Diseño y Explotación de Almacenes de Datos Parcial 1

¿Cuál de las siguientes opciones describe mejor un Almacén de Datos (Data Warehouse)?. Un sistema para realizar transacciones diarias en tiempo real. Un sistema eminente de consulta enfocado a extraer conocimiento de los datos históricos almacenados. Una base de datos volátil enfocada en el almacenamiento temporal de datos. Una herramienta para integrar y manipular diferentes tipos de datos multimedia.

¿Qué característica no pertenece a un Almacén de Datos según W. Inmon?. Orientados por tema. Integrados. Volátiles. Variables en el tiempo.

¿Qué técnica se utiliza en el análisis de datos dentro de un Almacén de Datos para manipular y analizar datos multidimensionales?. Data Mining. OLTP (Online Transaction Processing). OLAP (Online Analytical Processing). ETL (Extract, Transform, Load).

Según el contenido, ¿cuál de los siguientes no es un objetivo de los sistemas de almacenamiento de datos (Data Warehousing)?. Ofrecer información histórica para la toma de decisiones. Integrar la información procedente de distintas fuentes de datos operacionales. Procesamiento de transacciones y operaciones del día a día. Soportar sistemas de apoyo a la decisión.

¿Cuál de las siguientes opciones no es una característica de los almacenes de datos según W. Inmon?. Orientados por tema. Variables en el tiempo. No volátiles. Actualizados en tiempo real.

qué representa el modelado multidimensional en el contexto de los almacenes de datos?. La capacidad de almacenar datos en múltiples bases de datos. La organización de datos en dimensiones y hechos, facilitando el análisis complejo. El almacenamiento de datos en un formato no estructurado. La técnica de normalización de bases de datos para evitar la redundancia.

Según el documento, ¿cuál de las siguientes opciones mejor describe el propósito principal de un Data Warehouse?. Procesar transacciones en tiempo real. Almacenar datos volátiles y temporales. Apoyar la toma de decisiones estratégicas con información histórica integrada. Almacenar grandes cantidades de datos no estructurados.

qué representa OLAP en el contexto de los almacenes de datos?. Online Analytical Processing, una categorÌa de software que permite a los usuarios analizar información desde múltiples perspectivas de base de datos. Online Application Processing, un tipo de software destinado al procesamiento de aplicaciones en línea. Operational Longitudinal Analysis Procedure, un método para el análisis operacional y longitudinal de datos. Organizational Learning and Planning, un enfoque para el aprendizaje organizacional y planificación estratégica.

¿Cuál es una ventaja clave del uso de un Almacén de Datos en una empresa?. Aumentar la carga y complejidad de las transacciones diarias. Facilitar el acceso a datos históricos para apoyar la toma de decisiones. Reducir la necesidad de integrar datos de diferentes fuentes. Eliminar por completo la necesidad de bases de datos operacionales.

Según el documento, ¿cuál de las siguientes opciones no es una característica definitoria de un Almacén de Datos?. No volátiles. Variables en el tiempo. Actualizados en tiempo real. Orientados por tema.

qué técnica es crucial en el análisis de datos proporcionado por los Almacenes de Datos para visualizar y manejar datos multidimensionales?. OLTP. OLAP. ETL. Data Mining.

¿Cuál es el propósito principal de la integración de datos en un Almacén de Datos?. Aumentar la velocidad de transacciones diarias. Consolidar datos de múltiples fuentes para una visión unificada. Reducir la cantidad total de datos almacenados. Simplificar el modelado de datos para sistemas operacionales.

qué representa OLAP en el contexto de los almacenes de datos?. Online Analytical Processing, centrado en consultas analíticas y soporte para la toma de decisiones. Online Application Processing, un tipo de procesamiento de aplicaciones en línea. Operational Linear Analysis Procedure, un método de análisis operacional lineal. Organizational Learning and Planning, un enfoque para el aprendizaje y la planificación organizacional.

