EXAMEN TGGVD T.4-5

En el modelo estrella, las tablas de dimensión están completamente denormalizadas. V. F.

En el modelo Copo de Nieve, las tablas de hechos contienen métricas numéricas que pueden ser aditivas, semiaditivas o no aditivas. V. F.

Las jerarquías dentro de un Data Warehouse siempre deben ser unidimensionales. V. F.

La conversión de un modelo estrella a un modelo Copo de Nieve implica normalizar las tablas de dimensión para eliminar redundancias. V. F.

El modelo estrella tiene un mejor rendimiento en las consultas que el modelo Copo de Nieve debido a su estructura denormalizada. V. F.

Las medidas derivadas son aquellas que resultan de cálculos con medidas básicas y pueden ser o no aditivas. V. F.

Las claves sustitutas en las tablas de dimensiones se utilizan principalmente para evitar dependencias con los datos transaccionales. V. F.

Las tablas de dimensión en un modelo dimensional contienen datos textuales, discretos y generalmente más pequeños que las tablas de hechos. V. F.

En un modelo Copo de Nieve, las tablas de hechos se normalizan para reducir la redundancia. V. F.

En un modelo estrella, las dimensiones están completamente denormalizadas para mejorar el rendimiento en consultas. V. F.

En un modelo Copo de Nieve, las dimensiones están completamente denormalizadas para permitir una mejor performance en consultas agregadas. V. F.

Las medidas derivadas en un Data Warehouse son aquellas que se calculan a partir de otras medidas y son generalmente no aditivas. V. F.

Las claves sustitutas en un modelo dimensional se utilizan principalmente para evitar dependencias con las tablas transaccionales. V. F.

Un modelo dimensional puede incluir múltiples jerarquías dentro de una misma dimensión, como en una dimensión geográfica. V. F.

La granularidad de un hecho en un Data Warehouse determina el nivel de detalle de los datos almacenados. V. F.

Un modelo Copo de Nieve es generalmente más fácil de entender por los usuarios finales debido a su simplicidad. V. F.

En un modelo dimensional, las tablas de hechos contienen principalmente datos descriptivos. V. F.

Los operadores OLAP como DRILL permiten aumentar el nivel de detalle de los datos en las consultas. V. F.

¿Cuál de las siguientes opciones NO es una característica del modelo estrella?. Las tablas de dimensión están completamente denormalizadas. Las consultas suelen ser más rápidas debido a la reducción de joins. Las tablas de hechos están normalizadas. Requiere una mayor normalización de las tablas de dimensión para consultas complejas.

¿Qué tipo de medidas se pueden agregar a lo largo de todas las dimensiones?. Medidas derivadas. Medidas no aditivas. Medidas semiaditivas. Medidas aditivas.

¿Cuál de las siguientes es una jerarquía válida dentro de una dimensión de tiempo?. Semana -> Mes -> Año. Mes -> Semana -> Año. Año -> Trimestre -> Semana. Semana -> Día -> Mes.

¿Cuál es el principal objetivo del modelo Copo de Nieve en comparación con el modelo estrella?. Mejorar el rendimiento de consultas agregadas. Reducir redundancia en las tablas de dimensión. Aumentar la velocidad de las consultas. Eliminar la necesidad de jerarquías.

¿Qué representa una clave sustituta en una tabla de dimensiones?. Un identificador único generado sin relación lógica con los datos. Un identificador natural extraído del sistema OLTP. Una clave compuesta formada por varios atributos. Un atributo descriptivo que identifica un nivel jerárquico.

¿Cuál de las siguientes NO es una tarea asociada al diseño de un modelo lógico?. Identificar medidas básicas y derivadas. Crear estructuras multidimensionales para almacenamiento físico. Establecer relaciones entre las tablas de hechos y las dimensiones. Documentar las claves y jerarquías necesarias.

¿Qué tipo de datos NO se encuentra típicamente en las tablas de dimensión?. Atributos textuales descriptivos. Datos discretos y categóricos. Grandes volúmenes de datos numéricos acumulativos. Jerarquías organizacionales o temporales.

¿Cuál es el paso inicial en la creación de un modelo conceptual para un Data Warehouse?. Definir las jerarquías y dimensiones del modelo. Identificar las claves sustitutas necesarias para las tablas de dimensión. Seleccionar un proceso del negocio que se desee analizar. Determinar la granularidad de las tablas de hechos.

