SóProvas



Questões de Banco de Dados Multidimensionais


ID
5401
Banca
CESGRANRIO
Órgão
Petrobras
Ano
2006
Provas
Disciplina
Banco de Dados
Assuntos

Qual das opções abaixo apresenta somente serviços de middleware?

Alternativas
Comentários
  • Middleware ou mediador, no campo de computação distribuída, é um programa de computador que faz a mediação entre outros softwares. É utilizado para mover informações entre programas ocultando do programador diferenças de protocolos de comunicação, plataformas e dependências do sistema operacional.

    Fonte: Wikipedia - http://pt.wikipedia.org/wiki/Middleware
  • Um Servidor de Aplicações (em inglês Applications Server), é um servidor que disponibiliza um ambiente para a instalação e execução de certas aplicações, centralizando e dispensando a instalação nos computadores clientes. Os servidores de aplicação também são conhecidos por middleware.

    fonte: wikipedia.

  • Alguem por favor pode explicar se é ou não middleware?

    Olha o texto

    Para permitir que os servidores sejam acessados por diferentes clientes, diversos sistemas padronizados de RPC foram criados. A maioria deles usa uma linguagem de descrição de interface (IDL) para que diferentes plataformas possam chamar procedimentos. Fazendo uso de uma ferramenta como o RPCGEN, pode-se gerar interfaces entre cliente e servidor a partir de um arquivo IDL, os chamados stubs. Como os stubs são embarcados nas aplicações cliente e servidora, a RPC não é uma camada de middleware.[1]

    http://forum.guiadohacker.com.br/showthread.php?t=4323

     


ID
5449
Banca
CESGRANRIO
Órgão
Petrobras
Ano
2006
Provas
Disciplina
Banco de Dados
Assuntos

Sobre o processo de modelagem multidimensional, assinale a afirmação INCORRETA.

Alternativas
Comentários
  • a) Busca-se obter um modelo que possibilite a realização, pelos usuários, de grandes quantidades de operações de atualização recuperação dos dados.

    Na realidade, este tipo de banco de dados é estruturado de tal forma a facilitar a recuperação (leitura) das informações. O principal objetivo destes bancos é o de prover uma estrutura favorável à análise dos dados. Diferentemente de bancos de dados transacionais, bancos multidimensionais são classificados como bancos de dados não-voláteis. Isso, pois as operações de atualização do banco (updates, inserts, deletes, etc) não são feitas on-line.

ID
8239
Banca
ESAF
Órgão
Receita Federal
Ano
2005
Provas
Disciplina
Banco de Dados
Assuntos

Analise as seguintes afirmações relacionadas a modelagem de dados e a projeto de banco de dados multidimensional:

I. O modelo multidimensional representa os dados como uma matriz na qual cada dimensão é um tema ou assunto do negócio que será objeto da análise. É uma técnica particularmente útil para inspeção, sumarização e arranjo de dados para facilitar a sua análise.

II. O modelo entidade-relacionamento é o "coração" do modelo multidimensional.

III. Na modelagem multidimensional, os relacionamentos são conseqüência da existência de "fatos" como intersecção de diversas "dimensões". Por exemplo, se há vendas para o cliente 499, do produto 10455, então o relacionamento entre cliente e produto está estabelecido.

IV. Por ser um sistema de consulta, o modelo multidimensional representa os dados estáticos, de forma que o tempo é uma variável que nunca será considerada como uma de suas dimensões.

Indique a opção que contenha todas as afirmações verdadeiras.

Alternativas
Comentários
  • I - CORRETO. No modelo multidimensional a representação matricial deste é adequada. Existe a tabela de dimensões que denotam um tema ou assunto do negócio e a tabela de fatos que é o objeto de análise.II - ERRADO. O coração é formado por fatos e dimensões. E nem todo o modelo multimensional é relacional, somente o ROLAP.III - CORRETO. Da tabela de fatos extraimos as dimensões desejadas.IV - ERRADO. De fato são dados estáticos, mas o tempo é uma variável que é uma dimensão.

ID
27655
Banca
CESGRANRIO
Órgão
Petrobras
Ano
2004
Provas
Disciplina
Banco de Dados
Assuntos

Considerando os modelos multidimensionais de bancos de dados de sistemas de informações gerenciais e modelos relacionais utilizados em sistemas operacionais, é correto afirmar que:

Alternativas
Comentários
  • Bancos multidimensionais são datawarehouses, voltados para atender nivel gerencial e tático, e apresentam grande quantidade de dados sumarizados e não muito sujeitos a atualizações
  • Comparação entre sistemas transacionais e analíticos.

    Característica
    Sistemas Transacionais(OLTP)
    Sistemas Analíticos(OLAP)
     
     
    OPERACIONAL
    ESTRATÉGICO
     
    INCLUSÃO/ALTERAÇÃO / EXCLUSÃO - CARGA/EXTRAÍ
    ANALISA/CONSULTA
     
    MILHARES DE USUARIOS
    CENTENAS DE USUARIOS
     
    ESTRUTURA ESTATICA
    ESTRUTURA DINAMICA
     
    APOIO A OPERAÇÃO
    BD OPERACIONAL
    APLICAÇÃO NO NEGOCIO, O QUE DÁ SUPORTE NO DIA DIA (SAD) APOIO A DECISÃO
    Atualizações
    Mais freqüentes
    Menos freqüentes
    Tipo de Informação
    Detalhes
    Agrupamento
    Quantidade de Dados
    Poucos
    Muitos
    Precisão
    Dados atuais
    Dados históricos
    Complexidade
    Baixa
    Alta
    Consistência
    Microscópica
    Global
    Exemplos
    CRM, ERP, Supply Chain
    MIS, DSS, EIS
    Terminologia
    Linhas e Colunas
    Dimensões, Medidas e Fatos
  • a) ERRADA: A visão é DETALHADA, PLANO RELACIONAL [flat relacional] em BD Operacionais... JÁ NOS MULTIDIMENSIONAIS, a visão é SUMARIZADA, CONSOLIDADA

    b) ERRADA: Como essa é a mais complicada, cito aqui um trecho do livro utilizado: "BD tradicionais fazem transações online de forma `query-driven approach` QUE REQUER FILTRAGEM COMPLEXA DE INFORMAÇÕES POIS INTEGRA DIVERSOS BANCOS. Já os Multidimensionais, usam `update-driven approach` EM QUE OS DADOS ESTÃO PREVIAMENTE ARMAZENADOS EM UM MESMO LOCAL.

    A questão B está preocupada com TRANSAÇÕES ON-LINE que basicamente se preocupam com a extração de dados para fins de planejamento. Em uma empresa, geralmente se tem um Market, RH,... cada uma tem seu BD separado. Um BD Tradicional tem que realizar operações complexas para juntar todos esses dados armazenados em separado. Já um Multidimensional [Data Warehouse, por exemplo] junta toda essa informação, limpa, trata e deixa ela muito mais fácil de extrair informaçÕes. POR ISSO, ESTA QUESTÃO ESTÁ ERRADA QUANDO DIZ QUE OS ESQUEMAS SÃO MAIS COMPLEXOS NOS SISTEMAS DE TRANSAÇÕES ONLINE EM MULTIDIMENSIONAIS.

    c) CORRETO: 

    d) ERRADO: Nos BD Operacionais, os dados são CORRENTES, ATUALIZADOS. Nos Multidimensionais, são HISTÓRICOS, MANTIDOS PRECISAMENTE NO DECORRER DO TEMPO

    e) ERRADO: Atualização é feita nos bancos operacionais [como os relacionais] a TODO MOMENTO. Já nos DataWarehouses é PROGRAMADA, PERIÓDICA.

ID
43615
Banca
CESGRANRIO
Órgão
Petrobras
Ano
2008
Provas
Disciplina
Banco de Dados
Assuntos

Em um banco de dados multidimensional, os dados estão conceitualmente armazenados e organizados em

Alternativas
Comentários
  • Estruturas de dados multidimensional podem apresentar seus dados para uma aplicação usando dois tipos de cubos: Hipercubos e Multicubos. Apesar de utilizar o termo cubo, que dá a impressão de trabalhar com apenas três dimensões, qualquer uma das duas arquiteturas pode trabalhar com diversas dimensões.Para se aprofundar:http://www.batebyte.pr.gov.br/modules/conteudo/conteudo.php?conteudo=1732
  • Apesar das visões dos BDs multidimensionais serem representadas por cubos e hibercubos, o que faz alternativa "B" como correta, discordo dos conceitos de cubo e hipercubo apresenados pelo colega Bruno.

    A visualização do modelo multidimensional pode ser representada:

    Uma visão multidimensional é usualmente representada por um cubo. Adequado à visualização de até 3 dimensões. Análise tridimensional é bastante utilizada. Enquanto que hipercubo é um "cubo" com mais de 3 dimensões.

    Espero ter ajudado!


ID
43681
Banca
CESGRANRIO
Órgão
Petrobras
Ano
2008
Provas
Disciplina
Banco de Dados
Assuntos

O agrupamento de diversas dimensões correspondentes a indicadores com baixa cardinalidade, gerando uma dimensão abstrata, de forma a retirar os indicadores da tabela fato, mas preservando a possibilidade de seu uso em consultas, constitui a

Alternativas
Comentários
  • Minidimensões: Subconjuntos de uma dimensão grande, como Cliente, que são quebrados em dimensões artificiais menores para controlar o crescimento explosivo de uma dimensão grande, com mudança rápida. Os atributos demográficos continuamente mutáveis de um cliente são frequentemente modelados como uma minidimensão separada.Dimensões com “Outrigger”: Solução normalizada (snow flake) para conjuntos de atributos de baixa cardinalidade em dimensões grandes, como Cliente. A economia de espaço vale a pena porque a dimensão é grande, e a carga de dados é separada do restante da dimensão porque os dados provêm de fontes externas diferentes.Dimensão lixo ou sucata (junk dimension): Uma dimensão abstrata com a decodificação de um grupo de flags e indicadores de baixa cardinalidade, portanto removendo os flags da tabela de fatos.Role Playing Dimensions: A situação onde uma mesma dimensão aparece várias vezes na mesma tabela de fatos. Cada um dos papéis da dimensão é representado por uma tabela lógica separada com nomes de coluna únicos através de visões.Campo de bits: referente a um recurso na linguagem C com aplicação principal em trabalhar com valores distintos empacotados num registro de hardware (Ex.: posições de I/O)fonte: http://www.uniriotec.br/~tanaka/SAIN
  • Dimensões LIxo (Junk)

    Está relacionado com a definição de dimensões para campos com certas características diferenciadas como tag, valores binários  ou campos de baixa cardinalidade.

    Ex: campos sexo(M,F), estado civil (Solteiro, Casado, Desquitado), tag de contribuinte (Sim, Não), tipo de servidor(Estadual, Federal).

     

    Fonte: BI2 Modelagem e qualidade - Barbieri

  • Quando estamos falando da criação de uma dimensão com vários indicadores de baixa cardinalidade, automaticamente devemos pensar em junk dimensions, ou seja, dimensões lixo ou sucata. Essas dimensões permitem utilizar os indicadores para realizar filtragens e consultas à base de dados analítica, mas simplificam o modelo ao permitir a diminuição da quantidade de dimensões distintas.


ID
118843
Banca
FCC
Órgão
TRT - 20ª REGIÃO (SE)
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

São modelos fortemente associados à estrutura de um banco de dados multidimensional:

Alternativas
Comentários
  • Resposta Correta Letra "C"
    Devido:
    Modelo Estrela = Starchema ( Todas as dimensões relacionan-se diretamente com o fato)
    Modelo Flocos de Neve = Snowflake ( Visa Normalizar o banco, esse modelo fica mais complicado analista entender (Dimensões Auxiliares)
  • STAR SCHEMA (Esquema estrela)

    Abordagem que não recomenda a normalização das tabelas dimensão.

    Mais recomendável e tem maior desempenho;

    É a estrutura básica de um modelo de dados multidimensional.

    Possui uma grande entidade central denominada fato.

    Possui relacionamento 1:N (uma para muitos) o sentido da dimensão para o fato.

    SNOWFLAKE SCHEMA (Esquema de flocos de neve) 

    Abordagem que recomenda a normalização das tabelas dimensão.

    Possui dimensões normalizadas;

    É mais lento devido a normalização.

    É o resultado da decomposição de uma ou mais dimensões que possuem hierarquias entre seus membros.

    Cada dimensão se divide em várias outras subdimensões.

    Alternativa: C


ID
121708
Banca
CESPE / CEBRASPE
Órgão
Banco da Amazônia
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Além das ferramentas para gerenciamento de banco de dados,
várias outras ferramentas de software atuam como front ends para
gerenciadores de bancos de dados, como geradores de relatórios,
geradores de consultas, geradores de formulários de entrada de
dados, ferramentas de modelagem e de dicionário de dados, de
engenharia reversa, de data warehousing, de benchmarking, de
auditoria, de recuperação de dados, entre outras. Considerando os
conceitos relacionados a essas ferramentas, julgue os itens
seguintes.

Ferramentas do tipo ROLAP apresentam maior nível de multidimensionalidade e latência mais elevada no acesso aos dados que as do tipo MOLAP.

Alternativas
Comentários
  • É justamente o contrário:

    ROLAP
    Vant: Escalável. Desvant: LENTIDÃO
    *Multidimencionais - Cubo de dimensões Ex:. MOLAP
    Vant: Alta performance, faz calculos complexos. Desvant: CARO

  • Com ROLAP pode-se "simular"  multidimensionalidade através de seus relacionamentos.
    O modelo multidimensional é o MOLAP.
    Por isso está errado dizer que o ROLAP possui mais multidimensionalidade que o MOLAP.
    Quanto a latência está correto. O ROLAP é mais lento que o MOLAP, na maioria das vezes necessita acessar mais linhas que o MOLAP para chegar ao mesmo resultado.
  • MOLAP

    - Armazenamento dos dados em cubos dimensionais e em formato proprietário;
    - Execução de cálculos complexos;
    - Investimentos altos;
    - Alto desempenho;
    - Baixa escalabilidade.
    ROLAP
    - Pode alavancar as funcionalidades inerentes do BD relacional;
    - Limitado pelas funcionalidades SQL;
    - Baixo desempenho;
    - Alta escalabilidade.

  • Resumo básico:

    ROLAP (Relational OLAP)

    • OLAP supported on top of a relational database.

    MOLAP (Multi-Dimensional OLAP)

    • Use of special multi-dimensional data structures

    HOLAP: (Hybrid)

    • combination of previous two


  • A arquitetura OLAP possui 5 ferramentas que são classificadas em cinco tipos que são: 

    - ROLAP - RELACIONAL utiliza tecnologia de BD RELACIONAL para armazenar seus dados e suas consultas também são processadas pelo gerenciador de banco de dados relacional(escalabilidade, flexibilidade e padronização); é mais indicado para DATA WAREHOUSE pelo grande volume de dados

    - MOLAP – MULTIDIMENSIONAIS manipulando os dados diretamente no servidor, tendo ganho desempenho. É mais indicado para DATA MARTS dados são mais específicos (Cubo de dados)

    - HOLAP - HÍBRIDO é a combinação entre ROLAP (escalabilidade, flexibilidade e padronização) e MOLAP (desempenho); è (ROMA)

    - DOLAP - DESKTOP Permitem análises específicas em BD individuais instalados em computadores pessoais. 

    - WOLAP - Web disparam uma consulta via navegador Web para o servidor, que retorna um cubo olap para ser analisado pelo usuário;

    - SOLAP – Integração entre ferramenta que utiliza informações geográficas( como o GIS) e OLAP

  • ROLAP (Relational On Line Analytical Processing)

    MOLAP (Multidimensional On Line Analytical Processing)

  • MOLAP = BD MULTIDIMENSIONAL;

    ROLAP = BD RELACIONAL.

  • Ferramentas do tipo ROLAP apresentam MENOR nível de multidimensionalidade e latência mais elevada (Processamento é mais lento) no acesso aos dados que as do tipo MOLAP.

    Gabarito: ERRADO


ID
142081
Banca
CESPE / CEBRASPE
Órgão
TRE-MT
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Com relação aos conceitos de modelagem dimensional, assinale a opção correta.

Alternativas
Comentários
  • Galera vou tentar encontrar os erros alguém poderia confirmar se é isso mesmo.


    • b) A abordagem de Inmon consolida todas as informações de uma empresa em um repositório central chamado data warehouse corporativo. Essa abordagem é caracterizada por um projeto na terceira forma normal, no qual os dados são consultados diretamente por aplicativos de data warehouse.
         DW não é normalizado. 

    • c) Na abordagem de Kimball, os data marts são adaptados às necessidades e pontos de vista de um grupo de negócios específico, suportando a modelagem dimensional, e são consultados por aplicativos de data warehouse.
    • DM devem ser padronizados de uma forma genérica para facilitar a integração dos mesmos no futuro. 
    • d) A abordagem de data marts autônomos tem foco empresarial e atende às necessidades dentro de uma área de assunto. Seu desenvolvimento necessita explorar o uso de elementos de dados comuns em toda a empresa.
    • DM autônomo tem foco individual e não empresarial, ou seja lida apenas com os dados comuns a uma área de assunto. 
    • e) Se, em um sistema transacional usando-se um esquema estrela, um cliente, identificado por Codigo_do_cliente 1010, modificar o seu endereço da empresa sede, então, para fins analíticos, não será possível acompanhar a história de endereços desse cliente, pois, nessa abordagem, depende-se de Codigo_do_cliente para identificar uma linha exclusiva na dimensão cliente, de tal forma que não é possível armazenar várias versões do cliente.

    • Primeiro é muito estranho falar em sistema transacional usando-se um esquema estrela, deveria ser sistema analítico. 
    • Em um sistema analítico é possível acompanhar a história de um cliente. 
  • Muito estranha essa questão. A letra A é o gabarito mas fiquei na dúvida. Kimball trata de bottom-up, começando com a implementação dos DM locais para uma posterior integração ao DW central. Quando ele fala em "todos os dados de uma empresa são reunidos em um repositório central" parece que não há DM, o que é um erro. Muitas vezes o processo de implementação para nos DM locais, não havendo a integração ao DW central por diversos motivos. Ou seja, ter DM é um certeza, DW não.

     

    Quanto à letra b, creio que o erro não é a terceira forma normal (3NF) porque de fato é o que acontece. Seguem fontes. No entanto parece-me que o Cespe considera DW desnormalizado e pronto.

     

     

    http://blog.westmonroepartners.com/data-warehouse-architecture-inmon-cif-kimball-dimensional-or-linstedt-data-vault/

    https://bennyaustin.wordpress.com/2010/05/02/kimball-and-inmon-dw-models/

    https://social.technet.microsoft.com/Forums/en-US/7bf4ca30-a1bc-415d-97e6-ce0ac3137b53/normalized-3nf-vs-denormalizedstar-schema-data-warehouse-?forum=sqldatawarehousing

    http://www.jamesserra.com/archive/2012/03/data-warehouse-architecture-kimball-and-inmon-methodologies/

     

  • Forçou muito a barra na letra A. Se for assim Inmon caberia também nessa descrição. 

  • Thiago sua justificativa de erro para a C está indo de encontro ao q vc diz n D, concordo com os amigos q a questão é estranha em sua essência... Muito mal feita...

     

  • Comentários: (a) Correto. Kimball trata de um repositório central dimensional direcionado e acessível aos usuários finais; (b) Errado. Nessa abordagem, os aplicativos consultam diretamente Data Marts e, não, o Data Warehouse; (c) Errado. Nessa abordagem, os aplicativos consultam diretamente o Data Warehouse e, não, os Data Marts; (d) Errado. Tem foco departamental e, não, empresarial. Ademais, Data Marts exploram o uso de elementos de dados individuais e, não, comuns

    (Letra A).

  • "Na abordagem utilizada por Kimball, todos os dados de uma empresa são reunidos em um repositório central..."

    Até onde sei, não são todos os dados de uma empresa que são extraídos dos sistemas transacionais e carregados no DW.

  • GABARITO A!

    .

    .

    NO MODELO PROPOSTO POR KIMBALL, ADOTA-SE A TÉCNICA BOTTOM-UP, OU SEJA, CONSTROI-SE OS DATA MARTS, E DEPOIS ESTES CARACTERIZAM O DATA WAREHOUSE INTEIRO; JÁ NO MODELO PROPOSTO POR INMON, ADOTA-SE A TÉCNICA TOP-DOWN, ISTO É, PRIMEIRO CONSTROI-SE O DATA WAREHOUSE, E DEPOIS O SUBDIVIDE EM DIVERSOS DATA MARTS.

  • ERRO DA LETRA C (redação um pouco confusa, mas vamos ao erro):

    Na abordagem de Kimball, os data marts são adaptados às necessidades e pontos de vista de um grupo de negócios específico, suportando a modelagem dimensional, e são consultados por aplicativos de data warehouse.

    ERRADO, na abordagem de Kimball os Data Marts não são consultados, os Data Warehouses é que são (a consulta é realizada no Data Warehouse, e não no Data Mart).


ID
142192
Banca
CESGRANRIO
Órgão
BNDES
Ano
2009
Provas
Disciplina
Banco de Dados
Assuntos

Considere as proposições abaixo, a respeito de Bancos de Dados.

I - Uma das técnicas para armazenamento de dados dimensionais é a organização de tabelas, segundo o Esquema Estrela. Em bases de dados, que atendem a esse esquema, podem-se encontrar tabelas que não atendam à Terceira Forma Normal.
II - Bases de dados de apoio à tomada de decisão armazenam grande quantidade de dados. Por isso, não é recomendável a criação de índices em tais bases de dados.
III - Em gerenciadores de bancos de dados multidimensionais podem ser encontrados operadores que permitem percorrer hierarquias existentes. Dentre tais operadores estão o de Drill Down e o de Drill Up.
IV - O procedimento de Extração, Transformação e Carga (também conhecido por ETL) é um dos processos realizados em ambientes de depósitos de dados (data warehouse). Nesse contexto, a Extração se refere à tarefa de retirada de dados do data warehouse (visando a reduzir os dados antigos); a Transformação se refere ao processo de compactação de dados, e a Carga se refere à tarefa de inclusão de novos dados no data warehouse.
V - Uma das características de bases de dados de apoio à tomada de decisão é a necessidade de armazenarem dados que refletem sempre a situação atual do assunto que representam. Nesse tipo de base de dados, quaisquer informações que não sejam atuais podem ser descartadas, pois não auxiliam em uma boa tomada de decisão.

Estão corretas APENAS as afirmativas

Alternativas
Comentários
  •   I - Uma das técnicas para armazenamento de dados dimensionais é a organização de tabelas, segundo o Esquema Estrela. Em bases de dados, que atendem a esse esquema, podem-se encontrar tabelas que não atendam à Terceira Forma Normal.

    - Correto

    II - Bases de dados de apoio à tomada de decisão armazenam grande quantidade de dados. Por isso, não é recomendável a criação de índices em tais bases de dados.
    - A criação de índices seria uma melhoria dada a quantidade muito grande de dados

    III - Em gerenciadores de bancos de dados multidimensionais podem ser encontrados operadores que permitem percorrer hierarquias existentes. Dentre tais operadores estão o de Drill Down e o de Drill Up.
    - Correto, Drill Up também é conhecido como Roll Up

    IV - O procedimento de Extração, Transformação e Carga (também conhecido por ETL) é um dos processos realizados em ambientes de depósitos de dados (data warehouse). Nesse contexto, a Extração se refere à tarefa de retirada de dados do data warehouse (visando a reduzir os dados antigos); a Transformação se refere ao processo de compactação de dados, e a Carga se refere à tarefa de inclusão de novos dados no data warehouse.
    - O conceito de ETL está associado a criação de um data warehouse. A extração é feita em diversas bases, logo após a transformação irá padronizar os dados que por último serão carregados no data warehouse.

    V - Uma das características de bases de dados de apoio à tomada de decisão é a necessidade de armazenarem dados que refletem sempre a situação atual do assunto que representam. Nesse tipo de base de dados, quaisquer informações que não sejam atuais podem ser descartadas, pois não auxiliam em uma boa tomada de decisão.
    - Bases de dados que estão relacionada a tomada de decisão estão diretamente relacionadas com dados históricos e não com dados extremamente atuais, pois para uma boa tomada de decisão é preciso principalmente de dados que mostrem como a organização se comportou durante um determinado tempo.


ID
144637
Banca
CESPE / CEBRASPE
Órgão
SECONT-ES
Ano
2009
Provas
Disciplina
Banco de Dados
Assuntos

Julgue os itens a seguir, a respeito de sistemas de suporte a
decisão.

Em um esquema multidimensional estrela, os dados dimensionais podem ser indexados para tuplas na tabela de fatos por meio da indexação de junções, que consiste em uma técnica em que é construído um vetor de bits para cada valor em uma coluna (domínio) que está sendo indexada. Essa técnica é indicada para domínios com baixa cardinalidade.

Alternativas
Comentários
  • Segundo Navathe, os índices de junção são índices tradicionais. Outro tipo de índice é o índice bitmap que consiste em um vetor de bits para cada valor em um domínio.

  • Correto o comentário anterior (Navathe 4 Ed. Página 652)
    Na questão ele mistura os conceitos de:
    Indexação de junções que são os indices tradicionais para manutenção do relacionamento entre os valores da chave primária e da chave estrangeira (no DW eles relacionam os valores de dimensão de um esquema estrela às linhas da tabela de fato).
    Com a:
    Indexação de bitmap que é uma técnica para dar suporte ao acesso de alto desempenho nos DW.   
  • A questão peca porque a técnica abordada refere-se ao índice de bitmap, como bem disseram os colegas! O outro erro da questão é dizer "Essa técnica é indicada para domínios com baixa cardinalidade", pois ela é útil para domínio com ALTA cardinalidade, quando há muitos valores de uma dos domínios e é útil usar um vetor de bits de forma programática.

    Espero ter ajudado!
  • Sobre a cardinalidade e índice:

    http://www.fabioprado.net/2011/07/otimizando-consultas-com-indices-bitmap.html

    O índice bitmap é um tipo de índice que foi introduzido no Oracle Database 7 e que pode ser utilizado para otimizar consultas que utilizam como filtro de dados, colunas que possuem baixa cardinalidade, ou seja, colunas que possuem pouca variação de valores nas linhas de uma tabela. Ao criar um índice bitmap em uma coluna, o Oracle monta um mapa de bits para todas as linhas da tabela, contendo todos os valores possíveis para a coluna. Para cada linha há uma mapa de todos os valores possíveis da coluna indexada. O Oracle grava um bit 1 onde o valor existe em uma determinada linha e 0 para os valores que não existem nesta linha.

  • descreveu bitmap.

    index de junção são pares {keyA,keyB}


ID
147364
Banca
FCC
Órgão
SEFAZ-SP
Ano
2009
Provas
Disciplina
Banco de Dados
Assuntos

Em um banco de dados multidimensional, considere, por exemplo, que os dados podem ser representados como um array de três dimensões, correspondendo a produtos, clientes e períodos de tempo. Dessa forma, um determinado valor individual em uma célula pode representar a quantidade de um produto vendido a um cliente em um dado momento. De acordo com essa consideração,

Alternativas
Comentários
  • Gabarito C
    Produto, Cliente e Período existem independete de quantidade.
    MAs, a quantidade depende da existência das demais para existir. Quantidade de quê? De Produto, de Clientes num determinado Tempo (Período).

ID
150376
Banca
FCC
Órgão
TJ-PA
Ano
2009
Provas
Disciplina
Banco de Dados
Assuntos

No contexto das consultas a bancos de dados de esquema em estrela e supondo que os acessos a tabelas de dimensões e o acesso subsequente à tabela de fatos estejam todos incorporados em uma mesma consulta, é mais adequado o uso de junção em estrela que é uma estratégia específica de implementação de junção, a qual difere das demais estratégias pelo fato de começar deliberadamente pelo cálculo

Alternativas
Comentários

ID
150379
Banca
FCC
Órgão
TJ-PA
Ano
2009
Provas
Disciplina
Banco de Dados
Assuntos

Para atender a modelagem de bancos multidimensionais, a cláusula GROUP BY admite (padrão SQL:1999) as opções

Alternativas
Comentários
  • The ROLLUP, CUBE, and GROUPING SETS operators are extensions of the GROUP BY clause. The ROLLUP, CUBE, or GROUPING SETS operators can generate the same result set as when you use UNION ALL to combine single grouping queries; however, using one of the GROUP BY operators is usually more efficient.
  • É o seguinte..

    - Os operadores GROUPING SETS, ROLLUP e CUBE são uma extensão de GROUP BY.
    Exemplo:
    "GROUP BY ROLLUP (Regiao.Nome,Vendedor.iD);"

    - Além disso eles podem gerar o mesmo conjunto de resultados como ao usar UNION ALL para combinar agrupamentos de consultas individuais..



    Mas se for por eliminação: OLAP aparece em 3 opção (corta elas, o que significa que fica entre C ou D); Letra D temos RollBack e Commit, corta também, pois são distintos de GroupBy.. teremos apenas a letra D.

ID
152515
Banca
CESPE / CEBRASPE
Órgão
TRE-MG
Ano
2009
Provas
Disciplina
Banco de Dados
Assuntos

Assinale a opção correta acerca dos modelos de dados.

Alternativas
Comentários
  • Introdução a sistemas de bancos de dados - 8Ed. -  C. J. Date (pág. 689)
    • Banco de dados lógico: (expressão não recomendada.) Sinônimo para banco de dados dedutivo.

    • SGBD dedutivo: um SGBD que admite a visão de bancos de dados segundo a teoria da prova e, em particular, é capaz de deduzir informações adicionais a partir do banco de dados extensional, aplicando regras inferenciais (isto é, dedutivas) que estão armazenadas no banco de dados intensional. Um SGBD dedutivo quase certamente admitirá regras recursivas e, portanto, executará o processamento de consultas recursivas. 

    • Banco de dados dedutivo: (expressão não recomendada). Um banco de dados gerenciado por um SGBD dedutivo.

    • Banco de dados lógico: (expressão não recomendada.) Sinônimo para banco de dados dedutivo.
  • a) ERRADO. Um banco de dados multidimensional não armazena os dados como registros em tabelas, mas sim em arrays multidimensionais, possuindo um número fixo de dimensões.

    c) ERRADO. No modelo relacional, enquanto os objetos permitem a modelagem da estrutura de dados, os operadores permitem modelar o comportamento dos dados.

    d) ERRADO. O modelo relacional é caracterizado por apresentar relações lógicas ou matematicas

    e) ERRADO. A abordagem semiestruturada de bancos de dados adveio da necessidade de se estruturar dados de maneira hierárquica.


ID
171718
Banca
CESPE / CEBRASPE
Órgão
Banco da Amazônia
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Os data warehouses são sistemas computacionais que armazenam
os dados corporativos de forma consolidada, disponibilizando
informações com maior eficiência, consistência e segurança para a
tomada de decisão dos gestores. Acerca dos data warehouses,
julgue os itens que se seguem.

Por fazerem uso de um processo de modelagem dimensional, os data warehouses não podem ser instalados em sistemas de banco de dados relacionais.

Alternativas
Comentários
  •  O DW pode ser implementado em um OLAP multidimensional ou em um OLAP relacional, o primeiro é implementado como uma matriz esparsa multidimensional, o segundo é implementado diretamente em um banco de dados relacional.

  • Olá pessoal, não tenho muito bem definido a diferença entre OLAP e DW, mas acho que existe.  Para mim, o erro não está em dizer que existe a arquitetura ROLAP para DW, pois são duas tecnologias/aplicações diferentes (OLAP e DW). O erro está em saber que a modelagem dimensional utilizada em DW pode ser implementadas em BDs relacionais.  Alguém saberia dizer se esse entendimento está correto????
  • Relational On Line Analytical Processing - ROLAP deriva-se de OLAP, são ferramentas que disparam uma consulta para o servidor de banco de dados e processado lá mesmo. ROLAP (OLAP Relacional)

    Os dados são armazenados de forma relacional.

    ROLAP é mais indicado para DATA WAREHOUSE pelo grande volume de dados, a necessidade de um maior número de funções e diversas regras de negócio a serem aplicadas.
  • ROLAP (Relacional OLAP). ROLAP é uma simulação da tecnologia OLAP feita em banco de dados relacionais que, por utilizar a estrutura relacional, possui a vantagem de não restringir o volume de armazenamento de dados. As ferramentas OLAP relacionais também não utilizam os cubos pré-calculados como ocorre no MOLAP. À medida que o usuário monta sua consulta em uma interface gráfica, a ferramenta acessa os metadados ou quaisquer outros recursos que possua, para gerar um consulta em SQL. Suas principais características são a possibilidade de fazer qualquer consulta, visto que não se está limitado ao conteúdo de um “cubo” e a capacidade de navegar nos dados até atingir o nível de detalhe mais baixo, ou seja, de menor granularidade. Assim, as ferramentas ROLAP atendem melhor usuários que não têm um escopo de análise bem definido. A principal vantagem de se adotar uma ferramenta ROLAP é a utilização de uma tecnologia estabelecida, de arquitetura aberta e padronizada, beneficiando-se da diversidade de plataformas, escalabilidade e paralelismo de hardware. Quanto às limitações, temos o pobre conjunto de funções para análises dimensionais e o baixo desempenho da linguagem SQL na execução de consultas pesadas.
    As ferramentas front-end permitem efetuar requisições multidimensionais, mas o programa de ROLAP transforma estas consultas em rotinas SQL.

