{"subject_id":"3a3cc48d00998114a059cba6a09923dd","topico":"Multidimensional: fato × dimensão, estrela × floco de neve, SCD, OLTP × OLAP","stems":["A INFRA S.A. implantou um ambiente corporativo de BI (business intelligence) para apoiar decisões estratégicas relacionadas à priorização de investimentos, ao acompanhamento de contratos, à análise de riscos e à avaliação de desempenho de obras ferroviárias e rodoviárias. O ambiente integra dados históricos provenientes de sistemas transacionais, relatórios técnicos e bases externas, organizados em um data warehouse corporativo, com uso de modelagem dimensional, cubos OLAP e técnicas avançadas de data mining para identificação de padrões de atraso, sobrecusto e impacto ambiental. Com relação à situação hipotética acima apresentada, julgue os itens a seguir.","No que se refere a BI (business intelligence), julgue os itens a seguir.","Acerca dos conceitos relacionados a business intelligence, julgue os itens que se seguem.","Julgue os próximos itens, relativos às técnicas e aos métodos de BI (business intelligence), aos sistemas de suporte à decisão e gestão de conteúdo e à otimização de bases de dados multidimensionais.","Julgue os próximos itens, acerca de soluções de suporte à decisão.","A respeito de modelagem relacional, modelagem dimensional e normalização das estruturas de dados, julgue os itens que se seguem.","Julgue os próximos itens, a respeito de modelagem de dados.","Julgue os próximos itens, referentes ao Power BI.","Acerca de business intelligence, ETL e OLAP, julgue os itens que se seguem.","Considerando a tabela de fato apresentada inicialmente e as tabelas de dimensão a ela subsequentes, julgue os itens a seguir, referentes à modelagem dimensional de dados.","No que se refere à análise de dados e informações, julgue os itens a seguir.","A respeito de modelagem de dados, julgue os itens a seguir.","Com relação a data warehouse e data mining, julgue os itens a seguir.","Julgue o item a seguir, a respeito de modelagem dimensional.","Julgue os itens subsecutivos, referentes a técnicas de otimização de consultas SQL e a técnicas de modelagem multidimensional.","A respeito de inteligência do negócio, julgue os itens a seguir.","Quanto aos conceitos relativos à arquitetura de dados, julgue os itens a seguir.","Julgue os itens subsecutivos, a respeito da modelagem de bases de dados multidimensionais.","Com relação a OLAP (online analytical processing), julgue os itens que se seguem.","Acerca de arquitetura e aplicações de data warehousing, ETL e Olap, julgue os itens a seguir.","A respeito das técnicas de modelagem e otimização de bases de dados multidimensionais, julgue o próximo item.","Julgue os próximos itens, a respeito de arquitetura de OLAP, data warehousing e dados multidimensionais.","Julgue os itens que se seguem, acerca de data mining e data warehouse.","Com relação a banco de dados, julgue os itens seguintes.","Julgue os itens a seguir, a respeito de data mining e OLAP.","Acerca de bases de dados multidimensionais, julgue os itens seguintes.","Com relação à modelagem dimensional e à otimização de bases de dados para business intelligence, julgue os itens subsequentes.","Com relação a sistemas gerenciadores de bancos de dados (SGBD), julgue os próximos itens.","Julgue os itens subsequentes, acerca de segurança da informação de um SGBD e de um BI (Business Intelligence).","Com relação aos conceitos de modelagem multidimensional de dados para inteligência computacional, julgue os seguintes itens."],"questions":[{"id":"e2eb8595f3fe","number":67,"stem":0,"statement":"No ambiente descrito de BI da INFRA S.A., a combinação de particionamento da tabela de fatos por período temporal e o uso de índices bitmap nas chaves dimensionais contribuiriam para reduzir operações de I/O e acelerar consultas analíticas sobre grandes volumes históricos de dados.","answer":"C","source":{"slug":"INFRASA_26_ANALISTA","ano":2026},"explanation":{"verdict_reason":"São duas técnicas clássicas de otimização de base multidimensional e ambas agem sobre I/O. O particionamento da fato por período permite ao otimizador descartar partições inteiras fora da janela consultada, técnica conhecida como poda de partições. O índice bitmap é indicado justamente para colunas de baixa cardinalidade, como as chaves dimensionais, e permite combinar predicados de várias dimensões por operações de bits antes de tocar a tabela de fatos.