Simulado A: Conjunto de Prática e Estratégia

Catorze lições te deram o conteúdo. Esta te dá o contêiner: como um item do DEA-C01 é realmente construído, como se comporta o relógio de 130 minutos, como a AWS escreve um distrator, e então o Conjunto A: vinte itens no estilo do exame que você faz contra o tempo e corrige com honestidade. Tudo antes desta lição era conhecimento de domínio; tudo aqui é ofício de teste, e em uma escala compensatória de 100 to 1.000 com 720 para passar, o ofício de teste vale tanto quanto mais uma hora de revisão.

Ao final desta lição você será capaz de:

• restate todo número publicado de logística (65 / 50 / 15, 130 minutos, 720/1.000, 150 USD, 3 anos, 14 dias) sem notas;
• execute a aritmética de ritmo de 120 segundos e defenda um plano de duas passadas que nunca deixa um item em branco;
• aplique a técnica de marcação e varredura dentro de um orçamento de dois minutos por item;
• leia um enunciado superlativo, MOST appropriate, LEAST costly, FIRST step, NOT, e saiba qual alternativa o qualificador está comprando;
• execute o procedimento de cinco movimentos para múltipla resposta que sobrevive à pontuação tudo-ou-nada;
• decodifique as fábricas de distratores que a AWS reutiliza nos quatro domínios;
• faça o Conjunto A, corrija-o por domínio em vez de por total e roteie cada erro para a lição certa;
• defenda o veredito comparativo sobre preparação oficial gratuita versus treinamento pago versus experiência multi-nuvem e on-premises.

---

1. O contêiner: o que os 130 minutos realmente são

1.1 A logística que você não pode rederivar no dia do exame

Todo número abaixo é publicado pela AWS e foi obtido em outubro de 2026. Você pode esquecer curiosidades de serviço; você não pode rederivá-los com o relógio correndo.

• 📚 Você sabia? Os 15 itens não pontuados parecem exatamente com os 50 pontuados: a AWS afirma que eles "não são identificados no exame". A resposta racional é simetria: um item de pré-teste mal respondido não te custa nada, um item pontuado deixado em branco custa a nota inteira, então o incentivo nunca aponta para "deixe em branco e volte depois". Marque, chute, siga.

A interface que você receberá. Conhecer os controles antes do dia do exame é nota de graça, porque o exame não dá nenhum tour de orientação:

Duas falhas administrativas custam mais que qualquer lacuna de conhecimento. Em um centro de testes, os administradores têm instruções para não permitir a realização quando o nome na sua documento de identificação oficial não bate com a sua conta AWS Certification; online, chegar mais de 15 minutos atrasado ou pular o teste de sistema obrigatório resulta na perda da taxa. Nada disso é recuperável com estudo.

1.2 O plano de ritmo: 65 itens, 130 minutos

A AWS publica nenhum orçamento por questão. As únicas entradas oficiais de ritmo são a duração de 130 minutos, o cronômetro regressivo na tela e os controles de marcação e revisão do Exam Demo. Tudo abaixo é aritmética sobre números publicados, rotulada como tal.

Exemplo trabalhado 1, o teto.

$$\frac{130 \times 60}{65} = \frac{7{,}800}{65} = 120\ \text{s por item} \quad (\text{exatamente } 2.00\ \text{minutos})$$

Exemplo trabalhado 2: a ilusão dos só pontuados. Contando apenas itens pontuados, o orçamento parece $7{,}800 \div 50 = 156$ s $= 2.60$ minutos. Você não consegue dizer quais 50 são pontuados, então 120 s é o número com o qual você planeja e 156 s é uma armadilha contra a qual nunca se deve orçar.

Exemplo trabalhado 3, o que a média lenta realmente custa. Navegando a 2,5 minutos por item, você tem $65 \times 2.5 = 162.5$ minutos, 32,5 minutos além do limite, o que equivale aproximadamente aos últimos 16 itens apressados ou em branco, e um item em branco é avaliado como incorreto. O relógio, não o seu conhecimento, produz essa pontuação.

A divisão em duas passadas. Roda a passada um para que ela termine em t = 90 minutos (cerca de 1,4 minuto por item, mais rápido que o teto de 120 segundos e portanto deixando folga para os itens longos). Em t = 45 você deve estar perto do item 33; em t = 65, perto do item 50. Tudo o que você não consegue resolver em uma leitura limpa ganha uma marcação e um chute.

Exemplo trabalhado 4, a acomodação ESL. Com a extensão de +30 minutos, o orçamento vira $160 \div 65 = 2.46$ minutos por item. Isso é mais tempo por item, não permissão para gastar 4 minutos em um enunciado difícil, a estrutura de duas passadas sobrevive à extensão inalterada.

Exemplo trabalhado 5, o relógio do próprio Conjunto A. O Conjunto A tem 20 itens, então o orçamento ao vivo escala para $20 \times 120 = 2{,}400$ s $= \mathbf{40}$ minutos. Faça-o em 40 minutos para reproduzir o ritmo real. Se você estiver curto de tempo, rode a forma comprimida: passada 1 a 75 s por item ($20 \times 75 = 1{,}500$ s $= 25$ minutos) mais uma varredura de 5 minutos = 30 minutos, e refaça nos 40 completos antes do dia do exame. Os 90 minutos desta lição são orçados como cerca de 35 para ler, 40 para fazer e 15 para corrigir.

1.3 Marcação e varredura: a técnica, item por item

A própria orientação do exame se reduz a uma sequência que você pode rodar em uma passada. Treine até ficar automático:

A varredura é a outra metade do nome. Na tela de revisão você não está rerespondendo; você está verificando três coisas e nada mais:

1. Em branco. Zero. Um item sem resposta é avaliado como incorreto e não há penalidade para um chute errado, então em branco é estritamente dominado por qualquer chute.
2. A pergunta feita. Relia a cláusula de restrição e confirme que você respondeu a ela: a perda clássica é responder a pergunta vizinha, a mais familiar.
3. Ordem das operações. Mude uma alternativa apenas se você conseguir enunciar o motivo em uma cláusula. "Sentiu estranho" não é uma cláusula.

1.4 Lendo o enunciado: MOST appropriate, LEAST costly, FIRST

A maioria das perdas no DEA-C01 são perdas de leitura. O qualificador do enunciado, não o nome do serviço, decide a chave, então o primeiro movimento é sempre o mesmo: encontre o qualificador, anote o que ele exige, depois leia as alternativas.