    Diante do exposto, conclui-se que é possível utilizar um DW em um BD Relacional.
    Alternativa: Errada
  • nishimura vive!

  • Data Warehouses podem ser implementados tanto em bancos de dados multidimensionais quanto em bancos de dados relacionais. 

  • Comentários:

    Data Warehouses podem ser implementados tanto em bancos de dados multidimensionais quanto em bancos de dados relacionais.

    Gabarito: Errado


ID
171724
Banca
CESPE / CEBRASPE
Órgão
Banco da Amazônia
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Os data warehouses são sistemas computacionais que armazenam
os dados corporativos de forma consolidada, disponibilizando
informações com maior eficiência, consistência e segurança para a
tomada de decisão dos gestores. Acerca dos data warehouses,
julgue os itens que se seguem.

Os atributos da tabela de dimensões possibilitam os recursos de slicing e dicing analíticos.

Alternativas
Comentários
  •  Slice executa uma seleção sobre uma dimensão do cubo e o dicing define um subcubo.

  •  A questão está correta!

    Os recursos de slicing e dicing, significa fatiar em cubos, e os atributos que definem como irá ser feita essa tarefa está na tabela de dimensões.

     


ID
191809
Banca
CESGRANRIO
Órgão
ELETROBRAS
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Com o objetivo de analisar possíveis falhas no processo de venda de determinado produto, um Gerente de Vendas, ao consultar o banco multidimensional de seu departamento, identifica um valor abaixo da média no mês de maio de 2010, na região Sudeste, relativo ao produto. Sabendo que a dimensão "Região" está construída de forma a mostrar os dados desde o nível nacional até o nível município, para encontrar a cidade que seja o foco da queda de vendas nessa região, o Gerente de Vendas deverá efetuar sobre a dimensão Região a operação de

Alternativas
Comentários
  • Resposta CORRETA letra D

    Drill Across: se refere às navegações realizadas nas tabelas de dimensão, onde as consultas passam de um nível para o outro sem passar pelos níveis intermediários.

    Drill Down: ocorre quando o usuário aumenta o nível de detalhe da informação, diminuindo a granularidade.

    Drill Up: é o contrário do Drill Down, ocorre quando o usuário aumenta a granularidade, diminuindo o nível de detalhamento da informação.

    Drill Through: ocorre quando se deseja uma informação em um nível de detalhe menor do que o apresentado pelas tabelas de fato. Ou seja, é a operação que busca a informação além do nível de granularidade existente na estrutura dimensional.

    Slice and Dice: serve para modificar a posição de uma informação de maneira a facilitar a compreensão dos usuários. Efetua uma filtragem dos dados para especializar as consultas.

    Através de um processo chamado Drill o usuário pode aumentar (Drill down) ou diminuir (Drill up) o nível de detalhamento dos dados. Por exemplo, se um relatório estiver consolidado por países, fazendo um Drill down, os dados passarão a ser apresentados por Estados, cidades, bairros e assim sucessivamente até o maior nível de detalhamento possível. O processo contrário, o Drill up, faz com que os dados sejam consolidados em níveis superiores de informação. Drill Down deverá ser o método utilizada pelo gerente para chegar ao detelhamento desejado para encontrar a cidade que seja o foco da queda de vendas.
     

     

  • * Técnicas de OLAP

    Drill Down: é a possibilidade de poder obter dados mais detalhados a partir de dados de mais alto nível, através de diferentes dimensões. Em outras palavras, drill down nada mais é do que aumentar o nível de detalhes de uma consulta ou relatório, adicionando-lhes novas linhas de cabeçalho provenientes de tabelas dimensão. Por exemplo, uma tela de um computador pode mostrar um mapa com figuras de Estados. Clicando com o mouse sobre um determinado Estado, poderia ser apresentado às vendas em cada região e clicando-se sobre uma determinada região seria possível verificar o desempenho dos vendedores.

    Drill up ou roll up: é o inverso de drill down, ou seja, é apresentar os dados em um nível mais elevado a partir de um nível mais detalhado

    Slice: compreende a extração de informações sumarizadas de um cubo de dados, a partir do valor de uma dimensão.

    Dice: é a extração de um "subcubo" ou a interseção de vários slices.

    Pivot: é o ângulo pelo qual os dados são vistos ou trocados. Na prática corresponde a modificação da posição das dimensões em um gráfico ou troca de linhas por colunas em uma tabela.

    Fonte: paginas.ucpel.tche.br/~loh/dwh.htm

     

  • Pessoal, 
    se a dimensão é organizada desde o nível nacional até o nível município então a hierarquia seria
    País => Regisão => Estado => Município
    Se eu quero mudar da região SE para o município não deveria pular a hierarquia Estado, de modo que estaria realizando uma operação drill across?
  • Rafael, concordo com voce. Pois de regiao para cidade ainda temos o Estado. Logo a operacao deveria ser drill accros.
  • Rafael e Felipe.

    Não pode ser Drill Across porque o Gerente de Vendas ainda está tentando identificar qual a cidade que teve a queda de vendas, neste momento ele não sabe qual a cidade e em qual Estado ela se encontra, por isso não poderia pular da Região diretamente para a Cidade. Primeiro ele tem que consultar por Estado.

  • Fabiano,

    Tive a mesma duvida que os amigos acima, mas nao eh por isso que ele nao pode usar DRILL ACROSS.

    A questão diz:

    "Sabendo que a dimensão "Região" está construída de forma a mostrar os dados desde o nível nacional até o nível município"

    Ou seja, ele pode SIM chegar até o nivel municipio atraves da dimensao REGIAO, mas acontece que Drill Across é usado quando ha uma hierarquia de dimensoes (modelo snowflake). Neste caso, como esta tudo numa dimensao soh, o correto é o uso do Drill Down.
  • Marcelo, isso não seria Drill through? Que passa de uma dimensão para outra? Acho que nesse caso foi realmente um acidente na questão.
  • Eu tambem errei por nao ter lido a questao no detalhe. Para achar a cidade, primeiro ele precisara encontrar em que estado cairam as vendas, e assim por diante. Logo eh drill down mesmo.
  • Pessoal, cidade e município é a mesma coisa.

    REGIÃO - ESTADO - CIDADE/MUNICÍPIO
    SUDESTE - RIO DE JANEIRO - NITERÓI

    ESTADO: GOVERNADOR
    CIDADE/MUNICIPIO: PREFEITO

     
  • Justamente,
    ele nao sabe qual municipio eh o responsavel pelas quedas, logo, ele não pode pular(drill across) diretamente para aquele municipio. Ele tem q fazer drill down, das menores vendas, na seguinte ordem: nacional -> regional -> estadual -> municipal.
    Ex: regiao responsavel pelas quedas na venda -> estado responsavel pelas quedas nas vendas -> cidade responsavel pelas quedas nas vendas..
    A questao nao menciona isso, mas eh assim q funciona o drill down.
  • Ótimo artigo sobre essas definições duvidosas: http://www.itnerante.com.br/profiles/blogs/artigo-suporte-a-decis-o-02-sobre-as-opera-es-de-olap
  • Drill Across: se refere às navegações realizadas nas tabelas de dimensão, onde as consultas passam de um nível para o outro sem passar pelos níveis intermediários.

     

    Drill Down: ocorre quando o usuário aumenta o nível de detalhe da informação, diminuindo a granularidade.

     

    Drill Up: é o contrário do Drill Down, ocorre quando o usuário aumenta a granularidade, diminuindo o nível de detalhamento da informação.

     

    Drill Through: ocorre quando se deseja uma informação em um nível de detalhe menor do que o apresentado pelas tabelas de fato. Ou seja, é a operação que busca a informação além do nível de granularidade existente na estrutura dimensional.

     

    Slice and Dice: serve para modificar a posição de uma informação de maneira a facilitar a compreensão dos usuários. Efetua uma filtragem dos dados para especializar as consultas.

     

    Através de um processo chamado Drill o usuário pode aumentar (Drill down) ou diminuir (Drill up) o nível de detalhamento dos dados. Por exemplo, se um relatório estiver consolidado por países, fazendo um Drill down, os dados passarão a ser apresentados por Estados, cidades, bairros e assim sucessivamente até o maior nível de detalhamento possível. O processo contrário, o Drill up, faz com que os dados sejam consolidados em níveis superiores de informação. Drill Down deverá ser o método utilizada pelo gerente para chegar ao detelhamento desejado para encontrar a cidade que seja o foco da queda de vendas.

  • "rgr rgr" diz tudo...


ID
191815
Banca
CESGRANRIO
Órgão
ELETROBRAS
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Numa grande multinacional, os dados relativos aos sistemas transacionais são lidos, transformados e carregados para posterior apresentação sob a forma dimensional. O departamento de TI reservou uma área de armazenamento específica às informações lidas e transformadas, denominada staging area. A respeito dessa área de dados, afirma-se que

Alternativas
Comentários
  • (...)Segundo Kimball, a Staging Area é parte do Data Warehouse responsável por receber a extração, transformação e carga (ETL) das informações dos sistemas transacionais legados, para posterior geração dos Data Marts de destino, com as características:

    * A Staging Area é considerada área fora do acesso dos usuários.
    * A Staging Area não deve suportar queries dos Usuários.
    * Ela pode ser composta por flat files (arquivos textos) ou tabelas de banco de dados na terceira forma normal (normalizadas).
     

    Fonte: litolima.wordpress.com/2010/01/13/etl-extracao-transformacao-e-carga-de-dados/

  • Primeiro, vamos à definição de Staging Area(ou ODS), segundo[1]:

    Representa um armazenamento intermediario entre o ambiente operacional e o DW. Nela, os dados são trazidos brutos do ambiente operacional(OLTP) para sofrerem o processo de ETL, e comporem o DW. 

    O ODS pode servir de base para analises do ambiente operativo, pois sua granularidade é normalmente compativel com os sistemas desse ambiente.

    [1] ainda afirma, na pagina 42, q em um primeiro cenario, os dados estao todos dispostos em um ambiente OLTP atual e em producao com as mesmas caracteristicas operacionais da staging area.

    Em um segundo cenario, devemos considerar a existencia de ambientes heterogeneos e com dados em mainframes, por exemplo.

    Neste caso, não podemos trazer os dados no formato original para um banco de dados relacional na staging area, e sim realizar um processo de extração e conversão dos dados do mainframe em flat files.

    Após essa definição, vamos às alternativas:

    a) a staging area armazena os dados exatamente como estão representados no sistema transacional. Errado! Os dados não são exatamente os do ambiente operacional. São compativeis e com as mesmas característica. Além disso, há dados também de servidor de produção, como os flat files gerados pelos mainframes.

    b) as tabelas da staging area não devem sofrer modificações estruturais ao serem carregadas para a presentation area. Errado! Muito pelo contrário. A staging area não eh volatil. Seus dados são armazenados ao longo do tempo e sofre alterações incrementais, podendo, com o decorrer do tempo, se transformar do DW.

    c) os dados aí contidos estão prontos para serem inquiridos para geração de consultas e relatórios gerenciais. Muito errado! Os dados da staging area são dados "sem tratamentos", sujos, com redundâncias que sofrerão um processo de limpeza para integrarem um DW. Por isso, não devem ser usados para consultas e relatorios gerenciais.

    d) os dados, na staging area, podem ser armazenados tanto de forma normalizada como na forma de arquivos flat.

    Correto! A forma normalizada corresponde ao primeiro cenario do comentario acima. E as de arquivo flato, ao segundo cenario.

    e) cada tabela existente na staging area equivale a uma tabela normalizada na presentation area.

    Errada! Usando-se a modelagem dimensional, os dados passam da staging area para a presentation area,  e ficam prontos para serem acessados pelas ferramentas OLAP. Então, da staging area para a presentation area, muita coisa ainda tem q ser feita.

    Fonte:

    [1] Tecnologia e projeto de datawarehouse, 6 Ed., Felipe Neri, editora Etica.

  • "os dados, na staging area, podem ser armazenados tanto de forma normalizada como na forma de arquivos flat." 

    Na boa, eu acho essa afirmação bem estranha. É verdade que em geral um arquivo flat está desnomarlizado, mas isso não é uma regra absuluta..

    Por exemplo,: imagine que um sistema de ETL precise acessar uma base SAP. Mas esse sistema não tem um conector implementato pra acessar diretamente a base SAP. Uma solução muito usada é o proffisiponal SAP criar uma rotina para diariamente disponilizar os arquivos que serão lidos pelos processos ETL. Esse arquivos não precisam ser desnormalizados. Ou seja: dados em arquivos flat não significa que esses dados estarão desnormalizados...


ID
236347
Banca
FCC
Órgão
TCE-SP
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

A mudança de uma hierarquia (orientação) dimensional para outra tem sua realização facilitada em um cubo de dados por meio de uma técnica chamada

Alternativas
Comentários
  • "With an OLAP system, a data analyst can look at different cross-tabs on the same data by interactively selecting the attributes in the cross-tab. Each cross-tab is a two-dimensional view on a multidimensional data cube... Theoperation of changing the dimensions used in a cross-tab is called pivoting."

    Trecho tirado do livro de Silberschartz
  • Mudança de orientação (Pivot ou pivoteamento).


ID
236353
Banca
FCC
Órgão
TCE-SP
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Quando, em um modelo multimensional, o usuário pular um nível intermediário dentro de uma mesma dimensão, como por exemplo, sendo a dimensão tempo composta por ano, semestre, trimestre, mês e dia e o usuário pular de ano para mês, a operação executada corresponde a

Alternativas
Comentários
  • As definições abaixo respondem esta questão e as duas subsequentes.

    Características da Análise OLAP

    Drill Across:  Ocorre quando o usuário pula um nível intermediário dentro de uma mesma dimensão. Por exemplo: a dimensão tempo é composta por ano, semestre, trimestre, mês e dia. O usuário estará executando um Drill Across quando ele passar de ano direto para semestre ou mês.

    Drill Down: Ocorre quando o usuário aumenta o nível de detalhe da informação, diminuindo o grau de granularidade.

    Drill Up: É o contrário do Drill Down, ele ocorre quando o usuário aumenta o grau de granularidade, diminuindo o nível de detalhamento da informação.

    Drill Throught: Ocorre quando o usuário passa de uma informação contida em uma dimensão para uma outra. Por exemplo: Estou na dimensão de tempo e no próximo passo começo a analisar a informação por região.

    Slice And Dice: É uma das principais características de uma ferramenta OLAP. Como a ferramenta OLAP recupera o microcubo, surgiu a necessidade de criar um módulo que se convencionou de Slice and Dice para ficar responsável por trabalhar esta informação. Ele serve para modificar a posição de uma informação, alterar linhas por colunas de maneira a facilitar a compreensão dos usuários e girar o cubo sempre que tiver necessidade.

    Fonte: http://www.coladaweb.com/informatica/olap

  • Aproveitando o maravilhoso comentário do Guilherme Miranda, Ainda destaco o *Pivot*, que é a rotação das dimensões!
  • Drill Across

     

    -Executa uma consulta envolvendo mais de uma tabela fato.

    -Ocorre quando o usuário pula um nível intermediário dentro de uma mesma dimensão.

    -Essa operação exige que os dois cubos tenham pelo menos uma das dimensões em comum.

    -A ideia é você conseguir consultar as múltiplas tabelas fato e colocar o resultado em um único data set.

     

    Fonte: Provas de TI


ID
236356
Banca
FCC
Órgão
TCE-SP
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Quando, em um modelo multimensional, o usuário pular de uma informação contida em uma dimensão para outra como por exemplo, da dimensão tempo para a dimensão região, a operação executada corresponde a

Alternativas
Comentários
  • Drill Across - Que envolve mais de uma tabela de fato. O Drill Across ocorre quando o usuário pula um nível

    intermediário dentro de uma mesma dimensão

    Drill Through - Através do nível inferior do cubo a suas tabelas relacionais back-end. Ocorre quando o usuário passa de

    uma informação contida em uma dimensão para uma outra. Estou no tipo e vou pra regiao p/ ex.


ID
236359
Banca
FCC
Órgão
TCE-SP
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

No modelo multidimensional, significa, de forma simplificada, a redução do escopo dos dados em análise, além de mudar a ordem da dimensões, mudando, desta forma, a orientação segundo a qual os dados são visualizados.

Trata-se de

Alternativas
Comentários
  • Slice and dice: é uma das principais caracteristicas de uma ferramenta OLAP. Modifica a posição de uma informação, troca alinha por coluna de maneira a faciltar a compreensão dos usuários e girar  o cubo sempre que tiver necessidade.
  • Até acertei, por eliminação, mas a mudança entre linhas e colunas não é realizada pela operação Pivot?


ID
260212
Banca
FCC
Órgão
TRT - 4ª REGIÃO (RS)
Ano
2011
Provas
Disciplina
Banco de Dados
Assuntos

Utilizando uma base multidimensional, o usuário passou da análise de informações sob a ótica da dimensão tempo para a visão sob a dimensão regional. A operação OLAP aí realizada foi

Alternativas
Comentários
  • ROLL UP (=DRILL UP) e DRILL DOWN

    ROTAÇÃO (PIVOT)

    SLICE&DICE


    Drill Across: pular de Ano para dia
    Drill throught: estou em ano e passo para modelo (mudo de informação)

    Data Surfing, Slicing: Termos usados pela CESGRANRIO

    http://www.infobras.com.br/portugues/produtos_conceito_olap.asp
  •  drill Across: ocorre quando o usuário pula um nível intermediário dentro de uma mesma dimensão. Por exemplo, a dimensão tempo é composta por ano, semestre, trimestre, mês e dia. A operação Drill Across é executada

    quando o usuário passa de ano direto para trimestre ou mês;

    • drill Down: ocorre quando o usuário aumenta o nível de detalhe da informação, diminuindo a granularidade (A granularidade determina quais os tipos de consultas podem ser feitas no DW. Ela influencia diretamente na velocidade do acesso às informações e no volume de dados

    armazenados );

    • drill Up: é o contrário do Drill Down, ocorre quando o usuário aumenta a granularidade, diminuindo o nível de detalhamento da informação;

    • drill Throught: ocorre quando o usuário passa de uma informação contida em uma dimensão para uma outra. Por exemplo: Inicia na dimensão do tempo e no próximo passo analisa a informação por região;

    • dlice and Dice: é uma das principais características de uma ferramenta OLAP. Como a ferramenta OLAP recupera o microcubo (No OLAP, as informações são armazenadas em cubos multidimensionais, que gravam valores quantitativos e medidas, permitindo visualização através de diversos ângulos. Estas medidas são organizadas em categorias descritivas, chamadas de dimensões e formam, assim, a estrutura do cubo), surgiu a necessidade de criar um módulo, que se convencionou de Slice and Dice, para ficar responsável por trabalhar esta informação. Ele serve para modificar a posição de uma informação, trocar linhas por colunas de maneira a facilitar a compreensão dos usuários e girar o cubo sempre que tiver necessidade.

  • Essas definições de drill across e drill through só existem nos blogs tupiniquins. Qualquer livro de DW em inglês drill across é naveção entre as dimensões e drill through quando vai se aprofuncando nos detalhes até chegar ao banco relacional. Os próprios significados de across e through na língua inglesa aponta para essa definição. Mas, infelizmente, algum desinformado traduziu esses conceitos errados, e agora todo mundo, inclusive as bancas, propagam o conceito errado.
  • Dica:

    DTD
    - Significado: Dimensão Through Dimensão
    - Vai de uma dimensão para outra;
    - Lembrar: documento DTD para validar documentos XML.

    AMD
    - Significado: Across Mesma Dimensão
    - Pula de um item para outro na mesma dimensão;
    - Processador AMD.
  • Dica: Drill throught. Throught começa com T. T de trocar de dimensão

     


ID
309760
Banca
CESPE / CEBRASPE
Órgão
TJ-ES
Ano
2011
Provas
Disciplina
Banco de Dados
Assuntos

A respeito de administração de dados, modelagem de banco de
dados relacionais e normalização, julgue os itens que se seguem.

O modelo multidimensional contém elementos básicos como a tabela fato, as dimensões, as métricas e as medidas. As dimensões participam de um fato, determinando o contexto do modelo, enquanto a tabela fato reflete a evolução dos negócios por meio das métricas aditivas ou não aditivas. Se a modelagem for do tipo snowflake, as medidas ficarão inseridas tanto nas dimensões quanto na fato, por haver um grau de normalização maior que no esquema star-schema.

Alternativas
Comentários
  • Os elementos básicos do modelo multidimensional são
    1. Fatos - é uma coleção de itens de dados, composta de dados de medidas e contexto. Sendo representados por valores numéricos
    2. Dimensões - que participam de um fato
    3. Medidas (Variáveis) - são atributos numéricos que representam um fato
     
     
    Analisando o questão, tempos:
    • ... "as métricas e as medidas" talvez ele quis como sendo a mesma coisa... até aqui acredito que esta OK.
    • ... "As dimensões participam de um fato, determinando o contexto do modelo, enquanto a tabela fato reflete a evolução dos negócios por meio das métricas aditivas ou não aditivas" , esta OK
    • o erro esta na útlima frase: "Se a modelagem for do tipo snowflake, as medidas ficarão inseridas tanto nas dimensões quanto na fato, por haver um grau de normalização maior que no esquema star-schema."
      • Isso se dá com o uso dos Membros
  • O modelo multidimensional contém elementos básicos como a tabela fato, as dimensões, as métricas e as medidas. As dimensões participam de um fato, determinando o contexto do modelo, enquanto a tabela fato reflete a evolução dos negócios por meio das métricas aditivas ou não aditivas. Se a modelagem for do tipo snowflake, as medidas ficarão inseridas tanto nas dimensões quanto na fato, por haver um grau de normalização maior que no esquema star-schema.
    Meus comentários: O tipo snowflake (flocos de neve) caracteriza-se por novas dimensões ligadas à dimensões (apenas). O restante está ok, mas porcausa deste detalhe a questão está ERRADA.
    Abraço e bons estudos.
    Marcelo
  • Não estou certo, mas acredito que o erro da questão está no fato de afirmar que "as medidas ficarão inseridas tanto nas dimensões quanto na fato", sendo que o snowflake possui normalização, e consequentemente, livre de redundância de dados.

    O snowflake schema descreve um modelo de dados popular para data warehouses relacionais. Semelhante ao star schema, o snowflake schema contém tabelas de fatos e dimensão, com a tabela de fatos armazenando fatos sobre as transações comerciais e algumas colunas da tabela de fatos que contém referências de foreign key nas tabelas de dimensão.
    Snowflake schema difere dos star schema por seu nível de normalização: as tabelas de dimensão de um esquema de snowflake são geralmente normalizadas na terceiro normal (3NF) ou superior. Como resultado, os dados para uma determinada dimensão são espalhados por várias tabelas, e um diagrama de banco de dados se parece com um floco de neve.

    Fonte: http://social.technet.microsoft.com/wiki/contents/articles/8817.snowflake-schema-pt-br.aspx
  • Boas pessoal,

    Vamos partir a questão para tornar a análise mais fácil:

    1) O modelo multidimensional contém elementos básicos como a tabela fato, as dimensões, as métricas e as medidas.

    Comentário 1: Afirmativa correta e não há nada o que comentar.

    2) As dimensões participam de um fato, determinando o contexto do modelo, enquanto a tabela fato reflete a evolução dos negócios por meio das métricas aditivas ou não aditivas.

    Comentário 2: Afirmativa correta. As tabelas de dimensões participam de um fato e contém descrições textuais do negócio, seus dados são qualitativos. As tabelas de dimensão guardam a evolução do negócio por meio de quantidades, valores e indicadores. Essas métricas, quantitativas, podem ser ou não aditivas. Isto é, algumas delas podem ser somadas (valor total de vendas) e outras não (saldo diário de uma conta corrente ao longo do mês). Perfeita a afirmação.

    3) Se a modelagem for do tipo snowflake, as medidas ficarão inseridas tanto nas dimensões quanto na fato, por haver um grau de normalização maior que no esquema star-schema.

    Comentário 3: Bom, aqui encontramos um erro grave. Conforme descrito anteriormente, as tabelas dimensões contêm apenas descrições textuais do negócio. As métricas são armazenadas somente nas tabelas de fatos!!! Este é o erro da questão.

    Espero ter ajudado!

    Bons estudos!

  • ERRADA

    A questão estava perfeita até o último período: se a modelagem for do tipo snowflake ou estrela, as medidas ficarão sempre inseridas somente na tabela de fato.

    FONTE: PROF DIEGO- ESTRATÉGIA 2020


ID
320467
Banca
CESPE / CEBRASPE
Órgão
INMETRO
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

No que se refere ao papel da informação nas organizações, assinale a opção correta.

Alternativas
Comentários
  • Aos não assinantes,

    GABRITO: E



ID
320500
Banca
CESPE / CEBRASPE
Órgão
INMETRO
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Assinale a opção correta com referência à modelagem dimensional.

Alternativas
Comentários
  • Aos não assinantes,

    GABRITO: E

  • (a) Errado. Na verdade, trata-se do Drill-down;

    (b) Errado. Uma variável derivada não é armazenada em banco de dados;

    (c) Errado. É uma representação em bancos de dados multidimensionais;

    (d) Errado. Na verdade, trata-se do Roll-up;

    (e) Correto. É exatamente isso!

    Fonte: PDF Estratégia - Professor Diego Carvalho

  • estão relacionados com o nível de granularidade dos dados armazenados.

    O conceito de drill-down está diretamente relacionado com o fato de sairmos de um nível mais alto da hierarquia e buscarmos informações detalhadas (níveis menores).

    O inverso é o conceito de drill-up.

    Estes dois operadores são básicos dentro do conceito de manipulação dimensional de Data Warehouse.


ID
320539
Banca
CESPE / CEBRASPE
Órgão
INMETRO
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

Assinale a opção correta, a respeito de modelagem dimensional.

Alternativas
Comentários
  • questão tão enjoada que não tem nem como solicitar a explicação do professor :'(

  • Aos não assinantes,

    GABRITO: E

  • Com base nos meus conhecimentos (que não são muito vastos):

    A - Errado. Também busca simplificação da interface com o usuário;

    B - Errado. Anulei porque considero que não necessariamente as dimensões são numéricas (ex.: localidade, pode ser Sul, Nordeste, etc);

    C - Errado. O desempenho em consultas em OLAP é melhor que em OLTP;

    D - Errado. O bando de dados normalizado diminui a ocupação de espaço pois retira itens redundantes, o que piora é o desempenho, pois as consultas ficam mais complexas e mais lentas;

    E - Correto. Confesso que fui na eliminação. Não encontrei erro, por isso marquei.


ID
339697
Banca
COSEAC
Órgão
DATAPREV
Ano
2009
Provas
Disciplina
Banco de Dados
Assuntos

Sobre modelagem multidimensional, o cubo:

I. é uma representação intuitiva, pois todas as dimensões coexistem para todo ponto no cubo e são independentes umas das outras;

II. é, de fato, apenas umametáfora visual;

III . serve para descrever requisitos funcionais.

Acerca dos itens acima mencionados, apenas;

Alternativas
Comentários
  • o que não deixa a letra B inválida

  • O "apenas" do enunciado deixa a B inválida

  • Difícil

  • Modelagem multidimensional, o cubo:

    => dimensões coexistem e são independentes;

    => representação conceitual/metáfora visual;

    => descrevem possíveis perspectivas para análise


ID
362815
Banca
CESPE / CEBRASPE
Órgão
TRE-BA
Ano
2010
Provas
Disciplina
Banco de Dados
Assuntos

A respeito de modelagem dimensional, julgue os itens
subsequentes.

A ferramenta OLAP (on-line analytical processing) permite realizar as operações slice, dice e pivot sobre uma estrutura multidimensional. A operação slice fixa o valor de uma dimensão e recupera os valores das demais dimensões; a operação dice intercambia dimensões permitindo diferentes visualizações dos dados; e a operação pivot fixa o valor de duas ou mais dimensões e recupera os valores das demais.

Alternativas
Comentários
  • Os conceitos estão misturados.

    slice fixa o valor de uma dimensão e recupera os valores das demais dimensões;
    a operação dice pivot intercambia dimensões permitindo diferentes visualizações dos dados;
    e a operação pivot   dice   fixa o valor de duas ou mais dimensões e recupera os valores das demais.
  • Olá Amigo,

    Pode nos informar a fonte onde encontrou estes conceitos?

    Obrigado.
  • Do seguinte livro, Vinícius:
    http://books.google.com.br/books?id=0qcQbVsPxnkC&pg=PA21&lpg=PA21&dq=A+opera%C3%A7%C3%A3o+slice+fixa+o+valor+de+uma+dimens%C3%A3o+e+recupera+os+valores+das+demais+dimens%C3%B5es&source=bl&ots=AMA5xZaOS6&sig=m7isRNyED4vm-rtF81RplKSt3w8&hl=pt-PT&redir_esc=y#v=onepage&q=A%20opera%C3%A7%C3%A3o%20slice%20fixa%20o%20valor%20de%20uma%20dimens%C3%A3o%20e%20recupera%20os%20valores%20das%20demais%20dimens%C3%B5es&f=false
  • Slice and dice: A operação de slice executa uma seleção sobre uma das dimensões de um determinado cubo, resultando em um subcubo. A figura mostra um exemplo da operação de slice que seleciona as vendas por cidade em um determinado semestre (nestre caso, quarter = Q1). A operação de dice define um “subcubo” através de umaseleção sobre duas ou mais dimensões. A figura também mostra uma operação de dice que envolve três dimensões seguindo os seguintes critérios (location = “Toronto” ou “Vancouver” || time = “Q1” ou “Q2” || item = “home entertainment” ou “computer”).

    Pivot: Também conhecida como rotate ou rotação, é uma operação de visualização que rotaciona os eixos de um determinado cubo, provendo uma visão alternativa dos dados. A figura mostra uma operação de pivot sobre o resultado da operação de slice. Neste caso, observamos uma rotação em duas dimensões. Contudo o mesmo pode ser feito, também, em um cubo 3-D.

    fonte: http://www.itnerante.com.br/profiles/blogs/artigo-suporte-a-decis-o-02-sobre-as-opera-es-de-olap

  • http://www.teleco.com.br/tutoriais/tutorialgrolap/pagina_2.asp

  • Slicing

    Selecionar as Dimensões para Consulta

    Ex: Vendas por País por Mês ( Somatório dos Produtos).

    Dicing

    Limitar Conjunto de Valores algumas Dimensões.

    Ex: Vendas no Estado de Minas (por Produto por Ano).

    Pivoting

    Trocar as Dimensões entre Linhas e Colunas

    Ex: Vendas por Produto por Estado por Estado por Produto.

  •  To slice = FATIAR - Essa operação faz um corte (ou filtragem) no cubo baseado no valor de alguma dimensão. Por exemplo, podemos extrair uma fatia do cubo que consiste nas vendas de produtos por cidade para um ano específico ou para um intervalo de anos.

    Dice é um termo inglês que tem vários significados. Um deles quer dizer “cortar em cubos”. O que acontece nessa operação é que se faz um corte no cubo OLAP baseado nos valores de mais de uma dimensão, criando assim um subcubo.

    Pivotagem (rotação)- Consiste em rotacionar o cubo para visualizar os dados em diferentes perspectivas, para realizar análises baseadas em dimensões diferentes

    Fonte_ Direção Concursos

  • Slice -> Fixa em 1 dimensão

    Dice -> Fixa em 2 dimensões

    Pivot -> Diferentes visões dos seus dados (rotação)

     

     

    Vou deixar alguns conceitos que tenho anotado.

     

    Drill Down: desce uma Hierarquia (Ano -> Mês -> Dia)

    Drill Up: Sobe uma Hierarquia (Dia -> Mês -> Ano)

    Drill Across: Pula uma hierarquia (Ano -> dia)

    Drill Through: Inexiste Hierarquia entra dimensões.

     

     

    Qualquer erro deixe nos comentários!!

    Bons estudos


ID
464152
Banca
CESGRANRIO
Órgão
Transpetro
Ano
2011
Provas
Disciplina
Banco de Dados
Assuntos

Uma das características do modelo estrela é a representação explícita das hierarquias de atributos, com economia de armazenamento de espaço.

PORQUE

O frequente uso do modelo multidimensional de dados estrela justifica-se pela sua simplicidade e pela preocupação com a normalização das suas dimensões.
Analisando-se as afirmações acima, conclui-se que

Alternativas
Comentários
  • 1ª Afirmação:

    Errada : O modelo estrela  não fornece explicitamente suporte para hierarquias de atributos.