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Particionamento e bitmap reduzem I/O em consulta analítica","citation":null,"trap_note":"Ambiente analítico e ambiente transacional pedem índices diferentes: bitmap serve ao OLAP, com baixa cardinalidade e poucas escritas; árvore B serve ao OLTP, com alta cardinalidade e escrita intensa. Item que inverta essa indicação está errado."}},{"id":"5dfffcf118d0","number":68,"stem":0,"statement":"A utilização de cubos OLAP no ambiente da INFRA S.A. permite apenas análises pré-definidas, inviabilizando operações ad hoc como drill-down e slice-and-dice sobre indicadores de execução orçamentária.","answer":"E","source":{"slug":"INFRASA_26_ANALISTA","ano":2026},"explanation":{"verdict_reason":"O cubo existe justamente para permitir a exploração ad hoc: uma vez processado, o usuário navega livremente por drill-down, roll-up, slice e dice sem depender de novo desenvolvimento. O que é pré-definido é a estrutura — dimensões, hierarquias e medidas —, não o conjunto de análises possíveis dentro dela.","distortion_type":"generalizacao","distorted_span":"permite apenas análises pré-definidas, inviabilizando operações ad hoc","corrected_statement":"A utilização de cubos OLAP no ambiente da INFRA S.A. permite análises ad hoc, viabilizando operações como drill-down e slice-and-dice sobre indicadores de execução orçamentária.","concept":"O cubo suporta navegação ad hoc pelo usuário","citation":null,"trap_note":"Duas marcas juntas — apenas e inviabilizando — em frase sobre capacidade de ferramenta apontam para Errado. Negar uma função que a tecnologia tem como razão de existir é a forma mais frequente de item falso em TI."}},{"id":"5f9c64abcf86","number":69,"stem":0,"statement":"A otimização de bases multidimensionais dispensa o uso de índices, uma vez que operações OLAP dependem exclusivamente de varreduras completas das tabelas de fatos.","answer":"E","source":{"slug":"INFRASA_26_ANALISTA","ano":2026},"explanation":{"verdict_reason":"A causa alegada é falsa e a conclusão também. O OLAP não depende de varredura completa da fato: índices bitmap, junções em estrela, particionamento e visões materializadas existem precisamente para evitá-la. A otimização de base multidimensional não dispensa índices; ela é, em grande parte, escolha de índices.","distortion_type":"relacao_causal","distorted_span":"dispensa o uso de índices, uma vez que operações OLAP dependem exclusivamente de varreduras completas das tabelas de fatos","corrected_statement":"A otimização de bases multidimensionais emprega índices, como os bitmap sobre as chaves dimensionais, justamente para evitar varreduras completas das tabelas de fatos.","concept":"Índices são centrais na otimização multidimensional","citation":null,"trap_note":"Construções do tipo dispensa X, uma vez que Y são o formato padrão da causalidade inventada. Julgue as duas metades separadamente: aqui tanto a causa (só varredura completa) quanto o efeito (índices desnecessários) são falsos."}},{"id":"361cf76e8691","number":70,"stem":0,"statement":"No ambiente analítico da INFRA S.A., o uso de agregações pré-calculadas em tabelas de fatos otimizaria o tempo de resposta das consultas OLAP, mas demandaria maior espaço de armazenamento.","answer":"C","source":{"slug":"INFRASA_26_ANALISTA","ano":2026},"explanation":{"verdict_reason":"Agregação pré-calculada é resposta pronta: a consulta lê o total já somado em vez de percorrer as linhas de detalhe, o que reduz o tempo de resposta. Em contrapartida, os agregados são dados adicionais que precisam ser armazenados e mantidos atualizados a cada carga. O item enuncia ganho e custo na proporção certa.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Agregação troca espaço por tempo de resposta","citation":null,"trap_note":"Quase toda otimização analítica é a mesma troca: espaço e tempo de carga em troca de tempo de consulta. Item que prometa acelerar a consulta sem custo nenhum quase sempre é falso."}},{"id":"096d28385e36","number":71,"stem":0,"statement":"No contexto da INFRA S.A., a modelagem dimensional em esquema estrela facilitaria consultas analíticas em larga escala ao reduzir o número de junções, favorecendo a performance de relatórios gerenciais de acompanhamento de obras.","answer":"C","source":{"slug":"INFRASA_26_ANALISTA","ano":2026},"explanation":{"verdict_reason":"É a justificativa técnica do esquema estrela: como cada dimensão é desnormalizada em uma única tabela, a consulta faz uma junção por dimensão, e não uma cadeia de junções por nível de hierarquia. Menos junções significa plano mais simples e melhor desempenho em consultas de agregação sobre grandes volumes.