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.