    2ª Afirmação:

    Errada: No modelo estrela cada dimensão representa um única tabela, altamente desnormalizada. Não há preocupação com a normalização.

    Fonte:

    http://pt.wikipedia.org/wiki/Esquema_estrela
  • Essas duas afirmativas são referentes ao modelo floco de neve, "snow flake"
  • Boas pessoal,

    Questão chata essa né? Nessa questão, ficamos em dúvida se a primeira afirmação está correta!

    Modelo Estrela: o esquema estrela é uma estrutura simples, com poucas tabelas e ligações bem definidas, assemelha-se ao modelo de negócio e facilita a leitura e entendimento por todos. O nome estrela está associado à disposição das tabelas de dimensão e de fatos do modelo.

    Modelo Floco de Neve (Snowflake): é uma variação do esquema estrela, no qual todas as tabelas de dimensão são normalizadas na terceira forma normal (3FN), ou seja, são retirados das tabelas os campos que são funcionalmente dependentes de outros campos que não são chaves. Recomenda-se utilizar o esquema floco de neve apenas quando a linha de dimensão (número de atributos da tabela) ficar muito longa e começar a ser relevante do ponto de vista de espaço de armazenamento.

    Entretanto, para responder a questão é necessário conhecer os conceitos de hierarquia explícita e hierarquia implícita das tabelas de dimensão:

    Hierarquia Explícita: são caracterizadas por uma sequência de entidades interligadas, cujos relacionamentos, entre cada par de entidades na sequência é de 1:N. Ou seja, neste caso, a dimensão é normalizada dando origem a um Esquema Floco de Neve.

    Hierarquia Implícita: também conhecidas como múltiplas hierarquias, representam as hierarquias embutidas nos atributos das dimensões. Ou seja, não há normalização! Um exemplo, é uma tabela de dimensão de produtos onde a classificação do produto por Tipo de Armazenamento e Tipo de Embalagem estão presentes na mesma tabela dimensão. A hierarquia implícita está associada ao conceito do Esquema Estrela.

    Desta forma, a resposta correta é a letra E - as duas afirmativas são falsas. A primeira, por se referir à hierarquia implícita (esquema estrela) e a outra por dizer que a simplicidade do modelo se dá através da normalização das suas dimensões, o que não é verdade. O modelo mais simples é o implementado com o esquema estrela, e neste esquema as dimensões não são normalizadas.

    Espero ter ajudado!

    Bons estudos e que venha logo nossa aprovação!! :)

  • Na verdade, o Modelo Estrela não fornece explicitamente suporte a hierarquias de atributos – essa

    é uma característica do Modelo Flocos de Neve. Além disso, nesse modelo os dados estão

    desnormalizados, isto é, estão redundantes e replicados, logo não há economia de espaço. A

    segunda afirmativa também está errada porque o Modelo Estrela não se preocupa com a

    normalização de suas dimensões.


ID
519586
Banca
Exército
Órgão
EsFCEx
Ano
2009
Provas
Disciplina
Banco de Dados
Assuntos

Com relação aos sistemas gerenciadores de banco de dados “multidimensionais”, os dados são armazenados em tabelas de “fatos” e tabelas de “dimensões” que se relacionam em um esquema denominado:

Alternativas
Comentários
  • Modelo Estrela

    É um modelo simples e eficiente, caracterizado por possuir uma única tabela de fatos e chaves simples nas tabelas de dimensões. Cada dimensão é representada por uma única tabela.

    Fonte:

    https://msdn.microsoft.com/pt-br/library/cc518031.aspx#XSLTsection129121120120


ID
579571
Banca
FCC
Órgão
TRT - 19ª Região (AL)
Ano
2011
Provas
Disciplina
Banco de Dados
Assuntos

O modelo estrela, como estrutura básica de um modelo de dados multidimensional, possui uma configuração típica composta de uma entidade central

Alternativas
Comentários
  • Modelo Estrela
    1. Star schema é o termo comum para designação de modelos de dados multidimensionais.
    2. Como o termo esquema nos dá uma idéia de modelo físico, o mais usual é denominarmos de modelo estrela.
    3. O modelo estrela é a estrutura básica de um modelo de dados multidimensional.
    4. A composição do modelo estrela é a seguinte:
    • Entidade central, denominada fato (fact table);
    • Um conjunto de entidades menores denominadas dimensões.
    • Cada dimensão é representada por uma tabela
    Fonte: http://www.cnptia.embrapa.br/~laurimar/bd/pdf/mod_multidimensional_1p.pdf
  • Aqueles três "mining" ali são só pra por uma pulguinha atrás da sua orelha...


ID
599740
Banca
CESGRANRIO
Órgão
Petrobras
Ano
2011
Provas
Disciplina
Banco de Dados
Assuntos

O modelo dimensional, implementado em sistemas de data warehouse, tornou-se uma importante ferramenta de análise de negócios.

Nesse modelo,

Alternativas
Comentários
    • a) apenas dados sumarizados são usados.
    • Errado: Dimensões são compostas de dados não sumarizados, são rótulos para fatos.
    • b) as linhas das tabelas dimensão representam as medidas de negócio.
    • Errado: "Medidas(Variáveis) ..são os atributos numéricos que representam um fato, a performance de um indicador de negócios relativo às dimensões que participam deste fato." (Tecnologia e projeto de datawarehouse - Nery - pag 81)
    • c) as tabelas fato expressam relacionamentos de muitos para muitos entre as tabelas dimensão.
    • Correto 
    • d) as tabelas fato apresentam dados em diferentes granularidades.
    • Errado: "O Drill Down ocorre quando o usuário aumenta o nível de detalhe da informação, diminuindo o nível da granularidade."
    • "Os caminhos da navegação são determinados pela hierarquia de navegação"  (Tecnologia e projeto de datawarehouse - Nery - pag 81)
    • Portanto o nível de granularidade é a combinação de fatos e dimensões.
    • e) os fatos mais úteis são textuais, provendo informação ao usuário final.
    • Falso: Os fatos são valores numéricos.
    •  

     

  • a) apenas dados sumarizados são usados.
    Errado. Para os executivos de uma companhia de alimentos, não interessa saber o nome do cliente q comprou 1 lata de ervilha às 08h:37min no trimestre passado na cidade de Castanhal-Pará. Interessa saber qntas latas de ervilhas foram vendidas no trimestre passado, na região Norte. Isso eh sumarização dos dados. Para consultas OLAP interessam dados resumidos, não detalhes. Só q os modelos dimensionais devem conter os detalhes,  pois eh impossível prever as diferentes maneiras q os usuarios de negocios pretendem ver os dados e acessar os detalhes.
    b) as linhas das tabelas dimensão representam as medidas de negócio.
    Errado. Medidas de negócio, ou métricas, são uma dimensão em separado, q se relacionam a um fato - assim como as demais dimensões. As linhas das tabelas dimensão representam seus atributos.
    c) as tabelas fato expressam relacionamentos de muitos para muitos entre as tabelas dimensão.
    Diferente do q afirma o gabarito oficial, [1] afirma q as tabelas dimensoes ligam-se a uma ou varias tabelas fatos; [2], na página 80 diz praticamente a mesma coisa; e, para acabar com a duvida, tirei ate 1 fotografia de uma pagina de 1 livro q to lendo(veja aqui: http://imgur.com/pPDPtdu), em q [3] é coerente com os 2 autores citados. Portanto, questão errada tambem.

    d) as tabelas fato apresentam dados em diferentes granularidades.
    Errado! Uma das regras de Kimball(regra número 4) diz q todos os fatos em uma única tabela fato devem estar na mesma granularidade ou nível de detalhe, pois quando você mistura fatos representando muitos níveis de granularidade em uma mesma tabela fato, você estará criando confusão para os usuários de negócios e tornando as aplicações de BI vulneráveis a erros de valores ou outros resultados incorretos.
    e) os fatos mais úteis são textuais, provendo informação ao usuário final.
    Errado! Os fatos contem informacoes numericas. Ex.: quantas latas de ervilhas foram vendidas no ultimo trimestre?

    Por falta de alternativa correta, essa questao deveria ter sido anulada!
    Fontes:
    [1] Documentacao de treinamento oficial da Oracle.
    [2] Business Intelligence: Um enfoque gerencial para a inteligência do negócio, Efraim Turban,Ramesh Sharda,Jay E. Aronson,David King.
    [3] Tecnologia e Projeto de Datawarehouse, Ed. Érica, 6 Edicao, Felipe Nery.

  • Olá galera, ainda não sei qual o erro da afirmativa "D"! 

    Não entendi a justificativa do colega Paulo sobre o erro da assertiva, pois a  afirmativa apenas disse que em um fato existem dados em diferentes níveis de granularidade (o que existe de fato) e ponto, não falou nada sobre ordem de hierarquia! 

    E na assertiva C acreditava que o um fato apresentava uma relação de 1:N com a dimensão!

    Iaí alguém pode me ajudar ?
  • Pessoal,

    Granularidade refere-se à definição do nível de detalhe ou de resumo existentes no DW. Com um nível de granularidade mais alto (dados consolidados ou sumarizados) o volume de dados é bem menor e menos índices são necessários. Na outra ponta, um nível de granularidade mais baixo (dados detalhados) representa um volume maior de dados e de índices no DW. Quando se projeta uma tabela de fatos (tabela com medidas quantitativas) a granularidade deve ser definida a priori. Com este conceito em mente, passaremos a analisar as opções da questão.

    A) ERRADA - A granularidade das tabelas fato de um DW é definida no momento do projeto. Em um projeto de DW poderá haver tabelas fato com níveis diferentes de granularidade, de acordo com as necessidades de negócio. Granularidades maiores (dados consolidados) limitam a quantidade de consultas mas as tornam mais eficientes. Ao contrário, granularidades menores (dados detalhados) podem responder a diversos tipos de consultas e implicam maiores recursos do sistema.

    B) ERRADA - A tabela de dimensão contém as descrições textuais do negócio, e possui as informações necessárias para análises ao longo de dimensões. Seus atributos são qualitativos (ex.: "É Feriado", "Não é Feriado) e não quantitativos. As medidas de negócio, essas sim quantitativas, são armazenadas nas tabelas de fatos.

    D) ERRADA - Pode haver casos em que, para facilitar as consultas, várias tabelas de fatos com granularidades diferentes sejam definidas para representar visões sobre um mesmo fato. Por exemplo, meu projeto pode necessitar de uma tabela de fatos detalhada para vendas, da mesma forma que pode precisar, por motivos de performance, de uma agregação mensal (tabela de fatos agregada 1) e outra para uma agregação anual (tabela de fatos agregada 2). Cada tabela fato terá somente um nível de granularidade.

    E) ERRADA - As tabelas de fatos possuem medidas quantitativas (aditivas, semi-aditivas e não aditivas) que podem ser quantidades, valores e indicadores. As medidas textuais (qualitativas) são armazenadas nas dimensões.

    C) MENOS ERRADA DE TODAS - A questão induz o candidato ao erro ao afirmar que "as tabelas fato", dando uma ideia de que se refere a todas as tabelas fato, expressam relacionamentos de muitos para muitos entre as tabelas dimensão. Porém, segundo Kimball et al, apesar de normalmente a cardinalidade entre as dimensões e a tabela fatos ser 1:N, podem acontecer casos em que essa cardinalidade seja de M:N. A identificação deste tipo de cardinalidade, segundo o autor, deve ser resultado de uma análise sobre todas as dimensões previstas para o modelo, em tempo de projeto. Nada trivial essa questão, né?

    Espero ter ajudado!

    Bons estudos!!!


  • A alternativa c enfatiza o conceito de constelação! Onde várias dimensões podem compartilhar uma ou mais tabelas fato.
  • Essa questão não tem resposta certa. Como ele não mencionou qual o modelo de dados está sendo utilizado no DW, então pode ser Estrela, Floco de Neve e Constelação (Conjunto de modelos estrela), sendo assim o modelo mais característico de em DW (Quando não sabemos mais dados sobre a semântica do negócio) é o modelo estrela, e nesse o relacionamento da tabela de fatos com as tabela dimensionais é N pra 1.


ID
599743
Banca
CESGRANRIO
Órgão
Petrobras
Ano
2011
Provas
Disciplina
Banco de Dados
Assuntos

A abordagem multidimensional, também chamada de modelo estrela no Brasil, tem esse nome porque sua representação considera uma tabela central, conhecida como tabela fato, e tabelas ao seu redor, conhecidas como tabelas dimensão.

Uma das importantes características da abordagem multidimensional é

Alternativas
Comentários
  • Boas pessoal,

    Essa é outra questão da Cesgranrio que a gente fica naquela dúvida pra responder, né? Pois é.. Vamos a elas:

    A) ERRADA - Na verdade, a tabela de dimensões tem número de registros (linhas) muito menor do que as tabelas de fatos. Porém as tabelas de dimensões, geralmente, apresentam uma lista de atributos (colunas) muito grande.

    B) ERRADA - Essa é uma daquelas opções que pode gerar certa dúvida. A gente pensa: "o modelo dimensional pode apresentar tabelas desnormalizadas, logo ele é mais flexível". Raciocínio correto, porém esta não é uma característica do modelo dimensional.

    C) CORRETA - A abordagem multidimensional é organizada por assuntos, que por sua vez são traduções dos requisitos de diversos usuários interessados no uso da ferramenta. Pelo fato de ser uma base de dados com grande volume de informação, o projeto de um DW está sempre preocupado com a performance das consultas. Estes dois pontos, são certamente as duas importantes características pedidas pelo enunciado da questão: organizada por assunto e grande volume de dados que implica em requisitos de processamento.

    D) ERRADA - Várias tabelas de dimensões podem existir ao redor de uma mesma tabela de fatos. Ocorre a mudança de modelo estrela para o floco de neve quando uma daquelas dimensões, que anteriormente orbitavam em torno da tabela de fatos, é normalizada para a 3FN.

    E) ERRADA - Cada grupo de usuários da organização tem suas próprias necessidades identificadas e projetadas dando origem a diversas estruturas no DW. Nem todas as estruturas pertinentes para a análise de marketing são úteis para o departamento financeiro, e assim sucessivamente.

    Espero ter ajudado!

    Força nos estudos!!


ID
613081
Banca
CESPE / CEBRASPE
Órgão
BRB
Ano
2011
Provas
Disciplina
Banco de Dados
Assuntos

Acerca de modelagem multidimensional de dados, julgue o item que se segue.

Em bases de dados multidimensionais, entre as ferramentas e métodos que podem ser utilizados para se aumentar a eficiência das consultas se incluem as funções especiais OLAP (online analytical processing) relacional (ROLAP) e multidimensional (MOLAP), as extensões SQL e os métodos de junção (join) sofisticados.

Alternativas
Comentários
  • Segundo Navathe (2011, p.729), "Como os data warehouses são livres das restrições do ambiente transacional, existe uma eficiência aumentada no processamento da consulta. Entre as ferramentas e técnicas usadas estão a transformação de consulta; interseção e união de índice; funções especiais ROLAP (OLAP relacional) e MOLAP (OLAP multidimensional); extensões SQL; métodos de junção avançados; e varredura inteligente (como no acréscimo de consultas múltiplas.)"

    Resposta: CORRETA segundo Navathe.


    Bibliografia: Sistemas de banco de dados- 6 edição 2011
    Autor:  Elmasri; Navathe
  • Eu achei que estivesse errada pelo fato de a ROLAP atuar sobre BANCO de DADOS RELACIONAIS. O enunciado só se referia a BASE/BANCO de DADOS MULTIDIMENSIONAIS...

  • Achei que a questão pudesse ser uma pegadinha pois MOLAP, ROLAP, DOLAP, WOLAP e etc. são tipos de Arquitetura OLAP. Não são funções especiais. 

  • Questão mal feita! De acordo com Navathe (6ª ed, página 729):

    "Como os data warehouses são livres de restrições do ambiente transacional, existe uma eficiência aumentada no processamento da consulta. Entre as ferramentas e técnicas usadas estão a transformação de consulta, interseção e união de índice; funções especiais ROLAP (OLAP relacional) e MOLAP (OLAP multidimensional); extensões SQL; métodos de junção avançados; e varredura inteligente (como no acréscimo de consultas múltiplas)."

    Ou seja, de acordo com o texto:

    A eficiência é aumentada não pelo uso das ferramentas citadas (join diminui o desempenho), mas porque o data warehouse é livre de restrições do ambiente transacional.

    Outra questão muito parecida:

    Q70342) As funções especiais ROLAP (OLAP relacional) e MOLAP (OLAP multidimensional), as extensões SQL e os métodos de junção (join) são ferramentas que podem ser utilizadas para aumentar a eficiência das consultas em bases de dados multidimensionais.

    Gab. CERTO

  • Prezados,

    O comando da questão afirma que as ferramentas/métodos citados podem ser utilizadas para aumentar a eficiência das consultas. 

    Essa questão está correta, e foi extraída do livro do Navathe:

    "Como os data warehouses são livres das restrições do ambiente transacional, existe uma eficiência aumentada no processamento da consulta. Entre essas ferramentas e técnicas usadas estão a transformação de consulta, inserção e união de índice, funções especiais ROLAP ( OLAP Relacional ) e MOLAP ( OLAP Multidimensional ); extensões SQL; métodos de junção avançados; e varregura inteligente ( como no acréscimo de consultas múltiplas ) "

    Portanto a questão está correta.


  • GABARITO CORRETO!

    .

    .

    ACRESCENTANDO:

    Um JOIN é um meio de combinar colunas de uma (auto-junção) ou mais tabelas, usando valores comuns a cada uma delas. O SQL padrão ANSI especifica cinco tipos de JOIN : INNER JOIN , LEFT JOIN , RIGHT JOIN , FULL JOIN e CROSS JOIN

  • OLAP (On-line Analytical Processing) é a capacidade para manipular e analisar um grande volume de dados sob múltiplas perspectivas. As aplicações OLAP são usadas pelos usuários para lhes permitir análises comparativas que facilitem a sua tomada de decisões diárias.

    A arquitetura OLAP possui ferramentas que são classificadas em cinco tipos que são: 

    ROLAP -> utiliza tecnologia de banco de dados relacional para armazenar seus dados e suas consultas também são processadas pelo gerenciador de banco de dados relacional; 

    MOLAP -> são ferramentas que disparam suas requisições diretamente para banco de dados mutidimensionais; 

    HOLAP -> esse "H" refere-se a "híbrido" -> é a combinação entre ROLAP e MOLAP; 

    DOLAP -> o "D" refere-se a "desktop" -> a ferramenta envia as requisições para o servidor e este devolve ao desktop um cubo OLAP para ser pesquisado pelo usuário; 

    WOLAP -> "W" refere-se a "Web" -> são ferramentas que disparam uma consulta via navegador Web para o servidor, que retorna um cubo olap para ser analisado pelo usuário;

    QUESTÕES DO CESPE SOBRE O ASSUNTO:

    (CESPE - Q580223) OLAP é uma interface com o usuário que pode se utilizar de diversos modelos de armazenamento para apresentar as informações. As diversas formas de armazenamento e acesso a dados permitem classificar OLAP em diferentes categorias, como por exemplo, o ROLAP, em que os dados são armazenados de forma relacional, e o MOLAP, em que os dados são armazenados em estruturas multidimensionais. CERTO

    (CESPE - 697829) MOLAP é um método utilizado para apresentar, fisicamente e em formato relacional, os dados em formato OLAP ERRADO

    O correto seria ROLAP.

    (CESPE - Q70342) As funções especiais ROLAP (OLAP relacional) e MOLAP (OLAP multidimensional), as extensões SQL e os métodos de junção (join) são ferramentas que podem ser utilizadas para aumentar a eficiência das consultas em bases de dados multidimensionais. CERTO

    (CESPE - Q257866) O banco de dados de um MOLAP possui um SGDB multidimensional, ou seja, permite armazenamento de dados nas células de um array multidimensional. CERTO

    FONTE: CESPE + meus resumos + aprendendo e vivendo com os colegas do QC..

    BONS ESTUDOS!


ID
704239
Banca
CESPE / CEBRASPE
Órgão
MPE-PI
Ano
2012
Provas
Disciplina
Banco de Dados
Assuntos

Acerca de conceitos básicos, arquiteturas e aplicações de data
warehouse e datamining
e técnicas de modelagem e otimização de
bases de dados multidimensionais, julgue os itens que se seguem.

Um cubo de dados é a representação multidimensional dos dados não agregados na qual é necessário que as dimensões tenham o mesmo tamanho.

Alternativas
Comentários
  • As dimensões não precisam ter o mesmo tamanho.
    Posso ter uma dimensão tempo pequena e uma dimensões região geográfica grande.
  • Eu vejo o erro na passagem: é a representação multidimensional dos dados não agregados 

    A tabela FATO é um conjunto de dados agregados.


    Alguem leve esta questao a um professor, por favor?
  • Concordo com o Raphael. Não tem lógica montar um cubo de dados não agregados, pois a funcionalidade deste é justamente permitir fatiá-lo de forma consistente para obter informações. 

    A aplicação OLAP  soluciona o problema de síntese,  análise e consolidação de dados, pois é o processamento analítico online dos dados. Tem capacidade de vizualizações das infomações a partir de muitas perspectivas diferentes, enquanto matém uma estrutura de dados adequada eficiente. A visualização é realizada em dados agregados, e não em dados operacionais porque a aplicação OLAP tem por finalidade apoiar os usuários finais a tomar decisões estratégicas. Os dados são apresentados em termos de medidas e dimensão, a maior parte das dimensões é
  • Não tem nem o que pensar, se não há agregação entre as dimensões não faz sentido ter o cubo.
  • Só complementando:

    Modelos Multidimensionais são os cubos que visam a performance, com as informações fortemente agregadas.

    Fonte: http://www.fag.edu.br/professores/limanzke/Administra%E7%E3o%20de%20Sistemas%20de%20Informa%E7%E3o/OLAP.pdf
  • Eu passo isso mesmo no Site Rumo À EsFCEx, mas fica tranquilo o povo sabe que vc foi muito correto em sua resposta!

ID
773572
Banca
CESPE / CEBRASPE
Órgão
MEC
Ano
2011
Provas
Disciplina
Banco de Dados
Assuntos

Com relação a modelagem de dados e OLAP, julgue os próximos
itens.

A atualização (refreshing) e a eliminação (purging) de dados são processos essenciais para a otimização do armazenamento dos dados em um banco de dados multidimensional.

Alternativas

ID
783415
Banca
CESGRANRIO
Órgão
BNDES
Ano
2011
Provas
Disciplina
Banco de Dados
Assuntos

Em bases de dados multidimensionais, os dados são organizados em cubos de dados. A esse respeito, considere as afirmações a seguir.

I - Os usuários podem consultar os dados segundo qualquer uma das dimensões do cubo de dados.

II - O pivoteamento (ou rotação) é utilizado em cubos de dados para mudar a hierarquia dimensional que está sendo correntemente utilizada por outra.

III - A operação de drill-down refere-se a um movimento no sentido descendente da hierarquia de uma dimensão, desagregando os dados e os apresentando em uma visão mais detalhada.

É correto o que se afirma em

Alternativas
Comentários
  • Só não entendi no item III, o que ele quis dizer com desagregando os dados  


    Oo
  • Também sempre faço isso, Geraldo.
  • Em relação a II

    A mudança de uma hierarquia (orientação) dimensional para outra é facilmente realizada em um cubo de dados por uma técnica chamada pivoteamento (também chamada rotação). Nessa técnica o cubo de dados pode ser pensado como se tivesse uma rotação para mostrar uma orientação diferente dos eixos.
    Sistema de Banco de Dados Navathe 4ºEd.
  • Emanuel Cordeiro, a desagragação dos dados se refere ao aumento do detalhamento dos mesmos de acordo com o aumento do detalhamento das dimensões. 
    Por exemplo:
    Vendas do primeiro trimestre: 60 (valor agregado)
    ## Drill-down ##
    Vendas de Janeiro = 10
    Vendas de Fevereiro = 30
    Vendas de Março = 20
    (valores detalhados/desagregados)
  • Errei porque achei que "hierarquia" (ao contrário do Navathe) estaria relacionado à Drill-Down/Roll-Up. Discordo que hierarquia e orientação signifiquem a mesma coisa...

  • Drill Down - oferece a capacidade oposta do Roll UP, a visao e mais detalhada, desagregando as vendas do país por regiao e, depois, as vendas regionais por sub-regiao e tambem separando produtos por estilos. 

    Pagina 724 - Sistema de Banco de Dados - 6 Edicao - Navathe.

     

  • "Os usuários podem consultar os dados segundo qualquer uma das dimensões do cubo de dados."

    Achei esquesita essa afirmação. Não à toa quando se desenvolve um DW é comum montar uma matriz de cruzamento entre fatos e dimensões. Esse cruzamento pode ser limitado pelo próprio negócio da empresa (não interessa pra ela certo cruzamento dimensão/fato) ou simplesmente porque não faz sentido, no mundo real, fazer o cruzamento.

    Então afirmar que os dados podem ser analisados por QUALQUER dimensão, me parece estranho.

    Exemplo: Professor matriculado em uma turma... Isso não existe. Naquela nossa matriz, a dimensão PROFESSOR não cruza com a fato MATRICULADO. Ok, vc pode dizer: "Mas eu posso ter uma dimensão PESSOA com o flag PAPEL (definindo quem é professor, quem é aluno). E, nesse caso, professores e alnos estariam na mesma dimensão e essa dimensão PESSOA teria que cruzar com a fato MATRICULADO. Verdade, mas a afirmação da questão,nesse caso, depende da arquitetura do DW. Não é uma regra absoluta....

     


ID
947020
Banca
CESPE / CEBRASPE
Órgão
SERPRO
Ano
2013
Provas
Disciplina
Banco de Dados
Assuntos

Julgue os próximos itens, a respeito de conceitos e aplicações de técnicas de modelagem dimensional e otimização de bases de dados.

Em um banco de dados geográfico, a referência de um objeto geométrico pode ser armazenada na forma vetorial, como um ponto com coordenadas x e y.

Alternativas
Comentários
  • o formato vetorial representa um ponto por
    meio de um par de coordenadas x, y. Logo, podemos considerar a alternativa correta!
     

  • Gabarito: CERTO.

    Como funciona um banco de dados Geográfico?

    R. Armazenam imagnes geográficas tiradas por satélites.

    R. Em um banco de dados geográfico, a referência de um objeto geométrico pode ser armazenada na forma vetorial, como um ponto com coordenadas x e y.

    Bons Estudos!


ID
947023
Banca
CESPE / CEBRASPE
Órgão
SERPRO
Ano
2013
Provas
Disciplina
Banco de Dados
Assuntos

Julgue os próximos itens, a respeito de conceitos e aplicações de técnicas de modelagem dimensional e otimização de bases de dados.

Na modelagem multidimensional, a tabela de fatos deve ser normalizada até a terceira forma normal (3FN), a fim de otimizar o armazenamento e permitir que as consultas sejam respondidas rapidamente.

Alternativas
Comentários
  • Geralmente, não é recomendado a normalização das tabelas na modelagem multidimensional, visto que haverá um tempo maior de respostas nas consultas (haverá mais junções). O segundo erro é que as tabelas fatos não são normalizadas e sim as tabelas dimensões.
  • Na modelagem multidimensional, a desnormalização é uma prática: a normalização sacrifica desempenho em nome da melhor organização. 
  • Pode haver normalização se for Snowflack (floco de neve), até a 3ª forma normal, e desnormalização no modelo STAR (estrela).

    O problema da questão é a palavra: deve ser, onde é isso não é uma verdade no modelo estrela.
  • Eu costumo esquecer isso bastante mas eu acho razoável considerar NORMALIZAÇÃO um tradeoff entre DESEMPRENHO vs ORGANIZAÇÃO.
  • Independente se é floco de neve ou estrela. A tabela fato é normalizada para aumentar a eficiência, já que tem muito registros.
    Tabelas de dimensões normalmente são desnormalizadas no esquema estrela e normalizadas no floco de neve...
    Não entendi porque a afirmação está errada =p

    http://www.uniriotec.br/~tanaka/SAIN/03-OLAP&ModelagemDimensional.pdf

  • A normalização prejudica o desempenho de inserção e consulta.  Não há nenhum autor que concorde com a afirmação de que a normalização otimize o armazenamento, a fim de permitir que as consultas sejam respondidas rapidamente.

  • STAR é desnormalizada

    SNOW é até 3FN

  • Em que pese a existência do esquema floco de neve, o que você deve ter em mente é que a modelagem dimensional visa armazenar dados desnormalizados, privilegiando a simplicidade de consulta e a facilidade de acesso.

  • Não é tabela fato, mas sim a tabela dimensão...

  • TABELAS FATO:

     Armazenam ocorrências, eventos ou fatos de um processo de negócio da organização.

     Possuem geralmente uma grande quantidade armazenada de registros ou tuplas.

    São normalizadas e sem hierarquia (decomposições em outras tabelas).

     São tabelas que geralmente crescem verticalmente: mais registros ou linhas.

     Armazenam medidas/métricas quantitativas (valores ou indicadores).

     Podem ser medidas de desempenho, métricas operacionais, medidas agregadas, etc.

     Contêm chaves estrangeiras que correspondem às chaves primárias das Tabelas Dimensão.

     Apresentam uma chave primária composta em que a dimensão tempo sempre é parte integrante.

     Expressam, em geral, relacionamentos de 1:N entre as Tabelas Periféricas (Dimensão).

    Fonte: Estratégia Concursos.


ID
960931
Banca
IADES
Órgão
EBSERH
Ano
2013
Provas
Disciplina
Banco de Dados
Assuntos

Os modelos multidimensionais tiram proveito dos relacionamentos inerentes aos dados para preencher os dados em matrizes multidimensionais, chamadas cubos de dados. Em relação a este tipo de modelagem, assinale a alternativa correta.

Alternativas
Comentários
  • A, Quando o número de dimensões é maior que 3, sugere-se um hipercubo

    B.  A visualização gráfica de um hipercubo (mais de 3) já é considerada difícil, tanto que a literatura utiliza geralmente como referência apenas o cubo

    D. Na modelagem multidimensional temos 2 tipos principais de tabelas: Fato e Dimensão

    E. Uma das vantagens é justamente essa. O uso integrado dos conceitos slice e dice permite rotacionar os lados de um cubo de dados em qualquer sentido, possibilitando a combinação de quaisquer dimensões.

    GABARITO: C

    Fontes:

    https://www.devmedia.com.br/qualidade-na-modelagem-dos-dados-de-um-data-warehouse/6978

    https://rafaelpiton.com.br/blog/data-warehouse-modelagem-dimensional/

    Hokama, Camargo, Fugita e Fogliene. A Modelagem de Dados no Ambiente Data Warehouse, 2004.

    Nothing is true, everything is permitted

  • (a) Errado, são chamados de hipercubos se possuírem mais de três dimensões; (b) Errado, são

    extremamente difíceis de representar graficamente; (c) Correto, devido a desnormalização, o

    desempenho é consideravelmente maior*; (d) Errado, não existem tabelas de indexação; (e)

    Errado, dados podem – sim – ser consultados diretamente sob diversas dimensões.

    *O desempenho de consultas é melhor – o desempenho de inserções, exclusões e modificações

    seria desastroso. Lembrem-se que, para realizar consultas em um modelo normalizado, deve-se

    pesquisar em diversas tabelas diferentes e fazer associações e junções por meio de suas chaves

    primárias. No modelo desnormalizado, existe uma alta redundância, de modo que não seja

    necessário se preocupar em procurar dados em diversas tabelas porque estão estarão repetidos.


ID
966106
Banca
Marinha
Órgão
Quadro Técnico
Ano
2012
Provas
Disciplina
Banco de Dados
Assuntos

Quando a tabela fato está definida no nível de granularidade de itens e o número do documento maior (número da ordem de compra, nota fiscal ou pedido de serviço) está na tabela fato para desempenhar o papel de integrador ou "alinhavador" dos itens deste próprio documento, utiliza-se qual técnica de modelagem dimensional de dados?

Alternativas
Comentários
  • Em um Data Warehouse, uma Degenerate Dimension (Dimensão Degenerada) é uma dimensão  que é derivada da  Tabela Fato  e não tem sua própria Tabela de Dimensão.  Degenerate Dimensions são usadas frequentemente quando a granularidade de uma tabela de fato representa os dados de nível transacional, e que se deseje manter identificadores específicos do sistema, como os números de ordem, números de fatura e similares, sem forçar a sua inclusão na sua própria dimensão. A decisão de usar Degenerate Dimensions é muitas vezes baseada no desejo de fornecer uma referência direta a um sistema transacional, sem a sobrecarga da manutenção de uma tabela dimensão separada.