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Estrela reduz junções e favorece a performance","citation":null,"trap_note":"Quando o item justificar o estrela por redução de junções, é Certo; quando justificar o floco de neve pelo mesmo motivo, é Errado. A contagem de junções é o critério que separa os dois esquemas."}},{"id":"29469f2e1cb0","number":35,"stem":1,"statement":"Em ambientes de dados complexos, o modelo snowflake utiliza dados normalizados, enquanto o modelo estrela utiliza dados não normalizados.","answer":"C","source":{"slug":"TCE_RS_25","ano":2025},"explanation":{"verdict_reason":"É o enunciado direto da diferença entre os dois esquemas: o floco de neve normaliza as tabelas de dimensão, decompondo as hierarquias em tabelas encadeadas, e o estrela mantém cada dimensão em uma tabela única desnormalizada, com redundância assumida. A afirmação está na direção correta.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Floco de neve normaliza; estrela não normaliza","citation":null,"trap_note":"Esta é a frase que o corpus cobra mais vezes, ora certa, ora invertida. Decore-a em uma linha e resolva o item pela colagem do adjetivo ao nome do esquema, sem depender do resto da sentença."}},{"id":"88b54708224e","number":79,"stem":2,"statement":"Na implementação do slowly changing dimension tipo 2, o valor antigo é sobrescrito pelo valor novo.","answer":"E","source":{"slug":"MP_CE_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"Sobrescrever o valor antigo é o comportamento do tipo 1, que não guarda histórico. O tipo 2 preserva a história: a linha antiga é mantida e uma nova versão do registro é inserida, normalmente com chave substituta nova e marcadores de vigência ou indicador de linha corrente. O item descreve o tipo 1 e o batiza de tipo 2.","distortion_type":"troca_de_termo","distorted_span":"slowly changing dimension tipo 2","corrected_statement":"Na implementação do slowly changing dimension tipo 1, o valor antigo é sobrescrito pelo valor novo.","concept":"SCD tipo 1 sobrescreve; tipo 2 versiona a linha","citation":null,"trap_note":"Decore a escada: tipo 0 não muda, tipo 1 sobrescreve e perde o histórico, tipo 2 cria linha nova e guarda o histórico, tipo 3 guarda o valor anterior em coluna adicional. A banca troca os números entre si, e a pergunta que resolve é sempre a mesma: o histórico sobrevive?"}},{"id":"c609e85e301b","number":82,"stem":3,"statement":"O uso de esquemas estrela (star schemes) em bases de dados multidimensionais contribui para melhorar o desempenho de consultas analíticas em ambientes de BI.","answer":"C","source":{"slug":"TELEBRAS_25","ano":2025},"explanation":{"verdict_reason":"O esquema estrela existe exatamente por desempenho de consulta analítica: a desnormalização das dimensões reduz o número de junções a uma por dimensão, o caminho do otimizador fica previsível e as junções em estrela recebem tratamento próprio nos SGBD. O item apenas afirma essa contribuição, sem exclusividade nem exagero.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Estrela melhora desempenho de consulta analítica","citation":null,"trap_note":"Item que descreve um ganho sem prometer exclusividade costuma ser Certo. O erro aparece quando se acrescenta apenas, exclusivamente ou dispensa: aí passa a negar alguma outra técnica que continua valendo."}},{"id":"1fa0543b6398","number":118,"stem":4,"statement":"A tabela de fatos de um modelo dimensional descreve as dimensões com sua semântica e a finalidade dos fatos analisados.","answer":"E","source":{"slug":"FUB_25","ano":2025},"explanation":{"verdict_reason":"Descrever, dar semântica e contextualizar é trabalho das tabelas de dimensão. A tabela de fatos não descreve nada: guarda as medidas do processo de negócio e as chaves que apontam para as dimensões. Os dois papéis foram trocados.","distortion_type":"inversao","distorted_span":"A tabela de fatos de um modelo dimensional descreve as dimensões com sua semântica","corrected_statement":"As tabelas de dimensão de um modelo dimensional descrevem, com sua semântica, o contexto e a finalidade dos fatos analisados.","concept":"Dimensão descreve; fato mede","citation":null,"trap_note":"O verbo entrega a inversão. Descrever, qualificar e contextualizar são verbos de dimensão; medir, somar e quantificar são verbos de fato. Leia o verbo antes do substantivo."