OLAP/DW — Nível Prova

A operação OLAP responsável por resumir dados em níveis mais altos de hierarquia é: Pivot. Drill-down. Roll-up. Drill-through.

A operação que aumenta o nível de detalhamento dos dados é: Roll-up. Drill-down. Pivot. Slice.

No OLAP, a operação Pivot corresponde a: Eliminar dados redundantes. Rotacionar o cubo multidimensional. Resumir dados históricos. Aumentar granularidade.

Passar da análise por ANO para análise por MÊS é exemplo de: Roll-up. Pivot. Drill-down. Drill-through.

Em um cubo OLAP, passar de CIDADE → ESTADO → PAÍS representa: Drill-down. Roll-up. Pivot. Drill-through.

O Drill Through ocorre quando: O cubo é rotacionado. Há sumarização dos dados. O usuário acessa dados operacionais detalhados. O usuário troca linhas por colunas.

“Pular” níveis intermediários dentro da mesma dimensão caracteriza: Roll-up. Drill Across. Drill Through. Pivot.

Uma característica típica de sistemas OLAP é: Dados individualizados e transacionais. Operações rápidas de INSERT. Dados históricos e sumarizados. Forte normalização operacional.

OLTP é normalmente orientado: ao negócio. ao processo. à mineração. ao cubo.

Em Data Warehouse, dados multidimensionais são mais associados a: OLTP. RAID. OLAP. CRUD.

Drill-down reduz o nível de abstração e aumenta detalhes. VERDADEIRO. FALSO.

Roll-up aumenta o detalhamento dos dados. VERDADEIRO. FALSO.

Pivot altera a visualização dos dados sem modificar seu conteúdo. VERDADEIRO. FALSO.

Drill Through acessa dados detalhados/originais. VERDADEIRO. FALSO.

OLAP trabalha tipicamente com dados históricos. VERDADEIRO. FALSO.

Em OLAP, analisar vendas por: ano → trimestre → mês → dia representa uma: hierarquia dimensional. chave estrangeira. modelagem relacional. tabela fato.

Qual operação abaixo normalmente reduz a granularidade?. Drill-down. Roll-up. Pivot. Drill-through.

A troca de perspectiva entre “produto x região” para “região x produto” caracteriza: Drill-down. Roll-up. Pivot. Drill Across.

OLTP costuma manipular: muitos registros simultaneamente para análise. registros detalhados e atuais. apenas dados históricos. cubos multidimensionais.

Em DW/OLAP, dados sumarizados têm como principal objetivo: aumentar redundância. facilitar análises gerenciais. substituir bancos relacionais. reduzir armazenamento físico.