     

    Fonte: https://litolima.com/2010/10/01/o-que-e-degenerate-dimension/

  • Gabarito letra C

     

    Tipos de tabelas Dimensão:

     

    ○  Dimensão Degenerada (Degenerate Dimension): Devido a algum critério empregado, não se tornou uma dimensão e foi inserida como coluna na tabela fato para desempenhar o papel de integrador ou "alinhavador" dos itens deste próprio documento ;

     

    ○  Dimensão de Alteração Lenta (Slowly changing Dimension): Dependendo do valor empregado uma técnica de atualização será empregada. Exceto para a dimensão tempo que não sofre atualização;

     

    ○  Dimensão Role-playing: Permite o uso da mesma dimensão várias vezes;

     

    ○  Dimensão Conformada (Conformed Dimension): Quando a dimensão se relaciona com mais de uma tabela fato e contém todos os dados que as duas precisam;

     

    Dimensão de Lixo (Junk Dimension): É quando tem basicamente 3 colunas: Surrogate Key, Natural Key e uma descrição.

     

    Fonte: https://rafaelpiton.com.br/data-warehouse-tipos-dimensoes/

     

    @papirobizurado

     

  • Dimensões lixo (junk): está relacionado com a definição de dimensões para campos com certas características diferenciadas como tag, valores binários ou campos de baixa cardinalidade.

    Dimensões degeneradas

    O conceito de dimensão degenerada está relacionado com os objetos do tipo evento, como ordem de compra, nota fiscal ou pedido de serviços. Essas entidades são compostas de itens. Quando a tabela fato está definida no nível de granularidade de itens, o número do documento maior estará na tabela fato para desempenhar o papel de integrador ou “alinhavador” dos itens daquele documento.

    Tabelas fato sem dados ou métricas

    Em certas situações, você poderá se deparar com tabelas fato sem medidas ou métricas (Factless Fact). Não é muito comum, porém pode acontecer. Nesse caso, a tabela fato estará cumprindo o papel de relacionar as várias tabelas dimensão envolvidas no modelo, e o valor básico da informação está justamente nesses relacionamentos.

    Alternativa: C


ID
985093
Banca
CESPE / CEBRASPE
Órgão
CPRM
Ano
2013
Provas
Disciplina
Banco de Dados
Assuntos

Julgue os itens subsequentes, a respeito de sistemas de suporte a` decisão.


Em uma modelagem multidimensional, cada dimensão deve possuir uma chave de acesso associada ao ambiente transacional no momento do ETL. Nesse tipo de modelagem, a utilização de chaves semânticas ou naturais, em vez de chaves artificiais ou surrogate keys, agrega, entre outras vantagens, maior integração entre o ambiente operacional e o transacional, o que facilita operações de drill down em arquiteturas do tipo ROLAP; maior estabilidade no projeto; melhor nível de consistência nos dados e mais facilidade de conferência na importação dos dados no ETL.

Alternativas
Comentários
  • "Em uma modelagem multidimensional, cada dimensão deve possuir uma chave de acesso associada ao ambiente transacional no momento do ETL"


    Parei nesta primeira frase, talvez eu esteja errado, mas as dimensões são associadas depois que o ETL é feito, já no datawarehouse ou datamarts;

  • Gabarito: errado

    O erro que encontrei foi em relação ao não uso das surrogate keys.


    Na verdade, é aconselhável o uso de surrogate keys na modelagem multidimensional.


    http://corporate.canaltech.com.br/noticia/banco-de-dados/Grandes-erros-na-elaboracao-do-Data-Warehouse-que-devem-ser-evitados/

  • Acho que a modelagem multidimensional só utiliza a arquitetura do tipo MOLAP. ROLAP é para modelagem relacional.

  • Como o Diego disse, o erro da questão é afirmar que a a utilização de chaves semânticas ou naturais em datawarehouse oferece todas essas vantagens elencadas.


    Em Datawarehouse é recomendável a utilização de surrogate keys (= chaves artificiais)


    Na verdade, o próprio Kimball levanta alguns problemas do uso de chaves naturais (derivadas do negócio).

    As chaves naturais podem ser alteradas, reutilizadas pela aplicação do negócio. Logo essa integração entre o ambiente operacional e o transacional apontada como vantagem já seria um problema.


    "Production keys such as product keys or customer keys are generated, formatted, updated, deleted, recycled, and reused according to the dictates of production. If you use production keys as your keys, you will be jerked around by changes that can be, at the very least, annoying, and at the worst, disastrous."

    "Production may generalize its key format to handle (...) Production may reuse keys that it has purged"


    ótimo texto para conhecimento do assunto.

    Fonte: http://www.kimballgroup.com/1998/05/surrogate-keys/

  • Errado, apenas complementando o erro já apontado pelos colegas:


    "Não podemos utilizar chaves das tabelas operacionais para junções entre Dimensões e Fatos. Devemos utilizar as surrogate keys (chaves artificiais ou substitutas) pois só assim é possível tratar dados históricos nas tabelas de Fatos e o versionamento (modificações) dos dados nas Dimensões. Sem as chaves substitutas esse artifício é inviabilizado."



    http://corporate.canaltech.com.br/noticia/banco-de-dados/Grandes-erros-na-elaboracao-do-Data-Warehouse-que-devem-ser-evitados/

  • comentário do #Diego

  • É o contrário. O que se recomenda é a utilização das chaves artificiais (substitutas ou surrogate Keys). Essa integração entre as chaves naturais dos ambientes não é desejada, já que dificulta o gerenciamento, prejudica a estabilidade do projeto e diminui o grau de consistência dos dados.

  • GABARITO ERRADO!

    .

    .

    Para melhor manter o controle sobre identificadores de registro de ambientes de data warehouse (armazém de dados), em geral recomenda-se a geração de chaves substitutas (surrogate keys). Assim, cada junção entre as tabelas de dimensão e tabelas fato em um ambiente de data warehouse deve se basear nessas chaves substitutas, e não nas chaves naturais existentes.

  • se vc tem 3 sistemas que geram os mesmos fatos, cada qual com sua própria chave, como o dw poderia usar a chave natural? absurdo.

  • Na modelagem Multidimensional, utilizam-se SURROGATE KEYS, que substituem, de certa forma, as chaves dos sistemas fontes, fazendo uma relação entre eles


ID
1208221
Banca
CESPE / CEBRASPE
Órgão
TJ-SE
Ano
2014
Provas
Disciplina
Banco de Dados
Assuntos

Com relação a sistemas de suporte à decisão, julgue os seguintes itens.

Na modelagem multidimensional, é possível haver mais de uma tabela fato no mesmo modelo. A tabela fato expressa a relação N:M (muitos-para-muitos) entre as dimensões, que, por sua vez, implementam a visão e a interface do usuário ao DataWarehouse.

Alternativas
Comentários
  • Relação M:N ? Não entendi.

  • Notação das Relações:

    1:1 - um-para-um

    1:N - um-para-muitos

    M:N - muitos-para-muitos


    A tabela fato é que agrega o relacionamento entre as várias dimensões do modelo, nela é que são armazenados os cruzamentos destas dimensões e que resultam nas informações.

  • N:M uma tabela fato se relaciona com varias dimensoes (SAles se relaciona com Produto, Tempo, Localização).  uma dimensao se relaciona com varias tabelas fato, possivel somente no schema de Constelação ( dimensao Tempo se relaciona com as tabelas fato Vendas e Crescimento )

  • "Na modelagem multidimensional, é possivel haver mais de uma tabela fato no mesmo modelo. (...)": Ok! Nada impede.


    "(...) A tabela fato expressa a relacao N:M (muitos-para-muitos) entre as dimensoes,(...)": Certo! A tabela fato representa um relacionamento N:M entre várias entidades no modelo conceitual!


    "(...) que, por sua vez, implementam a visao e a interface do usuario ao DataWarehouse.": Tinha ficado em dúvida nesse trecho. Mas a ideia é que o usuário enxenga o DW pelas dimensões mesmo e é por elas que ele vai manipular os dados.

  • M=Muitos: N= Muitos também AB , XY, entendeu?


  • Dimensões implementam interface com usuários? Pensei que eram os Data Mart que faziam isso...

  • Acho que o CESPE quis dizer que N tabelas fatos se relacionam a M tabelas dimensões. O duro é advinhar o que o examinador quis dizer, porque o normal é que cada tabela fato se relacione com sua tabela dimensão em um relacionamento 1:N ou até 0..1:N
  • acho que o cespe mudou de opinião quando a múltiplas tabelas fatos

    vejam

    2015

    Na modelagem dimensional, implementada em sistemas de data warehouse, o esquema snowflake caracteriza-se por possuir diversas tabelas de fatos e de dimensões, sendo estas últimas organizadas hierarquicamente na terceira forma normal (3FN).

    errada

  • Sobre a primeira parte: é possível haver mais de uma tabela fato pelo modelo constelação.

  • Exemplo de um esquema Multiestrela.

    .

    .

    At.te

    Foco na missão ❢

  • Essa questão é de 2014. Atenção a questão de 2019 que o Mr. Robot trouxe.
  • dimensões implementam interface com usuário? é isso mesmo que eu estou lendo ou meu português piorou?


ID
1208227
Banca
CESPE / CEBRASPE
Órgão
TJ-SE
Ano
2014
Provas
Disciplina
Banco de Dados
Assuntos

Com relação a sistemas de suporte à decisão, julgue os seguintes itens.

Na modelagem multidimensional, há dois esquemas predominantes: Star, em que as dimensões são tipicamente normalizadas até a 3.ª forma normal (3FN); e SnowFlake, no qual as dimensões são desnormalizadas.

Alternativas
Comentários
  • é o contrário e não li nada a respeito de 3FN, se alguém leu complementa ai por favor.

  • A modelagem dimensional possui dois modelos: o modelo estrela (star schema) e o modelo floco de neve (snow flake). Cada um com aplicabilidade diferente a depender da especificidade do problema. As Dimensões do modelo estrela são desnormalizados, ao contrário do snow flake, que parcialmente possui normalização.

    Matéria completa: http://corporate.canaltech.com.br/materia/business-intelligence/Entendendo-a-modelagem-multidimensional/#ixzz37J4eMBsv 
    O conteúdo do Canaltech é protegido sob a licença Creative Commons (CC BY-NC-ND). Você pode reproduzi-lo, desde que insira créditos COM O LINK para o conteúdo original e não faça uso comercial de nossa produção. 

  • só invertou o conceito mesmo

  • Além de inverter o Conceito de Estrela e floco de neve, a normalização vai até a 2FN

  • Acho que sobre a normalização não há uma regra no modelo Snow. O responsável pelo BD pode normalizar até a forma normal que achar melhor, não?

  • Modelo em estrela: Dimensões desnormalizadas;

    Modelo SnowFlake: Dimensões normalizadas até a 3FN.

     

     

    At.te

    Foco na missão !!!

  • É o contrário. No snowflake ocorre a normalização de algumas tabelas, enquanto o esquema estrela possui todas as suas dimensões desnormalizadas.


ID
1283419
Banca
FCC
Órgão
TRF - 4ª REGIÃO
Ano
2014
Provas
Disciplina
Banco de Dados
Assuntos

Um sistema OLAP é um sistema interativo que permite que um analista veja diferentes resumos de dados multidimensionais. Sobre estes sistemas, considere:

I. A generalização de uma tabulação cruzada bidimensional para n dimensões pode ser visualizada como um cubo n-dimensional, chamado cubo de dados.
II. Pode-se obter uma tabulação cruzada sobre os atributos x e y, para um valor variável de z em uma relação R. Esta operação é chamada de slicing (corte em pequenos cubos) ou dicing (corte em fatias), particularmente quando os valores para várias dimensões não são fixos.
III. A operação de mudar as dimensões usadas em uma tabulação cruzada é chamada de pivoting (pivoteamento).
IV. A operação de passar de dados com detalhamento maior para um detalhamento menor é chamada de drill down. A operação contrária é chamada de rollup.

Está correto o que consta APENAS em

Alternativas
Comentários
  • Bom dia. Comentando as questões utilizando o livro do Elmari e Navathe (1)

    I) Definição correta, para Navathe os cubos de dados são definidos como "Os modelos multidimensionais tiram proveito de relações inerentes aos dados para gerar dados em matrizes multidimensionais chamadas cubos de dados. (Podem ser chamados hipercubos se têm mais de três dimensões.)"


    II) As definições estão invertidas, cortar em cubos é Dicing e cortar em Fatias, ou seja tirar uma das dimensões, é Slicing.

    III) Pivoteamento ocorre quando se executa Tabulação Transversão (Rotação).

    IV) Este item necessita de uma leitura sutil, Detalhamento Maior = Granularidade Menor e Detalhamento Menor = Granularidade Maior. Drill Down é aumentar o detalhamento, Rollup é diminuir o detalhamento. Conceitos estão invertidos.

    Para enxergar melhor como funciona um Cubo o desenho que está na wikipedia é bem didático: http://en.wikipedia.org/wiki/OLAP_cube.

    O Colaweb também possui um artigo bacana falando de outras operações como Drill Across (Saltas níveis intermediários, ex. numa dimensão tempo pular de Ano direto para Horas) e Drill Throught (Pular de uma dimensão para outra, ex. ir da Dimensão Tempo para Região ou Preço).

    Referências:

    (1) Sistema de Banco de Dados, Elmasri e Navathe, Quarta Edição. Modelagem de Dados para Data Warehouses. Página 715.

    (2) http://www.coladaweb.com/informatica/olap

  • II e IV INCORRETAS
    Em "II" e "IV" os conceitos estão invertidos.

    Em "IV" -> Drill down é a diminuir a granularidade e aumentar o detalhamento. Ao passo que Rollup é diminuir o detalhamento e aumentar a granularidade.

  • I. Veja, o que a alternativa quer dizer é que, ao invés de cruzar as várias estruturas de dados em uma tabela, dispondo os dados em um formato bidimensional, o OLAP dispõe esses dados em n dimensões, gerando um cubo de dados. É isso que aprendemos! CERTA

    II. A assertiva está quase toda correta. No OLAP, realmente pode-se cruzar os dados de diferentes dimensões para obter valores das medidas em diversos cenários. O problema é que o examinador inverte os conceitos de dicing (corte em subcubos) e slicing (corte de fatias do cubo). ERRADA

    III. Na análise OLAP, pode-se rotacionar o cubo para visualizá-lo através de outras perspectivas, utilizando outras faces do cubo (representadas pelas dimensões). Essa operação é conhecida como pivoteamento ou rotação. CERTA

    IV. O examinador somente inverteu os conceitos. O drill down permite a visualização de dados em maior nível de detalhe, enquanto que o rollup é o processo inverso, navegando para um maior nível de generalização. ERRADA

    Gabarito: B


ID
1305031
Banca
CESPE / CEBRASPE
Órgão
ANATEL
Ano
2014
Provas
Disciplina
Banco de Dados
Assuntos

Acerca dos sistemas de suporte à decisão e inteligência de negócio, julgue os itens subsequentes.

Organizar os atributos em uma hierarquia, em que o nível mais elevado apresenta as agregações mais esparsas e os níveis inferiores apresentam maiores detalhes, constitui uma técnica para modelagem de dados multidimensional.

Alternativas
Comentários
  • granularidade?

  • O que me deixou em dúvida foi essa frase: "o nível mais elevado apresenta as agregações mais esparsas". Quando eu penso em mais esparso, penso nos níveis inferiores, não superiores. Acho que "agregações mais esparsas" significa que vc agrega muitas coisas e aumenta o grão, mas essa nomenclatura está estranha pra mim. O que vocês acham? 

  • Concordo com o Thiago! Acho que o gabarito está errado!
    Uma agregação esparsa tem menor granularidade. Se tem menor granularidade, maior é o nível de detalhamento e isso é uma característica dos níveis inferiores.

  • Os atributos em modelos multidimensionais estão, muitas vezes, organizados em hierarquias. Nos níveis superiores da hierarquia temos os itens de maior nível de agregação e menor granularidade, enquanto que nos inferiores temos os dados detalhados.

  • Esparso quer dizer espalhado, menos detalhamento.

  • A questão se refere à operação drill up/ roll up?

  • Os modelos dos dados multidimensionais proporcionam visões hierárquicas, ou seja, roll-up (mais granularidade, menos detalhes) e drill-down (menor granularidade, mais detalhes).


ID
1348123
Banca
CESPE / CEBRASPE
Órgão
TRT - 8ª Região (PA e AP)
Ano
2013
Provas
Disciplina
Banco de Dados
Assuntos

Acerca de sistemas de suporte à decisão, técnicas de modelagem e otimização de bases de dados multidimensionais, assinale a opção correta.

Alternativas
Comentários
  • a) ERRADA Na modelagem multidimensional, caso haja as dimensões tempo e local ligadas a fato, é necessário optar-se por uma delas, pois somente uma dimensão poderá estar presente em cada modelo.

    Uma tabela fato tem que ter, no mínimo, 2 tabelas dimensão.

     b) ERRADA É possível haver somente uma tabela fato na modelagem multidimensional, e um fato poderá guardar no máximo uma medida, pois cada medida é uma representação unívoca de um fato.

    Tabela fato pode guardar mais de uma medida (atributo quantificável).

     c) ERRADA As dimensões na modelagem da base de dados podem ser do tipo aditivas e não aditivas, sendo ambas oriundas da modelagem Snow Flake.

    Pode ser também derivadas e semi-adtivas. Pode ser oriundas do Star Schema também.

     d) ERRADA Para prover maior desempenho nas consultas aos data warehouses, os dados devem ser desnormalizados, devendo ser mantido o mesmo valor das chaves primárias entre a fonte de dados e as chaves das dimensões.

    Isso não é uma condição absoluta. Isso vai depender do momento e da forma com será tratada os dados.

     e) CORRETA Em sistemas transacionais, em que as transações são a unidade e o agente de mudança no banco de dados, as informações no data warehouse são não voláteis e têm granularidade muito mais espessa, sendo atualizadas de acordo com uma escolha cuidadosa da política de atualização.

  • LETRA E

    Só dando uma leve corrigida na letra D do MARCELO VINICIUS:
    -A questão não apresenta a desnormalização como uma condição absoluta, porém, quando se tratando de modelagem Multidemensional, a desnormalização de dados PROVEEM MAIOR DESEMPENHO, vide a comparação entre StarSchem e SnowFlake.

    O Erro da Alternativa é: devendo ser mantido o mesmo valor das chaves primárias entre a fonte de dados e as chaves das dimensões.
    Os valores das chaves primarias nas fontes podem ser diferentes dos valores nas dimensões.

    De resto o comentário tá topzera

  • DW são sistemas transacionais???

  • a) Essa afirmação não faz o menor sentido. É bastante frequente que se tenha as dimensões tempo e local ligadas às mesmas tabelas fato. ERRADA

    b) É possível que haja somente uma tabela fato no modelo, sem problemas. O que está errado é dizer que um fato só pode guardar uma medida. Nessa alternativa, creio que “um fato” foi usado para se referir a um registro na tabela fato. Um registro nessa tabela, como você sabe, pode conter diversas medidas. ERRADA

    c) As medidas podem ser aditivas ou não aditivas, e não as dimensões. Isso também não tem nada a ver com o conceito de snowflake. A alternativa é uma mistura sem sentido de diversos conceitos. ERRADA

    d) A desnormalização realmente melhora o desempenho nas consultas em detrimento do espaço em disco e da redundância. Contudo, a reutilização de chaves primárias das fontes dos dados não faz muito sentido, já que estamos integrando dados de diversas fontes, o que poderia ocasionar duplicações nos valores das chaves primárias. Kimball, então, recomenda a utilização de chaves substitutas. ERRADA

    e) A redação dessa alternativa ficou um pouco truncada, já que começa falando de sistemas transacionais e de repente passa pra data warehouse. Contudo, podemos perceber que o conceito apresentado está correto. 

    As informações no DW têm granularidade mais espessa que os sistemas transacionais, já que armazenam todo o histórico de um registro ao invés de simplesmente atualizá-lo ou removê-lo. 

    As tabelas também são atualizadas seguindo uma política criteriosa de atualização, com rotinas de carga de dados e granularidades diversas. CERTA

  • Sobre a letra D

    "O primeiro trecho está correto. Realmente por motivos de desempenho consulta em data warehouses utilizam dados desnormalizados, porém não é necessário que se mantenha as chaves primárias das fontes, pois podem existir chaves candidatas que possam auxiliar no desempenho dessas consultas. Portanto alternativa errada."

    (Pedro Parreira, TEC Concursos)

    Link: https://www.tecconcursos.com.br/questoes/187389

  • tá meio zoada essa redação, mas as outras opções eram absurdas


ID
1351150
Banca
FUNCAB
Órgão
MDA
Ano
2014
Provas
Disciplina
Banco de Dados
Assuntos

O modelo de dados denominado “multidimensional” se aplica para banco de dados com a tecnologia:

Alternativas
Comentários
  • análise multidimensional dos dados é caracterizada pelas ferramentas OLAP, que fazem a análise dos dados a partir de um Data Warehouse.


ID
1387771
Banca
CESGRANRIO
Órgão
LIQUIGÁS
Ano
2013
Provas
Disciplina
Banco de Dados
Assuntos

Que tipo de aplicação OLAP combina a tecnologia de banco de dados relacionais com a de banco de dados multidimensionais?

Alternativas
Comentários
  • HOLAP

    É a combinação entre ROLAP e MOLAP, pegando o melhor de ambas as categorias a escalabilidade de ROLAP e o alto desempenho do MOLAP.


    Fonte: Wikipedia
  • Os sistemas HOLAP (Hybrid Online Analytical Processing) como o acrónimo indica, são uma mistura dos dois sistemas anteriores, tentando explorar as vantagens de ambos e colmatar as fraquezas de cada um.

    Os sistemas ROLAP são capazes  de aceder aos dados numa dada base de dados relacional e gerar as queries (consultas) necessárias no momento em que o utilizador as solicita.

  • MOLAP armazena os dados de detalhe (fatos) e as agregações em um modelo multidimensional. Não faz uso da base de dados relacional para acessar os dados dos cubos. Necessita de um processamento constante do cubo, embora apresente melhor desempenho. (FCC/2014)

  • Dentre os mecanismos de armazenamento de dados em OLAP, pode-se adotar uma abordagem híbrida, que combina o armazenamento de dados detalhados em um modelo relacional, com agregações pré-calculadas no formato multidimensional. Esse é o HOLAP, ou hybrid OLAP.


ID
1501609
Banca
VUNESP
Órgão
TCE-SP
Ano
2015
Provas
Disciplina
Banco de Dados
Assuntos

Uma das formas de modelagem utilizada no desenvolvimento de data warehouses é a modelagem multidimensional. Nesse tipo de modelagem,

Alternativas
Comentários
  • As tabelas de Fatos contêm as métricas. Possui o caráter quantitativo das informações descritivas armazenadas nas Dimensões. É onde estão armazenadas as ocorrências do negócio e possui relacionamento de “muitos para um” com as tabelas periféricas (Dimensão).

    Matéria completa:

    http://corporate.canaltech.com.br/materia/business-intelligence/entendendo-a-modelagem-multidimensional-19988/

  • Gabarito: LETRA C

    a) Existe UMA tabela fato e VÁRIAS tabelas dimensões (mínimo de 2 por tabela fato)

    b) Existem sim chaves primárias para as tabelas fato e dimensão. Vale ressaltar que a chave primária da tabela fato é uma chave primária composta.

    c) Correto.

    d) Relacionamento 1:N (um para muitos)

    e) As tabelas dimensões admitem tanto atributos literais, como atributos numéricos.

  • eu jurava que as descrições de negócio eram armazenadas tá tabela dimensão

ID
1544266
Banca
FCC
Órgão
TCM-GO
Ano
2015
Provas
Disciplina
Banco de Dados
Assuntos

Quando o modelo de dados multidimensionais começa a ser definido, elementos básicos de representação precisam ter sido estabelecidos, de modo a se criar um padrão de modelagem. Considere um modelo em que as dimensões e fatos são representados em tabelas, podendo haver múltiplas dimensões e múltiplas tabelas de fatos.

Ao modelar cada tabela ...I... devem ser considerados os seguintes pontos:

- A chave primária é composta, sendo um elemento da chave para cada dimensão;

- Cada elemento chave para a dimensão deve ser representado e descrito na tabela ...II... correspondente (para efetuar a junção);

- A dimensão tempo é sempre representada como parte da chave primária.

Deve haver uma tabela ...III... para cada dimensão do modelo, contendo
- Uma chave artificial (ou gerada) genérica;
- Uma coluna de descrição genérica para a dimensão;
- Colunas que permitam ...IV... ;
- Um indicador nível que indica o nível da hierarquia a que se refere a linha da tabela.

As lacunas de a são corretas, e respectivamente, preenchidas com:

Alternativas
Comentários
  • Da para sacar que o item I é tabela de fatos quando ele começa dizendo que "A chave primária é composta..." 

  • LETRA C

    Questão tirada ao pé da letra do site MSDN.

    https://msdn.microsoft.com/pt-br/library/cc518031.aspx#XSLTsection126121120120

  • I. Para saber qual é a tabela de que esta lacuna trata, precisamos analisar suas características. A primeira delas é que sua chave primária é composta, havendo um elemento (chave estrangeira) para cada dimensão. Podemos ignorar, por ora, a segunda característica, já que esta contém uma lacuna. Por fim, na terceira característica, temos que sempre há um elemento temporal na chave primária da tabela.

    Essas características estão comumente associadas às tabelas fato, já que estas possuem chaves compostas pelas chaves estrangeiras que apontam para as dimensões. Se considerarmos que a dimensão tempo sempre está presente nos modelos, a chave primária da tabela de fatos sempre irá conter uma chave estrangeira para a chave da dimensão tempo.

    II. Como decorrência do que explicamos no item I, cada chave estrangeira da tabela de fatos deve fazer referência a uma dimensão, para que as junções possam ser realizadas.

    III. Bem, essa não é muito difícil. Para cada dimensão do modelo há uma tabela de dimensão! Isso é corroborado pelas características que são descritas em seguida, como o fato de possuir uma chave substituta.

    IV. Essa lacuna não pode ser avaliada de forma isolada, já que nela se encaixa qualquer característica das colunas das dimensões. Assim, nos utilizando das demais respostas, vemos que a resposta é efetuar os filtros, o que está correto, pois as características descritivas presentes nas dimensões são atributos que permitem a filtragem dos eventos da fato. Por exemplo, nas análises podemos filtrar os eventos da fato por ano, cidade, filial, etc.

    Gabarito: C


ID
1606993
Banca
FCC
Órgão
TRT - 3ª Região (MG)
Ano
2015
Provas
Disciplina
Banco de Dados
Assuntos

A modelagem multidimensional é utilizada especialmente para sumarizar e reestruturar dados e apresentá-los em visões que suportem a análise dos valores desses dados. Um modelo multidimensional é formado por dimensões, e por uma coleção de itens de dados composta de dados de medidas e de contexto, denominada

Alternativas
Comentários
  • O Star schema ou esquema em estrela é uma metodologia de modelagem de dados utilizada do desenho de um Data warehouse.

    Os dados são modelados em tabelas dimensionais ligadas a uma tabela de fatos. As tabelas dimensionais contêm as características de um evento. A tabela de fatos armazena os fatos ocorridos e as chave para as características correspondentes, nas tabelas dimensionais.

    O nome foi adotado devido a semelhança do modelo como uma estrela. No "centro" da estrela, existe a o que chamou tabela de fatos, rodeada por tabelas auxiliares, chamadas de dimensões. A tabela de fato conecta-se as demais dimensões por múltiplas junções e as tabelas de dimensões conectam-se com apenas uma junção a tabela de fatos.

    Fonte: https://pt.wikipedia.org/wiki/Esquema_estrela

  • A coleção de itens de dados referida, composta de dados de medida e de contexto, é chamada Tabela de Fatos. A chave dessa tabela é uma combinação das chaves das Tabelas de Dimensão, que são tabela menores e que possuem chaves simples.

  • Aos não assinantes,

    GABARITO: B

  • Tabela FATO: Medidas de negócio (ex.: métricas de desempenho) Tabela DIMENSÃO: Entidade de negócio
  • Tabela FATO: Medidas de negócio, medidas métricas quantitativas, valores ou indicadores (ex.: métricas de desempenho, quantidade, valor, lucro, margem, perda....) 

    Tabela DIMENSÃO: Entidade de negócio, armazenam atributos ou dimensões que descrevem/contextualizam medidas de uma tabela Fato. 
    Apresentam atributos qualitativos ou textuais (Ex: nome, sexo, data de nascimento...)


ID
1643254
Banca
CESPE / CEBRASPE
Órgão
TCU
Ano
2015
Provas
Disciplina
Banco de Dados
Assuntos

Julgue o item subsequente, a respeito de modelagem dimensional e análise de requisitos para sistemas analíticos.

Em uma modelagem dimensional que utilize o esquema estrela, a chave primária de uma tabela de fatos será a chave estrangeira na tabela de dimensões.

Alternativas
Comentários
  • Na realidade é o inverso. As tabelas de dimensões não possuem chaves estrangeiras relativas às tabelas de fato.

    Uma tabela de fato possui atributos relativos às chaves primárias das tabelas de dimensões, ou seja, estes atributos são chaves estrangeiras das tabelas de dimensão (e não chave estrangeira na tabela de dimensão).

    O conjunto destas chaves estrangeiras forma a chave primária (ou parte da chave primária) da tabela de fato.

    Gabarito: Errado.

  • ERRADO: Sobre a construção da tabela fato podemos dizer que, no modelo estrela, seus atributos são os fatos e as chave primárias das dimensões. Logo a alternativa encontra-se incorreta. Em outras palavras podemos dizer que as chaves primárias das tabelas dimensões serão chave estrangeira na tabela fato.

  • É o contrário. A chave Estrangeira da tabela Fato (FK) relaciona-se com a chave Primária (PK) da tabela Dimensão.
    OU, a chave primária de cada tabela de dimensões será uma chave estrangeira da tabela de fatos. 

  • FAMOSA INTEGRIDADE REFERENCIAL: a CHAVE ESTRANGEIRA de uma tabela destino(tabela dimensão) será CHAVE PRIMÁRIA na tabela origem(tabela fato); se isso não for respeitado, a integridade está violada.

    GAB) ERRADA

  • É exatamente o contrário. Uma tabela de fatos é geralmente composta por dois tipos de atributos: chaves estrangeiras que referenciam as dimensões e os próprios fatos (as medidas). A chave primária de uma tabela de fatos, então, é a dada pela composição das chaves estrangeiras que referenciam as dimensões.

  • Errado

    As chaves primárias das tabelas dimensão são chaves estrangeiras na tabela fato.

  • Tabela Fato: armazena valores, medidas, cálculos; tabela central; elemento tempochave primária composta.

    Tabela Dimensões: apresenta características pertinentes a dimensão em si; possui relacionamentos M:N entre eles; tabela(s) ao redor da central; chave primária simples.

    Esquema Estrela: tabela dimensão desnormalizada; rápido tempo de resposta e simplicidade; menor nº de tabelas; consultas mais simples; não há economia de espaçoligado diretamente com a tabela FATO

    Esquema Flocos de Neve (snowflake): tabela dimensão normalizada; mais complexo; maior n° de tabelas; consultas mais complexas; menos eficientes do que no modelo estrela; suporte a hierarquias de atributosAO MENOS UMA tabela NÃO está ligada diretamente a tabela fato. 

    Gabarito: Errado. Outras questões: Q929396, Q402738, Q842567, Q103251, Q869349, Q405051, Q925745, Q81743, Q883092, Q882067, Q841715, Q576136, Q607711

  • * As chaves primárias das tabelas de dimensão passam a ser chaves estrangeiras da tabela fato ;

    * A Chave Primária da tabela fato é uma chave composta pelas chaves estrangeiras referentes às tabelas dimensão.

  • As Tabelas Fato condensa diversas referências às Tabelas Dimensão – em geral, a primeira possui chaves estrangeiras que referenciam chaves candidatas (em geral, chaves primárias) da segunda.

    Prof. Diego Carvalho.

  • ERRADO.

    A tabela fato armazena as chaves estrangeiras, as quais são primárias nas tabelas de dimensão.

  • A questão simplesmente inverteu os conceitos, a chave estrangeira na tabela FATO que corresponde a chave primária da tabela DIMENSÃO. Lembrando que a chave primária da tabela fato é sempre composta e da dimensão é simples.


ID
1827853
Banca
FGV
Órgão
INEA-RJ
Ano
2013
Provas
Disciplina
Banco de Dados
Assuntos

Os principais componentes do esquema estrela de modelagem de dados multidimensionais são

Alternativas
Comentários
  • Esquema Relacional em Estrela

    A ‘caixa’ com o fato e seus atributos constituem a tabela de fatos.

    Cada dimensão e suas hierarquias constituem uma tabela de dimensão.

    Logo, os componentes são: a tabela de fatos, as tabelas dimensões (nas pontas das estrelas), os atributos (da tabela fato) e as hierarquias (da tabela dimensão).

     

    Para cada tabela de dimensão é gerada uma chave primária (“surrogate key”).