}},{"id":"b32d6f485ed0","number":119,"stem":4,"statement":"No processo de exploração de dados, a funcionalidade drill-down retira os dados filtrados por valor ou intervalo.","answer":"E","source":{"slug":"FUB_25","ano":2025},"explanation":{"verdict_reason":"Filtrar por valor ou por intervalo é slice e dice. Drill-down não filtra: ele desce um nível na hierarquia da dimensão, decompondo o dado agregado em suas partes — o ano em trimestres, o trimestre em meses —, de modo que o nível de detalhe aumenta.","distortion_type":"troca_de_termo","distorted_span":"a funcionalidade drill-down retira os dados filtrados por valor ou intervalo","corrected_statement":"No processo de exploração de dados, a funcionalidade drill-down desce um nível na hierarquia da dimensão, aumentando o detalhamento dos dados apresentados.","concept":"Drill-down detalha; slice e dice filtram","citation":null,"trap_note":"Este corpus cobra a mesma confusão em quatro itens diferentes: a definição de slice assinada como drill-down, ou o contrário. Fixe o critério único — mudou o nível de detalhe ou mudou o recorte? — e os quatro caem juntos."}},{"id":"a84c0b0b08af","number":56,"stem":5,"statement":"Na modelagem dimensional, as métricas estão contidas na tabela de fatos, enquanto o caráter quantitativo das informações descritivas está armazenado na tabela dimensões.","answer":"C","source":{"slug":"MP_TO_24_SERVIDOR","ano":2024},"explanation":{"verdict_reason":"A divisão de trabalho do modelo dimensional está na direção correta: as métricas, isto é, os valores que se somam e se comparam, ficam na tabela de fatos, enquanto as informações descritivas que qualificam essas métricas ficam nas tabelas de dimensão. O item não inverte os dois papéis, que é o ponto que decide a questão.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Métricas na fato; atributos descritivos na dimensão","citation":null,"trap_note":"Em itens que distribuem conteúdo entre fato e dimensão, julgue apenas a direção da atribuição. A banca raramente erra a descrição do conteúdo; ela troca a tabela a que o conteúdo pertence."}},{"id":"70fd1a07d7c1","number":84,"stem":6,"statement":"A modelagem dimensional de dados tem o foco na rápida disponibilização dos dados e se preocupa apenas com a visualização; o modelo dimensional surgiu para atender os sistemas transacionais (OLTP).","answer":"E","source":{"slug":"PREF_MOSSORO_RN_24","ano":2024},"explanation":{"verdict_reason":"A modelagem dimensional nasceu para o apoio à decisão, isto é, para os ambientes analíticos de data warehouse e OLAP, e não para os sistemas transacionais, que continuam servidos pela modelagem entidade-relacionamento normalizada. Além disso, ela não se ocupa apenas da visualização: define grão, medidas e dimensões, ou seja, a própria estrutura de armazenamento analítico.","distortion_type":"inversao","distorted_span":"o modelo dimensional surgiu para atender os sistemas transacionais (OLTP)","corrected_statement":"A modelagem dimensional de dados tem o foco na rápida disponibilização dos dados para análise; o modelo dimensional surgiu para atender os sistemas analíticos de apoio à decisão (OLAP).","concept":"Dimensional é para OLAP; normalizado é para OLTP","citation":null,"trap_note":"Guarde a dupla e desconfie sempre que o item colar dimensional em OLTP ou normalização em OLAP. É a troca mais frequente do assunto e resolve o item sozinha, sem depender do resto da frase."}},{"id":"a1d4ee888664","number":85,"stem":6,"statement":"São exemplos das principais operações que podem ser realizadas em um modelo OLAP: Roll-down, Drill-up, Peach e Push-up.","answer":"E","source":{"slug":"PREF_MOSSORO_RN_24","ano":2024},"explanation":{"verdict_reason":"As operações do modelo OLAP são roll-up (ou drill-up), drill-down, slice, dice, pivot (rotação) e drill-across. Roll-down, Peach e Push-up não existem no vocabulário OLAP; são nomes inventados com aparência plausível. Basta reconhecer um nome falso na lista para derrubar o item.","distortion_type":"troca_de_termo","distorted_span":"Roll-down, Drill-up, Peach e Push-up","corrected_statement":"São exemplos das principais operações que podem ser realizadas em um modelo OLAP: Roll-up, Drill-down, Slice e Dice.","concept":"Nomes reais das operações OLAP","citation":null,"trap_note":"Em item de lista, um único nome inventado derruba tudo. Memorize o conjunto fechado das operações OLAP — roll-up, drill-down, drill-across, drill-through, slice, dice e pivot — e trate qualquer nome fora dele como sinal de erro."