¿Cuál de las siguientes opciones NO es una característica del modelo estrella?. Las dimensiones están completamente denormalizadas. Las tablas de hechos están normalizadas. Las consultas suelen ser más rápidas debido a menos joins. Las dimensiones son más grandes debido a la denormalización.

¿Cuál de las siguientes afirmaciones es verdadera acerca de las claves sustitutas?. Son claves naturales que se derivan de las tablas transaccionales. Son utilizadas para mejorar la legibilidad de los datos. Son claves generadas artificialmente que no tienen significado en los datos. Son claves compuestas formadas por varias columnas.

¿Cuál es el principal objetivo de normalizar las tablas de dimensión en un modelo Copo de Nieve?. Aumentar la velocidad de las consultas. Reducir la redundancia y mejorar la consistencia de los datos. Facilitar la integración de los datos de diferentes fuentes. Optimizar la generación de cubos OLAP.

En un modelo dimensional, las jerarquías se utilizan para: Definir las claves de las tablas de hechos. Representar la relación entre diferentes niveles de una dimensión. Calcular las medidas derivadas. Crear índices de búsqueda más eficientes.

¿Qué tipo de medidas se pueden sumar a lo largo de algunas dimensiones, pero no a todas?. Medidas no aditivas. Medidas derivadas. Medidas aditivas. Medidas semiaditivas.

¿Qué acción describe el operador PIVOT en un análisis OLAP?. Permite separar los datos según las dimensiones. Cambia la orientación de las dimensiones. Agrega los datos para reducir el nivel de detalle. Muestra solo una parte de los datos.

¿Qué característica distingue al modelo Copo de Nieve del modelo estrella?. La normalización de las dimensiones. El uso exclusivo de claves sustitutas. La inclusión de claves naturales en las tablas de hechos. La mayor velocidad de las consultas.

¿Cuál de las siguientes afirmaciones es cierta sobre las tablas de hechos?. Contienen datos descriptivos como nombres y categorías. Se conectan a las tablas de dimensiones a través de claves ajenas. Generalmente son más pequeñas que las tablas de dimensión. No contienen medidas aditivas.

¿Qué tipo de datos se incluyen en una tabla de dimensiones?. Medidas numéricas y valores de facturación. Datos de contexto como descripciones y atributos categóricos. Datos de análisis agregados y resumidos. Claves ajenas a las tablas de hechos.

¿Qué modelo de datos sería más adecuado para un escenario donde se necesitan hacer consultas rápidas y complejas sin necesidad de actualizar frecuentemente los datos?. Modelo OLTP. Modelo Copo de Nieve. Modelo Estrella. Modelo Relacional Normalizado.

¿Cuál es el principal desafío al trabajar con grandes volúmenes de datos en un Data Warehouse?. La normalización de las tablas de hechos. La optimización de consultas y el rendimiento. La creación de jerarquías de dimensiones. La integración de datos históricos en un sistema OLTP.

¿Qué tipo de medida es más adecuada para calcular el total de ventas durante un trimestre?. Medida no aditiva. Medida semiaditiva. Medida aditiva. Medida derivada.

¿Qué define la granularidad de un Data Warehouse?. El tipo de medidas utilizadas en las consultas. El número de dimensiones incluidas en el modelo. El nivel de detalle de los datos almacenados en las tablas de hechos. La normalización de las tablas de dimensión.

¿Cuál de las siguientes afirmaciones es correcta sobre el proceso de carga de datos en un Data Warehouse?. El proceso de extracción es el que más impacto tiene en el rendimiento. La transformación de los datos es el proceso donde se ajustan las estructuras de datos a la forma necesaria para el análisis. La carga de datos se realiza sólo una vez al crear el Data Warehouse. Los datos cargados se deben modificar constantemente para mantener la integridad.

En un cubo OLAP, ¿qué es una "medida"?. Un conjunto de dimensiones que define los niveles de análisis. Una métrica cuantitativa que se mide y agrega en el cubo. Una estructura física que almacena los datos en columnas. Una clave que conecta las tablas de hechos con las tablas de dimensión.

En un Data Warehouse, ¿cuál de las siguientes técnicas es más eficaz para mejorar el rendimiento de las consultas complejas que involucran grandes volúmenes de datos?. Normalización de todas las tablas. Creación de índices de búsqueda en las tablas de hechos. Denormalización de las tablas de dimensión. Utilización de claves naturales en lugar de claves sustitutas.