    A chave primária da tabela de fatos é a composição das chaves das tabelas de dimensão.

  • Gabarito Letra B
     

    Tipos de modelos multidimensionais
     

    Estrela (Star Schema) - possuem uma grande entidade central, chamada de Tabela Fato, e um conjunto de entidades menores (sem normas) denominadas Tabelas de Dimensões, arranjadas ao redor da Tabela Fato. Os relacionamentos entre Fato e Dimensões são simples ligações entre duas entidades em um relacionamento de "um para muitos" (1:N) no sentido da dimensão para o fato. É mais simples, mais rápida e os dados são redundantes (desnormalizados).
        = AS chaves primárias das tabelas dimensões serão chave estrangeira na tabela fato.

     

    Floco de Neve - é o resultado da decomposição de uma ou mais Tabelas de Dimensões. Nesse modelo, Tabelas Dimensionais relacionam-se com a Tabela de Fatos e algumas Tabelas de Dimensões relacionam-se apenas entre elas. De fato, esse modelo é o resultado da aplicação da terceira Forma Normal (3FN) sobre as entidades dimensão. É mais complexo, mais lento e os dados não são redundantes (normalizados).

    bons estudos

  • O modelo dimensional envolve dois componentes principais: uma tabela de fatos e dimensões. Essas dimensões possuem atributos, que muitas vezes seguem uma organização hierárquica, por exemplo, as hierarquias de datas ou geográficas. 


ID
1870375
Banca
ESAF
Órgão
ANAC
Ano
2016
Provas
Disciplina
Banco de Dados
Assuntos

A redução da dimensionalidade de uma base de dados altamente correlacionados é objetivo da Análise

Alternativas
Comentários
  • Análise de Componentes Principais (ACP) ou Principal Component Analysis (PCA) é um procedimento matemático que utiliza uma transformação ortogonal (ortogonalização de vetores) para converter um conjunto de observações de variáveis possivelmente correlacionadas num conjunto de valores de variáveis linearmente não correlacionadas chamadas de componentes principais. O número de componentes principais é menor ou igual ao número de variáveis originais.

     

    O pacote de software Weka (Waikato Environment for Knowledge Analysis) implementa uma biblioteca de Análise de Componentes Principais, além de outras técnicas de mineração de dados (data mining).

     

    https://pt.wikipedia.org/wiki/Análise_de_componentes_principais

     

    Gabarito: a)

  • NAO INTINDI NAAAAAAAADA !

  • Nos modelos de aprendizado de máquina, a utilização de muitas variáveis pode tornar o modelo complexo demais e fazer com que seu aprendizado não ocorra de forma satisfatória. A redução de dimensionalidade pode ser realizada de inúmeras maneiras, o que inclui métodos de fatorização ou decomposição de matrizes, como a análise de componentes principais (ACP ou PCA, em inglês).

  • Objetivo da ACP: Condensar a informação contida em diversas variáveis originais em um conjunto menor com uma perda mínima de informação.

    Indicada para quando há grande número de variáveis correlacionadas, e se objetiva reduzir o n° de variáveis, sem perda significativa da informação.

    Nos modelos de aprendizado de máquina, a utilização de muitas variáveis pode tornar o modelo complexo demais e fazer com que seu aprendizado não ocorra de forma satisfatória.

    A redução de dimensionalidade pode ser realizada de inúmeras maneiras, o que inclui métodos de fatorização ou decomposição de matrizes, como a análise de componentes principais (ACP ou PCA, em inglês).

    Explicação: https://www.youtube.com/watch?v=h-Xje7Klzw0


ID
1932697
Banca
CESPE / CEBRASPE
Órgão
TCE-SC
Ano
2016
Provas
Disciplina
Banco de Dados
Assuntos

No que concerne à modelagem dimensional, julgue o item que se segue.

Um modelo dimensional é composto por uma tabela com uma chave simples, denominada tabela de fatos, e um conjunto de tabelas maiores, que contém chaves compostas, conhecidas como tabelas de dimensão.

Alternativas
Comentários
  • Um modelo dimensional simples é composto por uma tabela fato e várias tabelas dimensão. A chave da tabela fato é composta pela chave, geralmente artificial, de cada uma das dimensões. A chave artificial geralmente é uma chave simples.

    http://www.estrategiaconcursos.com.br/blog/prova-da-semana-comentario-da-prova-do-tce-sc-auditor-tecnologia-da-informacao-bd-e-bi/

  • OK, mas qual o erro da questão então?

  • @Karina Yogi: o erro está em dizer que a chave da tabela fato é simples, quando é composta pelas chaves das tabelas dimensão.

  • Tudo errado,

    Um modelo dimensional é composto por uma tabela com uma chave simples, denominada tabela de fatos, e um conjunto de tabelas maiores, que contém chaves compostas, conhecidas como tabelas de dimensão.

    Um modelo dimesional é composto por chave composta, denominida da tabela fatos, e um conjunto de tabelas menores, que contém chaves simples, conhecidas como tabelas dimensão.

    Importante ressaltar, a tabela fato é composta pela chave artificial e todas chave estrangeiras( chaves simples da tabela dimensão).

  • tabela de fato não é chave simples, é chave COMPOSTA

  • Tabela dimensão é chave primaria

  • As bancas gostam bastante de inverter os conceitos apresentados para confundir o candidato. Neste caso, as fatos é que possuem as chaves compostas pelas chaves estrangeiras que referenciam as dimensões, enquanto que as dimensões costumam possuir chaves substitutas.

  • CARACTERÍSTICAS DE TABELAS FATO
     Armazenam ocorrências, eventos ou fatos de um processo de negócio da organização.
     Possuem geralmente uma grande quantidade armazenada de registros ou tuplas.
     São normalizadas e sem hierarquia (decomposições em outras tabelas).
     São tabelas que geralmente crescem verticalmente: mais registros ou linhas.
     Armazenam medidas/métricas quantitativas (valores ou indicadores).
     Podem ser medidas de desempenho, métricas operacionais, medidas agregadas, etc.
     Contêm chaves estrangeiras que correspondem às chaves primárias das Tabelas Dimensão.
    Apresentam uma chave primária composta em que a dimensão tempo sempre é parte integrante.
     Expressam, em geral, relacionamentos de 1:N entre as Tabelas Periféricas (Dimensão).
     São efetivamente criadas apenas após a criação de tabelas dimensionais.
     Respondem à pergunta: “O que está sendo medido nesse processo de negócio?”.
     Exemplos: Quantidade, Valor, Lucro, Margem, Perda, entre outros.

     

    CARACTERÍSTICAS DE TABELAS DIMENSÃO
     Armazenam atributos ou dimensões que descrevem medidas de uma Tabela Fato;
     Possuem geralmente menos linhas e mais colunas que Tabelas Fato;
     São desnormalizadas e com hierarquia (decomposições em outras tabelas).
     Possuem uma chave primária que identificam unicamente seus registros;
     As chaves primárias das Tabelas Dimensão compõem a chave primária da Tabela Fato;
     São tabelas que geralmente crescem horizontalmente: mais atributos ou colunas;
     Apresentam atributos qualitativos ou textuais (Ex: Nome, Sexo, Data de Nascimento);
     Permitem a visualização de fatos por meio de diversas perspectivas diferentes;
     Atributos devem ser verbosos, descritivos, completos, discretos e corretos;
     Respondem à pergunta: "Quando?", "O que?", "Onde?" e "Quem?";
     Exemplos: Pessoas, Produtos, Lugares, Tempo, entre outros.

  • A Chave Primária da tabela fato é uma CHAVE COMPOSTA pelas Chaves Estrangeiras referentes às tabelas dimensão. Já as tabelas dimensão possuem UMA CHAVE PRIMÁRIA que identificam unicamente os seus registros.

  • TABELAS FATO: Apresentam uma chave primária composta em que a dimensão tempo sempre é parte integrante.

    Prof. Diego Carvalho

  • Fato: chave primaria composta

    Dimensão : chave primaria simples

  • A tabela fato possui uma chave primária, e esta é composta por chaves estrangeiras (com características dos eventos ocorridos, fazendo referência à chave primária) ligadas às dimensões. Já a tabela dimensão possui, apenas, uma única chave primária simples que identifica univocadamente seus registros.

  • Tabela fato é composta de várias chaves estrangeiras que são referenciadas pelas tabelas de dimensão. Estas últimas possuem as chaves primárias.

  • GABARITO E

     

    Outra essa questão fresquinha sobre esse assunto. Bom para reforçar e complementar o conhecimento.

     

    (CESPE 2020/ Min. Economia)

    Uma tabela de fatos registra dados dimensionais que explicam os fatos registrados. ERRADO.

    tabela fato: chave primária composta ligadas às dimensões. São normalizadas e sem hierarquia (decomposições em outras tabelas).

    tabela dimensões: chave primária simples. São desnormalizadas e com hierarquia (decomposições em outras tabelas). 

    Fonte: copia e cola do qc.

  • A tabela fato armazena os eventos ocorridos decorrentes dos processos de negócio. As tabelas dimensão, por sua vez, contêm as características ou descrições das entidades de negócio.

    A tabela de fatos possui uma chave primária composta e as tabelas de dimensão possuem uma chave primária simples. Apenas a tabela de fatos apresenta sempre o elemento tempo como parte da estrutura de sua chave.

    ERRADO.


ID
2214931
Banca
IDECAN
Órgão
INMETRO
Ano
2015
Provas
Disciplina
Banco de Dados
Assuntos

A modelagem multidimensional é uma técnica de concepção e visualização de um modelo de dados de um conjunto de medidas que descrevem aspectos comuns de negócios. Um modelo multidimensional é formado por três elementos básicos. Assinale‐os.

Alternativas
Comentários
  • Três elementos básicos compõem o modelo multidimensional: (MACHADO, 2004)

    ·   Fatos: é uma coleção de itens de dados composta de medidas. É utilizado para analisar o processo de negócio de uma empresa, refletindo assim a evolução dos negócios do dia-a-dia desta empresa. Ele é implementado em tabelas denominadas tabelas de fato (fact tables) e representado por valores numéricos;

    ·   Dimensões: são os elementos que participam de um fato e que determinam o contexto de um assunto de negócios. As dimensões podem ser compostas por membros que podem conter hierarquias. Membros são as possíveis divisões ou classificações de uma dimensão. Por exemplo, a dimensão tempo, pode ser dividida nos seguintes membros: ano, trimestre e mês, e a dimensão localização em: cidade, estado e país;

    ·    Medidas (variáveis): são os atributos numéricos que representam um fato, ou seja, representam o desempenho de um indicador de negócios relativo às dimensões que participam desse fato. Uma medida é determinada pela combinação das dimensões que participam de um fato e estão localizados como atributos de um fato. Por exemplo, o valor em reais das vendas, o número vendido de unidades de produtos e a quantidade em estoque.

    FONTE: https://goo.gl/T7TMdI

  • Modelagem multidimensional:- É utilizada para sumarizar e reestruturar dados e apresenta-los em visões que suportem a análise de valores desses dados. É formado por fatos, dimensões e medidas.

    Alternativa: D


ID
2265772
Banca
VUNESP
Órgão
Prefeitura de São José dos Campos - SP
Ano
2015
Provas
Disciplina
Banco de Dados
Assuntos

Na modelagem multidimensional, um de seus componentes é a tabela fato, sobre a qual é correto afirmar que, em sua composição típica,

Alternativas
Comentários
  • Alternativa A: não existe esta restrição;

    Alternativa B (GABARITO):

    Uma tabela de fatos, ou simplesmente tabela-fato, contém uma grande quantidade de tuplas que correspondem aos fatos observados decorrentes de processos de negócios e links externos, sendo formada por atributos descritivos necessários para realizar a análise de decisões e relatórios de consulta.

    Alternativa C:

    Embora seja raro, um fato pode ser textual. Na maioria dos casos, uma medida textual é uma descrição de algo e é gerada a partir de uma lista discreta de valores.

    Alternativa D:

    Todas as tabelas de fatos têm duas ou mais chaves estrangeiras, que se conecta às chaves primárias das tabelas de dimensões

    A própria tabela de fatos tem sua própria chave primária composta formada por um subconjunto das chaves estrangeiras

    Alternativa E: não existe esta restrição

    Fonte: Ramon Souza, Exponencial Concursos

  • Vunesp com suas assertivas absurdas! Até qm não estudou, consegue acertar!:(


ID
2306005
Banca
CESPE / CEBRASPE
Órgão
SEDF
Ano
2017
Provas
Disciplina
Banco de Dados
Assuntos

Com relação aos conceitos de modelagem multidimensional de dados para inteligência computacional, julgue o seguinte item.

Diferentemente da estrutura relacional, a estrutura multidimensional oferece baixa redundância de dados e suporte a normalização até a segunda forma normal.

Alternativas
Comentários
  • Sabemos que o modelo em estrela, mais utilizado no desenho ou projeto de bases de dados analíticas, utiliza-se de alta redundância e baixa normalização para apresentar um modelo de dados numa estrutura mais compreensiva para os usuários finais. Essa construção facilita ainda a navegação entre as diversas dimensões do modelo, facilitando a construção de relatórios. Podemos, então, concluir que a afirmação está incorreta.

     

    Fonte: https://www.estrategiaconcursos.com.br/blog/prova-da-semana-comentario-da-prova-do-sedf-tecnologia-da-informacao-bd-e-bi/

  • O modelo relacional tanbem oferece suportebao nivel de segunda forma normal na normalização de dados- ERRADO
  • ERRADO

    Estrutura Relacional
    Possui, alta redundância e permite Normalização

  • Baixa redundância -> Modelos normalizados (Relacional)

    Alta redundância -> Modelos multidimensionais (Busca pesquisas mais rápidas, não precisa de normalização)

  • multidimensional me lembra muita informação... que me lembra redundância 

  • A estrutura relacional diferencia-se da estrutura multidimensional principalmente devido a normalização, pouca redundância e a frequência de atualizações suportadas. A estrutura multidimensional possui, normalmente, desnormalização de tabelas, alta redundância e suporta periodicidade de atualizações de dados muito menor do que uma estrutura relacional convencional.

     

     

    GABARITO: ERRADO

    FONTE: Canaltech.com

  • A estrutura multidimensional é, geralmente, desnormalizada. O modelo snowflake permite que se tenha algumas dimensões normalizadas, mas esta não é a regra para a modelagem dimensional.

  • Errado, A estrutura relacional diferencia-se da estrutura multidimensional principalmente devido a normalização, pouca redundância e a frequência de atualizações suportadas. A estrutura multidimensional possui, normalmente, desnormalização de tabelas, alta redundância e suporta periodicidade de atualizações de dados muito menor do que uma estrutura relacional convencional.

    https://canaltech.com.br/business-intelligence/entendendo-a-modelagem-multidimensional-19988/#:~:text=O%20OLAP%20possui%20um%20conjunto,de%20banco%20de%20dados%20multidimensional.

  • Gabarito: Errado.

    Alta redundância...

  • ESTRUTURAL RELACIONAL

    - Baixa Redundância

    - Normalização (Diminui a redundância)

    - Alta capacidade para atualizações frequentes na base de dados

    ESTRUTURA DIMENSIONAL

    - Alta Redundância

    - DESNormalização (Tolera, permite alto grau de redundância)

    - Baixa capacidade para atualizações frequentes na base de dados

  • ERRADO

    MODELAGEM RELACIONAL (baixa redundância)

    - Aplicações Transacionais

    - Foco no nível operacional

    - Modelo normalizado em todas as tabelas

    - Dados voláteis e passíveis de alteração

    - Modelo mais complexo

    MODELAGEM MULTIDIMENSIONAL (alta redundância)

    - Aplicações Analíticas

    - Foco no nível estratégico

    - Modelo desnormalizado

    - Dados históricos e não voláteis

    - Modelo mais simples e intuitivo


ID
2306008
Banca
CESPE / CEBRASPE
Órgão
SEDF
Ano
2017
Provas
Disciplina
Banco de Dados
Assuntos

Com relação aos conceitos de modelagem multidimensional de dados para inteligência computacional, julgue o seguinte item.

A operação drill-across permite buscar informações que vão além do nível de granularidade existente na estrutura dimensional, desde que elas estejam unidas por dimensões compatíveis.

Alternativas
Comentários
  • Errado.

    O Drill Across ocorre quando o usuário pula um nível intermediário dentro de uma mesma dimensão.

    Exemplo: a dimensão tempo é composto por ano, semestre, trimestre, mês e dia.

     

    O usuário executa um drill across quando ele passar de ano direto para semestre ou mês.

     

     

    Fonte: Tecnologia e projeto de Data Warehouse - Felipe Nery

  • erreii

     

     

    fui de certa baseado nesta questao

    entendi que dimensoes compartilhadas seria o mesmo que dimensoes compatíveis

     

    2013

    A operação OLAP que permite relacionar fatos diferentes através de dimensões compartilhadas é denominada

     

    a)

    pivoteamento.

    b)

    drill down.

    c)

    drill up.

    d)

    drill across.

    e)

    slice and dice.

     

  • A alternativa foi inspirada no livro do Carlos Barbieri, BI2: Business Intelligence. Segundo o autor, o comando de DRILL-ACROSS permite o tratamento das informações que, embora correlacionadas, estão em estruturas de esquema separadas, porém unidas por algumas dimensões coerentes. Funciona como uma operação de junção dimensional, entre estruturas relacionadas. Em outras palavras o comando DRILL-ACROSS faz uma equivalência entre esquemas dimensionais quando unidos por dimensões compatíveis. Vejam que não é está a definição descrita na questão, que portanto, está incorreta. O conceito da questão está associado ao termo DRILL-THROUGH.

    O conceito de DRILL-THROUGH está relacionado com a ideia de você desejar uma informação em um nível de detalhe menor do que aquele colocado na tabela fato e permitido pala sua granularidade. Seria essa operação que permite uma busca de informações além do nível de granularidade existente na estrutura dimensional.

     

    Fonte: https://www.estrategiaconcursos.com.br/blog/prova-da-semana-comentario-da-prova-do-sedf-tecnologia-da-informacao-bd-e-bi/

  • ERRRADO

    Basta Gravar: Drill-Across é SEMPRE NA MESMA DIMENSÃO

    Se você ir para outra dimensão estará dando um DRILL-TRHOUGHT

  • Não sei o que é pior: um cara que coloca um inútil comentário em inglês ou quem o classifica como útil...

     

  • Segue uma dica para não ter erro:


    Drill-Throught: ocorre quando o usuário passa de uma informação contida em uma dimensão para outra.

    Drill-across: significa mudar de uma classificação em uma dimensão para outra em uma dimensão diferente.

  • (ERRO EM VERMELHO) A operação drill-across permite buscar informações que vão além do nível de granularidade existente na estrutura dimensional, desde que elas estejam unidas por dimensões compatíveis.

    ---------------------------------------------------------------------------------------------------------------

    Drill Across

    -Executa uma consulta envolvendo mais de uma tabela fato.

    -Ocorre quando o usuário pula um nível intermediário dentro de uma mesma dimensão.

    -Essa operação exige que os dois cubos tenham pelo menos uma das dimensões em comum.

    -A ideia é você conseguir consultar as múltiplas tabelas fato e colocar o resultado em um único data set.

     

    Drill Throught

    -Ocorre quando o usuário passa de uma informação contida em uma dimensão para uma outra.

    -Exemplo: Inicia na dimensão do tempo e no próximo passo analisa a informação por região.

    - Permite as empresas acesso aos dados que não estão armazenados no servidor OLAP, fazendo-as acessíveis para os usuários finais das aplicações OLAP

    –Esses dados podem vir tanto do DW quanto das bases transacionais.

    ---------------------------------------------------------------------------------------------------------------

     

    Fonte: Minhas anotações

  • O erro da questão é dizer que o drill-across busca informações além da granularidade existente na estrutura dimensional. Essa operação conjuga métricas de diversas fatos em um mesmo nível de agregação, desde que elas estejam unidas por dimensões compatíveis.

  • Operações OLAP:

    Drill Down = permite a navegação entre os níveis de dados que vão desde o mais sumarizado (genérico) até o mais detalhado, permitindo visualizar dados detalhados, até o menor nível de granularidade da tabela de fatos. Apresenta dados do nível mais alto da hierarquia para níveis mais baixos.

    Roll Up (Drill Up) = permite a navegação entre os níveis de dados que vão desde o mais detalhado até o mais sumarizado (genérico). É o operador que se relaciona ao processo de apresentar dados do nível mais baixo da hierarquia de dados de um esquema para níveis mais altos.

    Drill-Across = permite ao usuário pular um nível intermediário dentro de uma mesma dimensão.

    Drill-Through = permite atravessar de uma informação contida em uma dimensão para uma informação contida em outra dimensão. Permite buscar informações que vão além do nível de granularidade existente na estrutura dimensional.

    Slice-and-Dice = tem como função extrair sub-cubos a partir de seleções e projeções. A Operação Slice permite ao usuário recuperar um subconjunto geralmente bidimensional de uma matriz multidimensional que corresponde a um valor simples atribuído a uma ou mais dimensões. Ou seja, executa uma seleção em uma dimesão do cubo. Já a Operação Dice permite ao usuário recuperar um subconjunto geralmente tridimensional de uma matriz multidimensional de acordo com algum critério específico. Ou seja, executa a seleção em duas ou mais dimensões.

    Pivot (Rotação) = permite ao usuário realizar uma alteração de uma hierarquia ou orientação dimensional para outra (Tabulação transversal) (Ex: inverter as dimensões entre linhas e colunas, e rotacionar eixos de um cubo provendo uma visão alternativa dos dados, permitindo a visão de suas várias faces).

  • MUITA INFORMAÇÃO CONTRADITÓRIA AQUI NOS COMENTÁRIOS.

    Aqui vai a explicação do TEC Concursos pra essa questão:

    Vejamos o conceito de DRILL-ACROSS segundo BARBIERI (2011):

     

    "está relacionado com a ideia de você poder 'pular' de um esquema para outro, desde que ambos tenham algumas dimensões em conformidade, ou seja, as mesmas dimensões estão compartilhadas. (...). O DRILL-ACROSS faz o equivalente entre esquemas dimensionais, quando unidos por dimensões compatíveis."

     

    Vejamos agora o conceito de DRILL-THROUGH segundo o mesmo autor:

    "O conceito de DRILL-TROUGH está relacionado com a ideia de você desejar uma informação em nível de detalhe menor do que aquele colocado na tabela fato e permitido pela sua granularidade. (...) O DRILL-TROUGH permite uma busca de informações além do nível de granularidade existente na estrutura dimensional".

     

    Assim, podemos ver que a operação que vai além do nível de granularidade é o DRILL-THROUGH, e não o DRILL-ACROSS.

     

     Logo, a questão está ERRADA.

  • drill-across: dentro da mesma dimensão.

  • ERRADO

        - Drill Across - dentro de uma mesma dimensão

          - Drill Through - de uma dimensão para outra

  • Operação Drill Down: você vai aumentar o nível de detalhes, descendo na hierarquia das dimensões e reduzindo a granularidade.

    Operação Roll Up/Drill UP: você vai reduzir o nível de detalhes, subindo na hierarquia das dimensões e aumentando a granularidade.

    Operação Drill-Across: PULA O DETALHE o pular um nível intermediário de detalhe dentro de uma mesma dimensão. Exemplo: pula de país para bairro.

    Operação Drill-Through:  OUTRA DIMENSÃO  atravessa uma informação contida em uma dimensão para uma informação contida em outra dimensão. Exemplo: atravessar de mês para cidade.

    Operação Slice-and-Dice:

    Slice: É como se fatiássemos um cubo gerando um resultado com apenas duas dimensões – slice é fatiar, em inglês. bidimensional.

    DICE: permite ao usuário recuperar um subconjunto geralmente tridimensional de uma matriz multidimensional de acordo com algum critério específico. GERA UM SUBCUBO A PARTIR DE UM CUBO MAIOR.

    Operação Pivot (Rotação): alteração de uma hierarquia ou orientação dimensional para outra (Ex: inverter as dimensões entre linhas e colunas), nova visão da mesma fatia..

  • O que você sabe é uma gota, o que ignora é um oceano.

    ass: Informática

    Para : Letícia

  • GAB. ERRADO

      Drill Across = dentro de uma mesma dimensão.

      Drill Through = de uma dimensão para outra.


ID
2306011
Banca
CESPE / CEBRASPE
Órgão
SEDF
Ano
2017
Provas
Disciplina
Banco de Dados
Assuntos

Com relação aos conceitos de modelagem multidimensional de dados para inteligência computacional, julgue o seguinte item.

Ao se modelar uma tabela-fato, deve-se considerar que a chave primária é composta e que a dimensão tempo sempre será parte integrante dessa chave.

Alternativas
Comentários
  • Na modelagem dimensional, a chave primária da tabela-fato é composta pelas chaves primárias das tabelas-dimensão que estão ligadas diretamente a essa fato. Além disso, toda tabela-fato deve ter uma dimensão tempo associada a ela. Dessa forma podemos afirmar que a questão está correta.

  • cespe SEMPRE cobra isso

     

    Tempo é uma dimensão importante que TODOS os DW's devem suportar

  • Dimensão tempo é sempre representada como parte da chave primária

  • Questão conceito, ou seja, GRAVEM!

  • Segundo esta fonte [1], essa questão tá certa!!!

    Segundo esta outra [2], tá errada!!!

    Eles[1] justificam que "o texto afirma explicitamente que a dimensão tempo fará parte da tabela fato, sendo isso incorreto. Eles não justificam muito além disso, mas dá pra inferir q é na parte q "o texto afirma explicitamente que a dimensão tempo fará parte da tabela fato", e afirmam q faltou explicitar a Tabela fato!

    E jogam o abacaxi para as mãos do aluno: "Sugiro que você organize os recursos". Ou seja, te vira, dá teus pulos no google.books, escholar etc!!!

    Já esta terceira [3] diz q tá certa!!!

    Tá mais parecendo aquele episodio do disco voador do Chaves...já chegou o disco voadorrrr; não, já se foi; não já chegou; já se foi, já chegou, já se foi....kk. Aqui está o video:

    https://www.youtube.com/watch?v=l9vJSVn1_QU

    Nem mesmo eles se entendem....que dirá os alunos!!!

    Fonte:

    [1] Ponto dos concursos.

    [2] Estratégia

    [3] Exponencial

  • Toda Tabela Fato deve conter uma dimensão tempo, já que a dimensão é parte da chave composta.

    outra questão:

    Ano: 2017 Órgão: TCE PE  Provas:  AUDITOR

    A respeito da modelagem dimensional, julgue o próximo item.

    Todas as tabelas de um modelo apresentam um elemento de tempo como parte da estrutura de chave.

    ERRADO, só a tabela de fato

  • Galera, gravem que a chave primária da TABELA-FATO é sempre COMPOSTA, seguem questões que eu vi que cobraram isso:

    (TRT/MS – 2017) Uma das formas de apresentação de um banco de dados multidimensional é através do modelo estrela. No centro de um modelo estrela encontra-se a tabela de:

    a) dimensão e, ao seu redor, as tabelas de fatos.

    b) dimensão, cuja chave primária deve ser composta.

    c) núcleo e, ao seu redor, as tabelas de nível.

    d) fatos, cuja chave primária deve ser simples. (A chave primária da tabela-fato deve ser composta)

    e) fatos e, ao seu redor, as tabelas de dimensões.

    Resp: E

    (TCE/SC - 2016) Um modelo dimensional é composto por uma tabela com uma chave simples, denominada tabela de fatos, e um conjunto de tabelas maiores, que contém chaves compostas, conhecidas como tabelas de dimensão. (A tabela-fato deve conter chave composta)

    Gab. Errado


ID
2439595
Banca
FEPESE
Órgão
JUCESC
Ano
2017
Provas
Disciplina
Banco de Dados
Assuntos

Sobre conceitos e ferramentas OLAP, considere as seguintes afirmativas:
1. HOLAP refere-se às ferramentas OLAP híbridas, utilizando técnicas ou gerenciadores de banco de dados relacionais e multidimensionais.
2. ROLAP refere-se às implementações OLAP baseadas em gerenciadores de bancos de dados relacionais.
3. MOLAP refere-se às implementações OLAP baseadas em gerenciadores de bancos de dados multidimensionais.
Assinale a alternativa que indica todas as afirmativas corretas.

Alternativas
Comentários
  • Rolap - Olap Relacional: Ferramentas OLAP que acessam bancos de dados relacionais

     

    Molap - Olap Multidimensional : Ferramentas OLAP que acessam banco de dados multidimensionais por meio de cubos e hipercupos

     

    Holap - Olap Híbrido: Ferramenta OLAP que permitem acesso tanto aos bancos de dados relacionais como multidimensionais

     

    Somete a 1 está errada.

     

    Fonte:

    Tecnologia e Projeto de Data Warehouse -  Machado

     

  • De acordo com a definição do Rodrigo Marcelo, a 1 estaria correta também. 

  • Rodrigo Marcelo, 

     

    A assertiva I está correta também, segue abaixo:

     

    " Alguns produtos combinam as abordagens de ROLAP e MOLAP formando o OLAP HÍBRIDO (HOLAP)" (Date)

     

    Att,

  • Acredito que o erro esteja em "utilizando técnicas ou" na primeira afirmativa.


ID
2479135
Banca
COPEVE-UFAL
Órgão
MPE-AL
Ano
2012
Provas
Disciplina
Banco de Dados
Assuntos

Um modelo de banco de dados multidimensional está mais fortemente relacionado com

Alternativas
Comentários
  • Um modelo de banco de dados multidimensional está mais fortemente relacionado com data warehouse.

    Alternativa: A


ID
2479237
Banca
COPEVE-UFAL
Órgão
MPE-AL
Ano
2012
Provas
Disciplina
Banco de Dados
Assuntos

Nos bancos de dados espaciais, pode-se realizar consultas de proximidade, por região etc. Nesse contexto, bons índices são necessários para o acesso eficiente aos dados espaciais, que normalmente são de duas ou mais dimensões. Qual das opções abaixo não é adequada para a construção desses índices?

Alternativas
Comentários
  • Árvore B

    Não adequada para índice


ID
2518093
Banca
FCC
Órgão
TRT - 24ª REGIÃO (MS)
Ano
2017
Provas
Disciplina
Banco de Dados
Assuntos

Uma das formas de apresentação de um banco de dados multidimensional é através do modelo estrela. No centro de um modelo estrela encontra-se a tabela de

Alternativas
Comentários
  • Tem-se a tabela fato como centro do modelo, com várias dimensões ao seu redor. Gabarito alternativa E

  • Só para enriquecer os comentários

     

    d) fatos, cuja chave primária deve ser simples. 

    Errada. Pois a tabela fatos está relacionada à Chave Estrangeira - FK

     

     

  • Gabarito LETRA E.

    No esquema estrela (star scheme) a tabela FATO fica ao centro, sendo ligada a pelo menos 2 tabelas DIMENSÃO. Além disso, vale dizer que a chave primária da tabela FATO é sempre composta/concatenada, eliminando então a possibilidade da letra D ser o gabarito da questão.

  • Questão fácil! Você já sabe que, no modelo dimensional, a tabela fato está no centro do modelo e as dimensões ficam ao redor. O interessante dessa questão é só comentar que a chave primária das dimensões deve ser simples e substituta, como diz Kimball, enquanto que as chaves primárias das fatos são compostas pelas chaves estrangeiras que referenciam as dimensões.

    Gabarito: E


ID
2522527
Banca
CESPE / CEBRASPE
Órgão
TCE-PE
Ano
2017
Provas
Disciplina
Banco de Dados
Assuntos

A respeito da modelagem dimensional, julgue o próximo item.


No modelo floco de neve (snow flake), todas as tabelas estão relacionadas diretamente com a tabela de fatos, e as tabelas dimensionais devem conter todas as descrições necessárias para definir uma classe nelas mesmas.

Alternativas
Comentários
  • Comentário: Essa alternativa nós falamos sobre ela na revisão de ontem. O modelo floco de neve possui pelo menos uma dimensão normalizada, ou seja, ao menos uma tabela não está ligada diretamente a tabela fato. Sendo assim, temos mais uma alternativa incorreta.

    Gabarito Preliminar: E. Gabarito Oficial: E.

  • 2015

    Uma vez que os esquemas floco de neve possuem menor redundância do que os esquemas estrela, sua manutenção é mais fácil de ser realizada.

    Certa

     

  • No esquema floco de neve, as dimensões podem estar representadas por mais de uma tabela e, portanto, determinadas tabelas podem estar ligadas a tabelas dimensão e não diretamente a tabelas fato. No esquema flocos de neve, as tabelas dimensão são organizadas em uma hierarquia gerada a partir da normalização, geralmente, até a terceira forma normal. Assim, o esquema floco de neve é resultado da decomposição de uma ou mais dimensões que possuem hierarquias entre seus membros.

  • Os Modelos Snowflake acrescentam graus de normalização às tabelas de dimensões do Modelo Estrela, eliminando redundâncias e a necessidade do indicador NÍVEL.