}},{"id":"e19be0480042","number":88,"stem":7,"statement":"O Power BI permite a realização de modelagem estrela.","answer":"C","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"O Power BI trabalha sobre um modelo tabular com relacionamentos entre tabelas, e o esquema estrela é justamente a organização recomendada pela documentação da ferramenta: tabelas de fato ligadas a tabelas de dimensão. A afirmação é permissiva e não contém restrição alguma a ser conferida.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Power BI suporta modelagem em esquema estrela","citation":null,"trap_note":"Item curto que apenas afirma uma capacidade de ferramenta consolidada tende a ser Certo. O padrão de erro nesse formato é a negação — dizer que a ferramenta não suporta, ou que suporta apenas um modo."}},{"id":"7134e5c991cd","number":93,"stem":8,"statement":"O ROLAP (relational OLAP) armazena os dados exclusivamente em estruturas multidimensionais, como cubos OLAP, ignorando bancos de dados relacionais para processamento analítico.","answer":"E","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"ROLAP guarda os dados em tabelas relacionais e traduz a consulta multidimensional em SQL sobre o esquema estrela ou floco de neve; quem materializa cubos em estruturas multidimensionais próprias é o MOLAP. O item atribui ao ROLAP o armazenamento do MOLAP e ainda o faz negar o banco relacional, que é justamente o que o R do acrônimo indica.","distortion_type":"troca_de_termo","distorted_span":"armazena os dados exclusivamente em estruturas multidimensionais, como cubos OLAP, ignorando bancos de dados relacionais","corrected_statement":"O ROLAP (relational OLAP) armazena os dados em bancos de dados relacionais, traduzindo as consultas multidimensionais em SQL, ao passo que o MOLAP as armazena em estruturas multidimensionais, como cubos.","concept":"ROLAP guarda em tabelas relacionais; MOLAP guarda em cubo multidimensional","citation":null,"trap_note":"O acrônimo entrega a resposta: R de relacional, M de multidimensional, H de híbrido. Sempre que o item descrever armazenamento incompatível com a letra inicial, está trocado."}},{"id":"3aa58a28a5de","number":94,"stem":8,"statement":"A análise preditiva utiliza algoritmos estatísticos e modelos de machine learning para identificar padrões históricos nos dados e projetar tendências futuras, de forma a guiar decisões proativas e permitir a antecipação de cenários críticos para o negócio.\n\n                 fato_processos\nid_processo id_tempo id_juiz tempo_resolucao\n     1 101 201 30\n     2 102 202 45\n        dim_tempo dim_juiz\n   id_tempo ano mes id_juiz nome_juiz\n     101 2023 11 201 Ana Souza\n     102 2023 12 202 Carlos Lima","answer":"C","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"É a definição corrente de análise preditiva: algoritmos estatísticos e modelos de aprendizado de máquina aplicados a dados históricos para identificar padrões e projetar cenários futuros, sustentando decisões antecipatórias. A afirmação é descritiva e não impõe restrição verificável.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Análise preditiva projeta tendências a partir do histórico","citation":null,"trap_note":"Organize a analítica em quatro degraus: descritiva diz o que aconteceu, diagnóstica diz por que aconteceu, preditiva diz o que tende a acontecer, prescritiva diz o que fazer. A banca troca preditiva por prescritiva."}},{"id":"ffda3c725b19","number":95,"stem":9,"statement":"A granularidade da tabela fato_processos é definida em nível de evento por processo, de forma que cada registro nessa tabela representa uma movimentação judicial específica, enquanto as dimensões agregam atributos descritivos necessários para contextualizar a análise multidimensional.","answer":"C","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"O grão de uma tabela de fatos é definido pelo conjunto de chaves dimensionais que a compõem, e em fato_processos esse conjunto é processo, tempo e juiz: cada linha registra um evento datado de um processo sob um juiz, com a medida tempo_resolucao. As dimensões dim_tempo e dim_juiz só acrescentam os atributos descritivos que contextualizam essa linha. O item descreve corretamente o grão e o papel das dimensões.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Granularidade é o que uma linha da fato representa","citation":null,"trap_note":"Para achar o grão, leia as chaves estrangeiras da fato e traduza-as em uma frase: uma linha é um evento por processo, por data, por juiz. O grão é a primeira decisão do projeto dimensional e determina tudo o que se poderá ou não analisar depois."}},{"id":"9eaa47a578cc","number":96,"stem":9,"statement":"A tabela fato_processos deveria conter informações detalhadas acerca do nome do juiz e do ano de referência, para otimizar a consulta direta, eliminando-se a necessidade de dimensões.","answer":"E","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"Atributo descritivo pertence à dimensão, não à fato: nome do juiz está em dim_juiz e ano em dim_tempo, e é por isso que essas tabelas existem. Repetir esses textos em cada linha da fato infla a maior tabela do modelo, duplica o dado em milhões de linhas e destrói o ponto de contexto único das dimensões. Eliminar as dimensões não otimiza a consulta; desfaz o modelo dimensional.","distortion_type":"atribuicao_errada","distorted_span":"deveria conter informações detalhadas acerca do nome do juiz e do ano de referência","corrected_statement":"As tabelas dim_juiz e dim_tempo é que contêm as informações detalhadas acerca do nome do juiz e do ano de referência, cabendo à tabela fato_processos apenas as chaves dimensionais e as medidas.","concept":"Atributo descritivo pertence à dimensão, não à fato","citation":null,"trap_note":"Guarde a regra de lotação: a fato recebe chaves e medidas; a dimensão recebe texto, código e hierarquia. Proposta de mudar o dado de lugar para otimizar a consulta é armadilha recorrente — o ganho prometido não existe e o custo de armazenamento é real."}},{"id":"3cb2c7bac6c4","number":97,"stem":10,"statement":"Em OLAP, um cubo é uma estrutura de dados multidimensionais que permite a análise de dados a partir de múltiplos enfoques.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"Cubo é a estrutura que organiza as medidas em múltiplos eixos de análise, de modo que o mesmo dado possa ser examinado por várias perspectivas — tempo, produto, região — e por suas combinações. O item apenas enuncia essa definição, sem limitar o número de enfoques.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Cubo OLAP permite análise por múltiplos enfoques","citation":null,"trap_note":"Definições amplas de cubo, dimensão e medida, sem número fixo e sem exclusividade, são o formato mais comum de Certo neste assunto."}},{"id":"202fe9e5f441","number":99,"stem":11,"statement":"O modelo em estrela e o modelo em floco de neve são os principais modelos de dados relacionais.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"Estrela e floco de neve são os principais esquemas da modelagem dimensional, usados em ambiente analítico, ainda que implementados sobre um SGBD relacional. O modelo relacional propriamente dito se descreve por relações, chaves, dependências funcionais e formas normais, não por esses dois esquemas.","distortion_type":"troca_de_termo","distorted_span":"os principais modelos de dados relacionais","corrected_statement":"O modelo em estrela e o modelo em floco de neve são os principais modelos de dados multidimensionais.","concept":"Estrela e floco de neve são esquemas dimensionais","citation":null,"trap_note":"Implementar sobre um banco relacional não faz de um esquema dimensional um modelo relacional. Separe o modelo de dados (relacional, hierárquico, em rede, orientado a objetos) do esquema de modelagem analítica (estrela, floco de neve, constelação)."}},{"id":"fb7a906d96ae","number":101,"stem":11,"statement":"A modelagem dimensional é uma técnica de modelagem de banco de dados que usa um modelo de dados baseado em dimensões para organizar os dados, e as tabelas de dimensões são sempre as maiores tabelas do modelo dimensional.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"A definição inicial está correta, mas o fecho inverte o modelo: a tabela de fatos é a maior, porque cresce a cada evento registrado, enquanto as dimensões são comparativamente pequenas, com uma linha por entidade descrita. Uma dimensão de produtos tem milhares de linhas; a fato de vendas tem bilhões.","distortion_type":"inversao","distorted_span":"as tabelas de dimensões são sempre as maiores tabelas do modelo dimensional","corrected_statement":"A modelagem dimensional é uma técnica de modelagem de banco de dados que usa um modelo de dados baseado em dimensões para organizar os dados, e a tabela de fatos é normalmente a maior tabela do modelo dimensional.","concept":"A tabela de fatos é a maior do modelo dimensional","citation":null,"trap_note":"Quando o item começa com uma definição correta e termina com uma comparação, o erro quase sempre está no fecho. Leia a última oração primeiro: é onde mora a inversão ou o absoluto acrescentado."