¿Qué tipo de operación OLAP se utiliza para reducir el nivel de detalle y obtener una visión más agregada de los datos?. Drill down. Roll up. Slice and dice. Pivot.

¿Cuál de las siguientes características es típica de un modelo Copo de Nieve?. Las tablas de hechos están completamente denormalizadas. Las tablas de dimensión están completamente normalizadas. Las dimensiones están estructuradas en una única tabla. Las claves de las tablas de dimensión son de tipo compuesto.

¿Cuál de los siguientes factores es el más importante al seleccionar la granularidad de un hecho en un Data Warehouse?. El volumen total de los datos. La frecuencia de actualización de los datos. El nivel de detalle necesario para las consultas analíticas. La cantidad de dimensiones a incluir en el modelo.

¿Qué tipo de clave es más adecuado para identificar de forma única cada fila en las tablas de dimensión en un Data Warehouse?. Clave natural. Clave de usuario. Clave sustituta. Clave compuesta.

En un modelo dimensional, ¿cómo se puede optimizar la gestión de grandes volúmenes de datos para reducir el tiempo de respuesta en las consultas?. Usar claves naturales en las tablas de hechos. Evitar la creación de jerarquías en las dimensiones. Implementar vistas materializadas con datos agregados. Normalizar completamente las tablas de dimensión.

¿Qué característica define a las medidas no aditivas en un Data Warehouse?. Se pueden agregar sin problemas a lo largo de todas las dimensiones. Requieren transformaciones antes de ser agregadas. Son siempre calculadas a partir de medidas aditivas. Representan valores que no se pueden agregar, como porcentajes o tasas.

¿Cuál es el principal propósito de utilizar jerarquías dentro de una dimensión en un modelo dimensional?. Facilitar la visualización de los datos en gráficos. Permitir un análisis de los datos a diferentes niveles de detalle. Reducir el número de claves necesarias en las tablas de hechos. Mejorar la velocidad de las consultas simples.

En el contexto de un Data Warehouse, ¿qué se entiende por "Dimensión Degenerada"?. Una dimensión que no contiene atributos adicionales, solo un identificador. Una dimensión que tiene muchos atributos de texto repetidos. Una dimensión que no se puede agregar a ninguna tabla de hechos. Una dimensión que está completamente normalizada.

¿Cuál de los siguientes procesos es fundamental al integrar datos de diferentes fuentes en un Data Warehouse?. Minimizar la redundancia de los datos mediante la normalización de las tablas. Transformar los datos para que tengan un formato consistente y compatible. Utilizar claves compuestas para las tablas de hechos. Eliminar las claves ajenas para evitar relaciones innecesarias.

En un modelo estrella, las claves primarias de las tablas de dimensión deben ser necesariamente claves naturales. V. F.

La granularidad más fina en una tabla de hechos reduce la dimensionalidad, pero mejora la velocidad de las consultas. V. F.

Una medida no aditiva no se puede sumar en ninguna dimensión y siempre requiere cálculos derivados para ser analizada. V. F.

En un modelo en Copo de Nieve, es posible tener múltiples jerarquías dentro de una misma dimensión. V. F.

En un modelo dimensional, ¿cuál de las siguientes NO es una consideración clave al determinar la granularidad de los datos?. El tamaño esperado de las tablas de hechos. La frecuencia de actualización de los datos. La estructura jerárquica de las dimensiones. Los requisitos de las consultas analíticas.

¿Qué técnica podría emplearse para reducir el impacto en el rendimiento de las consultas en un modelo Copo de Nieve?. Crear claves compuestas en todas las tablas de hechos. Normalizar las tablas de dimensión adicionalmente. Materializar vistas predefinidas con datos agregados. Utilizar claves naturales en lugar de claves sustitutas.

En una tabla de hechos, ¿qué características son esenciales para medir el rendimiento de un negocio?. Tener medidas aditivas y dimensiones degeneradas. Contar con claves ajenas y medidas derivadas. Disponer de métricas numéricas básicas y medidas aditivas. Contener datos históricos y métricas semiaditivas.

¿Cuál es una ventaja específica de usar un modelo estrella sobre un modelo Copo de Nieve?. Mejor capacidad para manejar cambios en las jerarquías dimensionales. Reducción del almacenamiento requerido. Mayor rendimiento en consultas analíticas debido a la reducción de joins. Mejor comprensión de los datos por parte de los administradores de bases de datos.