Intente responder a los más de 100 MCQ del almacén de datos y pruebe su comprensión del tema del almacén de datos.
¡Desplácese hacia abajo y comencemos!
A. Oracle Essbase
B. IBM TM1
C. Microsoft SSAS
D. Todo lo anterior
A. Es lo mismo que la validación de datos
B. La armonización de los datos no puede considerarse como un fregado de datos
C. Implica la limpieza de datos
D. La estandarización de los datos no puede considerarse como un fregado de datos
A. Esquema de copo de nieve
B. Modelo de relación de entidad
C. Esquema de estrella
D. Esquema de constelación de hechos
A. Seleccionar las celdas de cualquier dimensión de Data Cube
B. Fusionar las células de todas menos una dimensión
C. Fusionar las células a lo largo de una dimensión
D. Seleccionar todas las dimensiones menos una de las dimensiones del cubo de datos.
A. Para mantener el historial de datos
B. Para mejorar la calidad de los datos
C. Para recopilar datos de múltiples fuentes en múltiples bases de datos
D. Para integrar datos de múltiples sistemas de origen
A. ODS
B. Mesa de sala limpia
C. Área de ensayo
D. Sin fase de limpieza distinta, datos limpiados durante las consultas MDX
A. Utiliza los dos niveles de representación de almacenamiento de datos para manejar conjuntos de datos densos y escasos
B. Proporciona soporte avanzado de lenguaje de consulta y procesamiento de consultas para consultas SQL sobre esquemas de estrella y copo de nieve
C. Facilita las operaciones OLTP en SQL
D. Utiliza motores de almacenamiento multidimensionales basados en una matriz
A. Es necesario mantener los datos operativos libres de cualquier operación de almacén
B. Contiene datos derivados de múltiples fuentes
C. Un almacén de datos no puede permitirse permitir datos dañados dentro de él
D. Un almacén de datos contiene datos resumidos, mientras que la base de datos operativa contiene datos transaccionales
A. especificando un año en particular y región
B. aleatorizar el año y la región
C. especificando un año en particular
D. Aleatorizando el año
A. tabla de hechos
B. mesa central
C. mesa de metadatos
D. tabla de dimensión
A. Puede manejar grandes cantidades de datos
B. El rendimiento puede ser lento
C. Todas las opciones dadas son válidas
D. Puede aprovechar las funcionalidades inherentes a la base de datos relacional
A. Todas las opciones dadas son válidas
B. Los almacenes de datos contienen datos que generalmente se cargan desde las bases de datos operativas en un intervalo regular