En el contexto de los almacenes de datos, qué es un Data Mart?. Una base de datos utilizada para transacciones diarias. Una vista especializada del almacén de datos diseñada para satisfacer las necesidades específicas de un departamento o grupo de usuarios. Una herramienta de visualización de datos en tiempo real. Un tipo de algoritmo utilizado en la minería de datos.

qué caracteriza principalmente a un modelo multidimensional en un almacén de datos?. La capacidad de realizar transacciones y actualizaciones en tiempo real. La organización de datos en dimensiones y hechos, que facilita el análisis complejo. La utilización de tablas altamente normalizadas para la eficiencia en el procesamiento. La dependencia en un único tipo de datos o fuente de datos para el análisis.

¿Cuál es una diferencia clave entre OLAP y OLTP?. OLAP está diseñado para la optimización de la carga de consultas, mientras que OLTP está optimizado para el procesamiento de transacciones rápidas. OLAP utiliza bases de datos no relacionales, mientras que OLTP utiliza bases de datos relacionales exclusivamente. OLAP no permite consultas interactivas, mientras que OLTP sí. OLAP y OLTP son lo mismo pero se utilizan en diferentes tipos de empresas.

qué es un Data Mart en el contexto de los almacenes de datos?. Una base de datos grande que integra información de múltiples fuentes. Una base de datos especializada para un departamento o área de negocio específica. Un conjunto de herramientas para el procesamiento de datos en tiempo real. Una técnica para mejorar la velocidad de las consultas en bases de datos grandes.

En un sistema OLAP, qué significa la operación de "drill-down"?. Reducir el nivel de detalle de los datos analizados. Aumentar el nivel de detalle de los datos analizados. Combinar diferentes fuentes de datos en un solo conjunto de datos. Reducir la cantidad de datos analizados mediante filtros específicos.

qué caracteriza a un Data Warehouse?. Datos normalizados y enfocados en transacciones del día a día. Datos integrados, no volátiles y variables en el tiempo. Datos estructurados en un único formato y actualizados en tiempo real. Datos descentralizados y gestionados por departamentos individuales.

¿Cuál es la función principal de las herramientas ETL en un Data Warehouse?. Facilitar la visualización de datos a través de gráficos y tablas. Permitir la ejecución de transacciones en tiempo real. Extraer, Transformar y Cargar datos desde diversas fuentes al almacén. Mejorar la seguridad y el control de acceso a los datos.

¿Cuál de las siguientes opciones mejor describe el término "Data Mart" según el documento?. Una colección de datos no relacionados almacenados para análisis esporádico. Un tipo de base de datos optimizada para procesamiento de transacciones. Una sección del Data Warehouse dedicada a un tema específico, área de negocio o equipo. Una técnica de normalización de datos en grandes bases de datos.

qué es un modelo multidimensional en el contexto de los almacenes de datos?. Una representación de los datos en tres dimensiones para facilitar la comprensión humana. Un modelo que permite almacenar datos en múltiples bases de datos distribuidas. Una estructura que organiza los datos en dimensiones y hechos, permitiendo análisis complejos. Un modelo de datos utilizado exclusivamente en la minería de datos y machine learning.

En términos de almacenes de datos, qué significa la operación de "drilldown"?. Reducir la cantidad de datos mostrados al usuario. Aumentar el nivel de detalle o profundidad de los datos analizados. Simplificar los datos a través de técnicas de normalización. Comparar diferentes conjuntos de datos para identificar inconsistencias.

qué propósito tienen las herramientas ETL en un entorno de Data Warehouse?. Evaluar la calidad de los datos mediante pruebas y validaciones. Proporcionar una interfaz para consultas y generación de informes. Extraer, Transformar y Cargar datos desde diversas fuentes al almacén. Gestionar las transacciones y el procesamiento operacional en tiempo real.

¿Cuál es el propósito principal del diseño conceptual en el modelado multidimensional?. Establecer conexiones físicas entre las bases de datos. Proporcionar una representación visual de la base de datos operacional. Facilitar la comunicación entre diseñadores y usuarios, y establecer los requisitos de la aplicación. Reducir el tamaño de la base de datos para mejorar la eficiencia.

qué son los "hechos" en el contexto de un modelo multidimensional?. Las consultas que se realizan en la base de datos. Las operaciones de procesamiento de datos. Los elementos de datos que se quieren analizar, como ventas o transacciones. Las herramientas utilizadas para construir el modelo de datos.