  • No modelo Floco as tabelas dimensionais relacionam-se com a tabela de fatos, mas algumas dimensões relacionam-se apenas entre elas, isto ocorre para fins de normalização das tabelas dimensionais, visando diminuir o espaço ocupado por estas tabelas

  • Falso. A característica do modelo floco de neve é justamente a existência de dimensões ligadas a outras dimensões, em obediência à terceira forma normal.

    Gabarito: E

  • Se a questão trocasse "floco de neve (snow flake)" por modelo estrela ela estaria correta!

  • Generalizar na Internet é fria. (TODAS)

  • todas > generalizou

  • O ESQUEMA FLOCOS DE NEVE É BASICAMENTE UMA TABELA DE FATOS CENTRAL CONECTADA A VÁRIAS TABELAS DE DIMENSÃO, SENDO POSSÍVEL HAVER VÁRIAS TABELAS PARA CADA DIMENSÃO.

    GABARITO: ERRADO.

    DIEGO CARVALHO.


ID
2522530
Banca
CESPE / CEBRASPE
Órgão
TCE-PE
Ano
2017
Provas
Disciplina
Banco de Dados
Assuntos

A respeito da modelagem dimensional, julgue o próximo item.


Todas as tabelas de um modelo apresentam um elemento de tempo como parte da estrutura de chave.

Alternativas
Comentários
  • Essa questão nós falamos sobre ela em vários momentos do nosso curso. É sabido que a dimensão tempo, pelo contexto analítico do DW, está presente nos modelos. Contudo, é importante perceber que a dimensão tempo é apenas uma das tabelas dimensões do seu modelo. A chave primária da dimensão tempo é referenciada por uma chave estrangeira na tabela fato. Sendo assim, a alternativa está incorreta, pois, apenas a tabela de dimensão tempo e a tabela fato possuem elementos de tempo como parte da sua estrutura.

  • E por que o gabarito e C então?
  • Ou anula a questão ou troca o gabarito para C. Não existe modelagem dimensional em que todoas as tabelas dimensão apresentem um elemento de tempo.

  • Questão está errada

  • cai no peguinha

    Dimensão de TEMPO está sempre presente

  • ERRADA

    O Gabarito Final foi alterado e a questão provavelmente anulada.

    No tocante a questão o correto seria: Toda Tabela Fato deve conter uma dimensão tempo, já que a dimensão é parte da chave composta

  • Gabarito E: Apenas as tabelas fato. 

  • O CESPE costuma considerar que toda fato tem uma chave estrangeira referenciando a dimensão temporal, então as chaves primárias dessas fatos teriam sim, em sua composição, o elemento tempo. Contudo, o mesmo não se aplica às dimensões. Kimball recomenda que se use chaves substitutas, que não possuem nenhum significado implícito.

  • É sabido que a dimensão tempo, pelo contexto analítico do DW, está presente nos modelos. Contudo, é importante perceber que a dimensão tempo é apenas uma das tabelas dimensões do seu modelo. A chave primária da dimensão tempo é referenciada por uma chave estrangeira na tabela fato. Sendo assim, a alternativa está incorreta, pois, apenas a tabela da dimensão tempo e a tabela fato possuem elementos de tempo como parte da sua estrutura.

     

    Apenas a tabela de fatos apresenta sempre o elemento tempo como parte da estrutura de sua chave. E não "todas as tabelas" como trouxe a questão.

  • Apenas a tabela de fatos apresenta sempre o elemento tempo como parte da estrutura de sua chave.

    tabela de fatos possui uma chave primária composta e as tabelas de dimensão possuem uma chave primária simples.

    Uma tabela de fato armazena o que tiver ocorrido, e a tabela de dimensão contém as características descritivas de um evento.

  • É gelada generalizar na Internet !! (TODAS)

  • ERRADO

    tabela fato: armazena valores, medidas, cálculos... São normalizadas e sem hierarquia (decomposições em outras tabelas). A ÚNICA QUE POSSUI ELEMENTO DE TEMPO.


ID
2527708
Banca
CESPE / CEBRASPE
Órgão
TCE-PE
Ano
2017
Provas
Disciplina
Banco de Dados
Assuntos

Julgue o próximo item, relativo à modelagem dimensional.


No modelo estrela, os dados são modelados em tabelas dimensionais, ligadas a uma tabela fato; uma tabela dimensão armazena o que tiver ocorrido, e a tabela fato contém as características de um evento.

Alternativas
Comentários
  • Nesta questão o CESPE inverteu a definição das tabelas. O modelo estrela, de fato, apresenta diversas dimensões ligadas a uma tabela fato. Contudo, a tabela fato contém os eventos, as medidas ou os fatos ocorridos. Já as dimensões armazenam as características que descrevem o evento. Alternativa, portanto, incorreta.

  • 2010

    A tabela de fatos armazena todos os eventos ocorridos na empresa, possibilitando ao gestor a consulta de todo o seu histórico.

    Errada

    Ano: 2014 Banca: CESPE

    Na modelagem multidimensional, é possível haver mais de uma tabela fato no mesmo modelo. A tabela fato expressa a relação N:M (muitos-para-muitos) entre as dimensões, que, por sua vez, implementam a visão e a interface do usuário ao DataWarehouse.

    Certa

    2015

    Uma tabela de fatos em um data warehouse armazena os valores detalhados de medidas, ou de valores observados, e as identifica com ligação para tabelas de dimensão.

    Certa

     

  • O modelo ou esquema estrela tabela fato central conectada a várias tabelas dimensão. No entanto, a questão inverteu os conceitos de tabela fato e tabela dimensão. A tabela fato armazena os eventos ocorridos decorrentes dos processos de negócio. As tabelas dimensão, por sua vez, contém as características ou descrições das entidades de negócio.

  • Propriedades do esquema em estrela

     

    Uma única tabela de factos contendo dados, sem redundância. Uma tabela por dimensão. As chaves primárias, da tabela de factos, são apenas de uma por dimensão. Cada chave é gerada (eficiência) Cada dimensão representa um única tabela, altamente desnormalizada.

     

    Vantagens

     

    A simetria do desenho e a simplicidade semântica faz com que este modelo disponibilize ao utilizador comum toda a informação necessária sobre o funcionamento da sua organização, o reduzido número de joins beneficia o desempenho e tudo isto faz com que este modelo tenha uma baixa e fácil manutenção.

     

    Desvantagens

     

    Não fornece explicitamente suporte para hierarquias de atributos e as tabelas dimensionais são um problema. As tabelas de dimensão, por não estarem normalizadas, contém repetição das informações. Não são adequadas para uso transaccional pois uma alteração simples (como de o nome de um país) poderia gerar a necessidade de várias alterações no banco de dados (para todas as linhas de municípios).

  • O examinador simplesmente inverteu os conceitos. A tabela fato armazena as ocorrências dos eventos e as dimensões as características.

  • Direto ao ponto: a tabela FATO armazena FATOS

  • Os conceitos foram invertidos, simples.

     

    CESPE-TCEPE2017) No modelo estrela, os dados são modelados em tabelas dimensionais, ligadas a uma tabela fato; uma tabela dimensão armazena o que tiver ocorrido, e a tabela fato contém as características de um evento. ERRADO

    Obs: Vermelho=erro

    Tabela fatos: armazena valores, medidas, cálculos...

    Tabela dimensões: apresenta características pertinentes a dimensão em si.

    @rotinaconcursos

  • O Esquema Estrela é basicamente uma Tabela de Fatos central conectada a várias Tabelas de Dimensão em um relacionamento 1:N, sendo uma única tabela para cada dimensão.

    Uma característica importante desse modelo é que as Tabelas de Dimensão são desnormalizadas, isto é, possuem dados redundantes. Porque a redundânciaem bancos de dados multidimensionaisajuda a melhorar o desempenho de consultas.

    FONTE: Prof Diego Carvalho (Estratégia)

  • Uma tabela de FATO ARMAZENA O QUE TIVER OCORRIDO, e a tabela de DIMENSÃO CONTÉM AS CARACTERISTICAS DESCRITIVAS DE UM EVENTO.

  • ERRADO

    O desempenho do modelo Snowflake é pior que o do modelo Estrela, justamente por causa da normalização. Sem as redundâncias, as consultas envolvem um número maior de tabelas para acessar, o que acaba deixando a performance mais lenta.

    - ESTRELA -> NÃO NORMATIZADA

    - FLOCO DE NEVE -> NORMATIZADA

  • A tabela fato armazenar eventos, e as tabelas dimensões armazenarem características do evento, é válido também para o esquema flocos de neve ou apenas para o esquema estrela ?

  • ERRADO

    O Esquema Estrela é basicamente uma Tabela de Fatos central conectada a várias Tabelas de Dimensão em um relacionamento 1:N, sendo uma única tabela para cada dimensão.

  • No modelo estrela, os dados são modelados em tabelas dimensionais, ligadas a uma tabela fato; uma tabela FATO armazena o que tiver ocorrido, e a tabela DIMENSÃO contém as características de um evento.


ID
2588044
Banca
CESPE / CEBRASPE
Órgão
TCE-PB
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

A modelagem dimensional é uma técnica de projeto de banco de dados capaz de suportar, em um data warehouse, consultas de usuários finalísticos ligados a um negócio. Conceitos como tabela-fato, tabela agregada e métricas fazem parte da modelagem dimensional. A respeito dessa modalidade de modelagem, julgue os itens a seguir.


I Uma tabela-fato armazena, para fins estatísticos, as medições de desempenho.

II A tabela agregada é composta de atributos e contém a descrição do negócio.

III A tabela agregada é utilizada para reduzir o tempo de acesso de uma consulta ao banco de dados.

IV Métricas são as informações que se armazenam em tabela-fato e permitem medir o desempenho dos processos do negócio.

V As métricas não aditivas, assim como os valores percentuais ou relativos, podem ser manipuladas livremente.


Estão certos apenas os itens

Alternativas
Comentários
  • I- Incorreto: Uma tabela-fato armazena, para fins estatísticos, as medições de desempenho.

    Os atributos de análise de decisão das tabelas fato consistem em medidas de desempenho, métricas operacionais, medidas agregadas e todas as outras métricas necessárias para analisar o desempenho da organização.

     

    II- Incorreto: A tabela agregada dimensão é composta de atributos e contém a descrição do negócio.

    tabela agregada é criada com dados da tabela fato, alterando sua granularidade, ou seja, ela sumariza os dados, gerando uma tabela menor.

    As tabelas de dimensão representam entidades de negócios e constituem as estruturas de entrada que servem para armazenar informações como tempo, geografia, produto, cliente. As tabelas de dimensão geralmente representam relacionamentos hierárquicos no negócio (por exemplo, produtos se associam a subcategorias que se associam a categorias). Dizemos que elas possuem característica qualitativa dentro de um DW.

     

    III- Correto: A tabela agregada é utilizada para reduzir o tempo de acesso de uma consulta de banco de dados.

    tabela agregada é utilizada para otimizar o tempo de acesso de uma consulta ao banco de dados. É importante avaliar bem o ambiente para definir quais agregações devem ser criadas; a utilização das mesmas requer um esforço adicional de manutenção, além de aumentar o gasto com armazenamento, por isso deve-se sempre tentar criar tabelas agregadas que atendam a múltiplas consultas.

     

    IV- Correto: Métricas são as informações que se armazenam em tabela-fato e permitem medir o desempenho dos processos do negócio.

    Métricas (por vezes chamadas de medidas ou fatos) são as informações armazenadas nas tabelas fato que permite medir o desempenho dos processos do negócio. As métricas são geralmente volumétricas, numéricas, podem ou não ser agregadas e na maioria das vezes são do tipo aditivas, ou seja, permitem operações como adição, subtração e médias. Existem também outros dois tipos de métricas, as métricas não aditivas e as semi-aditiva.

     

    V- Incorreto: As métricas não aditivas, assim como os valores percentuais ou relativos, podem ser manipuladas livremente.

    As medidas não-aditivas ou fatos não-aditivos não podem ser adicionados. Em geral, para agregar as linhas é necessário percorrer uma linha por vez. Ex.: porcentagem de vendas.

    https://www.exponencialconcursos.com.br/tce-pb-comentarios-prova-de-analise-de-informacoes-gabarito-extraoficial/

  • No link que você passou a questão I está correta.

  • Justificativa para anulação

     http://www.cespe.unb.br/concursos/TCE_PB_17/arquivos/TCE_PB_17_JUSTIFICATIVAS_DE_ALTERA____ES_DE_GABARITO.PDF

     

    Q98. A redação do item I permite dupla interpretação, fato que prejudicou o julgamento objetivo da questão.

  • I. Na minha opinião, esta alternativa está correta. Uma tabela fato armazena vários tipos de medições, incluindo medições de desempenho, para diversos fins, incluindo fins estatísticos. A banca inicialmente deu o gabarito como errada, mas depois considerou que a redação era ambígua e anulou o item. ANULADA

    II. Uma tabela agregada é uma fato. A agregação dos registros da fato, como ocorre nas fatos de Snapshot Periódico, é uma técnica que visa reduzir a quantidade de registros nessa tabela, melhorando a performance de consulta. ERRADA

    III. Como acabei de explicar, as tabelas fato agregadas melhoram a performance de consulta, reduzindo assim o tempo de acesso. CERTA

    IV. As métricas são armazenadas nas fatos e permitem realizar diversas medições a respeito do negócio, incluindo o desempenho dos processos. CERTA

    V. Não! As métricas não aditivas não podem ser somadas ou subtraídas umas das outras no momento da agregação. Portanto, elas não podem ser manipuladas livremente. ERRADA

     

    Gabarito: I, III e IV (ANULADA)

  • Acompanho o voto do professor sobre o item I ser correto. Tanto que ele é muito parecido com o item III, que foi justamente considerado correto.


ID
2608048
Banca
CESPE / CEBRASPE
Órgão
CGM de João Pessoa - PB
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Com relação à modelagem dimensional e à otimização de bases de dados para business intelligence, julgue o item subsequente. 


O modelo snowflake acrescenta graus de normalização às tabelas de dimensões, eliminando redundâncias; em termos de eficiência na obtenção de informações, seu desempenho é melhor que o do modelo estrela, o qual, apesar de possuir um único fato, possui tamanho maior que o do snowflake, considerando-se a desnormalização das tabelas de dimensões. 

Alternativas
Comentários
  • O gabarito é Errado.

     

    O desempenho do modelo Snowflake é pior que o do modelo Estrela, justamente por causa da normalização. Sem as redundâncias, as consultas envolvem um número maior de tabelas para acessar, o que acaba deixando a performance mais lenta. 

  • Seu desempenho é pior do que o modelo estrela

  • O erro está em afirmar que o desempenho é melhor. Na verdade é inferior ao Star Schema, devido à normalização dos dados.

  • 2014

    O Data Warehouse tem como principal objetivo armazenar dados históricos por meio dos esquemas snow flake ou star schema. O primeiro armazena os dados em dimensões que podem não estar ligadas diretamente à tabela fato; o segundo é voltado para armazenamento de dados não estruturados ou textuais.

    errada

    Ano: 2014 Banca: CESPE

    Na modelagem multidimensional, é possível haver mais de uma tabela fato no mesmo modelo. A tabela fato expressa a relação N:M (muitos-para-muitos) entre as dimensões, que, por sua vez, implementam a visão e a interface do usuário ao DataWarehouse.

    Certa

    2015

    Na modelagem dimensional, implementada em sistemas de data warehouse, o esquema snowflake caracteriza-se por possuir diversas tabelas de fatos e de dimensões, sendo estas últimas organizadas hierarquicamente na terceira forma normal (3FN).

    errada

  • snowflake tem menor redundância que o esquema estrala

  • Estrela

    - Tabela Dimensão Desnormalizada

    - Rápido tempo de resposta e simplicidade

    -Menor nº de tabelas

    -Consultas mais simples

    Flocos de Neve

    -Tabela dimensão normalizada

    - Mais complexo

    -Maior n° de tabelas

    -Consultas mais complexas

  • Há dois erros aqui: dizer que o desempenho do snowflake é melhor que o do esquema estrela na recuperação de informações e que o esquema estrela é maior que o snowflake, quando consideramos o grau de normalização das tabelas.

    Quando estamos falando de modelagem dimensional, a regra é basicamente a seguinte:

    Esquema estrela -> dimensões desnormalizadas -> modelo menor e mais simples, com menos tabelas -> mais redundâncias (ocupa mais espaço em disco), porém melhor performance de leitura

    Esquema snowflake -> uma ou mais dimensões normalizadas -> modelo maior e mais complexo, com mais tabelas -> menos redundâncias de dados, porém pior performance de leitura

    Observe que há um trade-off, uma escolha, entre ter um modelo mais simples, com menos tabelas e melhor performance de leitura, e ter um modelo mais complexo, porém com menos redundâncias de dados. A escolha de adotar ou não uma abordagem snowflake vai sempre depender de cada cenário específico.

  • - No Modelo Estrela os dados estão desnormalizados, isto é, estão redundantes e replicados, logo não há economia de espaço.

    - O Modelo Snowflake acrescenta graus de normalização às tabelas de dimensões, eliminando redundâncias. No entanto, como os dados estão normalizados, as consultas são mais complexas e a obtenção de informações será menos eficientes do que no Modelo Estrela. Esse modelo fornece explicitamente suporte a hierarquias de atributos.

  • O modelo snowflake acrescenta graus de normalização às tabelas de dimensões, eliminando redundâncias; em termos de eficiência na obtenção de informações, seu desempenho é melhor que o do modelo estrela, o qual, apesar de possuir um único fato, possui tamanho maior que o do snowflake, considerando-se a desnormalização das tabelas de dimensões.

    O modelo estrela possui melhor desempenho em relação ao modelo flocos de neve

  • Em contraste com o esquema estrela, apresenta consultas mais complexas, mais lentas, mas com manutenção mais fácil. Como as tabelas são normalizadas, existe menos redundância de dados, portanto ocupa-se menos espaço. Além disso, como há tabelas de dimensão conectadas a outras tabelas de dimensão, existe uma hierarquia

  • O Modelo Snowflake realmente acrescenta graus de normalização às tabelas de dimensões,

    eliminando redundâncias. No entanto, como os dados estão normalizados, as consultas são mais

    complexas e a obtenção de informações será menos eficientes do que no Modelo Estrela.

    Gabarito: Errado

  • ERRADO

    - ESTRELA -> NÃO NORMATIZADA

    - FLOCO DE NEVE -> NORMATIZADA

  • A consulta no modelo estrela é mais eficiente. É só pensar na visualização dos dois modelos... Quando vc faz a normalização, acaba criando mais tabelas, então a quantidade de joins será maior, a consulta será mais complexa que no modelo estrela.

  • ERRADO

    O snow flake ou floco de neve tende a ter pior desempenho nas consultas visto que esse esquema é normalizado. O esquema estrela ou star schema não é normalizado.


ID
2630509
Banca
FAURGS
Órgão
HCPA
Ano
2016
Provas
Disciplina
Banco de Dados
Assuntos

Em um modelo dimensional, a tabela fatos armazena

Alternativas
Comentários
  • Fatos
        Coleção de itens de dados composta de dados de medidas e de contexto.
        Valor aditivo
        Métrica
        Expressam relação muitos-para-muitos

     

     

    Letra D

  • CARACTERÍSTICAS DE TABELAS FATO
     Armazenam ocorrências, eventos ou fatos de um processo de negócio da organização.
     Possuem geralmente uma grande quantidade armazenada de registros ou tuplas.
     São normalizadas e sem hierarquia (decomposições em outras tabelas).
     São tabelas que geralmente crescem verticalmente: mais registros ou linhas.
    Armazenam medidas/métricas quantitativas (valores ou indicadores).
    Podem ser medidas de desempenho, métricas operacionais, medidas agregadas, etc.
     Contêm chaves estrangeiras que correspondem às chaves primárias das Tabelas Dimensão.
     Apresentam uma chave primária composta em que a dimensão tempo sempre é parte integrante.
     Expressam, em geral, relacionamentos de 1:N entre as Tabelas Periféricas (Dimensão).
     São efetivamente criadas apenas após a criação de tabelas dimensionais.
     Respondem à pergunta: “O que está sendo medido nesse processo de negócio?”.
     Exemplos: Quantidade, Valor, Lucro, Margem, Perda, entre outros.


ID
2646208
Banca
CESPE / CEBRASPE
Órgão
TCM-BA
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Acerca de modelagem dimensional, assinale a opção correta.

Alternativas
Comentários
  • Bizu

    A)Existem 6 tipos de Fatos
    Fato transacional->Mais comuns, usam métricas aditivas que pode se somar por todas dimensões;
    Fato agregada-> Função acelerar o desempenho das consultas, consolidam Coisas;
    Fato consolidada->Diferente da tabela agregada server para consolidar duas fatos(no processo ETL as duas fatos são carregadas e misturadas);
    Fato snapshot periódico->Baseada no tempo, seja data,dia , semana ou hora(pega um momento períodico, tira uma fotografia e insere no fato);
    Fato de snapshot acumulado - >também é uma fotografia entretanto em mais de um momento;
    Fato sem fato(factless fact table)-> Fato sem métricas, serve para fazer intersecção de dimensões, cruzamento para comparações, pode inserir fatos fakes sem conteúdo apenas para cruzamento entre dimensões.

     

    B)Dimensão e Fato são obrigatórias e se complementam- São Tabelas !
    Tabela Fato armazena as métricas e ass chaves estrangeiras

     

    C)Mode Estrela (Star Schema) -> As Dimensões não são normalizadas !

     

    D)Modelo floco de neve(SnowFlake) -> Diferente do modelo start Schema a tabela é NORMALIZADA tendo um desempenho pior pois aumenta o número de tabelas com a normalizaçã, consequencia seria aumentatr o espaço de armazenamento mas fiquei em dúvida nessa alternativa.

     

    E) não compreendi.

  • Não vejo erro na alternativa D.

  • d) O modelo floco de neve (SnowFlake) aumenta o espaço de armazenamento dos dados dimensionais, pois acrescenta várias tabelas ao modelo, todavia torna mais simples a navegação por software que utilizarão o banco de dados.

    Não torna nada de mais simples justamente pelo fato das tabelas dimensões serem normalizadas nesse modelo, então quanto mais tabelas mais dificil a navegação e menos desempenho.

     e) Os códigos e as descrições associadas, usadas como nomes de colunas em relatórios e como filtros em consultas, não devem ser gravados em tabelas dimensionais.

    Aqui ta dizendo que os valores dos atributos descritivos não devem ser gravados em tabelas dimensionais, hora se essas descrições não forem gravas como iremos analisar um fato? Para isso existem as tabelas dimensões para gravar esses valores

  • É importante deixar claras as diferenças entre os modelos estrela e snowflake:

     

    1. Star Schema (Estrela): Mais popular, mais rápido, com uma tabela por dimensão. É menos flexível e desperdiça espaço, pois repete as mesmas descrições ao longo de toda a tabela. Possui uma tabela de fato e várias tabelas para cada dimensão, e propõe uma visão com a presença de dados redundantes nas tabelas de dimensão.

    · Normalização: Não normaliza as dimensões.

    · ​Espaço de armazenamento: Alto, pois por não haver normalização das tabelas, há muitos registros duplicados.

    · ​Integridade: Mais propensa a problemas de integridade dos dados, devido a duplicação, dificultando futuras modificações e manutenções.

    · ​Complexidade de query: Menos tabelas. Não há necessidade de relacionar muitas tabelas diferentes, logo a consulta é mais fácil.

    · ​Utilização: Data mart, pois o espaço de armazenamento exigido é pequeno e busca-se facilidade nas consultas de query.

     

    2. Snowflake Schema (Floco de Neve): Variação do modelo estrela. Ele reduz o espaço de armazenamento, mais flexível, porém mais lento. Apresenta o resultado da decomposição de uma ou mais dimensões que possuem hierarquias entre seus membros.

    · Normalização: Tabelas de dimensão são normalizadas.

    · ​Espaço de armazenamento: Reduzido, pois a normalização reduz a quantidade de registros redundantes.

    · ​Integridade: Maior facilidade para realizar futuras modificações e manutenções, pois há pouca redundância de dados.

    · ​Complexidade de query: Por haver mais tabelas as consultas são maiores e mais complexas.

    · ​Utilização: Data warehouse, pois dessa forma é possível economizar muito espaço de armazenamento.

  • Aos não assinantes,

    GABARITO: A

  • Entendi que a questão pedia quais eram as granularidades. granularidade e tipos de fatos sao as mesmas coisas ??
  • a) Isso mesmo. São as granularidades consideradas por Kimball que mostramos durante a nossa aula. Transacional armazena os registros individuais, tendo as transações como seu grão. Snapshot periódico armazena uma “fotografia”, que contém registros agregados ao fim de um determinado período de tempo. Snapshot acumulado é um tipo de granularidade que permite a atualização de registros, aplicável quando se tem a representação de um processo com etapas intermediárias bem definidas. CERTA

    b) O fato de serem componentes de um cubo não impede que os dados estejam armazenados em um banco de dados, seja ele relacional ou multidimensional. ERRADA

    c) Podemos deixar a alternativa correta somente trocando a palavra “normalizadas” por “desnormalizadas”. A desnormalização objetiva tornar mais ágeis as consultas analíticas. ERRADA

    d) O snowflake diminui o espaço necessário para o armazenamento dos dados em relação ao esquema estrela, já que a normalização realizada elimina dados redundantes. Além disso, a navegação no modelo normalizado se torna mais complexa, devido ao aumento do número de estruturas no modelo e por consequência do maior número de operações de junção entre tabelas que são necessárias para se extrair os dados. ERRADA

    e) Os códigos e descrições utilizados como filtros e geralmente como nomes de colunas em relatório são justamente os dados que são armazenados em dimensões. ERRADA

  • A) CORRETO As tabelas fatos podem ser estruturadas de três forma distintas que representam a forma como queremos armazenar as informações: transacional, snapshot periódico e snapshot acumulado. Essa classificação vai influenciar a escolha da granularidade da tabela fato.

    B) ERRADO Os fatos e dimensões são tabelas dos bancos de dados multidimensionais estruturados em uma base relacional.

    C) ERRADO No modelo estrela as dimensões não são normalizadas. A normalização aparece nos modelos floco de neve e tem por objetivo reduzir a redundância dos dados e não a melhora do desempenho das consultas.

    D) ERRADO Pela justificativa da alternativa anterior, podemos observar que o modelo floco de neve reduz o espeço de armazenamento quando reduz a redundância dos dados.

    E) ERRADO Cada dimensão deve conter os atributos descritivos sobre os dados armazenados na tabela fato.

    Fonte: https://www.estrategiaconcursos.com.br/blog/gabarito-extraoficial-tcm-ba-analise-de-informacoes-tem-recurso/

  • Existem três granularidades fundamentais para classificar todas as tabelas fato: transacional, snapshot periódico, ou snapshot acumulado. Cada um dos tipos básicos de tabelas fato estão em:

    ·        transacional: Uma linha na tabela fato transacional corresponde a uma medida de um ponto no espaço e tempo e o grão da transação dessa tabela fato é a mais dimensional e expressiva das tabelas fato;

    ·        snapshot periódico: Uma linha em uma tabela fato snapshot periódico sumariza muitas medidas ocorridas em um período padrão, tal como dia, semana ou mês, ou seja, o grão é o período, não a transação individual;

    ·        snapshot acumulado: Uma linha em uma tabela fato snapshot acumulado sumariza muitas medidas ocorridas entre o início e o fim de um fluxo de trabalho ou processo, ou seja, o grão são as etapas do fluxo.

    Modelo Estrela (Star): o esquema estrela é uma estrutura simples, com poucas tabelas e ligações bem definidas, assemelha-se ao modelo de negócio e facilita a leitura e entendimento por todos. O nome estrela está associado à disposição das tabelas de dimensão e de fatos do modelo.

    Tabela de fatos é a tabela dominante de um esquema de modelagem tipo estrela (Star Schema), criado pelo Dr. Ralph Kimball, em um modelo multidimensional, e tem como característica principal a presença de dados altamente redundantes (desperdício de espaço) para se obter um melhor desempenho. A tabela de fatos, no "centro" da estrela, fica rodeada por tabelas auxiliares, chamadas de tabelas de dimensão. 

    Modelo Floco de Neve (Snow Flake): é uma variação do esquema estrela, no qual todas as tabelas de dimensão são normalizadas na segunda forma normal (2FN), ou seja, são retirados das tabelas os campos que são funcionalmente dependentes de outros campos que não são chaves. O Snow Flake reduz o espaço de armazenamento, é mais flexível (facilita evolução das Tabelas Dimensão), mas é mais lento. Recomenda-se utilizar o esquema floco de neve apenas quando a linha de dimensão (número de atributos da tabela) ficar muito longa e começar a ser relevante do ponto de vista de espaço de armazenamento.

    Uma vez que os esquemas floco de neve possuem menor redundância do que os esquemas estrela, sua manutenção é mais fácil de ser realizada.

  • e) Os códigos e as descrições associadas, usadas como nomes de colunas em relatórios e como filtros em consultas, não devem ser gravados em tabelas dimensionais.

    ERRADA. Justamente por serem descrições dos atributos, os mesmos devem ser armazenados nas tabelas dimensionais.

  • Questões de multipla escolha são muito legais kkk eu não sabia se a letra "a" estava errada ou não, mas eu sabia que as outras estavam erradas kkkk

    • ESQUEMA ESTRELA
    • ALTA REDUNDÂNCIA - ALTA PERFORMANCE - ALTA OCUPAÇÃO DE ESPAÇO EM DISCO
    • ESQUEMA FLOCOS DE NEVE
    • BAIXA REDUNDÂNCIA - BAIXA PERFORMANCE - BAIXA OCUPAÇÃO DE ESPAÇO EM DISCO
    • Fato transacional->Mais comuns, usam métricas aditivas que pode se somar por todas dimensões;
    • Fato agregada-> Função acelerar o desempenho das consultas, consolidam Coisas;
    • Fato consolidada->Diferente da tabela agregada server para consolidar duas fatos(no processo ETL as duas fatos são carregadas e misturadas);
    • Fato snapshot periódico->Baseada no tempo, seja data,dia , semana ou hora(pega um momento períodico, tira uma fotografia e insere no fato);
    • Fato de snapshot acumulado - >também é uma fotografia entretanto em mais de um momento;
    • Fato sem fato(factless fact table)-> Fato sem métricas, serve para fazer intersecção de dimensões, cruzamento para comparações, pode inserir fatos fakes sem conteúdo apenas para cruzamento entre dimensões.

ID
2680297
Banca
CESPE / CEBRASPE
Órgão
EBSERH
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Com relação a banco de dados, julgue o item seguinte.


Diferentemente dos bancos de dados transacionais, a modelagem de bancos de dados multidimensionais é caracterizada pelo uso de tabelas fato e tabelas periféricas, que armazenam, respectivamente, a transação e as dimensões.

Alternativas
Comentários
  • Banco de Dados Multidimensionais características:

    Utiliza a modelagem para representação de dados :

    Tabelas fato
    As tabelas Fatos contém as métricas. Possui o caráter quantitativo das informações descritivas armazenadas nas Dimensões. É onde estão armazenadas as ocorrências do negócio e possui relacionamento de “muitos para um” com as tabelas periféricas (Dimensão).

     

    Tabela dimensão

    As tabelas dimensão têm uma relação 1:N com a tabela fato e possuem um número significativamente menor de linhas do que as tabelas fato.
    possui a Chave Primária (PK)
    Caráter QUALITATIVO

    Elementos, entidades, que participam de algum fato, o "por" dos dados

     

    Tipo de modelos de dados:
        Star-Schema
        Snowflake

     

     

    Certo

  • Gabarito Certo

    Modelo multidimensional é uma técnica de modelagem conceitual de negócios, que facilita a investigação, o resumo e a organização de dados para a análise de negócios. Formado por relações entre dimensões e fatos.

    O modelo multidimensional relaciona tabelas de fatos com tabelas de dimensões em um banco de dados do tipo OLAP, possibilitando inúmeras combinações.

    Sua modelagem é realizada de forma a ganhar performance nas consultas, possuindo regras diferentes das relacionais em sua modelagem. O modelo multidimensional visa somente consultas analíticas.

     

     

    "Retroceder Nunca Render-se Jamais !"
    Força e Fé !
    Fortuna Audaces Sequitur !

  • Na minha opinião o que não soou bem foi a palavra [transação] na frase, logo que li, a questão pareceu estar errada. Além do mais, continuo sem entender o significado de transação nessa frase.

     

    Diferentemente dos bancos de dados transacionais, a modelagem de bancos de dados multidimensionais é caracterizada pelo uso de tabelas fato e tabelas periféricas, que armazenam, respectivamente, a [transação] e as dimensões.