C. El horizonte temporal de un almacén de datos es significativo más largo que el de los sistemas operativos
D. Data Warehouse mantiene datos históricos y (casi) actuales
A. Los cubos Molap están construidos para la recuperación rápida de datos
B. Los cubos MOLAP son óptimos para las operaciones de corte y cubita
C. Los datos se almacenan en un cubo multidimensional.
D. Todas las opciones dadas son válidas
A. Permite a los usuarios analizar datos de muchas dimensiones o ángulos diferentes.
B. Todas las opciones dadas son válidas
C. Es el proceso de análisis de datos desde diferentes perspectivas y resumirlos en información útil.
D. Es el proceso de encontrar correlaciones o patrones entre varios campos.
A. Sql
B. ETL
C. Olp
D. Oltp
A. Extracción incremental
B. Extracción completa y extracción incremental
C. Extracción completa
D. Extracción en línea
A. Todas las opciones dadas son verdaderas
B. Es una copia de datos de transacción específicamente estructurados para consulta y análisis
C. Está diseñado para facilitar los informes y el análisis.
D. Es un repositorio variante del tiempo no volátil
A. Está representado por tablas de datos centralizadas
B. Es una disposición lógica de tablas en una base de datos multidimensional
C. Todo lo anterior
D. Es una variación del esquema de estrella
A. Extraer, transformar, cargar
B. Lenguaje de prueba de extracción
C. Exportar, transmitir, cargar
D. Exportar, traducir, cargar
A. Esquema de estrella
B. Esquema de copo de nieve
C. Esquema de constelación de hechos
D. Todas las opciones dadas son válidas
A. Oltp
B. Base de datos relacional
C. ODS
D. OLAP o base de datos multidimensional
A. Esquema de estrella
B. Oltp
C. Olap
D. Esquema de copo de nieve
A. Cuando las dos fuentes tienen múltiples columnas coincidentes
B. Cuando las dos fuentes tienen una relación de clave principal a la clave extranjera
C. Todo lo anterior
D. Cuando las dos fuentes son heterogéneas
A. el nivel más atómico en el que se pueden definir los hechos
B. los datos sin procesar de los que se derivan los hechos
C. la dirección a lo largo de la cual se pueden combinar medidas aditivas
D. la relación de hechos a las dimensiones
A. Excursión
B. Rodar hacia abajo
C. Enrollar
D. Profundizar
A. Crossjo
B. Todos los miembros
C. Hojas
D. Distinto
A. Fortano
B. Mdx
C. Sql
D. SPSS
A. dado
B. unirse
C. pivote
D. rebanada
A. volumen de transacción
B. ganancias brutas
C. costo
D. probabilidad de incumplimiento
A. Gira los ejes de datos a la vista para proporcionar una presentación alternativa de datos
B. Dos operaciones consecutivas de corte en dos dimensiones diferentes
C. También se conoce como rotación
D. Todas las opciones dadas son válidas
A. CRC
B. (ambas opciones)
C. (ninguna de estas opciones)
D. columnas de auditoría
A. /* esta línea */
B. // esta línea
C. ## esta línea
D. -- esta línea
A. una capa de acceso que comprende un subconjunto de un almacén de datos
B. un intercambio abierto en línea en el que las organizaciones pueden intercambiar información comercial
C. un esquema que organiza datos en hechos y dimensiones
D. un repositorio central donde las organizaciones separadas pueden hacer una copia de seguridad de los datos
A. El esquema de estrella y copo de nieve contiene dos tablas de datos
B. El esquema de copo de nieve contiene dos tablas de datos
C. El esquema de la constelación de hechos contiene dos tablas hábiles
D. Star Schema contiene dos tablas informativas
A. Nombre del producto Cuando existe una tabla de dimensión del producto
B. Almacenar uid cuando exista una mesa de dimensión de la tienda
C. Unidades vendidas
D. Ninguna de las anteriores
A. Orientado al sujeto
B. Volátil
C. No volátil
D. Integrado
A. Base de datos
B. Olap
C. Oltp
D. End de almacenamiento de datos
A. Enrollar
B. Rodar hacia abajo
C. Profundizar
D. Excursión
A. Olp
B. Oltp
C. Tanto OLAP como OLTP
D. Ni olap ni oltp
A. una matriz en la que los datos se almacenan y se caracterizan por múltiples dimensiones
B. Ninguna de las anteriores
C. una matriz tridimensional para procesamiento analítico en línea
D. una operación de reducción dimensional que resume los datos