En el modelado multidimensional, qué representa una "dimensión"?. Una medida específica del hecho. Un procedimiento de normalización de datos. Una perspectiva o atributo del hecho para análisis, como tiempo o ubicación. Un nivel de agregación de los datos.

qué es una jerarquía en el contexto de las dimensiones de un modelo multidimensional?. Una estructura de datos que organiza los elementos en una secuencia lineal. Una forma de representar gráficamente los datos. Una organización de los miembros de una dimensión que especifica niveles de agregación. Un método para asegurar la integridad de los datos.

qué representa un "cubo" en el contexto del modelado multidimensional?. Una base de datos relacional normalizada. Una estructura de datos que permite organizar, definir y almacenar los datos multidimensionales. Un tipo de visualización gráfica para representar datos no estructurados. Una herramienta específica para el procesamiento de transacciones en tiempo real.

¿Cuál es el propósito de las jerarquías en un modelo multidimensional?. Permitir la normalización de los datos para reducir la redundancia. Organizar los datos en estructuras jerárquicas para facilitar el análisis y la agregación. Aumentar la eficiencia de las transacciones y consultas en bases de datos operacionales. Simplificar la estructura de datos para reducir el espacio de almacenamiento.

qué son las medidas atómicas y derivadas en el contexto de los hechos de un modelo multidimensional?. Atómicas: Datos simples sin procesar; Derivadas: Datos normalizados para mejorar el rendimiento. Atómicas: Datos elementales que no pueden descomponerse; Derivadas: Resultados de aplicar cálculos o transformaciones. Atómicas: Primer nivel de datos agregados; Derivadas: Datos filtrados para consultas específicas. Atómicas: Datos relacionales; Derivadas: Datos no relacionales.

cómo se define la aditividad en el contexto de las medidas de un cubo de datos?. La capacidad de sumar o promediar todos los valores de datos dentro del cubo. La habilidad de añadir nuevos datos al cubo sin reestructuración. La propiedad que define como las medidas se agregan o suman a lo largo de las jerarquías. La técnica para incrementar la velocidad de las consultas mediante la adición de Índices.

En el modelado multidimensional, como se representan comúnmente los datos para facilitar la consulta y el análisis?. Mediante tablas normalizadas. Utilizando cubos o hipercubos. A través de bases de datos documentales. Empleando árboles binarios.

qué papel juegan las jerarquías en las dimensiones de un modelo multidimensional?. Organizan los datos de manera secuencial para facilitar su lectura. Dividen los datos en grupos lógicos basados en tipos de datos. Establecen niveles de agregación y detalle para analizar los datos. Se utilizan para identificar relaciones uno a uno entre diferentes dimensiones.

¿Cuál de las siguientes opciones mejor describe los atributos de hecho o medidas en un modelo multidimensional?. Son dimensiones que definen el contexto de los datos. Son consultas predefinidas para analizar los datos. Son los elementos numéricos o no numéricos que se desean analizar. Son las operaciones de transformación de datos aplicadas a las dimensiones.

En relación a las medidas en un modelo multidimensional, qué significa que una medida sea aditiva?. Que puede ser dividida en componentes más pequeños. Que puede ser sumada a lo largo de todas o algunas dimensiones. Que puede ser calculada utilizando cualquier operador aritmético. Que se incrementa con cada actualización de datos en el modelo.

¿Cuál es el objetivo del modelado multidimensional en el diseño conceptual de un Data Warehouse?. Mejorar el rendimiento de las consultas en bases de datos operacionales. Facilitar la interpretación y el análisis de datos complejos para la toma de decisiones. Reducir la cantidad de datos almacenados en el almacén de datos. Simplificar el proceso de normalización de datos.

qué son las operaciones de consulta en el modelo multidimensional?. Procedimientos para insertar y actualizar datos en el almacén. Acciones para mantener la seguridad y la integridad de los datos. Técnicas para la visualización de datos en gráficos y tablas. Procesos para analizar e interactuar con los datos almacenados.