Exemplo trabalhado 6: lendo um superlativo do início ao fim. Pegue um enunciado que nunca aparece no Conjunto A: "Um job Spark noturno sobre um dataset de 40 GB termina consistentemente em cerca de 25 minutos com 12 GB de memória de executor. Qual serviço e runtime é a alternativa MAIS apropriada e totalmente gerenciada?"

1. Sublinhe os qualificadores antes de olhar qualquer alternativa: noturno · 40 GB · 25 minutos · 12 GB · totalmente gerenciado.
2. Deixe o qualificador mais duro eliminar. 25 minutos são 1.500 segundos, além do teto rígido de 900 segundos do AWS Lambda, então o Lambda morre na aritmética, mesmo sendo a alternativa com cara mais serverless e 10.240 MB estando dentro da faixa de memória dele. Esse distrator é construído para testar qual limite vincula.
3. Combine o runtime com a carga de trabalho. Um job de Spark DataFrame não é um script de processo único, então o Python shell do Glue (0,0625 ou 1 DPU, sem Spark) morre em seguida.
4. Aplique "menor overhead operacional" aos sobreviventes. Um job Glue ETL (glueetl) roda Spark totalmente gerenciado em unidades de DPU (1 DPU = 4 vCPU + 16 GB); o EMR Serverless também funciona, mas traz mais superfície operacional do que a restrição do enunciado pede.
5. Diga a armadilha em voz alta: a alternativa mais serverless falhou por um limite, não por preferência. Verifique cada limite na página de cotas de serviço atual antes de depender dele.

• 📚 Você sabia? A frase de estilo mais importante do guia de exame é "A habilidade de comparar serviços da AWS para entender as diferenças de custo, desempenho e funcionalidade entre serviços." Todo desempate da seção 1.4 é um exemplo dela: quando duas alternativas funcionam, o diferenciador é medidor de custo, envoltório de desempenho ou limite funcional: nunca "qual eu já usei".

1.5 A técnica de múltipla resposta

O guia de exame define o tipo com precisão: múltipla resposta "tem duas ou mais respostas corretas entre cinco ou mais alternativas de resposta." Duas consequências decidem o seu método:

• Tudo-ou-nada. Um conjunto parcialmente correto zera. O próprio material de preparação da AWS imprime "sem pontos negativos nem crédito parcial", então o custo de uma seleção abaixo do necessário é idêntico ao custo de uma seleção errada, e não há motivo para enviar menos do que o enunciado exige.
• Ritmo diferente. Itens de múltipla resposta levam cerca de metade a mais que os de múltipla escolha, o que os torna os itens com maior chance de te empurrar além dos dois minutos, e os que você menos quer marcar, porque reler cinco ou seis alternativas parece produtivo. Marque-os mesmo assim.

O procedimento de cinco movimentos:

• 📚 Você sabia? O guia de exame garante os dois tipos e as contagens de itens pontuados e não pontuados, mas a AWS nunca publicou quantos itens de múltipla resposta aparecem em uma determinada forma, nem a proporção de múltipla escolha para múltipla resposta entre os 50 itens pontuados. A divisão de cinco em vinte do Conjunto A é uma escolha didática que espelha as próprias definições do guia: nunca a cite como uma cifra da AWS.

1.6 Pesos dos domínios e o blueprint do Conjunto A

Apenas porcentagens de domínio são publicadas. As contagens de itens abaixo são aritmética sobre 50 itens pontuados: um auxílio de planejamento, nunca uma cifra da AWS.

Exemplo trabalhado 7: de pesos para itens. $50 \times 0.34 = 17$, $50 \times 0.26 = 13$, $50 \times 0.22 = 11$, $50 \times 0.18 = 9$; $17 + 13 + 11 + 9 = 50$. Os domínios 1 e 2 juntos são 60 % do conteúdo pontuado: é por isso que o Conjunto A dá a eles 12 de seus 20 itens, mas os 9 itens do Domínio 4 são mais do que suficientes para te reprovar sozinhos, porque a pontuação é compensatória e não existe corte de seção atrás do qual se esconder.

1.7 Famílias de distratores, e o que esta lição não vai afirmar

A AWS afirma que os distratores são "respostas geralmente plausíveis que correspondem à área de conteúdo". Eles não são aleatórios; as mesmas formas se repetem, e cada uma pune uma confusão específica. Eles são rotulados T1, T7 aqui para nunca serem confundidos com os rótulos de domínio D1, D4.

Pontos que esta lição deliberadamente não afirma. Eles são sinalizados em vez de ensinados, porque uma afirmação não verificada nunca é um fato:

1. Quantos itens de múltipla resposta uma forma ao vivo traz, e se todo enunciado declara a contagem: não publicado.
2. A proporção de múltipla escolha para múltipla resposta por forma entre os 50 itens pontuados: não publicado.
3. O texto dos 20 itens do Official Practice Question Set. Eles ficam atrás do login do Skill Builder; nenhuma afirmação de estilo deste curso é atribuída à leitura deles.
4. A data exata em que o conteúdo do guia v1.1 apareceu pela primeira vez em uma forma ao vivo. O guia promete revisões com pelo menos um mês de antecedência e a entrega ocorre gradualmente por idioma. Diga "no guia de exame atual", não uma data.
5. Se o DEA-C01 adotará os tipos de ordenação, associação e estudo de caso anunciados pela AWS em julho de 2024. A AWS nomeou AI Practitioner e Machine Learning Engineer: Associate como os primeiros exames com esses tipos, e o guia atual do DEA-C01 lista apenas múltipla escolha e múltipla resposta.
6. Uma conversão de bruta para escalada. 720 é um corte escalado produzido por padronização e equating; "N de 50 = aprovação" é aritmética que ninguém fora da AWS consegue fazer.
7. Notas de aprovação por domínio. Não existem, o modelo é compensatório.
8. Aprovação/reprovação no mesmo dia ou na tela. O texto oficial da política é "dentro de cinco dias úteis".

---

Atualizações de 2026 (em outubro de 2026)

Seis mudanças de 2025 to 2026 decidem se as suas notas estão certas ou erradas no dia do exame. Todo item tem fonte em uma página de primeira parte da AWS obtida em outubro de 2026; onde uma afirmação não pôde ser verificada, ela é rotulada como tal e nunca deve ser memorizada como fato.

• 📚 Você sabia? A AWS moveu os guias de exame de PDFs estáticos para a Documentação da AWS justamente para que revisões pudessem ser publicadas sem um novo código de exame: uma mudança significativa ganha um novo código de série (por exemplo DVA-C01 → DVA-C02), enquanto uma mudança menos significativa, adicionar ou remover habilidades e serviços em escopo, vira uma revisão no mesmo código. É por isso que o DEA-C01 continuou DEA-C01 até a v1.1, e é por isso que a página de Revisões, não uma marca d'água de PDF, é o artefato a verificar antes de você se sentar.

