por país.
PORQUE
II. A estratégia de lista de particionamento utiliza-se de intervalos consecutivos de valores, e pode ter 
como exemplo um intervalo de uma tabela particionada por data.A respeito dessas asserções, assinale 
a opção correta:
A A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
B As asserções I e II são verdadeiras, e a II é uma justificativa correta da I.
C As asserções I e II são verdadeiras, mas a II não é uma justificativa correta da I.
D A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
E As asserções I e II são falsas.
O MapReduce é um modelo de programação projetado para processar grandes conjuntos de 
dados em paralelo, distribuindo o trabalho por um cluster de computadores. Sua força reside na 
simplicidade de duas funções principais: Map e Reduce, que trabalham em conjunto para transformar 
e agregar dados de forma eficiente.Fonte: COULOURIS, G. et al. Sistemas distribuídos. 5. ed. Porto 
Alegre: Bookman, 2013.Considerando as funções principais (Map e Reduce), sobre o funcionamento 
de uma delas, assinale a alternativa correta:
A Na função reduce(), os valores são classificados utilizando uma tabela-padrão com todos os
resultados finais ordenados pela chave aleatória e que sejam agrupados.
B A função map() é responsável por receber um conjunto de pares chave-valor como entrada e
produzir um conjunto de pares chave-valor intermediários como saída.
C A função reduce() é responsável por receber um conjunto de pares chave-valor como entrada e
produzir uma tabela associativa como saída.
D
A função reduce() tem como responsabilidade realizar o processamento de uma tabela de entradas
para produzir uma lista de valores, de forma que fiquem prontos para serem combinados em
fusão.
E A função map() é responsável por receber um conjunto de pares chave-valor como entrada e
produzir uma tabela associativa como saída.
Os bancos de dados orientados a colunas oferecem uma abordagem diferenciada para o 
armazenamento e recuperação de grandes volumes de dados, organizando as informações em colunas 
ao invés de linhas. Esse tipo de estrutura favorece o processamento de consultas analíticas, 
particularmente em ambientes de Big Data. Além disso, alguns bancos de dados orientados a colunas, 
como o Apache Cassandra, são conhecidos por suas características específicas, como a capacidade de 
operar de forma distribuída e a adaptação a grandes volumes de dados, o que os torna ideais para 
aplicações que exigem alta disponibilidade e flexibilidade.Fonte: SILVA, L. F. C. et al. Banco de 
dados não
relacional. Porto Alegre: SAGAH, 2021Sobre bancos de dados orientados a colunas e o 
Apache Cassandra, analise as afirmativas a seguir:I. Bancos de dados orientados a colunas são mais 
indicados para análises de grandes volumes de dados, pois permitem a recuperação rápida de 
subconjuntos específicos em vez de linhas inteiras.
II. O Apache Cassandra foi projetado para garantir a escalabilidade horizontal e alta disponibilidade 
6
7
14/11/2025, 09:45 Avaliação II - Individual
about:blank 3/5
em ambientes distribuídos, facilitando a recuperação de dados mesmo em cenários de falha.
III. Bancos de dados orientados a colunas limitam a capacidade de adaptar o esquema, pois cada linha 
deve ter o mesmo conjunto de colunas, o que é diferente dos bancos relacionais.
IV. A arquitetura do Apache Cassandra garante uma estrutura centralizada, focada em um ponto único 
de falha, para melhorar o desempenho em grandes plataformas on-line.É correto o que se afirma em:
A I, II, III e IV.
B III e IV, apenas.
C I, II e III, apenas.
D I e II, apenas.
E II e IV, apenas.
O armazenamento de grandes volumes de dados, conhecido como Big Data, envolve a gestão 
eficiente de quantidades massivas de informações, que variam em tipos e exigem processamento ágil. 
O Big Data é caracterizado por múltiplos componentes que influenciam a forma como os dados são 
armazenados, processados e utilizados. Esses componentes abordam tanto a escala e a diversidade dos 
dados quanto a velocidade com que são gerados e analisados. O objetivo final é possibilitar o uso 
desses dados para gerar insights valiosos, otimizando processos de decisão e inovação.Fonte: 
SILBERSCHATZ, A. Sistema de banco de dados. Rio de Janeiro: GEN; LTC, 2020.Com base nos 
fundamentos do Big Data, assinale a alternativa correta:
A A variedade no Big Data limita-se ao armazenamento de dados exclusivamente estruturados,
como tabelas e planilhas.
B O conceito de Big Data refere-se apenas à capacidade de armazenar dados estruturados em
grandes volumes, com baixa diversidade de formatos.
C O conceito de valor no Big Data significa que todos os dados gerados têm um impacto
significativo e devem ser armazenados e processados.
D Velocidade no contexto do Big Data indica a necessidade de uma taxa alta de transmissão e
análise de dados, como ocorre em sistemas em tempo real.
E Veracidade no Big Data refere-se à quantidade total de dados armazenados, sem considerar sua
confiabilidade.
O particionamento de dados é uma técnica bastante utilizada para unificar recursos distribuídos, 
garantindo consistência em bases de dados que estão divididas entre diferentes dispositivos 
físicos.Considerando o uso do particionamento de dados, sobre os benefícios do uso, analise as 
afirmativas a seguir:I. Melhorar o desempenho do acesso aos dados.
II. Fazer correspondência de diferentes repositórios de dados sem definir padrão.
III. Regredir a escalabilidade.
IV. Fornecer flexibilidade operacional.
V. Minimizar a disponibilidade dos dados em uma organização.É correto o que se afirma em:
A I e II, apenas.
B IV e V, apenas.
8
9
14/11/2025, 09:45 Avaliação II - Individual
about:blank 4/5
C III e V, apenas.
D I e IV, apenas.
E II e III, apenas.
Ferramentas como o Apache Hadoop desempenham um papel crucial na era do Big Data, 
oferecendo soluções para o processamento de grandes volumes de dados em ambientes distribuídos. 
Utilizando o modelo MapReduce, desenvolvido pela Google, o Hadoop divide tarefas complexas em 
operações menores, distribuindo-as em clusters de computadores. O MapReduce consiste em duas 
etapas principais: a função "Map", que transforma dados em pares chave-valor intermediários, e a 
função "Reduce", que combina esses pares com base em suas chaves, simplificando o processamento 
paralelo em grandes volumes de dados.Sobre o modelo de programação MapReduce, assinale a 
alternativa correta:
A Consiste apenas na etapa de combinação de resultados intermediários, conhecida como
"Reduce".
B Realiza o processamento distribuído apenas em pequenos volumes de dados.
C É aplicado exclusivamente no Apache Hadoop, sem utilidade em outras ferramentas ou
sistemas.
D Divide tarefas complexas em operações menores que podem ser executadas em paralelo em
clusters de servidores.
E É um modelo proprietário da Google, exclusivo para indexação de motores de busca.
10
Imprimir
14/11/2025, 09:45 Avaliação II - Individual
about:blank 5/5