En el modelado multidimensional, qué papel juegan los atributos de dimensión y los atributos de hecho?. Los atributos de dimensión clasifican los datos y los atributos de hecho son los datos analizados. Los atributos de hecho son las consultas predefinidas y los atributos de dimensión son las respuestas. Ambos representan diferentes tipos de operaciones de consulta. Son sinónimos y se utilizan indistintamente en el diseño de almacenes de datos.

cómo influyen las jerarquías en el análisis multidimensional?. Determinan la estructura física de los datos en el almacén. Restringen las operaciones de consulta que se pueden realizar. Facilitan la navegación y agregación de datos en diferentes niveles de detalle. Aumentan la redundancia de datos para mejorar la velocidad de consulta.

qué es un esquema estrella en el contexto del diseño lógico de almacenes de datos?. Una técnica para optimizar bases de datos transaccionales. Una estructura compuesta por una tabla de hechos y múltiples tablas de dimensiones. Un tipo de algoritmo utilizado en la minería de datos. Un diseño utilizado en bases de datos no relacionales.

qué representa el esquema copo de nieve en el diseño de almacenes de datos?. Un modelo que utiliza una única tabla para almacenar todos los datos. Una extensión del esquema estrella que normaliza las tablas de dimensiones para evitar redundancias. Un tipo de base de datos especializada en el procesamiento en tiempo real. Una técnica para el análisis de datos en tiempo real.

En el contexto de diseño lógico, qué es ROLAP (Relational OLAP)?. Una forma de procesamiento analítico en línea que utiliza bases de datos no relacionales. Una técnica para optimizar el almacenamiento de datos en bases de datos relacionales. Un enfoque de OLAP que almacena los datos en bases de datos relacionales y utiliza SQL extendido. Un método para realizar operaciones de transformación de datos en tiempo real.

qué caracteriza a las dimensiones que cambian despacio (Slowly Changing Dimensions)?. Son dimensiones que nunca cambian una vez que se cargan en el almacén de datos. Son dimensiones que cambian rápidamente y requieren actualizaciones constantes. Son dimensiones que cambian en el tiempo, permitiendo el seguimiento de los cambios históricos. Son dimensiones que solo incluyen datos temporales y no se mantienen en el tiempo.

¿Cuál es la principal diferencia entre un esquema estrella y un esquema copo de nieve en el diseño lógico de almacenes de datos?. El esquema estrella utiliza una única tabla para almacenar todos los datos, mientras que el esquema copo de nieve utiliza múltiples tablas. El esquema estrella almacena datos en bases de datos no relacionales, mientras que el esquema copo de nieve utiliza bases de datos relacionales. El esquema estrella tiene una tabla de hechos central y tablas de dimensiones denormalizadas, mientras que el esquema copo de nieve normaliza las tablas de dimensiones para reducir redundancias. El esquema estrella es exclusivamente para bases de datos grandes, mientras que el esquema copo de nieve se utiliza para bases de datos más pequeñas.

qué representa un esquema constelación en el diseño de almacenes de datos?. Una versión simplificada del esquema estrella con solo una tabla de dimensiones. Una estructura que combina múltiples tablas de hechos que comparten algunas tablas de dimensiones. Un diseño que elimina completamente las tablas de hechos y se enfoca solo en dimensiones. Una adaptación del esquema copo de nieve que mejora el rendimiento de las consultas.

qué son las dimensiones que cambian despacio (Slowly Changing Dimensions) y como se manejan en el diseño lógico?. Dimensiones que rara vez se actualizan y generalmente se manejan sobrescribiendo los datos antiguos con los nuevos. Dimensiones que cambian con frecuencia y se manejan manteniendo un historial de cambios en tablas separadas. Dimensiones que cambian en el tiempo y se manejan usando técnicas específicas para preservar el historial de cambios. Dimensiones que no cambian y que se mantienen estáticas a lo largo del tiempo.