---

Casos Reais

A AWS nunca imprime o nome de um cliente em um item de exame, mas os formatos de falhas reais de pipeline vazam para os enunciados o tempo todo: uma frase de histórico de incidente vira a condição do enunciado, e as quatro alternativas viram as quatro maneiras de candidatos relerem isso. Os dois exercícios abaixo vêm do material de casos por trás do banco de questões deste curso e devem ser rodados antes do Conjunto A: cada um termina com qual domínio isso testa e o que o exame perguntaria.

Duas regras governam tudo nesta seção:

1. Um número em um enunciado é uma restrição, não decoração. "25 minutos", "1.500 registros por segundo", "3 TB sem compressão" é sempre o qualificador que seleciona a chave.
2. O domínio é escolhido pela restrição, não pela história. A mesma narrativa de streaming semeia um item do Domínio 1 (desenho de ingestão), um item do Domínio 3 (atraso de monitoramento) ou um item do Domínio 4 (quem pode ler o stream), dependendo de qual cláusula o exame sublinha: exatamente o reflexo da seção 1.4.

Estudo de caso 1, a chave de partição quente: por que adicionar shards não resolve

A história. 800 registros de telemetria por segundo de 4 KB cada chegam de 12.000 dispositivos, e duas aplicações consumidoras cada uma precisa de todo registro. O dimensionamento dá 4 shards (Q1 do Conjunto A). Duas semanas depois, uma build defeituosa de firmware fixa 1.500 registros por segundo em uma única chave de partição device_id, e aquele shard faz throttling a 1.000 registros por segundo, não importa quantos shards estejam ao lado.

Qual domínio isso testa? Primariamente D1 Ingestão e Transformação de Dados (34 %): habilidade 1.1.9 limitação de taxa e limites de taxa, habilidade 1.1.10 fan-in e fan-out. Ganchos secundários: D3 (22 %) se o enunciado perguntar em qual métrica alarmar (GetRecords.IteratorAgeMilliseconds), D4 (18 %) se perguntar quem pode escrever no stream.

O que o exame perguntaria? Três formatos de enunciado:

1. "Qual mudança resolve o throttling de forma mais direta?" → redesenhar a chave de partição (uma chave de dois níveis ou com sal como device#<bucket>), porque uma chave de partição mapeia para exatamente um shard. Aumentar a contagem de shards é a alternativa errada mais selecionada: o gargalo é por chave, não por stream.
2. "Qual métrica confirma o atraso do consumidor?" → GetRecords.IteratorAgeMilliseconds, cuja documentação da AWS afirma que um valor zero indica que o consumidor alcançou o stream. Alarme em Max contra cerca de metade da janela de retenção.
3. "Quais dois limites uma única chave de partição excede primeiro?" → 1 MB/s e 1.000 registros por segundo por shard, e note que o modo on-demand explicitamente não detecta nem isola chaves hash quentes, então o auto-scaling também não te salvará.

A armadilha a dizer em voz alta: respostas de capacidade parecem respostas. Quando o enunciado nomeia uma chave, a correção está na chave.

Estudo de caso 2, a conta do Athena: três números que precisam ser lidos juntos

A história. Um dataset de texto de 3 TB sem compressão está no Amazon S3 com três colunas de mesmo tamanho. Dashboards consultam uma das três colunas. Toda consulta varre 3 TB e custa 3 × 5,00 USD = 15,00 USD. A equipe converte para Apache Parquet com compressão 3:1, re-registra a tabela no AWS Glue Data Catalog, e a mesma consulta agora varre cerca de 0,33 TB por cerca de 1,65 USD.

Qual domínio isso testa? D3 Operações e Suporte de Dados (22 %) primeiro, habilidade 3.2.3 SQL no Athena, habilidade 3.1.7 consultar dados, com ganchos em D2 (26 %) na 2.4.5 (particionamento, compressão e outras técnicas de otimização) e D1 (34 %) na 1.2.6 (transformar dados entre formatos, por exemplo.csv para Apache Parquet).

O que o exame perguntaria? Três formatos de enunciado:

1. "Qual é o custo aproximado por consulta antes e depois?" → 15,00 USD → 1,65 USD (Q6 do Conjunto A). Os distratores são os erros mais prováveis: aplicar a compressão mas esquecer o column pruning, usar o custo anterior errado, ou multiplicar em vez de dividir.
2. "Qual mudança produziu a maior parcela da economia?" → column pruning, porque texto não consegue pular colunas: compressão 3:1 sozinha leva 3 TB a 1 TB (5,00 USD), e ler uma de três colunas leva isso a cerca de 0,33 TB.
3. "Qual medidor de custo esta conta usa?" → bytes escaneados, a 5,00 USD por TB com mínimo de 10 MB por consulta, arredondado para cima até o MB mais próximo: sem cobrança para DDL, gerenciamento de partições ou consultas com falha. A alternativa competitiva é sempre o Redshift, que cobra tempo de computação do cluster.

A armadilha a dizer em voz alta: duas alavancas, uma conta. Compressão e seleção de colunas são multiplicadores diferentes, e um enunciado que cita apenas uma delas está testando se você consegue fazer a aritmética na ordem em que ela aconteceu.

---

Exercícios com estudos de caso do mundo real

Os dois estudos acima vieram do banco de questões deste curso; os dois exercícios abaixo vêm de estudos de caso de clientes publicados pela AWS: toda cifra lida em uma página pertencente à AWS em outubro de 2026 (digest 16). Rode cada um exatamente como rodaria um enunciado ao vivo: sublinhe os números, nomeie o domínio, então escreva a questão que o exame construiria a partir dele. A história nunca é a resposta; só a restrição enterrada nela é.

Duas regras governam tudo nesta seção:

1. Um resultado de cliente nunca é uma garantia da AWS. Os −78 % da AGCO e o "centenas de regras de permissão reduzidas a exatamente duas regras" da IAS são resultados de clientes impressos em páginas da AWS; a AWS não se compromete nem com uma porcentagem nem com uma contagem de regras. Qualquer alternativa redigida como "a AWS garante…" morre antes de você conferir o número.
2. Construa o enunciado da cláusula, não do título. A cláusula que o exame sublinha decide tudo: throughput faz da mesma história da AGCO um item do Domínio 1, carregamento de tela de 600 ms faz dela Domínio 3, quem pode ler o prefixo bruto faz dela Domínio 4: exatamente o reflexo da seção 1.4, aplicado a um caso em vez de um serviço.

Exercício de caso 1, AGCO: uma história de streaming, três domínios

A história como a AWS publica (AWS Architecture Monthly, dezembro de 2021, p. 10, e o blog AWS Industries de 2021-03-03; acesso em outubro de 2026):

Qual domínio isso testa? Primariamente D1 Ingestão e Transformação de Dados (34 %): ingestão em streaming, fan-out e conversão de formato, o formato KDS → Firehose → S3. Ganchos secundários: D3 Operações e Suporte de Dados (22 %) se o enunciado perguntar qual métrica comprova o número de 600 ms, e D4 Segurança e Governança de Dados (18 %) se perguntar quem pode escrever no, ou ler, o prefixo bruto.

O que o exame perguntaria? Três formatos de enunciado, todos construídos a partir da tabela acima:

1. "Qual serviço nesta arquitetura entrega registros ao Amazon S3 sem que a equipe jamais rode código de consumidor?" → Amazon Data Firehose: entrega em buffer que descarrega por tamanho ou intervalo, o que vier primeiro, expondo nenhuma API de consumidor e nenhuma reprodução no lado do consumidor. A alternativa isca é sempre "reproduzir as últimas 24 horas da entrega do Firehose" (par de armadilhas F1; Q2 do Conjunto A).
2. "Qual métrica confirmaria que o atraso do consumidor, e não o buffer do Firehose, está por trás de um dashboard atrasado?" → GetRecords.IteratorAgeMilliseconds no stream, com alarme em Max, em cerca de metade da janela de retenção; a AWS documenta que um valor zero significa que o consumidor alcançou o stream (Q14 do Conjunto A).
3. "Qual caminho analítico oferece MENOR overhead operacional para esta carga de trabalho?" → o processador de stream gerenciado, Amazon Managed Service for Apache Flink, renomeado de Kinesis Data Analytics em 2023-08-30, sobre Kafka ou Flink autogerenciados. E nunca "adicionar shards" quando o substantivo do enunciado é uma chave.

A armadilha a dizer em voz alta: −78 % é o número da AGCO na carga de trabalho da AGCO, datado de um go-live em janeiro de 2020. Um enunciado que o oferece como propriedade de streaming gerenciado está testando a primeira armadilha do digest 16: a AWS diz X % ≠ universal. Dataste a história e recuse qualquer alternativa que a generalize.

• 📚 Você sabia? A tabela acima usa três nomes para o que os candidatos ainda chamam de "Kinesis": Amazon Kinesis Data Streams, Amazon Data Firehose (renomeado de Kinesis Data Firehose em 2024-02-09, com endpoints, APIs, CLI, prefixos de IAM e métricas do CloudWatch todos inalterados) e Amazon Managed Service for Apache Flink (renomeado de Kinesis Data Analytics em 2023-08-30). A lista em escopo do DEA-C01 ainda imprime "Amazon Kinesis Data Firehose", então ambos os nomes do Firehose são válidos: nunca "corrija" uma alternativa que usa o mais antigo.

Exercício de caso 2, Integral Ad Science: centenas de regras de permissão viram duas

A história como a AWS publica (AWS Big Data Blog, 2021-09-23; acesso em outubro de 2026):

Qual domínio isso testa? D4 Segurança e Governança de Dados (18 %) primeiro: controle de acesso baseado em tags, grants refinados e identidade federada. Ganchos: D2 Gerenciamento de Lojas de Dados (26 %) para o catálogo central do qual as tags penduram, e D3 Operações e Suporte de Dados (22 %) se o enunciado perguntar o que um workgroup realmente limita.

O que o exame perguntaria? Três formatos de enunciado:

1. "Qual mecanismo colapsa centenas de grants em dois?" → controle de acesso baseado em tags: conceder uma vez em uma tag, tague os recursos, deixe a herança levar o grant para cada tabela e coluna sob o banco de dados (o mecanismo um passo além das Q17 e Q18 do Conjunto A).
2. "(Selecione DUAS.) Quais duas portas precisam abrir antes de uma consulta governada retornar linhas?" → IAM, chamadas de API, incluindo lakeformation:GetDataAccess para o Amazon Athena, e Lake Formation, que controla o catálogo e os dados no S3. Ambas, sempre; e grants do Lake Formation são locais à Região.
3. "O que impede um analista de ler o prefixo bruto do S3 com uma política de IAM perfeitamente válida?" → o papel de acesso a dados do Lake Formation: para uma tabela governada, o S3 é alcançado por meio do Lake Formation, não por uma política do S3 sozinha.

A armadilha a dizer em voz alta: o número impressionante (duas regras) é do cliente; a parte examinável é o mecanismo: tags, herança, duas portas. A contracapada é escopo: um grant de tag feito em uma Região não faz nada em outra, então qualquer alternativa que ofereça "aplica-se a toda a conta" morre no contato.

• 📚 Você sabia? O mesmo padrão de governança em escala muito maior é o data mesh da GoDaddy: a AWS publicou mais de 2.000 produtos de dados mantendo vários petabytes em centenas de contas, com uma conta central de governança possuindo o Lake Formation e o Glue Data Catalog e compartilhando para fora por meio do AWS RAM. Se algum enunciado disser "uma conta governa, centenas consomem", essa é a imagem, e continua sendo um resultado de cliente, não uma garantia de arquitetura da AWS.

---

Perguntas de Prática (Practice Questions)

Conjunto A, 20 itens na ordem de peso publicada: D1 sete, D2 cinco, D3 quatro, D4 quatro. O formato dominante do exame ao vivo é uma resposta correta e três distratores, e o Conjunto A também é assim; cinco itens são no estilo múltipla resposta, redigidos como "Selecione DUAS" ou "Selecione TRÊS" com as afirmações corretas pré-combinadas em uma única alternativa para que cada item mantenha exatamente uma chave. Isso é um recurso didático, no exame ao vivo você marcaria caixas de seleção separadas, tudo-ou-nada.

Como fazer o Conjunto A

Checagem pré-voo: rode nos 60 segundos antes de iniciar o cronômetro:

1. Cronômetro em 40 minutos, notificações desligadas, celular em outro cômodo.
2. Uma folha em branco para as palavras qualificadoras (MOST, LEAST, FIRST, NOT, Selecione DUAS): escrever o qualificador é a técnica inteira.
3. Folha de respostas ou contagem pronta, para que a correção leve 30 segundos depois.
4. Acordo consigo mesmo: nenhum em branco, e nenhuma mudança de alternativa sem um motivo de uma cláusula.
5. Acordo consigo mesmo: aos dois minutos o item ganha marcação e um chute, independentemente do que seus instintos digam.
6. Análises ocultas. Se você consegue vê-las, está medindo sua compreensão de leitura, não sua evocação.