A. normalización
B. Todo lo anterior
C. tablas dinamicas
D. claves primarias
A. Todas las opciones son correctas
B. Olap
C. End de almacenamiento de datos
D. Oltp
A. Utiliza solo un nivel de representación de almacenamiento de datos para manejar conjuntos de datos dispersos
B. Utiliza solo un nivel de representación de almacenamiento de datos para manejar conjuntos de datos densos
C. Utiliza un nivel de representación de almacenamiento de datos para manejar conjuntos de datos densos y escasos
D. Utiliza dos niveles de representación de almacenamiento de datos para manejar conjuntos de datos densos y escasos
A. La operación de dados realiza la selección de dos o más dimensiones en un cubo dado
B. Forma un nuevo subcubo seleccionando una o más dimensiones
C. La operación de dados realiza la selección de una dimensión en un cubo dado
D. Navega los datos de datos menos detallados a datos altamente detallados
A. dado
B. rebanada
C. giratorio
D. taladro-across
A. enfoque normalizado
B. Ni un enfoque dimensional ni normalizado
C. Enfoque dimensional y normalizado
D. enfoque dimensional
A. Delta, byte-diccionario, lzo
B. En su mayoría8, runlength, crudo
C. Byte-Dictionary, LZO, Delta
D. LZO, Delta, Raw
A. Lee y escribe
B. Solo lectura
C. Escribir solamente
D. Escribir decondicional
A. Almacén de datos integrado
B. Almacenamiento de datos de tiempo
C. Almacén de datos operativos fuera de línea
D. Almacén de datos fuera de línea
A. Relacional
B. Multidimensional
C. Híbrido
D. Analítico
A. Un almacén de datos y una base de datos relacional son separables
B. Cuando existe un requisito para realizar un cálculo complejo
C. Cuando se requiere una recuperación rápida de datos
D. Cuando se requiere cortar y cubrir
A. La primera capa de la arquitectura
B. La segunda capa de la arquitectura
C. La tercera capa de la arquitectura
D. La cuarta capa de la arquitectura
A. Enrollar
B. Rodar hacia abajo
C. Profundizar
D. Excursión
A. Consulta y actualización
B. Insertar y eliminar
C. Actualizar y cargar
D. Crear y editar
A. Para cubrir grupos naturales
B. Facilita las operaciones OLAP
C. Para encontrar organizaciones consistentes y válidas de los datos
D. Iniciar hipótesis sobre los datos
A. Tabla de índice
B. Árbol B
C. Índice de mapa de bits
D. Codificación de Huffman
A. Parcialmente desnormalizado
B. Completamente normalizado
C. Completamente desnormalizado
D. Parcialmente normalizado
A. La mayoría de las columnas en una tabla serán necesarias para una consulta
B. Patrones dinámicos e impredecibles de consultas
C. Pequeño número de índices conocidos que se crean, patrones de consulta estática
D. Un motor basado en columnas solo es apropiado para aplicaciones OLTP
A. Puede proporcionar puntos de vista específicos del negocio de un cubo
B. Puede restringir de forma segura el acceso a los objetos en un cubo
C. Puede ocultar cualquier cantidad de dimensiones de un cubo
D. Puede mostrar jerarquías desde un cubo
A. No rastrea los datos históricos
B. Almacena solo un número finito de cambios históricos
C. Aumenta significativamente los requisitos de almacenamiento por registro
D. Actualizaciones de datos obsoletos con nuevos valores con poca frecuencia
A. Uplamia de la dimensión escasa con valores de relleno
B. Aplicar la actualización del tipo 6 a la dimensión escasa
C. aislar la dimensión escasa en un cubo separado
D. Cree un compuesto para suplente para la dimensión escasa
A. Datos que nunca se eliminan una vez que se han agregado
B. Los datos no deben cambiar una vez que se ingrese en el almacén
C. Los datos se manipulan para proporcionar información sobre un subjec en particular
D. Data Warehouse tiene un alcance definido
A. una perspectiva (subconjunto de medidas y dimensiones
B. un cubo
C. Un subcube (consulta mdx anidada)
D. Ninguna de las anteriores
A. Ninguna de las anteriores
B. Fuente B para evitar que se omitan las filas
C. Fuente A para acelerar el proceso de unión
D. No hay distinción maestra de detención, las transformaciones de unión brindan a ambas fuentes paridad
A. Medidas. [Valor A]/Medidas. [Valor B]
B. Divide (medidas. [Valor A]/Medidas. [Valor B], NULL)