qué es ROLAP y como se diferencia de MOLAP en el contexto de OLAP?. ROLAP es un enfoque de procesamiento analítico que utiliza bases de datos relacionales, mientras que MOLAP utiliza estructuras de datos multidimensionales. ROLAP es una técnica para mejorar el almacenamiento de datos, mientras que MOLAP se enfoca en mejorar el rendimiento de las consultas. ROLAP y MOLAP son lo mismo pero se utilizan en diferentes tipos de empresas. ROLAP se refiere a la representación lógica de jerarquías, mientras que MOLAP trata sobre la representación física.

qué es un "Esquema Estrella" en el diseño lógico de almacenes de datos y cuál es su principal característica?. Un diseño que utiliza una tabla central de hechos conectada a varias tablas de dimensiones sin normalizar. Un modelo donde todas las tablas de dimensiones están normalizadas y conectadas directamente a la tabla de hechos. Un diseño donde las tablas de hechos y dimensiones se organizan en una estructura circular. Un esquema que utiliza una ˙nica tabla para almacenar todos los datos, optimizando las consultas.

qué implicaciones tiene la normalización de las tablas de dimensiones en un esquema copo de nieve?. Reduce el espacio de almacenamiento necesario pero puede complicar las consultas. Mejora el rendimiento de las consultas al simplificar la estructura de las tablas. No tiene impacto significativo en el rendimiento o el almacenamiento. Aumenta la redundancia de los datos para mejorar la velocidad de consulta.

qué es ROLAP y cuál es su principal ventaja?. Relational OLAP, que permite el análisis de datos almacenados en una base de datos relacional. Row-level OLAP, que permite el análisis a nivel de fila en la base de datos. Real-time OLAP, que permite análisis en tiempo real de los datos. Redundant OLAP, que crea copias redundantes de los datos para acelerar las consultas.

En el diseño lógico, cómo se manejan las dimensiones que cambian lentamente (Slowly Changing Dimensions)?. Ignorando los cambios y manteniendo la versión original de la dimensión. Creando nuevas tablas para cada cambio que ocurre en las dimensiones. Utilizando técnicas específicas para rastrear y gestionar los cambios a lo largo del tiempo. Reemplazando completamente la dimensión cada vez que ocurre un cambio.

qué es un esquema constelación en el diseño de almacenes de datos y cuál es su principal característica?. Un diseño que utiliza múltiples tablas de hechos que comparten tablas de dimensiones. Una estructura donde todas las tablas de dimensiones están conectadas directamente a una sola tabla de hechos. Una representación que combina esquemas estrella y copo de nieve en una sola base de datos. Un tipo de base de datos que almacena información en una estructura no relacional para optimizar el rendimiento de consultas.

qué implicaciones tiene el uso de la normalización en las tablas de dimensiones dentro de un esquema copo de nieve?. Mejora el rendimiento de consultas al reducir la redundancia de datos. Facilita la interpretación de los datos al presentar una estructura más sencilla. Reduce la redundancia de datos pero puede aumentar la complejidad de las consultas. Aumenta la velocidad de inserción de nuevos datos al disminuir la cantidad de datos almacenados.

En el diseño lógico de almacenes de datos, qué son las dimensiones que cambian despacio (Slowly Changing Dimensions)?. Dimensiones que rara vez se actualizan, manteniendo una estructura estática. Dimensiones que se actualizan en tiempo real para reflejar los cambios inmediatos. Dimensiones cuyos atributos cambian a lo largo del tiempo y necesitan técnicas especiales para su gestión. Dimensiones que se eliminan del almacén de datos después de un periodo específico debido a su poca relevancia.

qué es MOLAP en el contexto de las tecnologías OLAP y cuál es una de sus ventajas?. Multidimensional OLAP, que almacena los datos en estructuras especiales como arrays, ofreciendo mejor rendimiento en consulta y agregación. Mobile OLAP, que permite el acceso a los datos de OLAP desde dispositivos móviles. Managed OLAP, que proporciona una gestión automatizada de los datos almacenados en el almacén. Modular OLAP, que permite la integración de diferentes módulos para el análisis de datos.

qué significa ETL en el contexto de los almacenes de datos?. Evaluación, Transformación y Lanzamiento. Extracción, Transcripción y Limpieza. Extracción, Transformación y Carga. Evaluación, Transmisión y Logística.

¿Cuál es el objetivo principal de la fase de Extracción en el proceso ETL?. Convertir los datos al formato adecuado para el Almacén de Datos. Extraer datos de fuentes operacionales y heterogéneas para su posterior uso. Cargar los datos transformados en el Almacén de Datos. Limpiar y depurar los datos extraídos.

qué se realiza comúnmente durante la fase de Transformación en un proceso ETL?. Se añaden los datos al almacén de datos sin hacer cambios. Se extraen los datos de las bases de datos operacionales. Se limpian, se convierten y se preparan los datos para la carga. Se conectan diferentes almacenes de datos para compartir la información.

En la fase de Carga de un proceso ETL, qué acción se realiza?. Los datos se extraen de su fuente original. Los datos se limpian y normalizan. Los datos se insertan y actualizan en el Almacén de Datos. Los datos se dividen en bloques más pequeños para su análisis.

¿Cuál es una actividad común en la etapa de Extracción del proceso ETL?. Agregar o sumarizar datos. Generar claves autogeneradas. Extraer datos de fuentes operacionales y heterogéneas. Limpiar y normalizar los datos extraídos.

Durante la fase de Transformación en un proceso ETL, qué tarea se lleva a cabo comúnmente?. Unificar datos de distintas fuentes. Convertir los datos a un formato común. Insertar los datos transformados en el almacén de datos. Verificar la calidad de los datos antes de la carga.

qué es crucial en la fase de Carga del proceso ETL?. Extraer datos de múltiples fuentes. Transformar y normalizar los datos. Insertar los datos transformados en el almacén de datos. Generar reportes basados en los datos cargados.

¿Cuál de las siguientes tareas es típica del proceso de ETL?. Validar la coherencia de los datos en tiempo real. Unir datos de distintas fuentes. Visualización de datos en reportes y dashboards. Diseñar la arquitectura física de la base de datos.

qué implica la "Extracción" en el proceso ETL?. Cargar datos transformados en el Almacén de Datos. Limpiar y preparar los datos para su uso en el sistema. Obtener datos de diversas fuentes para su procesamiento. Consolidar y sumarizar datos para informes.

¿Cuál es un objetivo primordial de la "Transformación" en ETL?. Extraer datos de manera eficiente y rápida. Cargar datos rápidamente en el Almacén de Datos. Modificar y mejorar la calidad de los datos para su análisis. Reducir el tamaño total de los datos almacenados.

En la fase de "Carga" de ETL, qué tarea se realiza típicamente?. Extracción de datos de fuentes primarias. Normalización de datos para el almacenamiento. Inserción de datos en el Almacén de Datos o Data Marts. Ejecución de consultas y generación de informes.

¿Cuál es un desafío común en la etapa de Extracción en ETL?. Agregar datos para su análisis. Unir datos de distintas fuentes. Mantener la integridad de los datos en el tiempo. Optimizar las consultas para informes.

En el contexto de ETL, qué representa el término "Extracción"?. La inserción de datos transformados en el Almacén de Datos. La obtención de datos de diferentes fuentes operacionales. La conversión de los datos a un formato adecuado para el análisis. La validación de la calidad de los datos extraídos.

¿Cuál de las siguientes opciones mejor describe el propósito de la "Transformación" en un proceso ETL?. Extraer datos de diversas fuentes para análisis. Cargar datos transformados en el Almacén de Datos. Modificar los datos para asegurar calidad y consistencia. Generar reportes y visualizaciones basados en los datos.

qué ocurre durante la fase de "Carga" en un proceso ETL?. Los datos se extraen de las fuentes originales. Los datos se transforman y normalizan. Los datos se almacenan en el destino final, como un Almacén de Datos. Los datos se analizan y se presentan en reportes.

qué técnica se utiliza comúnmente en la transformación para mejorar la calidad de los datos en ETL?. Normalización. Sumarización. Limpieza de datos. Indexación.