  • Existem 6 tipos de fatos:

    Fato transacional
    Fato agregada
    Fato consolidada
    Fato snapshot periódico
    Fato de snapshot acumulado
    Fato sem fato

    Fonte: https://rafaelpiton.com.br/data-warehouse-tipos-fatos/

    COMPLEMENTANDO: A questão a seguir menciona explicitamente tipos de fatos. http://qconcursos.com/questoes-de-concursos/questao/caed8e2b-3f 

  • Na minha humilde opinião a questão está incorreta. 

    O termo "transação" é utilizado em bancos de dados OLTP ou transacionais. Quando falamos em banco de dados multidimensional (datawarehouse) utilizamos os termos "fatos" e "dimensões" (correto). As tabelas fato guardam os valores agregados ou seja as métricas (erro da questão no meu ponto de vista, não é "transação") e as dimensões contem informações para realizar as análises multidimensionais (slice, dice, etc)

  • Certo

    A Modelagem de Dados é um instrumento de grande importância, na formatação de estruturas capazes de serem implantadas e compreendidas pelos  Sistemas Gerenciadores de Banco de Dados. Constitui a camada fundamental de processos operacionais das empresas.

     

    Fonte: LIMA, Jailson Camargo. Banco de Dados Multidimensional  /  Jailson Camargo de Lima. FundaçãoEducacional do Município de Assis – FEMA – Assis, 2011. 52 p.
     

  • Errei porque analisei o "que armazenam" se referindo a tabelas periféricas. faltou uma leitura mais atenta.
  • Ótima definição. O modelo dimensional costuma ser representados pelas tabelas fato (que contêm dados das transações) no centro e das dimensões (que contêm os dados qualitativos) estando representadas ao redor.

  • Comentários do Professor Diego Carvalho - Estratégia Concursos:


    Perfeito! Essa modelagem utiliza uma tabela de fatos central e várias tabelas periféricas chamadas de tabelas de dimensão. Eu não gosto do uso do termo “transação” para os dados contidos na tabela de fatos – a questão trata transação como um evento ou acontecimento. Por que, professor? Porque pode confundir com o conceito tradicional de transação em um banco de dados.

     

    Gabarito: Correto

  • Veja a resolução da questão no vídeo do Professor Vinícius Gnandt: https://youtu.be/p4egQ7PEbdQ

  • CERTO.

    TABELA DE FATO ----> ARMAZENA INFORMAÇÕES QUANTITATIVAS DE ANALISES DOS DADOS.( MEDIDAS, METRICAS).

    TABELA DIMENSÃO OU PERIFÉRICA ----> ARMAZENA ATRIBUTOS OU DIMENSÕES DESSES OBJETIVOS CONTIDOS NA TABELA DE FATO.

    "VOCÊ É O QUE VOCÊ PENSA, É O SR DO SEU DESTINO."


ID
2696497
Banca
SUGEP - UFRPE
Órgão
UFRPE
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

No modelo multidimensional, significa, de forma simplificada, a redução do escopo dos dados em análise, além de mudar a ordem das dimensões, mudando, desta forma, a orientação segundo a qual os dados são visualizados. Trata-se de:

Alternativas
Comentários
  • A QUESTÃO trata-se da operação do OLAP:

    Slice and Dice: Permite rotacionar um cubo de modo a visualizar os dados sob diferentes faces, modificando a orientação dimensional do cubo.São operações para realizar navegação por meio dos dados na visualização de um cubo.

    Redução do escopo dos dados em análise

    Muda a ordem das dimensões

     

     

    Meu mapa mental: https://uploaddeimagens.com.br/imagens/olap-png

     

     

  • Gabarito A

    O Slice and Dice é uma das principais características de uma ferramenta OLAP. Como a ferramenta OLAP recupera o microcubo, surgiu a necessidade de criar um módulo que se convencionou de Slice and Dice para ficar responsável por trabalhar esta informação. Ele serve para modificar a posição de uma informação, alterar linhas por colunas de maneira a facilitar a compreensão dos usuários e girar o cubo sempre que tiver necessidade.

     

     

    "Retroceder Nunca Render-se Jamais !"
    Força e Fé !
    Fortuna Audaces Sequitur !

  • errei tanto que to acertando por osmose...

     

    NUNCA DESISTA!

  • Slice and Dice: são operações para realizar navegação por meio de dados na visualização de um cubo. É a redução do escopo dos dados em análise.

    Alternativa: A


ID
2696500
Banca
SUGEP - UFRPE
Órgão
UFRPE
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

São modelos fortemente associados à estrutura de um banco de dados multidimensional:

Alternativas
Comentários
  • Modelo de dados Multidimensionais:

     

    Modelo Estrela - Star

    Consiste em uma tabela de fato com várias tabelas para cada dimensão e propõe uma visão cuja principal característica é a presença de dados redundantes nas tabelas de dimensão.

     

     

     

    Floco de Neve - SnowFlake

    Resultado da decomposição de uma ou mais DIMENSÕES que possuem hierarquias entre seus membros

    Resultado da 3FN    sobre as entidades DIMENSÃO. (Machado)

     

    Fonte: meu mapa mental

    https://uploaddeimagens.com.br/imagens/modelo_estrela_-_star-png

     

    https://uploaddeimagens.com.br/imagens/floco_de_neve_-_snowflake-png

  • Gabarito C

    - Star Schema - mais popular, mais rápido, só 1 Tabela por Dimensão (menos flexível).

    Um dos problemas do Star Schema, é que ele desperdiça espaço,

    repetindo as mesmas descrições ao longo de toda a tabela;

     

    - SnowFlake ( Floco de Neve ) - é uma extensão / variação do Star Schema.

    Ao contrário do Star Schema, o SnowFlake reduz o espaço de armazenamento.

    É mais flexível ( facilita evolução das Tabelas Dimensão ) , mas é mais lento.

    Igual ao modelo Estrela, exceto pela Normalização das Tabelas Dimensão(e pela Hierarquia nas mesmas ( poder haver mais de uma) ).

    Dificultam as implementações de ferramentas de visualizações de dados.

     

     

    "Retroceder Nunca Render-se Jamais !"
    Força e Fé !
    Fortuna Audaces Sequitur !

  • ou traduz tudo ou não traduz nada.

    maluquice falar star scheeme e floco de neve.


ID
2726788
Banca
FUNRIO
Órgão
AL-RR
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Em modelagem multidimensional, o esquema em que as tabelas de dimensão estão ligadas apenas a uma tabela de fatos, ou seja, todas as dimensões estão sem normas, com todos os níveis em uma só tabela é o

Alternativas
Comentários
  • Em modelagem multidimensional, o esquema em que as tabelas de dimensão estão ligadas apenas a uma tabela de fatos(várias tabelas dimensões e apenas uma tabela fato), ou seja, todas as dimensões estão sem normas(ou seja desnormalizadas), com todos os níveis em uma só tabela é:

    CARACTERÍSTICAS DO MODELO STARSCHEMA:

    - DESNORMALIZADA;

    - Grande desempenho;

    - Poucos Join entre as tabelas dimensões e fato;

    - Dados redundantes;

     

    Gabarito letra B;

  • Starschema = estrela!!!   não é normalizado

  • a) DataMart: pequeno data warehouse, abrange uma área específica. É um depósito de dados especializado, orientado por assunto, integrado, volátiil e variável no tempo;

    b) Starschema (Gabarito);

    c) Snowflake: um dos esquemas multidimensionais. É uma variação do esquema estrela, em que as tabelas dimensões são organizadas em uma hierarquia ao normalizá-las.

    d) TopDown: é um tipo de visão multidimensional que vai do alto nível mais geral, ao nível mais detalhado.

     

     

    At.te

    Foco na missão!!!!


ID
2788897
Banca
CCV-UFC
Órgão
UFC
Ano
2013
Provas
Disciplina
Banco de Dados
Assuntos

Esquema estrela, ETL e drill down podem, respectivamente, ser definidos como:

Alternativas
Comentários
  • Star schema ou esquema em estrela é uma metodologia de modelagem de dados utilizada do desenho de um Data warehouse.

    Os dados são modelados em tabelas dimensionais ligadas a uma tabela de fatos. As tabelas dimensionais contêm as características de um evento. A tabela de fatos armazena os fatos ocorridos e as chave para as características correspondentes, nas tabelas dimensionais.

    O nome foi adotado devido a semelhança do modelo como uma estrela. No "centro" da estrela, existe a o que chamou tabela de fatos, rodeada por tabelas auxiliares, chamadas de dimensões. A tabela de fato conecta-se as demais dimensões por múltiplas junções e as tabelas de dimensões conectam-se com apenas uma junção a tabela de fatos.

    Desta forma a consulta ocorre inicialmente nas tabelas de dimensão e depois nas tabelas de fatos, assegurando a precisão dos dados por meio de uma estrutura de chaves onde não é preciso percorrer todas as tabelas, garantindo um acesso mais eficiente de com melhor desempenho.

     

     

    ETL

    E - Extract

    T - Transform

    L-Load

     

     

    Drill down - termo utilizado para detalhar uma informação dentro de análises OLAP

    Drill up - é o inverso, ou seja, partindo de uma informação detalhada a mesma é sumarizada em uma informação mais macro.

     

    GABARITO ITEM E

     

    https://pt.wikipedia.org/wiki/Esquema_estrela

    http://intelectivo.com.br/conteudo/10-termos-imprescindiveis-sobre-business-intelligence/

     

  • Eu não concordo com a descrição, para o Esquema Estrela, indicado na alternativa E. O Esquema Estrela é empregado como técnica de modelagem multidimensional, e não, propriamente, como um método de otimização.

  • GABARITO ''E''

    O processo ETL consiste na extração (leitura de dados de uma ou mais

    bases de dados), transformação (conversão dos dados extraídos de sua forma

    anterior para a forma em que precisa estar para que possa ser colocado em um

    data warehouse ou simplesmente outro banco de dados), e carga (colocar os

    dados no data warehouse)

    Drill Down / Up: navegação entre os níveis de dados que vão desde o

    mais resumido até o mais detalhado (baixo).

    ▪ Aqui cabe um parêntese para falar de nível de granularidade.

    Nível de granularidade diz respeito ao nível de detalhamento

    da informação. Quanto maior o nível de detalhes, menor o nível

    de granularidade, pois as informações estão dispostas em

    “grãos” menores. Já para menor nível de detalhes, maior a

    granularidade, pois os grãos de informações são maiores,

    agregando mais os dados.

    - o Drill up (Roll up): sobe na hierarquia, agrupando unidades

    maiores ao longo de uma dimensão. Aumenta a granularidade.

    - o Drill down: fornece uma visão mais detalhada, desagregando

    unidades menores ao longo da dimensão. Diminui a granularidade.


ID
2862721
Banca
CESGRANRIO
Órgão
LIQUIGÁS
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Em um banco de dados multidimensional, os fatos aditivos

Alternativas
Comentários
  • Podemos ter: Fatos-aditivos, semi-aditivos e não-aditivos;

     

    .: Fatos-aditivos: São numéricos e podem ser somados em relação às dimensões existentes.

     

    (Fonte: http://www.uniriotec.br/~tanaka/SAIN/03-OLAP&ModelagemDimensional.pdf)

    .

    .

    At.te

    Foco na missão 

  • Aditivas: Quando os valores são passíveis de serem somados em todas as dimensões.

    Semiaditivas: Quando a soma tiver sentido somente em algumas dimensões, mas não em todas.

    Não aditivas: Quando determinado valor não puder ser somado em qualquer dimensão ou sempre produzir um valor sem nenhum sentido válido.

    Alternativa: D

  • Na modelagem dimensional, temos três tipos de fatos: aditivos, semiaditivos e não aditivos. Os aditivos são aqueles que podem ser somados por todas as dimensões. Já os semiaditivos, segundo Kimball, não podem ser somados na dimensão temporal. Os não aditivos, por fim, não podem ser somados entre as dimensões, sendo necessário o estabelecimento de algum tipo de regra específica para fazer sua agregação.


ID
2862739
Banca
CESGRANRIO
Órgão
LIQUIGÁS
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Um banco de dados multidimensional em uma empresa

Alternativas
Comentários
  • Gabarito E

    Modelo multidimensional é uma técnica de modelagem conceitual de negócios, que facilita a investigação, o resumo e a organização de dados para a análise de negócios. Formado por relações entre dimensões e fatos.

    O modelo multidimensional relaciona tabelas de fatos com tabelas de dimensões em um banco de dados do tipo OLAP, possibilitando inúmeras combinações.

    Sua modelagem é realizada de forma a ganhar performance nas consultas, possuindo regras diferentes das relacionais em sua modelagem. O modelo multidimensional visa somente consultas analíticas.



    "Retroceder Nunca Render-se Jamais !"

    Força e Fé !

    Fortuna Audaces Sequitur !

  • Comentários:

    (a) Errado. Não é nada semelhante a um banco de dados relacionais – usa outro modelo;

    (b) Errado. Não é nada semelhante a um banco de dados relacionais – usa outro modelo;

    (c) Errado. Pelo contrário, é alimentado por bancos de dados transacionais;

    (d) Errado. Na verdade, permite consultas ad-hoc;

    (e) Correto. Realmente tem seus dados oriundos de bancos de dados transacionais.

    ______

    Fonte: literalidade do PDF escrito pelos professores: Diego Carvalho, Raphael Henrique Lacerda, Renato da Costa, Thiago Rodrigues Cavalcanti -  Informática p/ Polícia Federal (Agente) Pós-Edital - Aula 22, 2021.

  • a) As chaves estrangeiras são as estruturas que permitem relacionar diferentes tabelas em um SGBD relacional. No caso da modelagem dimensional, a tabela fato é associada às dimensões através dessas estruturas. ERRADA

    b) Falso! A modelagem dimensional segue toda uma organização diferente dos bancos de dados relacionais, sendo a principal diferença a questão da normalização/desnormalização. ERRADA

    c) Na verdade é o contrário! Os dados dos bancos de dados dimensionais (geralmente os data warehouses ou data marts da organização) são em sua maioria oriundos dos sistemas transacionais da organização, que são os pontos de entrada de dados dentro do negócio. ERRADA

    d) A ideia da modelagem dimensional é criar um modelo de simples navegação para que o usuário consiga consultá-lo de diferentes maneiras. Claro que usuários mais leigos podem utilizar programas que facilitem essa análise, que contem somente com algumas possibilidades predefinidas de análise, mas usuários um pouco mais avançados devem poder realizar consultas de forma mais flexível, como aquela possibilitada pelas operações OLAP. ERRADA

    e) É a nossa resposta! Como dissemos na letra C, os dados de sistemas transacionais frequentemente servem como fonte de dados no processo de ETL. CERTA


ID
2862754
Banca
CESGRANRIO
Órgão
LIQUIGÁS
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Uma empresa pretende modelar um banco de dados multidimensional para tomada de decisão na área de vendas. O gerente da área quer poder avaliar os dados históricos de vendas, por código ou nome de produto, por mês/ano, por loja e por cidade (há várias lojas em uma mesma cidade; das cidades é registrado apenas o seu nome; é necessário registrar em que cidade está cada loja).


Nesse banco de dados bem projetado, segundo um esquema estrela, haverá

Alternativas
Comentários
  • Vamos analisar: o gerente quer poder avaliar os dados históricos de vendas, por código ou nome de produto, por mês/ano, por loja e por cidade. Ele traz outra informação importante: há várias lojas em uma mesma cidade; das cidades é registrado apenas o seu nome; é necessário registrar
    em que cidade está cada loja. 
    Como ele quer avaliar as vendas por produto, mês/ano, loja e cidade, já podemos identificar as dimensões: Produto, Tempo e Loja... Note que é necessário registrar em que cidade está cada loja, portanto cidade é um atributo da tabela loja.

  • Dúvida aqui: o fato de lugar ser um atributo de loja não tornaria esse desenho Snowflake ao invés de Estrela?

  • Note que a dimensão produto irá ter seus atributos (nome, descrição, categoria....). Como sempre temos a dimensão temporal, essa possui seus atributos (diário, semanal, mensal....). Agora vem o "pulo do gato" : Se formos criar uma dimensão_loja, se existem várias lojas em uma cidade, como posso identificá-la? Logicamente, com seus atributos! E quais são? Bom, a loja é singularizada por sua localização. Por exemplo : Cacau Show de São Paulo. Pois é essa seu atributo.

    Observe que o fato vendas vai ter FK - Código_do_Produto / FK - Período / FK - Loja / Quantidade vendida.

    Agora vamos para a informação dada pela questão que a mata : O esquema é estrela, ou seja, não há tabelas dimensão para tabelas dimensão (hierarquizadas). Portanto, se fôssemos criar uma no estilo Floco de Neve, que é normalizada, criaríamos uma outra tabela "Dimensão_cidade" depois referenciaríamos a tabela com uma FK na dimensão_loja.

    No caso, a dimensão_loja vai ser : Nome da loja / FK - Localização (PK da tabela dimensão_cidade).

    Algum erro, por favor, avisem.

  • O esquema estrela é um jeito de representar a modelagem dimensional em um SGBD relacional, com o uso de tabelas. Nele, nós representamos os eventos registrados em uma tabela fato, e as características que irão descrever esse evento em tabelas de dimensão. No caso descrito, é fácil perceber que irão existir a tabela fato vendas e suas dimensões produto, tempo e loja.

    As cidades são caracterizadas apenas pelo seu nome e servem apenas para identificar o local em que cada loja está localizada. Como na modelagem dimensional organizamos todas as informações associadas a um mesmo conceito em uma mesma tabela, em uma abordagem desnormalizada, o atributo cidade pode ficar dentro da dimensão loja!


ID
2863705
Banca
CESPE / CEBRASPE
Órgão
FUB
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Acerca de bases de dados multidimensionais, julgue o item seguinte.


O modelo em estrela de um banco de dados multidimensional tem como objetivo representar e manipular dados complexos, visando tornar aqueles dados mais representativos em semântica e construções de modelagens por meio de nós e suas ligações.

Alternativas
Comentários
  • Alguém saberia explicar?

  • Gabarito E


    O esquema estrela é composto no centro por uma tabela fato, rodeada por tabelas de dimensão, ficando parecido com a forma de uma estrela. A ideia é propor uma visão para modelagem de base de dados para sistemas de apoio à decisão, que é o caso do Data Warehouse.

  • O Modelo Estrela é um modelo simples, caracterizado por possuir uma única tabela de fatos e chaves simples nas tabelas de dimensões. Nesse modelo cada dimensão é representada por uma única tabela. (Lembra o formato de uma estrela na modelagem)

    Os pontos positivos são a eficiência.

    Os pontos negativos são o tamanho e a desnormalização das tabelas de dimensões.


    A questão está dando o conceito do modelo objeto-relacional.

  • ERRADO


    Meus amores vamos prestar atenção ao enunciado, o Modelo Estrela, POR PADRÃO, não possui nós interligados.

    Outros pontos:

    1 - A questão não descreve nada do modelo objeto-relacional;

    2 - Dados complexos nessa questão pode ser qualquer coisa, inclusive dados NÃO ESTRUTURADOS, que de certa forma são complexos;

    3 - Tornar os dados mais representativos em semântica, na minha visão isso está certo, apesar de não ter visto nada explicitando isso em nenhuma literatura. Tendo em vista que o modelo estrela trata de fatos, nos permitindo analisá-los em determinados contextos, temos aí uma questão semântica, pois um mesmo dado em contextos diferentes pode ter peso, função ou utilidade diferentes.


    No mais tamo junto!

  • nessa eu rodei... geralmente cespe cobra diferença entre snow flake e estrela

    ou então, diferenças entre fato e dimensões...

    nunca tinha visto questao conceitual do estrela

    2015

    Uma tabela de fatos em um data warehouse armazena os valores detalhados de medidas, ou de valores observados, e as identifica com ligação para tabelas de dimensão.

    Certa

    2014

    O Data Warehouse tem como principal objetivo armazenar dados históricos por meio dos esquemas snow flake ou star schema. O primeiro armazena os dados em dimensões que podem não estar ligadas diretamente à tabela fato; o segundo é voltado para armazenamento de dados não estruturados ou textuais.

    errada

    2016

    Um modelo dimensional é composto por uma tabela com uma chave simples, denominada tabela de fatos, e um conjunto de tabelas maiores, que contém chaves compostas, conhecidas como tabelas de dimensão.

    errada

    Ano: 2014 Banca: CESPE

    Na modelagem multidimensional, é possível haver mais de uma tabela fato no mesmo modelo. A tabela fato expressa a relação N:M (muitos-para-muitos) entre as dimensões, que, por sua vez, implementam a visão e a interface do usuário ao DataWarehouse.

    Certa

  • Meio de nós...estrela só tem um nó.

    Pensei assim.

  • A modelagem DIMENSIONAL possui dois modelos: o modelo estrela (star schema) e o modelo floco de neve (snow flake). Cada um com aplicabilidade diferente a depender da especificidade do problema.

    As Dimensões do modelo estrela são desnormalizados, ao contrário do snow flake, que parcialmente possui normalização.

     

    O ESQUEMA ESTRELA É BASICAMENTE UMA TABELA DE FATOS CENTRAL CONECTADA A VÁRIAS TABELAS DE DIMENSÃO EM UM RELACIONAMENTO 1:N, SENDO UMA ÚNICA TABELA PARA CADA DIMENSÃO.

    UMA CARACTERÍSTICA IMPORTANTE DESSE MODELO É QUE AS TABELAS DE DIMENSÃO SÃO DESCORMALIZADAS, ISTO É, POSSUEM REDUNDANTES (REDUNDÂNCIA EM BANCOS DE DADOS MULTIDIMENSIONAIS, AJUDA A MELHORAR O DESEMPENHO DE CONSULTAS).

    GABARITO: ERRADO

    FONTE: Prof. Diego Carvalho.

  • ESQUEMAS

    ESTRELA: menos complexo.

    FLOCO DE NEVE: dados mais complexos.

    GABARITO ''ERRADO''

  • Esquema estrela: consiste em uma tabela de fato com várias tabelas para cada dimensão e propõe uma visão cuja principal característica é a presença de dados redundantes nas tabelas de dimensão, mais popular, mais rápido, só uma Tabela por Dimensão (menos flexível). Um dos problemas do Star Schema, é que ele desperdiça espaço, repetindo as mesmas descrições ao longo de toda a tabela. É necessário fazer algumas suposições a respeito do comportamento do usuário no que se refere às consultas realizadas ao sistema. É um modelo simples, caracterizado por possuir uma única tabela de fatos e chaves simples nas tabelas de dimensões. Nesse modelo cada dimensão é representada por uma única tabela. (Lembra o formato de uma estrela na modelagem). Os pontos positivos são a eficiência. Os pontos negativos são o tamanho e a desmoralização das tabelas de dimensões.

  • - No Modelo Estrela os dados estão desnormalizados, isto é, estão redundantes e replicados, logo não há economia de espaço.

    - O Modelo Snowflake acrescenta graus de normalização às tabelas de dimensões, eliminando redundâncias. No entanto, como os dados estão normalizados, as consultas são mais complexas e a obtenção de informações será menos eficientes do que no Modelo Estrela. Esse modelo fornece explicitamente suporte a hierarquias de atributos.

    - Modelo Estrela = é basicamente uma Tabela de Fatos central conectada a várias Tabelas de Dimensão em um relacionamento 1:N, sendo uma única tabela para cada dimensão. 

    - Modelo Snowflake = é basicamente uma Tabela de Fatos central conectada a várias Tabelas de Dimensão, sendo possível haver várias tabelas para cada dimensão.

  • O comentário do Prof. Ramon Souza, do Exponencial, não relacionou ao SnowFlake e sim ao Modelo Objeto Relacional, conforme abaixo:

    Resolução: O modelo objeto relacional tem como objetivo representar e manipular dados complexos, visando tornar aqueles dados mais representativos em semântica e construções de modelagens por meio de nós e suas ligações.

    O esquema estrela (star schema) consiste em uma tabela de fatos com uma única tabela para cada dimensão. Neste esquema, existe uma tabela fato central conectada a várias tabelas dimensão.

  • Acredito que o ''x'' da questão poderia ser obtido pelo conceito de nós e ligações.

    Uma tabela fato se liga a várias tabelas dimensões. - Estrela

    Uma tabela fato se liga a várias tabelas dimensões que se conectam a outras dimensões (nós). - Snowflake (+ complexo)

  • Veja a resolução da questão no vídeo do Professor Vinícius Gnandt: https://youtu.be/p4egQ7PEbdQ

  • Pelo tipo de questão e pelo tempo, já era para ter um comentário de algum professor. Vamos lá QConcursos!

  • 156-CESPE-SLUDF2019)  O modelo em estrela de um banco de dados multidimensional tem como objetivo representar e manipular dados complexos, visando tornar aqueles dados mais representativos em semântica e construções de modelagens por meio de nós e suas ligações. ERRADO, NA VERDADE, O SNOW FLAKE É QUE É MAIS COMPLEXO!

     

    @ROTINACONCURSOS

  • Acho que o erro é que no modelo estrela não tem nó. Típica questãozinha bosta da cespe

  • O modelo estrela tem como objetivo representar e manipular dados simples, e não complexos!

  • ERRADO

    Estrela

    - Tabela Dimensão Desnormalizada

    - Rápido tempo de resposta e simplicidade

    -Menor nº de tabelas

    -Consultas mais simples


ID
2863708
Banca
CESPE / CEBRASPE
Órgão
FUB
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Acerca de bases de dados multidimensionais, julgue o item seguinte.


O operador drill-down relaciona-se ao processo de apresentar dados do nível mais baixo da hierarquia de dados de um esquema para níveis mais altos.

Alternativas
Comentários
  • Gabarito E


    Operação de “drill-down” - é o reverso da agregação (“roll-up”), implica em examinar dados com algum nível maior de detalhe;


  • Pensem da seguinte forma , “drill-down” aumenta a granularidade (nível de detalhe) e "roll-up" diminui a granularidade. É como se você tivesse com uma lupa se aproximando(drill-down) e afastando(roll-up) do "dado".

  • Errado


    A parada é ao contrário, o roll-up que realiza essa operação.


    Drill-Down - AFUNDAR NOS DADOS.

    Roll-Up - SUBIR na hierarquia dos dados.

  • 2015

    A operação roll-up aumenta o nível de agregação dos dados, agrupando-os em unidades maiores ao longo da dimensão, ao passo que a operação drill-down fornece uma visão mais detalhada dos dados.

    certa

    2013

    OLAP é uma tecnologia utilizada para organizar grandes bancos de dados e fornece, para organizações,um método com alta flexibilidade e desempenho para acessar, visualizar e analisar dados corporativos. Os dados podem ser organizados em uma hierarquia que define diferentes níveis de detalhe, na qual o usuário pode navegar para cima (drill up) ou para baixo (drill down) entre níveis.

    Certa

  • Conceito de Drill- Up

  • Drill Down: ocorre quando o usuário aumenta o nível de detalhe da informação, diminuindo a granularidade (A granularidade determina quais os tipos de consultas podem ser feitas no DW). Ela influencia diretamente na velocidade do acesso às informações e no volume de dados armazenados.

     

     

    GABARITO: ERRADO

  • Do mais alto para o mais baixo!

  • Errado.

    Drill Up: de um nível mais detalhado para um genérico (mais baixo para o mais alto)

    Drill Down: de um nível mais genérico para um detalhado (mais alto para o mais baixo)

    Drill Through: usuário passa a informação contida em uma dimensão para outra

    Drill Across: ocorre quando o usuário pula um nível intermediário dentro de uma mesma dimensão

  • gabarito: errada

    Copiei o exemplo dado pela colega Lopes na questão Q965442

    Roll-up: Cidade  Estado  Região  País (maior granularidade, - detalhe)

    Drill-down: País  Região  Estado  Cidade (menor granularidade, + detalhe)

    Bons estudos e Fé em Deus!

  • drill-down = detalhamento (do geral para o específico)

  • Uma dúvida. Banco de dados multidimensionais cai nos concursos policiais? Digo isso pois não vi nada referente ao tema no edital.

  • ERRADO.

    a questão inverteu o conceito, deveria ser ROLL UP.

    OPERAÇÃO DRILL DOWN É QUE VAI GERAR UM NIVEL MAIOR DE DETALHAMENTO, JÁ A OPERAÇÃO DRILL UP GERA UM NIVEL MAIOR DE SUMARIZAÇÃO.

    DRILL DOWN -------> Permite a navegação entre os níveis de dados que vão desde o mais sumarizado até o

    mais detalhado.

    ROLL UP OU DRILL UP -----> Permite a navegação entre os níveis de dados que vão desde o mais detalhado até o

    mais sumarizado.

    'você é o que você pensa, é o sr do seu destino."

  • ERRADO.

    a questão inverteu o conceito, deveria ser ROLL UP.

    OPERAÇÃO DRILL DOWN É QUE VAI GERAR UM NIVEL MAIOR DE DETALHAMENTO, JÁ A OPERAÇÃO DRILL UP GERA UM NIVEL MAIOR DE SUMARIZAÇÃO.

    DRILL DOWN -------> Permite a navegação entre os níveis de dados que vão desde o mais sumarizado até o

    mais detalhado.

    ROLL UP OU DRILL UP -----> Permite a navegação entre os níveis de dados que vão desde o mais detalhado até o

    mais sumarizado.

    'você é o que você pensa, é o sr do seu destino."

  • dogede> drill down : genérico para detalhado

  • Essa questão dava para matar com uma noção de inglês. "drill-down": furar para baixo.

  • tópico desse edital 6 Técnicas de modelagem e otimização de bases de dados multidimensionais

    sem previsão no edital da PF

    la diz bem claro,

    9.4 Banco de dados relacionais: conceitos básicos e características.

  • tópico desse edital 6 Técnicas de modelagem e otimização de bases de dados multidimensionais

    sem previsão no edital da PF

    la diz bem claro,

    9.4 Banco de dados relacionais: conceitos básicos e características.

  • Um absurdo, o comentário mais curtido é completamente errado. Com o Drill Down estamos diminuindo o nível da granularidade, aumentando assim o nível de detalhes. Ao contrário disso, o Roll Up aumenta o nível da granularidade, diminuindo dessa forma, o nível de detalhamento das informações.

  • RESPOSTA E

    A operação de DRILL-DOWN/aprofundar refere-se a um movimento no sentido descendente da hierarquia de uma dimensão, desagregando os dados e os apresentando em uma visão mais detalhada

    #questãorespondendoquestões #sefaz-al


ID
2896333
Banca
CESPE / CEBRASPE
Órgão
SEFAZ-RS
Ano
2019
Provas
Disciplina
Banco de Dados
Assuntos

Com relação aos modelos de dados multidimensionais, assinale a opção correta.

Alternativas
Comentários
  • A - (E) Não e a principal característica da tabelas fatos, mas sim que ela e o elemento 'central' da linha de infomação

    B - (E) O cubo compreende varias dimensões

    C - (C)

    D - (E) Esse seria um modelo transacional

    E - (E)Utilizam se chama ETL

  • A) Muito forte dizer que é ausente de dados redundantes. É uma premissa e um ponto de reprovação na modelagem de dados multidimensionais, onde é preciso ser revisto a granularidade e outros fatores. Mas, várias instituições públicas ou privadas podem ter cubos com dados redundantes ainda. Não é livre 100%.

  • Obrigado pelo comentário, Helder Andrade.

  • Na verdade a hierarquia faz parte do modelo multidimensional, para mudar de hierarquia (orientação) e algo simples feito pela rotação ou giro, já a operação de drill-down realiza uma descida da hierarquia fornecendo uma visão mais detalhada, enquanto a operação de roll-up sobe um nível da hierarquia.

  • Roll-up: Cidade  Estado  Região  País (maior granularidade, menos detalhe)

    Drill-down: País  Região  Estado  Cidade (menor granularidade, mais detalhe)

    .

    .

    At.te

    Foco na missão 

  • a) O modelo dimensional tem como característica a desnormalização, algo que ocasiona redundâncias, mas facilita a extração de dados por diminuir a complexidade do modelo e o número de junções necessárias entre tabelas para se realizar as consultas. ERRADA

    b) Um cubo de dados possui inúmeras dimensões e registros, não somente uma tupla com seus atributos. ERRADA

    c) Essa é a resposta correta. Apesar da redação não ser das melhores, temos que os modelos multidimensionais, expressos nos sitemas OLAP, proporcionam ferramentas para se trabalhar com hierarquias, o que inclui as operações roll-up e drill down, que permitem aumentar ou diminuir o nível de detalhe das consultas analíticas. CERTA

    d) Os sistemas que dão ênfase à coleta e a múltiplas transações de dados são os sistemas OLTP, transacionais. ERRADA

    e) Os modelos dimensionais utilizam um processo de coleta, transformação e carregamento dos dados conhecido como ETL para a sua alimentação. Essa carga de dados é realizada de forma periódica e vai depender da estratégia cuidadosamente definida pela organização. ERRADA

  • (a) Errado. Essa é uma premissa da tabela de fatos, mas não sua característica principal;

    (b) Errado. Cada cubo é representado por várias tuplas com vários atributos;

    (c) Correto. Eles realmente proporcionam visões hierárquicas por meio do roll-up e drill-down;

    (d) Errado. Transação de dados são realizadas por modelos transacionais;

    (e) Errado. Utiliza, sim, processos de transferência de dados via ETL.