C. Ninguna de las anteriores
D. IFF (medidas. [Valor A] = 0, NULL, Medidas. [Valor A]/Medidas. [Valor B])
A. Todo lo anterior
B. La agregación de datos relevantes requiere la creación de nuevas claves primarias
C. La agregación de datos relevantes requiere múltiples uniones de tabla
D. Los datos primero deben colocarse en un almacén de datos a través del proceso ETL
A. Data Warehousing Env
B. Oltp
C. Olap
D. Base de datos
A. Tablas separadas para cada grupo de datos relacionados con un identificador único para cada fila
B. No hay columnas que no dependan de una clave primaria
C. No hay columnas duplicadas dentro de una sola tabla
D. Ninguna de las anteriores
A. Una partición lógica de la capa de datos compartida entre nodos de cómputo distribuidos
B. Una operación paralela aislando una sola capa de un cubo de desplazamiento al rojo
C. Una partición que permite cada núcleo de un nodo multiprocesador procesar la carga de trabajo del nodo en paralelo
D. Una partición orientada al cliente que aísla diferentes partes del almacén de datos para diferentes tipos de usuarios en una organización
A. DE
B. CON
C. Todo lo anterior
D. DÓNDE
A. Área privada de SQL
B. Área global de usuario
C. Área global del programa
D. Área de trabajo SQL
A. Todo lo anterior
B. no bloqueará las filas de entrada
C. Transformación del grupo de entrada única
D. Transformación del grupo de salida única
A. Extracción completa
B. Extracción lógica
C. Extracción física
D. Extracción incremental
A. Información de secuencia almacenada como una tabla anidada
B. Datos normalizados con columnas de secuencia clave en cada tabla de dimensiones
C. Esquema de estrella con columnas de secuencia clave en cada tabla de dimensiones
D. Información de secuencia almacenada como una tabla plana
A. Contiene datos resumidos
B. Es una colección de datos derivados de múltiples fuentes
C. Es una base de datos relacional
D. Es una colección de datos de diferentes tipos
A. Miembro [Medidas]. [A cuadrado] AS [Medidas]. [Medida A] * [Medidas]. [Medida A], Solve_order = 2
B. Miembro [Medidas]. [C menos uno] como [Medidas]. [Medida C] - 1, Solve_order = 1
C. Todos los elementos evalúan simultáneamente
D. Miembro [medidas]. [B dos veces] como [medidas]. [Medida B] + [Medidas]. [Medida B], Solve_order = 4
A. Molap
B. Moler
C. Rolap
D. Rolap
E. Kolap
F. Kolap
A. Acceder a pequeñas cantidades de datos
B. Analice las relaciones entre muchos tipos de elementos comerciales, p. ventas, productos, regiones y canales
C. Compare datos agregados durante períodos de tiempo jerárquicos, p. mensualmente, trimestral, anual
D. Presentar datos en diferentes perspectivas, p. Ventas por región versus ventas por canales por producto dentro de cada región
E. Responda rápidamente a las solicitudes de los usuarios, para que los usuarios puedan seguir un proceso de pensamiento analítico sin ser obstaculizados por el sistema
A. El proceso de organización de datos de acuerdo con las reglas de una base de datos relacional
B. El proceso de limpieza de los datos
C. El proceso de integración de los datos en Datawarehouse de Legacy Systems
D. El proceso de comprimir los datos
E. El proceso de eliminar datos no válidos antes de que se introduzcan en el almacén de datos
A. Demanda de consulta
B. Fuente de datos
C. Número de dimensiones
D. Volumen de datos atómicos
E. Volatilidad de los datos
A. Un subconjunto de una matriz multidimensional correspondiente a un valor único para uno o más miembros de las dimensiones que no están en el subconjunto
B. Un subconjunto de una matriz multidimensional correspondiente a múltiples valores para uno o más miembros de las dimensiones no en el subconjunto
C. Un subconjunto de una matriz multidimensional correspondiente a un valor único para uno o más miembros de las dimensiones en el subconjunto
D. Un subconjunto de una matriz multidimensional correspondiente a múltiples valores para uno o más miembros de las dimensiones en el subconjunto
E. Un subconjunto de una matriz multidimensional que no corresponde a un valor único para un miembro de las dimensiones que no están en el subconjunto