Domínio 1: Ingestão e Transformação de Dados (34 %) · itens 1 to 7

Análise, Q1 · a fórmula de shards. Por que está correta: os dois lados da fórmula caem em 3,125, e a fórmula manda pegar o máximo das duas razões e depois arredondar para cima, $3{,}200 \div 1{,}024 = 3.125$ e $6{,}400 \div 2{,}048 = 3.125$, então $\lceil 3.125 \rceil = 4$. Por que as armadilhas perdem: A (2) ignora completamente o lado da leitura e arredonda 3,125 para baixo; B (3) trunca em vez de aplicar ceiling, o erro de aritmética mais comum deste item; D (8) aplica o fator de leitura 2× e o fator de dois consumidores, contando um deles em dobro. Armadilha: o divisor de leitura da fórmula é 2.048, não 1.024, então um candidato que "lembra do 2×" mas esquece onde ele vive chegará a 8. Fonte: digest 15 Q01 e C1/C2 · Kinesis Data Streams how-do-i-size-a-stream.html (fórmula literal), acesso em outubro de 2026.

Análise: Q2 · stream versus pipeline de entrega. Por que está correta: dois qualificadores: menos de um segundo (por registro, orientado ao consumidor) e reproduzir 48 horas (retenção mais uma API de consumidor), e só o Streams satisfaz os dois. Por que as armadilhas perdem: A e D são o mesmo serviço duas vezes: o Firehose bufferiza e descarrega por tamanho ou intervalo, o que vier primeiro, expõe nenhuma API de consumidor e, portanto, oferece nenhuma reprodução no lado do consumidor: apenas prefixos de backup e de erro do S3, que não te ajudam a rodar a lógica corrigida sobre as últimas 48 horas; uma transformação por Lambda dentro do Firehose não muda isso. C é um padrão de fila e rota sem nenhum recurso de reprodução no nível do stream. Armadilha: Firehose soa como "o da Kinesis que entrega", e um Lambda na alternativa o faz parecer orientado ao consumidor: os qualificadores, não a marca, decidem. Fonte: digest 15 Q02 e par de armadilhas F1 · aws.amazon.com/compare/data-firehose-and-kinesis-data-streams · FAQs do Firehose, acesso em outubro de 2026.

Análise: Q3 · Selecione DUAS, pré-combinado. Por que está correta: as duas metades quebram o estado do bookmark de forma independente: a concorrência viola a regra documentada de que "os bookmarks não suportam execuções de job concorrentes e os commits falharão", e um transformation_ctx renomeado orfa o bookmark armazenado, fazendo toda fonte parecer nova. Por que as armadilhas perdem: B oferece a escolha correta de DynamicFrame mais uma configuração de vazão irrelevante; C e D oferecem fatos de layout de saída e de permissão, nenhum dos quais o estado do bookmark lê. Armadilha: o enunciado diz que o job já usa DynamicFrames e já chama job.commit(), então os candidatos caçam o que está faltando: a resposta é o que foi alterado. Forma no exame ao vivo: duas caixas de seleção, tudo-ou-nada, sem crédito parcial. Fonte: digest 15 Q03 · Glue glue-troubleshooting-errors.html e programming-etl-connect-bookmarks.html, acesso em outubro de 2026.

Análise, Q4 · MENOR overhead operacional. Por que está correta: as restrições duras do enunciado são nenhum ambiente para gerenciar, nenhuma cobrança quando ocioso, retentativas ordenadas por dependência, portão humano, histórico auditável, o Step Functions Standard satisfaz todas as cinco, e a própria orientação da AWS sobre MWAA versus Step Functions atribui a operação serverless e as integrações AWS prontas ao Step Functions. Por que as armadilhas perdem: A entrega o portão humano e a semântica de DAG, mas exige um ambiente gerenciado do Airflow que é cobrado quer rode ou não, exatamente a frase que o enunciado proíbe; C não dá grafo de dependência, nem retentativas por etapa com backoff, nem um único histórico de execução; D orquestra apenas jobs e crawlers do Glue e não tem nenhum construto nativo de aprovação humana. Armadilha: MWAA é a alternativa que os candidatos conhecem melhor, e "Airflow" lê como "padrão", mas o superlativo é MENOR overhead, que o mata no contato. Fonte: digest 15 Q04 e par de armadilhas F2 · Step Functions choosing-workflow-type.html · re:Invent API307 Comparing Amazon MWAA and AWS Step Functions.

Análise: Q5 · qual limite vincula. Por que está correta: 25 minutos são 1.500 segundos, além do teto de 900 segundos do Lambda, e a carga de trabalho é Spark, então o Glue ETL é o ajuste gerenciado e construído para isso. Por que as armadilhas perdem: A é o distrator desenhado: 10.240 MB está dentro da faixa de memória do Lambda, então a alternativa parece em conformidade, mas a duração é o limite que vincula; B é um runtime de processo único sem Spark, incapaz de rodar um job distribuído de DataFrame de 40 GB; D também funciona tecnicamente, mas carrega mais superfície operacional do que "MAIS apropriada … totalmente gerenciada" exige. Armadilha: candidatos comparam números de memória e nunca convertem 25 minutos em segundos: escreva a unidade antes de comparar (família de distratores T6). Fonte: digest 15 Q05 · Lambda gettingstarted-limits.html e configuration-timeout.html · Glue aws-glue-api-jobs-job.html, acesso em outubro de 2026.

Análise: Q6 · duas alavancas, uma conta. Por que está correta: o custo anterior é uma varredura de tabela inteira ($3 \times 5.00 = 15.00$ USD) e o custo posterior é compressão e column pruning juntos ($3 \text{ TB} \div 3 = 1$ TB, depois $1 \div 3 \approx 0.33$ TB escaneados, $0.33 \times 5.00 \approx 1.65$ USD); este é o exemplo trabalhado na própria página de preços do Athena da AWS. Por que as armadilhas perdem: B aplica a compressão mas esquece o column pruning (só o ganho de 3:1); C usa o custo anterior errado, como se a fonte já tivesse 1 TB; D multiplica em vez de dividir, o clássico erro de "a compressão deixou maior". Armadilha: o enunciado te dá três números (3 TB, 3 colunas, 3:1) e só dois deles multiplicam; decida a qual alavanca cada número pertence antes de calcular. Fonte: digest 15 Q07, C12 e caso D8 · aws.amazon.com/athena/pricing/ (exemplo trabalhado literal), acesso em outubro de 2026.

