Suponha que sejam usados indicadores para avaliar a possibilidade de inadimplência de títulos emitidos no mercado, e seja X um desses indicadores. Se X assume um valor inferior a 4, a probabilidade de que o emissor do título venha a se tornar inadimplente é de apenas 0,2. Por outro lado, se X estiver acima de 7, a probabilidade de inadimplência é de 0,6. Finalmente, se o indicador estiver situado entre 4 e 7 (incluindo os extremos), o título emitido possui probabilidade de inadimplência igual a 0,4. Quando se considera o universo de todos os títulos emitidos neste mercado, os valores de X seguem distribuição Normal com média 6 e variância 4.

Dado que o emissor de um determinado título se tornou inadimplente, a probabilidade de que o valor de X associado a ele estivesse situado entre 4 e 7 é:

Um analista estuda discrepâncias salariais entre os seguintes setores: manufatura, serviços financeiros e tecnologia. A figura a seguir apresenta os box-plots dos salários desses setores, em reais.





Dentre as afirmativas a seguir, a única correta é:

O desempenho de uma variável econômica em 2023, em termos das variações percentuais trimestrais, foi armazenado no vetor (2, −1, 4, −2) ' . Com o intuito de avaliar a variabilidade nesse ano, foram consideradas as quatro métricas a seguir.

1. norma L1 das componentes do vetor;
2. norma L2 das componentes do vetor;
3. soma dos valores absolutos (módulos) dos desvios de cada componente do vetor em relação à mediana de todos;
4. raiz quadrada da soma dos quadrados dos desvios em relação à sua média, isto é, o numerador do desvio padrão.

A respeito da comparação entre os valores assumidos por essas medidas, a única afirmativa correta é:

Observe o script SQL a seguir.

CREATE TABLE AUDITOR (ID_A INT NOT NULL,
  Nome varchar(20),PRIMARY KEY (ID_A));
CREATE TABLE AUDITADO (ID_O INT NOT NULL,
  Nome varchar(20), ID_A INT,
  PRIMARY KEY (ID_O),FOREIGN KEY (ID_A)
  REFERENCES AUDITOR(ID_A));
INSERT INTO AUDITOR (ID_A, Nome)
VALUES (1, 'Maite');
INSERT INTO AUDITOR (ID_A, Nome)
VALUES (2, 'Lucca');
INSERT INTO AUDITOR (ID_A, Nome)
VALUES (3, 'Maria Clara');
INSERT INTO AUDITADO (ID_O, Nome, ID_A)
VALUES (1, 'Felipe', 1);
INSERT INTO AUDITADO (ID_O, Nome, ID_A)
VALUES (2, 'Stella', 2);
INSERT INTO AUDITADO (ID_O, Nome, ID_A)
VALUES (3, 'Patricia', NULL);

Para analisar quais auditores estão realizando auditoria em quais auditados, é necessária a execução de uma consulta SQL que apresente o seguinte resultado:

Auditor	Auditado
Maite	Felipe
Lucca	Stella

Para obter o resultado apresentado, deve-se executar a consulta SQL:

SELECT AUDITOR.Nome as 'Auditor'
FROM AUDITOR
WHERE AUDITOR.ID_A = ALL
  (SELECT AUDITADO.Nome as 'Auditado'
  FROM AUDITADO
  WHERE AUDITADO.ID_A=AUDITOR.ID_A);

SELECT AUDITOR.Nome as 'Auditor', AUDITADO.Nome as 'Auditado'
FROM AUDITOR, AUDITADO
HAVING AUDITADO.ID_A=AUDITOR.ID_A;

SELECT AUDITOR.Nome as 'Auditor', AUDITADO.Nome as 'Auditado'
FROM AUDITOR INNER JOIN AUDITADO ON
AUDITADO.ID_A=AUDITOR.ID_A; 

SELECT AUDITOR.Nome as 'Auditor'
FROM AUDITOR
WHERE EXISTS (SELECT AUDITADO.Nome as
  'Auditado'
FROM AUDITADO
WHERE AUDITADO.ID_A=AUDITOR.ID_A);

SELECT AUDITOR.Nome as 'Auditor'
FROM AUDITOR
UNION SELECT AUDITADO.Nome as 'Auditado' 
FROM AUDITADO;

Durante a preparação de dados para análise, alterar a quantidade de dimensões e/ou elementos de cada dimensão de um dado do tipo Array é uma operação importante na manipulação de dados. Observe o seguinte trecho de código escrito na linguagem de programação Python:

import numpy as np 

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]) 
newarr = arr.reshape(2, 3, 2) 
print(newarr)

O resultado da execução do código apresentado é:

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]] 

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]] 

[[[ 1  2]
  [ 3  4]
  [ 5  6]]
 [[ 7  8]
  [ 9 10]
  [11 12]]]

[[ 1 2 3  4  5  6]
 [ 7 8 9 10 11 12]]

[[[ 1  2  3]
  [ 4  5  6]]
 [[ 7  8  9]
  [10 11 12]]] 

Uma das principais atividades de implementação de um ambiente analítico é a limpeza dos conjuntos de dados origem. A biblioteca Pandas do Python é utilizada para analisar e também para limpar conjuntos de dados. Observe o trecho de código Python a seguir, que utiliza a biblioteca Pandas.

import pandas as pd df = pd.read_csv('data.csv') df.dropna(inplace = True)

O resultado da execução do código apresentado é a alteração do conjunto original de dados com o(a):

As demandas de dados pelos analistas e cientistas de dados da CVM estão aumentando a cada dia. Para atendê-las com agilidade, é necessário obter dados de diversas fontes heterogêneas no seu formato original para posterior seleção e processamento sob demanda.

Para armazenar dados estruturados, não estruturados e semiestruturados, deve-se implementar um(a):

O dado no formato JSON – padrão utilizado para armazenar e transportar dados – deve ser de algum tipo.
O dado que representa o tipo de dado JSON Array é o:

O ambiente analítico da CVM armazena dados no formato multidimensional, implementa um cubo de dados e disponibiliza uma ferramenta OLAP para apoiar os analistas no desempenho de suas funções. Diante da grande quantidade de dados disponíveis, eles precisam reduzir o seu domínio de análise.

Para isso, a operação OLAP, que extrai um subcubo da seleção de duas ou mais dimensões de um cubo de dados, é a: