PasseiApostilas

Apostila Analista de TI (Ciência de Dados) — Concurso IFSP/SP 2027

1952 páginas6848 questões comentadasBanca Comissão Organizadora própria (IFSP)Prova 31/01/2027PDF · Download imediato
Apostila digital completa
R$ 40,90
Acesso enviado por e-mail imediatamente após o pagamento
Carregando oferta…

Sobre esta apostila

Apostila completa para Analista de TI (Ciência de Dados) do concurso IFSP/SP 2027: 1952 páginas de teoria direcionada, 6848 questões comentadas e resumos. Banca Comissão Organizadora própria (IFSP). Download imediato após o pagamento + amostra grátis.

Conteúdo Programático da Apostila

Conhecimentos Básicos

LÍNGUA PORTUGUESA

  • 1. Leitura, compreensão e interpretação de textos: leitura, compreensão, interpretação e análise crítica de textos verbais, não verbais e multissemióticos
  • 1.1. Identificação de informações explícitas e implícitas, tema, ideia principal, finalidade comunicativa, intencionalidade e efeitos de sentido
  • 2. Tipologia e gêneros textuais: características, estrutura, organização e finalidade de textos narrativos, descritivos, argumentativos, expositivos e injuntivos
  • 2.1. Gêneros textuais de circulação acadêmica, institucional e técnico-administrativa (artigos, relatórios, pareceres, ofícios, editais, comunicados, requerimentos, avisos e instruções)
  • 3. Coesão e coerência textuais: mecanismos de referenciação, substituição, elipse, conectores, sequenciação e progressão temática
  • 3.1. Articulação e continuidade textual; relações lógico-semânticas entre orações, períodos e parágrafos; organização e desenvolvimento de ideias
  • 4. Semântica e pragmática: relação semântica entre as palavras, sinonímia, antonímia, polissemia, sentido literal e figurado, ambiguidade, pressupostos, subentendidos, implícitos, ironia, intertextualidade, modalização, marcas de posicionamento e efeitos de sentido; neologismos e estrangeirismos
  • 5. Argumentação e organização discursiva: identificação de teses, argumentos e contra-argumentos; estratégias argumentativas e persuasivas; relações entre linguagem, contexto, intencionalidade e produção de sentidos; identificação de diferentes pontos de vista e vozes presentes no texto
  • 6. Adequação da linguagem: norma-padrão e usos da língua; níveis de formalidade; adequação vocabular e linguística aos diferentes contextos comunicativos, especialmente à comunicação institucional, acadêmica e administrativa
  • 7. Ortografia oficial e acentuação gráfica: sistema ortográfico vigente, conforme o Acordo Ortográfico da Língua Portuguesa
  • 7.1. Emprego do hífen; acentuação gráfica
  • 8. Morfologia: classes de palavras; estrutura e processos de formação de palavras
  • 8.1. Flexões nominais e verbais; emprego de pronomes; tempos e modos verbais
  • 9. Sintaxe da oração e do período: relações de coordenação e subordinação
  • 9.1. Concordância nominal e verbal; regência nominal e verbal
  • 9.2. Emprego do sinal indicativo de crase; colocação pronominal; vozes verbais
  • 9.3. Correlação entre tempos e modos verbais; paralelismo sintático e semântico
  • 10. Pontuação: emprego dos sinais de pontuação e sua relação com a organização sintática, a clareza, a coerência e os efeitos de sentido, incluindo estruturas de períodos compostos complexos
  • 11. Reescrita, edição e revisão textual: substituição, reordenação e reformulação de palavras, expressões, orações, períodos e parágrafos; paráfrase, resumo e síntese; equivalência e alteração de sentidos; correção gramatical; eliminação de ambiguidades; adequação vocabular e estilística; clareza, concisão, precisão e aprimoramento textual
  • 12. Redação oficial e comunicação técnico-administrativa: princípios, características e padrões da comunicação oficial, clareza, precisão, objetividade, concisão, impessoalidade, formalidade e padronização
  • 12.1. Estrutura, linguagem e finalidade de documentos e comunicações oficiais, incluindo ofícios, mensagens eletrônicas institucionais, relatórios e pareceres
  • 13. Redação acadêmica e normalização: noções de redação científica; citações diretas e indiretas; paráfrases; elaboração de referências bibliográficas e apresentação de trabalhos acadêmicos (Normas ABNT)
  • 13.1. ABNT NBR 6023 (Referências), ABNT NBR 10520 (Citações) e ABNT NBR 14724 (Trabalhos acadêmicos)

RACIOCÍNIO LÓGICO E MATEMÁTICA

  • 1. Estruturas lógicas
  • 1.1. Proposições lógicas e valores lógicos
  • 1.2. Proposições simples e compostas
  • 1.3. Conectivos lógicos (negação, conjunção, disjunção, disjunção exclusiva, condicional e bicondicional)
  • 1.4. Tabela-verdade, tautologia, contradição e contingência
  • 1.5. Equivalências lógicas e negação de proposições compostas
  • 1.6. Quantificadores lógicos (universal e existencial) e suas negações
  • 1.7. Diagramas lógicos
  • 1.8. Argumentos: premissas, conclusão e validade
  • 2. Problemas de raciocínio lógico
  • 2.1. Associação de informações
  • 2.2. Sequências lógicas de números, letras, palavras e figuras
  • 2.3. Orientação espacial
  • 2.4. Raciocínio temporal (datas, calendários e intervalos de tempo)
  • 2.5. Princípio das gavetas (princípio da casa dos pombos)
  • 3. Raciocínio lógico-matemático
  • 3.1. Conjuntos: noções, operações e diagramas
  • 3.2. Conjuntos numéricos (naturais, inteiros, racionais e reais)
  • 3.3. Razão, proporção e regra de três
  • 3.4. Porcentagem
  • 3.5. Equações do 1º grau e problemas
  • 3.6. Análise combinatória (princípio fundamental da contagem, permutações, arranjos e combinações)
  • 3.7. Probabilidade
  • 3.8. Raciocínio lógico aritmético, geométrico e matricial
  • Raciocínio lógico aritmético, geométrico e matricial. Referências bibliográficas sugeridas: CAMPOS, Pedro. Raciocínio lógico e matemática para concursos. Coordenação de André Estefam e Ricardo Baronovsky. São Paulo: Rideel, 2023. CHIEREGATTI, Bruno Galelli; LIMA, João de Sá Brasil; MANCINI, Maria Lu

ESTATÍSTICA

  • 3.1. Tipos de variáveis e escalas de mensuração; população e amostra
  • 3.2. Medidas de posição, dispersão, assimetria e curtose; quantis; identificação de valores atípicos (outliers)
  • 3.3. Distribuições de frequências, tabelas de contingência e representações gráficas (histograma, box plot, dispersão)
  • 3.4. Probabilidade: axiomas, probabilidade condicional, independência e teorema de Bayes
  • 3.5. Variáveis aleatórias discretas e contínuas; esperança e variância; distribuições Bernoulli, binomial, Poisson, uniforme, exponencial, normal, t de Student, qui-quadrado e F
  • 3.6. Lei dos grandes números e teorema central do limite
  • 3.7. Correlação (Pearson e Spearman) e covariância; correlação versus causalidade
  • 3.8. Álgebra linear aplicada: vetores, matrizes e operações; sistemas lineares; autovalores e autovetores; decomposição em valores singulares (SVD)
  • 4.1. Amostragem: amostragem aleatória simples, estratificada, sistemática e por conglomerados; dimensionamento de amostras; vieses de seleção
  • 4.2. Estimação pontual e intervalar; intervalos de confiança; bootstrap e reamostragem
  • 4.3. Testes de hipóteses: erros tipo I e II, nível de significância, valor-p e poder do teste; testes t, qui-quadrado e de proporções; comparações múltiplas
  • 4.4. Análise de variância (ANOVA) e testes não paramétricos (Mann-Whitney, Wilcoxon e Kruskal-Wallis)
  • 4.5. Regressão linear simples e múltipla: pressupostos, estimação por mínimos quadrados, interpretação de coeficientes, diagnóstico de resíduos, multicolinearidade e seleção de variáveis
  • 4.6. Modelos lineares generalizados: regressão logística e regressão de Poisson
  • 4.7. Análise multivariada: análise de componentes principais (PCA), análise fatorial e análise de agrupamentos
  • 4.8. Séries temporais: componentes (tendência, sazonalidade e ruído), estacionariedade, autocorrelação, suavização exponencial, modelos ARIMA e avaliação de previsões
  • 4.9. Noções de inferência bayesiana e de delineamento de experimentos, incluindo testes A/B

GOVERNANÇA E PROTEÇÃO DE DADOS

  • 11.1. Governança e gestão de dados: dado, informação e conhecimento; dados como ativo estratégico; DAMA-DMBOK (2ª edição revisada): áreas de conhecimento e princípios
  • 11.2. Papéis e estrutura: comitê de governança, Chief Data Officer, proprietários, curadores (stewards) e custodiantes de dados; políticas e padrões de dados
  • 11.3. Modelo de Maturidade de Dados (MMD) do Poder Executivo Federal: dimensões, níveis, autodiagnóstico e plano de evolução
  • 11.4. Ciclo de vida dos dados; catálogo, dicionário e glossário de dados; gestão de metadados e linhagem de dados (data lineage); dados mestres e de referência
  • 11.5. Qualidade de dados: dimensões (acurácia, completude, consistência, unicidade, validade e tempestividade), perfilamento, regras e métricas de qualidade; observabilidade de dados
  • 11.6. Segurança e privacidade: classificação da informação, controle de acesso e princípio do menor privilégio, criptografia, anonimização, pseudonimização e mascaramento
  • 11.6.1. Privacidade desde a concepção e por padrão; noções de privacidade diferencial
  • 11.7. Dados abertos e interoperabilidade: princípios, padrões, Plano de Dados Abertos e compartilhamento de dados entre órgãos

Conhecimentos Específicos

CIÊNCIA E ENGENHARIA DE DADOS

  • 1.1. Sistemas operacionais baseados em Linux: estrutura de diretórios, permissões, gerenciamento de processos e pacotes, comandos e programação em shell (Bash)
  • 1.2. Lógica de programação: algoritmos, tipos de dados, variáveis, expressões, estruturas sequenciais, de seleção e de repetição, modularização e recursividade
  • 1.3. Estruturas de dados e análise de algoritmos: complexidade assintótica (notação O); listas, pilhas, filas, árvores, heaps, tabelas hash e grafos; algoritmos de ordenação e busca
  • 1.4. Programação orientada a objetos: classes, objetos, encapsulamento, herança, polimorfismo e interfaces
  • 1.5. Engenharia de software: ciclo de vida, levantamento e análise de requisitos, modelagem com UML (casos de uso, classes e sequência), qualidade de software, testes (unitários, de integração e TDD) e métodos ágeis (Scrum e Kanban)
  • 1.6. Controle de versão com Git: repositórios, commits, ramificações (branches), mesclagem (merge e rebase), resolução de conflitos e fluxos de trabalho colaborativos
  • 1.7. Contêineres e computação em nuvem: virtualização e conteinerização (Docker); modelos de serviço (IaaS, PaaS, SaaS) e de implantação; serviços gerenciados de dados e análise
  • 1.8. APIs REST: conceitos, métodos HTTP, formatos JSON e XML, autenticação e consumo de APIs para obtenção de dados
  • 2.1. Sistemas gerenciadores de banco de dados: arquitetura, transações, propriedades ACID, controle de concorrência e recuperação
  • 2.2. Projeto de banco de dados: modelos conceitual (entidade-relacionamento), lógico (relacional) e físico; álgebra relacional
  • 2.3. Normalização: dependências funcionais; 1ª, 2ª e 3ª formas normais e forma normal de Boyce-Codd; desnormalização para fins analíticos
  • 2.4. Linguagem SQL (padrão ANSI e PostgreSQL): DDL, DML e DCL; junções, subconsultas, agregações, expressões de tabela comum (CTE), funções de janela, visões, visões materializadas, índices e otimização de consultas
  • 2.5. Bancos de dados não relacionais (NoSQL): modelos documento, chave-valor, colunar e grafo; teorema CAP; critérios de escolha entre modelos
  • 5.1. Fundamentos da linguagem Python 3: tipos e estruturas nativas, compreensões de listas, funções, módulos, tratamento de exceções, orientação a objetos e ambientes virtuais
  • 5.2. Ambientes de análise interativa: Jupyter Notebook e JupyterLab
  • 5.3. NumPy: arrays, vetorização, broadcasting e operações de álgebra linear
  • 5.4. Pandas: Series e DataFrame; leitura e escrita de dados (CSV, Excel, JSON, Parquet e SQL); seleção, filtragem, agrupamento, junção, reestruturação (pivot e melt), tratamento de dados ausentes e de datas
  • 5.5. Visualização em Python: Matplotlib, Seaborn e Plotly
  • 5.6. Estatística e modelagem em Python: SciPy e statsmodels
  • 5.7. Aprendizado de máquina em Python: scikit-learn (pré-processamento, pipelines, treinamento, validação e ajuste de hiperparâmetros); noções de TensorFlow/Keras e PyTorch
  • 5.8. Acesso a bancos de dados e APIs a partir do Python
  • 6.1. Fundamentos da linguagem R: vetores, fatores, listas, matrizes e data frames; funções; estruturas de controle; família apply; gerenciamento de pacotes; ambiente RStudio
  • 6.2. Tidyverse: importação (readr), manipulação (dplyr), organização de dados no formato tidy (tidyr), texto (stringr), datas (lubridate) e operador pipe
  • 6.3. Visualização com ggplot2: gramática dos gráficos, camadas, estéticas, facetas e temas
  • 6.4. Modelagem estatística em R: lm, glm, testes de hipóteses e análise de resíduos; noções de tidymodels
  • 6.5. Análise de séries temporais em R
  • 6.6. Relatórios reprodutíveis com R Markdown e Quarto
  • 7.1. Aprendizado de máquina e inteligência artificial: aprendizado supervisionado, não supervisionado e por reforço; tipos de problema (classificação, regressão, agrupamento e redução de dimensionalidade)
  • 7.2. Preparação de dados: limpeza, codificação de variáveis categóricas, normalização e padronização, engenharia e seleção de atributos, tratamento de classes desbalanceadas e vazamento de dados (data leakage)
  • 7.3. Algoritmos supervisionados: k-vizinhos mais próximos (k-NN), Naive Bayes, regressão linear e logística com regularização (Ridge, Lasso e Elastic Net), árvores de decisão, máquinas de vetores de suporte (SVM) e métodos de comitê (bagging, random forest e gradient boosting)
  • 7.4. Algoritmos não supervisionados: k-means, agrupamento hierárquico, DBSCAN, PCA; regras de associação; detecção de anomalias
  • 7.5. Avaliação de modelos: divisão treino/validação/teste, validação cruzada, sobreajuste e subajuste, compromisso viés-variância; matriz de confusão, acurácia, precisão, revocação, F1, curva ROC e AUC; MAE, RMSE e R²
  • 7.6. Otimização: função de custo e gradiente descendente (em lote, estocástico e minilote)
  • 7.7. Redes neurais e aprendizado profundo: perceptron, redes multicamadas, retropropagação, funções de ativação; noções de redes convolucionais, recorrentes e arquitetura transformer
  • 7.8. Processamento de linguagem natural: pré-processamento de texto, representações vetoriais (bag of words, TF-IDF e embeddings) e análise de sentimentos
  • 7.9. Inteligência artificial generativa: grandes modelos de linguagem (LLMs), engenharia de prompts, geração aumentada por recuperação (RAG) e limitações (alucinações)
  • 7.10. Sistemas de recomendação e análise de redes (grafos)
  • 7.11. IA responsável: vieses algorítmicos, equidade, explicabilidade e interpretabilidade (SHAP e LIME), transparência e supervisão humana
  • 7.12. Ciclo de vida de modelos e MLOps: versionamento de dados e modelos, implantação, monitoramento e deriva de dados (data drift)
  • 8.1. Business Intelligence e modelagem analítica: conceitos de BI e de sistemas de apoio à decisão; análise descritiva, diagnóstica, preditiva e prescritiva
  • 8.2. Data warehouse e data mart: arquitetura, abordagens de Inmon e Kimball; data lake e data lakehouse
  • 8.3. Modelagem dimensional: fatos, dimensões, granularidade, esquemas estrela e floco de neve, dimensões conformadas e de variação lenta (SCD tipos 1, 2 e 3), tabelas de fatos transacionais, periódicas e acumulativas
  • 8.4. OLAP: cubos, operações de drill-down, roll-up, slice, dice e pivot; MOLAP, ROLAP e HOLAP
  • 8.5. Microsoft Power BI: obtenção e transformação de dados (Power Query e linguagem M), modelagem e relacionamentos, linguagem DAX (colunas calculadas, medidas, contexto de linha e de filtro, inteligência de tempo), segurança em nível de linha, publicação e atualização
  • 8.6. Looker Studio e noções de outras ferramentas de BI, incluindo soluções de código aberto (ex.: Apache Superset e Metabase)
  • 8.7. Indicadores de desempenho (KPIs): construção, linha de base, metas e painéis de monitoramento; camada semântica e definição única de métricas
  • 9.1. Visualização e comunicação de dados: princípios de percepção visual e de design de informação; escolha do tipo de gráfico conforme a natureza dos dados e a pergunta analítica
  • 9.2. Construção de painéis (dashboards): hierarquia da informação, interatividade, filtros e acessibilidade (cores, contraste e leitura por tecnologias assistivas)
  • 9.3. Narrativa com dados (data storytelling) e comunicação de resultados a públicos não técnicos
  • 9.4. Visualizações enganosas: escalas, eixos truncados, agregações inadequadas e paradoxo de Simpson
  • 10.1. Engenharia de dados e big data: processos ETL e ELT: extração completa e incremental, captura de dados alterados (CDC), transformação, carga, tratamento de erros e idempotência
  • 10.2. Pipelines de dados: orquestração e agendamento (DAG; ex.: Apache Airflow); processamento em lote e em fluxo (streaming); mensageria (ex.: Apache Kafka)
  • 10.3. Big data: características (volume, velocidade, variedade, veracidade e valor); ecossistema Hadoop (HDFS e MapReduce); processamento distribuído com Apache Spark (RDD, DataFrames e Spark SQL)
  • 10.4. Formatos e armazenamento analítico: CSV, JSON, Parquet; armazenamento colunar; formatos de tabela aberta (ex.: Delta Lake e Apache Iceberg)
  • 10.5. DataOps: integração e entrega contínuas aplicadas a pipelines, testes automatizados de dados e ambientes de desenvolvimento, homologação e produção
  • 10.6. Coleta automatizada de dados: integração de fontes heterogêneas, consumo de APIs e noções de raspagem de dados (web scraping) e seus limites éticos e legais
  • 12.1. Planejamento e gestão orientados por dados: instrumentos de planejamento na Administração Pública Federal: PDI, PDTIC, Plano de Transformação Digital e Plano de Dados Abertos
  • 12.2. Planejamento estratégico e gestão por resultados: análise SWOT, Balanced Scorecard, OKR e indicadores; metas SMART
  • 12.3. Gerenciamento de projetos de dados: noções do Guia PMBOK (8ª edição), abordagens ágeis e híbridas; metodologia CRISP-DM
  • 12.4. Mapeamento de processos de negócio (BPMN) aplicado à identificação de fontes e fluxos de dados
  • 12.5. Cultura orientada a dados, letramento em dados e gestão da mudança organizacional

Legislação

LEGISLAÇÃO

  • 1. Constituição da República Federativa do Brasil de 1988
  • 1.1. Da Organização do Estado: Capítulo II (Da União)
  • 1.2. Da Administração Pública: Seção I (Disposições Gerais) e Seção II (Dos Servidores Públicos)
  • 1.3. Da Organização dos Poderes: Capítulo II (Do Poder Executivo)
  • 1.4. Da Ordem Social: Capítulo III (Educação, Cultura e Desporto), Capítulo IV (Ciência, Tecnologia e Inovação) e Capítulo VII (Família, Criança, Adolescente, Jovem e Idoso)
  • 2. Lei nº 8.112/1990 - Regime Jurídico dos Servidores Públicos Civis da União
  • 2.1. Título I ao Título VI (Seguridade Social do Servidor: art. 183 ao 184; art. 196 e do art. 202 ao 228)
  • 3. Lei nº 8.429/1992 - Atos de Improbidade Administrativa (Capítulos I ao IV)
  • 4. Lei nº 9.784/1999 - Processo administrativo no âmbito da Administração Pública Federal
  • 5. Lei nº 11.091/2005 - Estruturação do Plano de Carreira dos Cargos Técnico-Administrativos em Educação (PCCTAE)
  • 6. Lei nº 11.892/2008 - Rede Federal de Educação Profissional, Científica e Tecnológica e Institutos Federais
  • 7. Lei nº 13.146/2015 - Lei Brasileira de Inclusão da Pessoa com Deficiência (Estatuto da Pessoa com Deficiência)
  • 8. Lei nº 14.133/2021 - Lei de Licitações e Contratos Administrativos (Título I e Título II)
  • 9. Decreto nº 1.171/1994 - Código de Ética Profissional do Servidor Público Civil do Poder Executivo Federal
  • 10. Portaria Normativa RET/IFSP nº 118/2025 - Política de Prevenção e Enfrentamento ao Assédio e à Discriminação
  • 11.8. Legislação de Proteção de Dados: Lei nº 13.709/2018 (LGPD)
  • 11.8.1. Resolução CD/ANPD nº 15/2024 (comunicação de incidentes) e Resolução CD/ANPD nº 18/2024 (encarregado)
  • 11.8.2. Lei nº 12.527/2011 (LAI) e Decreto nº 7.724/2012
  • 11.8.3. Lei nº 14.129/2021 (Lei do Governo Digital)
  • 11.8.4. Decreto nº 12.198/2024 (Estratégia Federal de Governo Digital 2024–2027)
  • 11.8.5. Decreto nº 10.046/2019 (compartilhamento de dados) e Decreto nº 8.777/2016 (Dados Abertos)

Dúvidas Frequentes

O que contém a apostila para Analista de TI (Ciência de Dados)?

A apostila contém 1952 páginas com teoria completa e 6848 questões comentadas, cobrindo o conteúdo programático do edital para o cargo de Analista de TI (Ciência de Dados) no concurso IFSP/SP.

Como recebo o material após a compra?

Após a confirmação do pagamento você recebe imediatamente o link para download dos arquivos em PDF no seu e-mail — sem esperar dias pela entrega.

Posso ver uma amostra antes de comprar?

Sim! A página da apostila tem uma amostra gratuita em PDF para você avaliar a qualidade do material antes de decidir.

A apostila está atualizada com o edital do IFSP/SP?

Sim. O material é elaborado com base no edital mais recente do concurso IFSP/SP, incluindo a legislação e o conteúdo programático vigentes.