Análise, Q7 · mecanismo errado. Por que está correta: o estado de streaming é checkpointLocation mais watermarks; o estado de bookmark é estado de lote com chave em job_name + transformation_ctx, dois mecanismos diferentes para dois modos de falha diferentes. Por que as armadilhas perdem: A é o detector de resposta errada mais confiável do Domínio 1, "habilite job bookmarks no job do Kinesis" está sempre errado; C inventa um modo (bookmark-PAUSE é um modo de bookmark de lote que segura o estado sem avançá-lo) que não se aplica a streams; D é irrelevante, já que watermarking não é específico de sink. Armadilha: ambos os mecanismos resolvem "não reprocessar", então o substantivo streaming do enunciado é o único discriminador, mapeie substantivo para mecanismo primeiro (família de armadilhas T1). Fonte: digest 15 Q12 e par de armadilhas F12 · Glue programming-etl-connect-streaming.html e monitor-continuations.html.

Domínio 2: Gerenciamento de Lojas de Dados (26 %) · itens 8 to 12

Análise: Q8 · Selecione TRÊS, pré-combinado. Por que está correta: chave/valor com latência de unidade de milissegundo é o ponto de projeto do DynamoDB, analítica colunar em petabytes é do Redshift, e SQL serverless cobrado por consulta sobre o lake é do Athena, o guia nomeia exatamente estes serviços nas habilidades 2.1.1 to 2.1.3. Por que as armadilhas perdem: B superestima brutalmente a vazão de gravação OLTP do Aurora para um padrão chave/valor, confunde um stream (retenção de 24 a 365 dias, ordenado, reproduzível) com um warehouse, e inverte a arquitetura, o S3 guarda os dados, o Glue Data Catalog guarda os metadados; C troca de família três vezes (RDS é relacional, EMR é um cluster, um crawler descobre schema em vez de servir consultas); D oferece uma loja em memória para uma questão de economia de escala, uma ferramenta de BI para um mecanismo de consulta e um banco de dados gráfico para analítica colunar. Armadilha: toda alternativa que falha é parcialmente plausível: essa é a família de armadilhas T7, verdadeiro mas irrelevante, então julgue cada pareamento independentemente em vez de avaliar a alternativa como um todo. Fonte: digest 15 Q15 · habilidades 2.1.1 to 2.1.3 do guia de exame · páginas de produto do DynamoDB, Redshift e Athena, acesso em outubro de 2026.

Análise, Q9 · o delta do ciclo de vida. Por que está correta: a economia é o delta de preço vezes os mesmos bytes, $5{,}120 \times (0.023 - 0.0125) = 5{,}120 \times 0.0105 = \mathbf{53.76}$ USD por mês. Por que as armadilhas perdem: B subtrai um delta de 0,0055, que é a taxa do One Zone-IA vazando para a subtração; C é o custo total do Standard ($5{,}120 \times 0.023 = 117.76$ USD), não a economia; D usa 5.000 GB decimais e um delta de 0,001, dois erros independentes, que é como distratos de isca numérica normalmente são construídos. Armadilha: o portão de idade de migração para o Standard-IA foi removido em 2026-07-16, então uma regra pode migrar no dia 0, mas a duração mínima de armazenamento de 30 dias (faturamento de exclusão antecipada) é uma regra diferente e ainda se aplica. Fonte: digest 15 Q16, C13, C14 e par de armadilhas F17 · aws.amazon.com/s3/pricing/ (GB-meses binários), acesso em outubro de 2026.

Análise: Q10 · distribuição, não ordenação. Por que está correta: colocalizar os dois lados na coluna de join remove o shuffle inteiro, que é a regra documentada de star schema: coloque o distkey na dimensão maior do join mais comum e espelhe-o no fato. Por que as armadilhas perdem: A deixa dim_customer precisando de broadcast ou redistribuição em todo join; C copia uma dimensão de 50 milhões de linhas para cada nó, então o armazenamento multiplica pelo número de nós: DISTSTYLE ALL é reservado para dimensões genuinamente pequenas, o que aqui é dim_product, não a tabela fato; D ataca a ordem de varredura e o pulamento de filtros, não a colocalização do join. Armadilha: duas alavancas, dois sintomas: DISTKEY corrige movimentação de dados, SORTKEY corrige pulamento de varredura, e VACUUM/ANALYZE (as opções pelas quais você talvez esteja torcendo) corrigem linhas desordenadas e estatísticas obsoletas, nenhum dos quais o plano reclama. Fonte: digest 15 Q17 e par de armadilhas F11 · Redshift c_choosing_dist_sort.html e t_designating_distribution_styles.html, acesso em outubro de 2026.

Análise, Q11 · Selecione DUAS, pré-combinado. Por que está correta: as duas metades são capacidades publicadas do Iceberg, time travel baseado em snapshots, e arquivos de delete por posição/igualdade na v2 com deletion vectors e linhagem de linha na v3 que simplificam atualizações no estilo CDC. Por que as armadilhas perdem: A é falsa duas vezes, Athena, Spark, Trino e Redshift leem Iceberg, e o Glue Data Catalog é o catálogo padrão do Iceberg na AWS; B superestima (a compactação de arquivos pequenos e de arquivos de delete ainda é necessária) e acrescenta a afirmação falsa de só ORC; D contrabandeia a metade falsa de só ORC dentro de um par de outra forma verdadeiro, a estrutura clássica de uma armadilha de múltipla resposta. Armadilha: formatos de tabela abertos viraram uma habilidade nomeada na guia v1.1 (2.1.7), então mecânicas do Iceberg como snapshots, evolução de schema e compactação são diretamente testáveis agora; Parquet é a escolha comum, ORC é suportado, e nenhum é obrigatório. Fonte: digest 15 Q20 · Athena iceberg.html · habilidade 2.1.7 do guia de exame, acesso em outubro de 2026.

Análise: Q12 · atraso é aceito, segundos são exigidos. Por que está correta: até 15 minutos de atraso licencia um resultado pré-computado, e precisa retornar em segundos descarta a recomputação: uma view materializada com AUTO REFRESH YES é exatamente isso, e o Redshift pode reescrever transparentemente a consulta do dashboard para usá-la. Por que as armadilhas perdem: A empurra a carga para o banco operacional a cada refresh, o oposto da intenção; C ainda varre o Amazon S3 por consulta e é cobrada por bytes escaneados, então não muda nem a latência nem o perfil de custo; D é um alias lógico que recomputa toda vez. Armadilha: AUTO REFRESH tem padrão NO, então a alternativa que diz "uma view materializada" sem a configuração de refresh é só meia resposta, e note o que uma view materializada não é: uma consulta federada alcança o RDS/Aurora ao vivo com pushdown de predicado e sem cópia, que é uma ferramenta diferente para um enunciado diferente. Fonte: digest 15 Q18 e par de armadilhas F10 · Redshift materialized-view-overview.html e materialized-view-refresh.html, acesso em outubro de 2026.

Domínio 3: Operações e Suporte de Dados (22 %) · itens 13 to 16

Análise: Q13 · FIRST significa corrigir a causa. Por que está correta: o enunciado te entrega o diagnóstico nos logs (uma segunda cópia rodando concorrentemente), e a AWS documenta que os bookmarks não suportam execuções concorrentes, então o primeiro passo é forçar a serialização com MaxConcurrentRuns = 1. Por que as armadilhas perdem: A muda o vazão, não a garantia de concorrência; C mascara o sintoma e destrói o estado incremental, então a próxima execução reprocessaria tudo, o oposto do comportamento desejado; D é uma otimização de custo para jobs não urgentes sem efeito no estado do bookmark. Armadilha: "redefinir o bookmark" é a resposta com cara de remediação para a qual os candidatos correm, mas o qualificador FIRST do enunciado pergunta pela causa raiz, e um reset reprocessaria a fonte inteira. Fonte: digest 15 Q25 · Glue glue-troubleshooting-errors.html ("Atualmente os bookmarks do AWS Glue não suportam execuções de job concorrentes e os commits falharão"), acesso em outubro de 2026.

Análise: Q14 · um sinal por estágio. Por que está correta: cada estágio desta pipeline tem exatamente uma métrica que nomeia a própria falha: atraso de stream = GetRecords.IteratorAgeMilliseconds (a AWS documenta que um valor zero significa que o consumidor alcançou o stream), atraso de replicação = DMS CDCLatencyTarget, fome por concorrência = Lambda Throttles. Por que as armadilhas perdem: B oferece três respostas erradas: BucketSizeBytes é uma métrica de armazenamento de uma vez por dia, NumberOfMessagesReceived não é métrica do Glue, e CPUUtilization do Redshift sozinha perde os sinais de tamanho de fila que realmente importam para um warehouse; C e D cada um contrabandeia um pareamento certo junto com dois errados, que é como armadilhas de múltipla resposta são fabricadas. Armadilha: alarme no atraso, não no tamanho, e note que uma métrica que existe não é automaticamente uma métrica de saúde de pipeline. Forma no exame ao vivo: três caixas de seleção, tudo-ou-nada. Fonte: digest 15 Q30 · documentação de métricas do CloudWatch para Kinesis Data Streams, DMS e Lambda, acesso em outubro de 2026.

Análise: Q15 · DPU-horas, não workers. Por que está correta: o Glue cobra DPU-horas, então converta tudo para horas primeiro: $8 \times 0.5 = 4$ DPU-horas por execução, $4 \times 0.44 = 1.76$ USD por execução, $2 \times 31 = 62$ execuções, $62 \times 1.76 = \mathbf{109.12}$ USD. Por que as armadilhas perdem: B é uma execução por dia ($31 \times 1.76 = 54.56$ USD); C dobra o cronograma para quatro execuções por dia; D modela o job rodando todas as horas do mês ($8 \times 0.44 \times 24 \times 31 = 2{,}618.88$ USD), um deslize de ordem de grandeza na outra direção. Armadilha: "4 × G.2X" já é 8 DPU (cada G.2X é 2 DPU), então um candidato que multiplica por dois de novo paga o dobro. Dataste a taxa: $0,44 por DPU-hora foi lido da linha ETL do Glue 3.0/4.0 em us-east-1 em outubro de 2026, e o Glue 6.0 introduziu uma redução de preço de destaque de 30 %: verifique a tabela de preços atual antes de depender de qualquer cifra. Fonte: digest 15 Q28 e C7/C8 · aws.amazon.com/glue/pricing/ · Glue aws-glue-api-jobs-job.html, acesso em outubro de 2026.

Análise, Q16 · nomeie o sintoma, depois a alavanca. Por que está correta: o EXPLAIN já te disse que o sintoma é movimentação de dados, e a alavanca que remove movimentação de dados é distribuição, iguale o distkey nos dois lados do join, ou replique uma dimensão genuinamente pequena com DISTSTYLE ALL. Por que as armadilhas perdem: A ataca linhas desordenadas e reivindicação de espaço; B atualiza estatísticas, vale a pena fazer, e pode mudar a escolha do plano, mas não muda a distribuição física; D acelera varreduras e filtros em event_ts, não o join. Armadilha: as quatro alternativas são comandos de manutenção legítimos do Redshift, então este item é decidido inteiramente por qual sintoma o enunciado nomeia, DISTKEY corrige movimentação, SORTKEY corrige pulamento, VACUUM corrige linhas desordenadas, ANALYZE corrige estatísticas obsoletas. Fonte: digest 15 Q31 e par de armadilhas F11 · Redshift c-analyzing-the-query-plan.html e c_choosing_dist_sort.html, acesso em outubro de 2026.

Domínio 4: Segurança e Governança de Dados (18 %) · itens 17 to 20

Análise, Q17 · FIRST significa fechar a porta aberta. Por que está correta: o grupo IAMAllowedPrincipals padrão detém Super nos databases, então o catálogo é efetivamente governado só por IAM, não importa quantos grants refinados você emita, remover esse padrão (e desabilitar "Usar somente controle de acesso do IAM") é a transição recomendada do Método 2. Por que as armadilhas perdem: B muda quem pode conceder, não quem pode ler; C é o estado de migração incremental, não o estado final, e não remove o acesso aberto; D concede administração, e notavelmente não permite que o detentor adicione mais administradores, sem fechar o catálogo. Armadilha: candidatos que acabaram de aprender os grants do Lake Formation assumem que os grants estão quebrados; os grants estão bons, a porta está escorada aberta. Note também que um usuário com AdministratorAccess de IAM não é automaticamente administrador de data lake, e as permissões do Lake Formation se aplicam apenas na Região em que foram concedidas. Fonte: digest 15 Q35 e par de armadilhas F7 · Lake Formation access-control-fine-grained.html e lf-permissions-reference.html, acesso em outubro de 2026.

Análise: Q18 · duas portas, ambas precisam abrir. Por que está correta: permissões do Lake Formation e permissões de IAM são duas portas, e a documentação do Amazon Athena afirma literalmente que qualquer pessoa que consulte dados registrados no Lake Formation precisa de uma política de IAM permitindo lakeformation:GetDataAccess: além de o grant do LF estar sobre o recurso que a consulta realmente lê. Por que as armadilhas perdem: B oferece uma permissão de listagem do S3 em nível de conta e um controle de rede, nenhum dos quais é autorização para uma tabela catalogada; C destrói o menor privilégio e ainda não substituiria a semântica de grant, já que um administrador de IAM não é automaticamente administrador de data lake; D adiciona mais ações de plano de dados do S3 e troca de mecanismo, o que não abre nenhuma das duas portas. Armadilha: o enunciado diz que o analista já tem athena:* e já tem um SELECT do LF, então os candidatos concluem "as permissões estão boas": a ação que falta é uma terceira porta que só questões do Athena testam. Fonte: digest 15 Q34 e C19/C22 · Athena lf-athena-user-permissions.html · Lake Formation lf-permissions-overview.html, acesso em outubro de 2026.

Análise: Q19 · três restrições, uma resposta. Por que está correta: uma chave que a empresa controla exige uma chave KMS gerenciada pelo cliente; auditável por principal exige os registros do CloudTrail por chamador do KMS, que o SSE-S3 não pode produzir; uma conta parceira precisa ler exige um grant de política de chave, e o S3 Bucket Key reduz a cobrança do KMS por requisição (em até 99 %) sem enfraquecer nenhuma das três. Por que as armadilhas perdem: A é grátis e é o padrão desde 2023-01-05 (SSE-S3, AES-256-GCM, sem taxa), mas não oferece controle de chave, nem trilha de auditoria de uso da chave, nem política de chave entre contas; C faz o cliente guardar a chave: uma chave perdida significa perda permanente de dados, e não há auditoria de quem a usou; D é não gerenciado e não auditável na camada do serviço. Armadilha: candidatos param em "criptografado em repouso" e escolhem o padrão; a segunda e a terceira restrição do enunciado são o que forçam o SSE-KMS com uma CMK. Fonte: digest 15 Q37 e C24 · S3 UsingKMSEncryption.html e bucket-key.html · KMS control-access.html, acesso em outubro de 2026.

Análise, Q20 · quem chamou. Por que está correta: a pergunta é sobre uma identidade de API, e o CloudTrail é o serviço que registra quem chamou qual API em qual recurso, o Glue adicionalmente expõe histórico de versões de tabela, que responde o que mudou, mas o auditor perguntou pelo principal. Por que as armadilhas perdem: B cobre operações de objeto do S3, não DDL de catálogo; C descobre conteúdo sensível e relata descobertas, ele nunca registra chamadas de API de catálogo, e o Macie nunca corrige; D registra fluxos de rede, não identidades de API. Armadilha: três das quatro alternativas são fontes de evidência reais que respondem a uma pergunta diferente, essa é a família de armadilhas T7, verdadeiro mas irrelevante. Se o auditor tivesse perguntado como a tabela era antes, a resposta mudaria para o versionamento de tabelas do Glue. Fonte: digest 15 Q40 e par de armadilhas F8 · Glue cloudwatch-cloudtrail-integration.html · Guia do Usuário do CloudTrail, acesso em outubro de 2026.

Itens de extensão 21 to 22: construídos a partir dos exercícios com estudos de caso

Estes dois não contam para o relógio de 20 itens do Conjunto A. Faça-os depois que você tiver corrigido o Conjunto A, dois minutos cada, mesmas regras: sem notas, sem análise, motivo de uma cláusula para qualquer mudança. Eles existem para provar que uma história de cliente publicada pode ser convertida em um enunciado corrigível.

Análise, Q21 · a reprodução vive no stream, não na entrega. Por que está correta: dois qualificadores, reproduzir 24 horas (retenção mais uma API de consumidor) e a entrega (Firehose), e só o stream que o alimenta os satisfaz: o Kinesis Data Streams mantém registros por 24 horas a 365 dias e reproduz via um novo shard iterator. Por que as armadilhas perdem: A inventa uma API de consumidor que o Firehose não tem; C confunde o intervalo de buffer, que decide quando os dados caem no S3, com retenção, dois medidores sem relação (família de armadilhas T6, unidade errada anexada a um fato verdadeiro); D veste a mesma API falsa com roupagem de criptografia. Armadilha: o Firehose "já guarda os dados no S3" é verdadeiro e irrelevante, a cópia no S3 é um backup que você pode reprocessar com um job novo, não um recurso de reprodução que re-roda a lógica do consumidor (família de armadilhas T7). Fonte: material de caso do digest 16 (AGCO, A7/A8) e armadilha F2 · digest 18 armadilha 1 · digest 15 Q02 · FAQs do Firehose, acesso em outubro de 2026.

Análise: Q22 · o mecanismo vence o título. Por que está correta: as duas metades são mecânicas publicadas da construção do cliente: tags em nível de banco de dados herdadas por tabelas e colunas (essa herança é por que a contagem de regras caiu para duas) e S3 alcançado somente por meio de um papel de acesso a dados do Lake Formation (a segunda porta). Por que as armadilhas perdem: B erra duas vezes: as permissões do Lake Formation são locais à Região (um grant que "se aplica a toda a conta" é ficção), e IAM sozinho nunca abre a porta de catálogo e dados; C inverte a história (grants por tabela são a dor antiga que as tags removeram) e entrega a aplicação ao Macie, que descobre e relata conteúdo e nunca corrige; D inverte a herança e apaga a porta do IAM, incluindo lakeformation:GetDataAccess, que o Amazon Athena exige explicitamente. Armadilha: o enunciado te entrega o resultado impressionante do cliente, então você caça o resultado: a marca está no mecanismo. Forma no exame ao vivo: duas caixas de seleção, tudo-ou-nada, sem crédito parcial. Fonte: digest 16 estudo de caso 9 (IAS, A13) e armadilhas F3/F4/F8 · digest 18 armadilha 7 · Athena lf-athena-user-permissions.html, acesso em outubro de 2026.

• 📚 Você sabia? O Official Practice Question Set que a AWS oferece para o DEA-C01 tem exatamente 20 questões, a mesma contagem do Conjunto A aqui, é gratuito, alinha com o guia de exame atual e fica no Skill Builder. É a primeira coisa que o plano de preparação oficial de quatro passos da AWS te pede para fazer, junto com o Exam Demo gratuito para a interface. Se o Conjunto A pareceu longo, isso é informação útil sobre o seu ritmo; se pareceu curto, faça os 20 oficiais em seguida.

---