    Fonte: Material Estratégia

  • GABARITO C!

    .

    .

    roll-up -> surface web

    drill-drown -> dark web

  • Eu aprendi que a tabela fatos é justamente redundante.

    • Roll-up: Cidade  Estado  Região  País (maior granularidade, menos detalhe)
    • Drill-down: País  Região  Estado  Cidade (menor granularidade, mais detalhe)

ID
3007768
Banca
Marinha
Órgão
Quadro Técnico
Ano
2019
Provas
Disciplina
Banco de Dados
Assuntos

Segundo Barbieri (2011), sobre Banco de Dados, é correto afirmar que:

Alternativas
Comentários
  • a - Modelo Relacional é mais complexo

    b - O modelo dimensional caracteriza-se por fatos e dimensões.

    C – No modelo dimensional, as tabelas “fato” são normalizadas, mas as tabelas “dimensão” são o ponto de entrada e de filtro inicial e podem ser desnormalizadas.

    D – Alternativa correta.

    E – Modelos dimensionais são de leitura mais fácil por usuários não especializados.

    Fonte: BARBIERI, Carlos. Business Intelligence Modelagem e Qualidade. Página 99 - Tabela 5.1


ID
3007831
Banca
Marinha
Órgão
Quadro Técnico
Ano
2019
Provas
Disciplina
Banco de Dados
Assuntos

Segundo Navathe (2011), bancos de dados espaciais incorporam a funcionalidade que oferece suporte para banco de dados que registram objetos em um espaço multidimensional. Sobre esse tema, assinale a opção correta.

Alternativas
Comentários
  • ====Letra A====

    Os sistemas que gerenciam dados geográficos e aplicações relacionadas são conhecidos como sistemas de informações geográficas.(Certo)

    ====Letra B====

    Sistemas de informações geográficas não são usados em aplicações ambientais de sistema nem em sistemas de transportes e gerenciamento de batalha.(Errado)

    Os sistemas que gerenciam dados geográficos e aplicações relacionadas são conhecidos como sistemas de informações geográficas (GIS), e são usadas em áreas como aplicações ambientais, sistemas de transporte, sistema de resposta a emergência e gerenciamento de batalha.

    ====Letra C====

    R-tree é uma árvore com altura desbalanceada, que é uma extensão da estrutura de dados AVL.(Errado)

    R-trees: é uma arvore com altura balanceada, que é uma extensão da B-tree para k dimensões onde k>1. 

    ====Letra D====

    Tipos de dados como linhas e pontos são usados em bancos espaciais, diferentemente de polígonos e dados de imagem.(Errado)

    Um banco de dados espacial é otimizado para armazenar e consultar dados relacionados a objetos no espaço, incluindo pontos, linhas e polígonos. Os tipos de dados para armazenamento de dados espaciais são: Dados de mapa, Dados de atributo, Dados de imagem

  • A) O famoso GIS

  • Os sistemas que gerenciam dados geográficos e aplicações relacionadas são conhecidos como sistemas de informações geográficas (GIS — Geographical Information Systems), e são usados em áreas como aplicações ambientais, sistemas de transporte, sistemas de resposta à emergência e gerenciamento de batalha.

    Navathe


ID
3106156
Banca
FCC
Órgão
SANASA Campinas
Ano
2019
Provas
Disciplina
Banco de Dados
Assuntos

Considere que uma Analista de TI realizou uma operação de análise multidimensional em um DW, operando em condições ideais, usando uma ferramenta OLAP. Após analisar os dados dos meses do 1° trimestre de 2018, relativos ao tratamento de água da estação ETA1, a Analista aumentou o nível de granularidade da informação para observar os dados de todos os 4 trimestres do mesmo ano da mesma estação. A Analista realizou uma operação

Alternativas
Comentários
  • Bem simples:

    a) Drill UP ou Roll UP  - Olhar mais de cima, olhar mais de longe, visão em alto nivel, alta granularidade.

    Para conhecimento aos colegas:

    Drill through - Ver os dados por diferentes pontos de vista, no exemplo: altenar entre dimensão cidade para ano.

    Drill Down - Se aprofundar, olhar mais de perto, visão em baixo nível, baixa granularidade.

    *Vamos resumir mais, menos copy e paste galera, foco, bons estudos!

  • Drill Up -> Aumenta o nível de granulidade e diminui o nível da informação.

    Drill Down -> Diminui o nível de granulidade e aumenta o nível da informação.


ID
3132496
Banca
VUNESP
Órgão
Câmara de Piracicaba - SP
Ano
2019
Provas
Disciplina
Banco de Dados
Assuntos

No modelo dimensional, composto por tabelas fato e tabelas dimensão,

Alternativas
Comentários
  • A) as tabelas fato não admitem chaves estrangeiras. Tabelas fatos possuem as chaves estrangeiras(FK) e a entrada em uma tabela fato ocorre via tabela dimensão que possui a PK(Chave primaria).

    C)Tabela dimensão possui relação 1:N com a tabela fato (Certo)

    D) nas tabelas dimensão há apenas atributos numéricos. Errado, atributos númericos por muita das vezes somente encontramos na TABELA FATO, com isso resolvemos a alternativa E)

  • Quer dizer que uma ou mais tabelas dimensão se relacionam com uma tabela fato?

  • Acho que inverteram ai

  • O que a alternativa certa (C) quer dizer é que, na tabela fato, haverá ocorrência de várias vezes a mesma dimensão.

    Basta pensar no esquema estrela, onde a tabela fato é a central, e há várias tabelas dimensões, onde a tabela fato usa chaves estrangeiras para identificar a qual dimensão o fato registrado está ligado.

  • Característica de tabelas Fato:

    a) Expressam, em geral, relacionamentos 1:N entre as tabelas dimensão

    Também entendi que está invertido

    Fonte: Estratégia Concursos

  • Veja a resolução da questão no vídeo do Professor Vinícius Gnandt: https://youtu.be/p4egQ7PEbdQ

  • Me corrijam se eu estiver errado, pois não sou de TI.

    A letra C quer nos dizer que a Tabela Dimensão pode ser relacionar com 1 ou mais (1:N) tabelas fatos.

  • A mais correta é o esquema estrela!

  • As dimensões possuem um relacionamento de “um para muitos” com as tabelas fatos. Ou seja, cada linha da tabela dimensão ligada diretamente a tabela fato pode estar associada a várias linhas da tabela dimensão. 

  • A frase está invertida. Mas a opção C era a menos "errada", banca fraca demais.

  •  ** Uma tabela de fatos em um data warehouse armazena os valores detalhados de medidas, ou de valores observados, e as identifica com ligação para tabelas de dimensão.

  • Essa questão apresenta as principais características das tabelas fato e dimensões. A tabela fato é composta por colunas (chaves estrangeiras) que apontam para as chaves primárias das respectivas dimensões. Além disso, geralmente, possuem outros atributos representando as medidas associada a cada fato registrado. Já as tabelas dimensões que possuem um relacionamento de um para muitos com a tabela fato, ou seja, cada linha da dimensão pode estar associada a várias linhas da tabela fato, e cada linha da tabela fato está associada a apenas uma linha de cada dimensão. As dimensões também apresentam atributos que textuais que descrevem o contexto dos fatos. 

    Assim, a resposta na alternativa C.


ID
3132991
Banca
VUNESP
Órgão
Câmara de Piracicaba - SP
Ano
2019
Provas
Disciplina
Banco de Dados
Assuntos

Em um modelo dimensional de dados, definir a granularidade significa definir o

Alternativas
Comentários
  • A granularidade diz respeito ao nível de detalhamento dos dados. Quanto menor a granularidade (menor o "grão"), maior é o nível de detalhamento. GABARITO: A
  • A granularidade afeta diretamente no volume de dados armazenados, na velocidade das consultas e no nível de detalhamento das informações do DW. Quanto maior for o detalhamento, maior será a flexibilidade para se obter respostas. Porém, maior será o volume e menor a velocidade das consultas. Já quanto menor for o detalhamento, menor será o volume, maior a sumarização dos dados e melhor será a performance. Entretanto, menor será a abrangência, ou seja, maior será as restrições das consultas às informações.

    Letra A

    Bons Estudos!

    PF


ID
3271351
Banca
CESGRANRIO
Órgão
Transpetro
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

A tomada de decisão nas organizações pode ser suportada por um conjunto de ferramentas computacionais que refinarão as análises e darão mais segurança aos seus clientes gestores. Uma dessas ferramentas é o uso de bases de dados dimensionais, os armazéns de dados, ou data warehouses.

Uma das características inerentes a esse repositório de dados é verificada por

Alternativas
Comentários
  • ❌a) A maior diferença entre os dois é que o Data Mart é focado em uma área específica da empresa, sendo considerado um subconjunto do Data Warehouse (esse abrange toda a empresa).

    ❌b) Um DW é não volátil. Você não pode mais alterar os dados, embora possam ser excluídos.

    ❌d) Data Warehouse é histórico (variável com o tempo)

    ❌e)Data Warehouse é orientado por assunto. Ele trata de temas específicos e importantes para o negócio da organização

    ✅ c) As fontes dos DW são diversas... Pode vir de sistemas legados, ERP, aplicações web e bancos de dados transacionais, etc.

  • a) Os data marts têm as mesmas características dos data warehouses, só se diferem no escopo. ERRADA

    b) A manutenção dos dois tipos de bancos de dados é diferente - alterações e remoções de registros ocorrem com frequência nos sistemas transacionais, mas raramente nos data warehouses, que tendem a ser não voláteis. ERRADA

    c) No processo de ETL, os dados coletados podem vir de várias fontes, que podem ser tanto internas quanto externas à organização. CERTA

    d) Os DW são variantes no tempo, não atemporais. Eles mantêm um histórico de informações para permitir a análise de como os dados se comportaram ao longo do tempo. ERRADA

    e) O DW é direcionado a assunto, não a aplicações. Os bancos de dados mais voltados para aplicações e que seguem os processos de negócio organizacionais são os transacionais, que utilizam o modelo relacional. ERRADA


ID
3379144
Banca
INSTITUTO AOCP
Órgão
UFOB
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Em relação aos Bancos de Dados Multidimensionais, julgue, como VERDADEIRO ou FALSO, os itens a seguir.

Um BD multidimensional pode estar estruturado em um modelo chamado estrela, no qual há uma tabela principal e várias tabelas periféricas.

Alternativas
Comentários
  • A modelagem dimensional possui dois modelos: o modelo estrela (star schema) e o modelo floco de neve (snow flake).

    Modelo estrela realmente é uma tabela principal com várias tabelas periféricas ligado diretamente a ele. Uma tabela fato, com várias tabelas tabelas dimensões ligada a ele

    Resumo: só tem uma tabela fato

    Modelo floco de neve é uma tabela principal com tabelas fatos e tabelas dimensões ligadas a ele

    Resumo: Tem mais de uma tabela fato

    (que vontade de desenhar isso rsrs)

    #PCDF aí vamos nós

  • STAR SCHEMA (Esquema estrela):

    - Abordagem que não recomenda a normalização das tabelas dimensão.

    - Mais recomendável e tem maior desempenho;

    - É a estrutura básica de um modelo de dados multidimensional.

    - Possui uma grande entidade central denominada fato.

    - Possui relacionamento 1:N (uma para muitos) o sentido da dimensão para o fato.

    SNOWFLAKE SCHEMA (Esquema de flocos de neve):

    - Abordagem que recomenda a normalização das tabelas dimensão.

    - Possui dimensões normalizadas;

    - É mais lento devido a normalização.

    - É o resultado da decomposição de uma ou mais dimensões que possuem hierarquias entre seus membros.

    -É o resultado da terceira forma normal sobre as entidades dimensão


ID
3379147
Banca
INSTITUTO AOCP
Órgão
UFOB
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Em relação aos Bancos de Dados Multidimensionais, julgue, como VERDADEIRO ou FALSO, os itens a seguir.

Uma consulta em um banco de dados multidimensional normalmente é mais lenta do que em um BD relacional.

Alternativas
Comentários
  • Entenda o banco de dados multidimensional como um armazém de dados, um Date Werahouse por exemplo, e o banco de dados relacional como aquele banco de dados de sistemas OLTP (Online Transaction Processing) como uma caixa, aqueles sistemas de vendas da loja por exemplo.

    Dados essas dois conceitos, onde seria mais demorado procurar por uma determinada informação, numa caixa que contém uma menor quantidade de dados ou em um armazém que contém várias caixas?

    GABARITO: CERTO

  • Não concordo com o gabarito. Em um OLAP, os dados são sintetizados para dar a agilidade que os BDs relacionais não conseguiriam. Será que ninguém entrou com recurso? A banca deveria revelar a literatura da qual retirou essa questão.

    Veja o que Date diz:

    "Fechamos esta seção observando que alguns produtos combinam as abordagens de ROLAP e MOLAP; HOLAP (“OLAP híbrido”). Existe uma controvérsia considerável sobre qual das três abordagens é “melhor”, e pouco se pode fazer aqui para ajudar a resolver essa controvérsia.** Porém, de modo geral, os produtos MOLAP oferecem computação mais rápida, mas admitem quantidades de dados menores que os produtos ROLAP (tornando-se menos eficientes à medida que a quantidade de dados aumenta), enquanto os produtos ROLAP oferecem recursos de escalabilidade, concorrência e gerenciamento mais amadurecidos que os de produtos MOLAP."

    Fonte: Introdução a Sistemas de Banco de Dados, capítulo 21 - Apoio à decisão.

    "Sua modelagem é realizada de forma a ganhar performance nas consultas, possuindo regras diferentes das relacionais em sua modelagem. O modelo multidimensional visa somente consultas analíticas."

    Fonte: https://pt.wikipedia.org/wiki/Modelo_multidimensional

    "While we’ve been discussing financial data warehouses in the context of relational databases, it is worth noting that multidimensional OLAP vendors have long played a role in this arena. OLAP products have been used extensively for financial reporting, budgeting, and consolidation applications. We often see relational dimensional models feeding financial OLAP data cubes. OLAP cubes are precalculated, which results in fast query performance that is critical for executive use. The data volumes, especially for the G/L balances or financial statement aggregates, typically do not overwhelm the practical size constraints of a multidimensional product. OLAP is well suited to handle complicated organizational roll-ups, as well as complex calculations, including interrow manipulations. Most multidimensional OLAP vendors provide finance-specific capabilities, such as financial functions (for example, net present value or compound growth), the appropriate handling of financial statement data (in the expected sequential order, such as income before expenses), and the proper treatment of debits and credits depending on the account type, as well as more advanced functions such as financial

    consolidation."

    Fonte: Data Warehouse Toolkit - Ralph Kimboll, página 185.

  • Não entendi... BD multidimensional é desnormalizado, ou seja, tem alta redundância. Se há mais redundância que um modelo relacional, então não deveria ser mais rápida ??

  • Ta errado

    Os bancos de dados multidimensionais é que tendem a ser mais rápidos, devido à redundância. Quanto mais normalizados (como é o caso dos relacionais), mais lentos. Os multidimensionais também podem ser normalizados, mas o comum é serem altamente redundantes. Dados replicados facilitam no momento de gerar relatórios.

  • FUI PELA LÓGICA DE QUE SERIA MAIS FÁCIL E PRÁTICO UMA NAVEGAÇÃO EM BANCO DE DADOS RELACIONAL, SENDO ASSIM, MAIS RÁPIDA A NAVEGAÇÃO. AGORA O MULTIMENSIONAL, POR APRESENTAR MAIS FUNCIONALIDADES, SE TORNA MAIS LENTO QUANDO COMPARADO AO RELACIONAL.

  • ESSE GABARITO PROVAVELMENTE ESTEJA ERRADO, OU FALTOU RECURSO À ÉPOCA.

    BANCOS MULTIDIMENSIONAIS SÃO MELHORES QUE OS RELACIONAIS PARA CONSULTA; AO PASSO QUE, PARA CARREGAMENTO DOS DADOS, O RELACIONAL É MELHOR.

    A BANCA NÃO FOI PRECIOSISTA NA DIFERENÇA DOS TERMOS.

  • CERTO

    Porém eu discordo veemente dessa questão, pois Quanto mais dados eu tenho, mais rápido é a forma de eu chegar até determinada informação, cito, por exemplo, a Tabela Estrela e a Tabela Flocos de Neve, a primeira tem um desempenho muito maior por ser Desnormalizada, ao passo que a Segunda possui um desempenho menor por estar normalizada até a 3FN. Logo, a normalização desgasta o desempenho do BD, pois o SGBD terá que fazer um trabalho muito mais longo até encontrar o dado desejado.

  • Para o cespe, isso está errado. Vide questão Q1680469

  • O bom que a Cespe ora entende que é mais rápido, ora entende que é mais lento.


ID
3379150
Banca
INSTITUTO AOCP
Órgão
UFOB
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Em relação aos Bancos de Dados Multidimensionais, julgue, como VERDADEIRO ou FALSO, os itens a seguir.

Um banco de dados multidimensional apresenta uma estrutura de dados multidimensional, como uma matriz de n dimensões.

Alternativas
Comentários
  • Pegadinha maldosa dessa questão!!!

    a parte inicial do texto ta ok. O problema está em dizer que é como uma matriz de n dimensões

    deveria ser, por exemplo: como uma tabela fato de n dimensões

    Gabarito: ERRADO


ID
3379153
Banca
INSTITUTO AOCP
Órgão
UFOB
Ano
2018
Provas
Disciplina
Banco de Dados
Assuntos

Em relação aos Bancos de Dados Multidimensionais, julgue, como VERDADEIRO ou FALSO, os itens a seguir.

Uma das técnicas usadas para o tratamento de dados multidimensionais em um BD é o MOLAP.

Alternativas
Comentários
  • MOLAP = Recupera dados de um banco de dados multidimensional; alto desempenho; recomendado para data mart; baixa escalabilidade

  • MOLAP - multidimensional

    ROLAP - relacional

  • O OLAP possui um conjunto de técnicas para o tratamento dos dados contidos na visão multidimensional do Data Warehouse.

    As ferramentas OLAP podem ser de diferentes tipos: MOLAP, ROLAP ou HOLAP.

    O OLAP multidimensional (MOLAP) é o tipo de ferramenta que utiliza estrutura de banco de dados multidimensional.

    Gabarito: C

    #PF

  • No modelo relacional de bancos de dados, os elementos ficam armazenados em tabelas bidimensionais simples, contendo linhas (registros) e colunas (campos), e os elementos de um arquivo do banco podem relacionar-se com diversos elementos de outros arquivos.

    Certo

    Modelagem dimensional é normalmente utilizada para modelar um Data Warehouse. Uma das técnicas utilizadas para se obter um modelo para o data warehouse que identifique e represente as informações importantes para o modelo de negócios é a modelagem dimensional ou multidimensional. Quando bem definido, o modelo dimensional pode ser uma ajuda de valor incalculável para as áreas de negócio, apoiando e otimizando todo o processo de tomada de decisões.

    https://www.devmedia.com.br/artigo-sql-magazine-13-modelagem-de-data-warehouses-e-data-marts-parte-1/5656

    O HOLAP faz o tratamento de bancos híbridos, aqueles que têm parte relacional e parte multidimensional.

    O OLAP possui um conjunto de técnicas para o tratamento dos dados contidos na visão multidimensional do Data Warehouse.

    As ferramentas OLAP podem ser de diferentes tipos: MOLAP, ROLAP ou HOLAP.

    O OLAP multidimensional (MOLAP) é o tipo de ferramenta que utiliza estrutura de banco de dados multidimensional.


ID
3475906
Banca
INSTITUTO AOCP
Órgão
IBGE
Ano
2019
Provas
Disciplina
Banco de Dados
Assuntos

O IBGE está implantando novas ferramentas para auxiliar na tomada de decisão em diferentes níveis hierárquicos. Dessa forma, os analistas estão em dúvida da utilização do esquema estrela ou cubos OLAP em um Data Warehouse. Sabendo disso, analise as assertivas e assinale a alternativa que aponta a(s) correta(s).


I. Quando os dados são carregados em um cubo OLAP, eles são armazenados e indexados usando formatos e técnicas projetadas para dados dimensionais.

II. Uma das vantagens do esquema estrela é o suporte a hierarquias irregulares complexas e de profundidade indeterminada, como organogramas ou listas de materiais.

III. O modelo dimensional, quando implementado em banco de dados multidimensional, é chamado de esquema em estrela. 

Alternativas
Comentários
  • "(...) o suporte a hierarquias irregulares complexas e de profundidade indeterminada (...)"

    Traz na memória o desenho do snowflake, não do estrela.

  • Modelos dimensionais implementados em um banco de dados multidimensional são referidos como cubo OLAP.

  • O qconcurso pra TI e contabilidade é uma vergonha.

    II - O esquema estrela é uma estrutura simples, com poucas tabelas e ligações. Logo não é complexo

    III - Existem dois tipos de modelos dimensionais (estrela e floco de neves) por isso a afirma III está errada.


ID
3676810
Banca
IADES
Órgão
EBSERH
Ano
2012
Disciplina
Banco de Dados
Assuntos

Os modelos multidimensionais tiram proveito dos relacionamentos inerentes aos dados para preencher os dados em matrizes multidimensionais, chamadas cubos de dados. Em relação a este tipo de modelagem, assinale a alternativa correta.

Alternativas
Comentários
  • Letra C

    Para resolver essa questão vc deve entender que o MODELO MULTIDIMENSIONAL possui ALTA-REDUNDÂNCIA, ou seja, grande replicação de dados.

    A REDUDANCIA ajuda a melhorar muito o desempenho no processo de consultas e análises.

    Já no modelo relacional é trabalhado com baixa-redundância.


ID
3683899
Banca
FCC
Órgão
TRT - 20ª REGIÃO (SE)
Ano
2009
Disciplina
Banco de Dados
Assuntos

São modelos fortemente associados à estrutura de um banco de dados multidimensional:

Alternativas
Comentários
  • STAR SCHEMA (Esquema estrela)

    Abordagem que não recomenda a normalização das tabelas dimensão.

    Mais recomendável e tem maior desempenho;

    É a estrutura básica de um modelo de dados multidimensional.

    Possui uma grande entidade central denominada fato.

    Possui relacionamento 1:N (uma para muitos) o sentido da dimensão para o fato.

    SNOWFLAKE SCHEMA (Esquema de flocos de neve)   

    Abordagem que recomenda a normalização das tabelas dimensão.

    Possui dimensões normalizadas;

    É mais lento devido a normalização.

    É o resultado da decomposição de uma ou mais dimensões que possuem hierarquias entre seus membros.

    Alternativa: C


ID
3714709
Banca
FEPESE
Órgão
CIASC
Ano
2017
Disciplina
Banco de Dados
Assuntos

Analise as afirmativas abaixo com relação à modelagem dimensional.


  1. A tabela de dimensões é a principal tabela de um modelo dimensional, onde as medições numéricas de interesse da empresa estão armazenadas. 
  2. A tabela fatos registra os fatos que serão analisados. É composta por uma chave primária (formada por uma combinação única de valores de chaves de dimensão) e pelas métricas de interesse para o negócio. 
  3. Uma tabela de dimensão contém o nome específico de cada membro da dimensão. O nome membro da dimensão é denominado Atributo. 
  4. A qualidade do banco de dados é proporcional à qualidade dos atributos de dimensões. Portanto, devem ser dedicados tempo e atenção à sua descrição, ao seu preenchimento e à garantia da qualidade dos valores em uma coluna de atributos.
Assinale a alternativa que indica todas as afirmativas corretas.

Alternativas
Comentários
  • Transcrição correta

    46. Analise as afirmativas abaixo com relação à modelagem dimensional.

    1. A tabela de dimensões é a principal tabela de um modelo dimensional, onde as medições numéricas de interesse da empresa estão armazenadas.

    2. A tabela fatos registra os fatos que serão analisados. É composta por uma chave primária (formada por uma combinação única de valores de chaves de dimensão) e pelas métricas de interesse para o negócio.

    3. Uma tabela de dimensão contém o nome específico de cada membro da dimensão. O nome membro da dimensão é denominado Atributo.

    4. A qualidade do banco de dados é proporcional à qualidade dos atributos de dimensões. Portanto, devem ser dedicados tempo e atenção à sua descrição, ao seu preenchimento e à garantia da qualidade dos valores em uma coluna de atributos.

    A única alternativa errada é a 1, que descreve a tabela fatos, e não dimensão

  • Formata essa p*rra ai QC!


ID
4842628
Banca
CESPE / CEBRASPE
Órgão
Ministério da Economia
Ano
2020
Provas
Disciplina
Banco de Dados
Assuntos

No que se refere a conceitos de modelagem de dados relacional e dimensional, julgue o item a seguir.


Na modelagem dimensional, a tabela fatos armazena as dimensões e os detalhes dos valores descritivos do armazém de dados.

Alternativas
Comentários
  • O erro da questão está em afirmar que a tabela fato armazena a dimensão, quando na verdade ela armazena as chaves para as dimensões.

    Gab. Errado

    Modelagem dimensional é normalmente utilizada para modelar um Data Warehouse.

    Data Warehouse - Voltado para empresas para melhor tomada de decisões estratégicas - Armazena dados estruturados - Tabelas, e-mail, documentos e arquivos

    Data Lake - É projetado para armazenar dados de diversas fontes e formatos, não havendo a necessidade da definição de um esquema de dados para inserir novos itens - Armazena dados estruturados ou não estruturados - Tabelas, documentos, vídeos, arquivos, imagens.

    Data Mart - Voltado por assunto, área ou algo mais especifico

    Os dados normalizados estão na terceira forma normal, utilizada em banco de dados relacional. Esse estilo de banco tem como foco inserir, alterar e deletar os dados.

    Já os desnormalizados têm foco na consulta, na entrega de informações.

    Com a modelagem dimensional não temos a garantia de consistências dos dados, além de termos um banco muito maior.

    Existem dois tipos de metodologias de modelagem de dados usadas no Data Warehouse, a Snowflake e a Star Schema, que é a mais utilizada.

    No Star Schema os dados são modelados em tabelas dimensionais, ligadas a uma fato. A tabela fato está sempre ligada a duas ou mais dimensões, não existe tabela fato com menos de duas dimensões.

    A tabela fato armazena o que ocorreu.

    Essa tabela armazena 2 coisas:

    - Os fatos ocorridos, ou seja, as métricas

    - As chaves para as dimensões

    A tabela dimensão contêm as características de um evento.

    As dimensões armazenam 3 coisas:

    - A Surrogate Key

    - A Natural Key

    - Os atributos

    Fontes: https://rafaelpiton.com.br/blog/data-warehouse-modelagem-dimensional/

  • Gabarito: ERRADO

    A tabela dimensão contêm as características de um evento. Por exemplo, quando eu faço uma venda, quero saber por onde a venda foi feita, que produto foi vendido, ou para quem.

    Já a tabela fato armazena o que ocorreu, é o fato propriamente dito, por isso ela tem esse nome, porque é o fato ocorrido. A tabela fato está sempre ligada a duas ou mais dimensões, não existe tabela fato com menos de duas dimensões.

  • GABARITO ERRADO!

    O modelo dimensional envolve dois tipos de relações (tabelas):

    Tabela de Dimensão: Armazena atributos nos quais uma dimensão se decompõe.

    Ex. Dimensão Produto: Número, Nome, Descrição, Estilo, Linha...

    Tabela de Fatos: Armazena os fatos registrados em tuplas. Cada fato possui atributos e seus valores são ponteiros / referências para tabelas de dimensão.

    Ex. Produto1 vendido em 10/10/2018 em Mosoró por R$10.000.000.000,00.

    ELMASRI, Ramez; NAVATHE, Shamkant. Database systems. Boston, MA: Pearson Education, 2011.

  • Gabarito: Errado.

    As tabelas fato armazenam as chaves para as dimensões. Em uma tabela fato há valores detalhados de medidas. E para cada dimensão representada na tabela fato, haverá uma tabela dimensão com maior detalhamento dessa dimensão.

    Geralmente a tabela fato é recheada de chaves estrangeiras, cada uma é referente a uma chave primária de uma tabela dimensão.

  • CARACTERÍSTICAS DE TABELAS FATO

     Armazenam ocorrências, eventos ou fatos de um processo de negócio da organização.

     Possuem geralmente uma grande quantidade armazenada de registros ou tuplas.

     São normalizadas e sem hierarquia (decomposições em outras tabelas).

     São tabelas que geralmente crescem verticalmente: mais registros ou linhas.

     Armazenam medidas/métricas quantitativas (valores ou indicadores).

     Podem ser medidas de desempenho, métricas operacionais, medidas agregadas, etc.

     Contêm chaves estrangeiras que correspondem às chaves primárias das Tabelas Dimensão.

     Apresentam uma chave primária composta em que a dimensão tempo sempre é parte integrante.

     Expressam, em geral, relacionamentos de 1:N entre as Tabelas Periféricas (Dimensão).

    CARACTERÍSTICAS DE TABELAS DIMENSÃO

    Armazenam atributos ou dimensões que descrevem medidas de uma Tabela Fato;

    Possuem geralmente menos linhas e mais colunas que Tabelas Fato;

    São desnormalizadas e com hierarquia (decomposições em outras tabelas).

    Possuem uma chave primária que identificam unicamente seus registros;

    As chaves primárias das Tabelas Dimensão compõem a chave primária da Tabela Fato;

    São tabelas que geralmente crescem horizontalmente: mais atributos ou colunas;

    Apresentam atributos qualitativos ou textuais (Ex: Nome, Sexo, Data de Nascimento);

    Permitem a visualização de fatos por meio de diversas perspectivas diferentes;

    Atributos devem ser verbosos, descritivos, completos, discretos e corretos;

    Respondem à pergunta: "Quando?", "O que?", "Onde?" e "Quem?";

    Exemplos: Pessoas, Produtos, Lugares, Tempo, entre outros.

  • No trecho que diz "e os detalhes dos valores descritivos...", a questão está afirmando que os atributos que descrevem os fatos são armazenados na tabela de fatos. Isso está incorreto, pois essa é a função das dimensões. As tabelas fato ou tabelas de fatos armazenam somente as chaves estrangeiras para as dimensões e os fatos ou métricas. Os atributos descritivos compõem as dimensões e podem ser associados aos fatos pelos relacionamentos entre a respectiva dimensão e a tabela de fatos.

  • Modelagem dimensional é uma técnica de projeto lógico normalmente usada para data warehouses que contrasta com a modelagem entidade-relacionamento. Segundo o prof. Kimball, a modelagem dimensional é a única técnica viável para bancos de dados que devem responder consultas em um data warehouse.

    A  foi definida sobre dois pilares:

    Dimensões conformados diz respeito a entidade que servem de perspectivas de análise em qualquer assunto da organização. Uma dimensão conformada possui atributos conflitantes com um ou mais data-marts do data warehouse.

    Por grão de fato entende-se a unidade de medida de um indicador de desempenho. Assim, quando fala-se de unidades vendidas, pode-se estar falando em unidades vendidas de uma loja em um mês ou de um dado produto no semestre. Obviamente, esse valores não são operáveis entre si.

    A modelagem multidimensional visa construir um data warehouse com dimensões conformados e fatos afins com grãos os mais próximos possíveis.

    Esse tipo de modelagem tem dois modelos MODELO ESTRELA () e MODELO FLOCO DE NEVE (SNOW FLAKE).

  • A tabela de fatos mantém identificadores para as vårias dimensöes e valores numéricos. As linhas contém o nivel mais excelente de detalhe disponivel através do armazenamento. Cada dimensäo possui uma tabela de dimensäo associada que mantém todos seus dados.

    Fonte:

    [1] Web Semântica Para Retardados, Pollock, Jeffrey

  • Para quem está boiando nessa matéria e vai fazer a PF:

    https://www.youtube.com/watch?v=7Hys-OagYx0

  • Pessoal,

    Melhor do que eu ficar enchendo linguiça aqui, aconselho vcs a dar um google imagens e ver como é a tabela de fatos. Vai ficar mais fácil entender as futuras questões sobre esse assunto.

  • PF só cai modelagem relacional, não cai tem previsão de modelagem dimensional. Logo se cair uma dessa será anulada!

  • Na modelagem dimensional, a tabela fatos armazena (as dimensões e os detalhes dos valores descritivos do armazém de dados - erro).

    Tabelas:

    Fato: Armazena o fato.

    Dimensão: armazena a característica, a dimensão do fato.

  • Tabela de Fato → armazena info. QUANTITATIVAS p/ análise dos dados.

    x

    Tabela de Dimensão → armazena atributos/dimensões que EXPLICAM OS FATOS (objetos) contidos na tabela de fato.

  • 9.4 Banco de dados relacionais: conceitos básicos e características.