}},{"id":"c5b4aa10215e","number":81,"stem":12,"statement":"O OLAP multidimensional (MOLAP) é o resultado de um banco de dados OLAP implementado sobre um banco de dados relacional existente; ele é aplicado quando há um grande número de atributos, que não possam ser colocados facilmente em uma estrutura de cubos.","answer":"E","source":{"slug":"PGE_RJ_22","ano":2022},"explanation":{"verdict_reason":"Toda a descrição é do ROLAP: banco OLAP implementado sobre uma base relacional existente e indicado quando há grande número de atributos que não cabem confortavelmente em uma estrutura de cubos. O MOLAP é exatamente o caso oposto — o dado é carregado em cubo multidimensional proprietário, o que o torna rápido, porém limitado em volume e em número de dimensões.","distortion_type":"troca_de_termo","distorted_span":"O OLAP multidimensional (MOLAP)","corrected_statement":"O OLAP relacional (ROLAP) é o resultado de um banco de dados OLAP implementado sobre um banco de dados relacional existente; ele é aplicado quando há um grande número de atributos, que não possam ser colocados facilmente em uma estrutura de cubos.","concept":"ROLAP sobre base relacional; MOLAP sobre cubo","citation":null,"trap_note":"O detalhe que denuncia a troca é a justificativa: quando o item diz que a alternativa serve para o que não cabe no cubo, está falando de ROLAP, qualquer que seja a sigla escrita na frase."}},{"id":"a69c69fbc293","number":105,"stem":13,"statement":"As operações denominadas slicing consistem em selecionar valores específicos para certos intervalos, que são, então, exibidos em cima da tabulação cruzada e permitem que usuários vejam dados em qualquer nível de detalhamento desejado.","answer":"C","source":{"slug":"BANCO_DO_NORDESTE_22","ano":2022},"explanation":{"verdict_reason":"Slicing é a seleção de valores ou intervalos específicos de uma ou mais dimensões, produzindo um recorte do cubo exibido sobre a tabulação cruzada. A ferramenta OLAP combina esse recorte com a navegação na hierarquia, de modo que o usuário alcança o nível de detalhe que desejar dentro do grão armazenado. A descrição corresponde à operação nomeada.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Slice recorta o cubo por valores de dimensão","citation":null,"trap_note":"Esta mesma frase já apareceu assinada como drill down, e nesse caso o item era Errado. Guarde a definição colada ao nome certo: selecionar valores é slice ou dice; mudar o nível de detalhe é drill down ou roll up."}},{"id":"308cd87336bd","number":109,"stem":14,"statement":"Apesar de poupar espaço de armazenamento, a modelagem snowflake é contraindicada para consultas com alta demanda de processamento em razão do seu potencial para impactar negativamente os tempos de resposta das consultas.","answer":"C","source":{"slug":"FUB_22","ano":2022},"explanation":{"verdict_reason":"O floco de neve normaliza as dimensões e, com isso, elimina redundância e poupa armazenamento. O preço é a fragmentação de cada dimensão em várias tabelas de hierarquia, o que acrescenta junções a toda consulta e degrada o tempo de resposta — daí a contraindicação para cargas analíticas pesadas. O item enuncia a troca completa, com ganho e custo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Floco de neve poupa espaço e piora o tempo de resposta","citation":null,"trap_note":"Item que reconhece um custo junto com o ganho costuma ser Certo. A banca mente prometendo tudo — economia e velocidade ao mesmo tempo —, não admitindo perda."}},{"id":"cfaea51a38f3","number":49,"stem":15,"statement":"Uma dimensão degenerada é caracterizada por não possuir uma tabela própria, mas apenas residir na tabela fato como um atributo pertencente à chave primária.","answer":"C","source":{"slug":"TCE_SC_21_AUDITOR","ano":2021},"explanation":{"verdict_reason":"Dimensão degenerada é exatamente o atributo dimensional que sobra sem tabela própria porque não tem atributos descritivos que justifiquem uma dimensão separada — o número da nota fiscal, o número do pedido, o número do processo. Ele permanece na tabela de fatos e participa da chave, servindo para agrupar as linhas do mesmo documento. O item reproduz a definição.