A. Denormalización
B. Fraccionamiento
C. Resumen
D. Denormalización y partición
E. Denormalización, partición y resumen
A. Fecha
B. Codd
C. IBM
D. Oráculo
E. Microsoft
A. Cubos multidimensionales
B. Metadatos
C. Tablas de rdbms
D. Mesas de hecho
E. Tablas dinamicas
A. Validez de los datos almacenados en un almacén de datos
B. El nivel de detalle de los hechos almacenados en un almacén de datos
C. La puntualidad de los datos almacenados en un almacén de datos
D. La redundancia de los datos almacenados en un almacén de datos
E. Compacidad de los datos almacenados en un almacén de datos
A. ¿Cuál es el saldo de la cuenta corriente de este cliente?
B. ¿Cuántos clientes no han pagado sus saldos a tiempo?
C. ¿Cuál es el número total de clientes en la región media?
D. Hich Product Line se vende mejor en la región media y ¿cómo se correlaciona esto con los datos demográficos?
E. ¿Qué cliente realiza las compras máximas?
A. El grado en que cambian las estructuras de datos y datos con el tiempo
B. La redundancia de los datos
C. El volumen de los datos
D. La compacidad de los datos
E. La validez de los datos
A. Los datos a analizar son menos en volumen
B. Si un porcentaje relativamente alto de las posibles combinaciones (intersecciones) de los miembros de las dimensiones del conjunto de datos contiene datos faltantes
C. Si un porcentaje relativamente alto de las posibles combinaciones (intersecciones) de los miembros de las dimensiones del conjunto de datos contiene datos no válidos
D. Si un porcentaje relativamente alto de las posibles combinaciones (intersecciones) de los miembros de las dimensiones del conjunto de datos contiene datos válidos
E. Si un porcentaje relativamente alto de las posibles combinaciones (intersecciones) de los miembros de las dimensiones del conjunto de datos contiene datos obsoletos
A. Copo de nieve
B. Sincronización
C. Tajando y cortando
D. Replicación
E. Transformación de datos
A. Copia física de datos de una base de datos a otra
B. Limpieza de los datos
C. Integración de datos de varias fuentes en el almacén de datos
D. Análisis de los datos
E. Recuperación de datos
A. Procesamiento analítico recíclico en línea
B. Procesamiento analítico relacional en línea
C. Procesamiento analítico en línea reducido
D. Procesamiento analítico en línea girado
E. Procesamiento analítico en línea redundante
A. Mesa de hechos
B. Meta mesa
C. Diccionario de datos
D. Tabla dinámica
E. Tabla de dimensión
A. Detectar patrones de uso de tarjeta de crédito fraudulento
B. Determinar el número de transacciones realizadas en un día
C. Determinar el gasto de la tarjeta de crédito por grupos de clientes
D. Encuentre la correlación oculta entre diferentes indicadores financieros
E. Predecir que los clientes puedan cambiar su afiliación de tarjeta de crédito
A. Procesamiento analítico jerárquico en línea
B. Procesamiento analítico en línea híbrido
C. Procesamiento analítico horizontal en línea
D. Procesamiento analítico hiper on-línea
E. Procesamiento analítico en línea de Hypercube
A. Mesa
B. Sección
C. Dividir
D. Cubo
E. Repositorio
A. Clasificación
B. Asociaciones
C. Patrones secuenciales/temporales
D. Agrupación
E. Segmentación
A. Agrupación y segmentación
B. Redes neuronales
C. Lógica difusa
D. Análisis de regresión lineal
E. Análisis basado en reglas
A. El RDBMS debe proporcionar un conjunto completo de operaciones analíticas que incluyen operaciones de núcleo secuencial y estadística
B. El RDBMS no debe tener limitaciones arquitectónicas
C. El servidor RDBMS debe admitir cientos, incluso miles, de usuarios concurrentes mientras mantiene un rendimiento de consulta aceptable
D. El rendimiento de la consulta no debe depender del tamaño de la base de datos, sino de la complejidad de la consulta
E. El almacén debe garantizar la consistencia local, la consistencia global y la integridad referencial
A. Transformación de datos
B. Replicación
C. Sincronización
D. Migración de datos
E. Normalización
A. Es el proceso de convertir datos en información
B. Es una colección de muchas técnicas
C. Es un reemplazo para OLAP
D. Se basa en la hipótesis generada por la máquina
E. Se utiliza en el apoyo a la decisión, la predicción, el pronóstico y la estimación