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Dimensão degenerada reside na fato, sem tabela própria","citation":null,"trap_note":"Guarde três dimensões de nome próprio: degenerada (sem tabela, vive na fato), conformada (a mesma dimensão compartilhada por várias fatos, o que viabiliza drill across) e lixo ou junk (flags e indicadores esparsos reunidos em uma tabela única)."}},{"id":"ca77e8ae6c03","number":50,"stem":15,"statement":"O ROLAP é um processamento analítico on-line que cria visões multidimensionais a partir de um banco de dados relacional existente.","answer":"C","source":{"slug":"TCE_SC_21_AUDITOR","ano":2021},"explanation":{"verdict_reason":"ROLAP é a variante que não cria cubo físico: os dados permanecem no banco relacional, em esquema estrela ou floco de neve, e o servidor ROLAP traduz a consulta multidimensional em SQL, montando a visão multidimensional em tempo de consulta. É por isso que ele escala melhor para grandes volumes e sofre mais na latência.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"ROLAP monta visão multidimensional sobre base relacional","citation":null,"trap_note":"A inicial diz onde o dado mora: R de relacional, M de matriz multidimensional proprietária, H de híbrido (detalhe no relacional, agregados no cubo). A banca inverte R e M com frequência alta neste corpus."}},{"id":"6242a32c8300","number":51,"stem":15,"statement":"Ferramentas de OLAP disponibilizam operações de drill-down e drill-across: a primeira permite visualizar um maior nível de detalhe; a segunda, mover-se lateralmente de um conjunto de dados para outro, mantendo-se no mesmo nível de detalhe.","answer":"C","source":{"slug":"TCE_SC_21_AUDITOR","ano":2021},"explanation":{"verdict_reason":"As duas definições estão corretas e na ordem em que foram anunciadas: drill-down desce na hierarquia da dimensão e aumenta o nível de detalhe; drill-across atravessa para outro conjunto de dados, outra tabela de fatos, sem mudar o nível de detalhe. É o contraste entre movimento vertical e movimento lateral.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Drill-down é vertical; drill-across é lateral","citation":null,"trap_note":"Quando o item define duas operações em sequência, confira a ordem antes do conteúdo: a banca costuma manter as duas definições corretas e apenas trocar qual é a primeira e qual é a segunda."}},{"id":"0cce88000a50","number":53,"stem":15,"statement":"O esquema de modelagem multidimensional estrela (star schema) é caracterizado pela normalização de suas tabelas dimensionais.","answer":"E","source":{"slug":"TCE_SC_21_AUDITOR","ano":2021},"explanation":{"verdict_reason":"O que caracteriza o esquema estrela é precisamente o contrário: as dimensões são desnormalizadas, cada hierarquia inteira cabendo em uma única tabela, o que aceita redundância em troca de menos junções. Normalizar as dimensões, quebrando-as em tabelas de hierarquia, é o que define o floco de neve.","distortion_type":"inversao","distorted_span":"pela normalização de suas tabelas dimensionais","corrected_statement":"O esquema de modelagem multidimensional estrela (star schema) é caracterizado pela desnormalização de suas tabelas dimensionais.","concept":"Estrela desnormaliza dimensões; floco de neve normaliza","citation":null,"trap_note":"Uma palavra decide o par inteiro: estrela igual a desnormalizado, redundante, poucas junções, rápido, maior; floco de neve igual a normalizado, sem redundância, mais junções, mais lento, menor. Localize o nome do esquema e leia apenas o adjetivo colado nele."}},{"id":"8cd0965a05f7","number":55,"stem":16,"statement":"Modelagem multidimensional de banco de dados é uma técnica usada para o auxílio às consultas do data warehouse, nas mais diferentes perspectivas. A visão multidimensional permite o uso mais intuitivo para o processamento analítico pelas ferramentas OLAP (on-line analytical processing).","answer":"C","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"A modelagem multidimensional foi concebida como técnica de apoio à consulta do data warehouse, organizando as medidas por perspectivas de análise. É essa organização por dimensões que torna intuitiva a navegação das ferramentas OLAP, que apenas percorrem as perspectivas já modeladas. O item descreve finalidade e consequência na ordem certa.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Modelagem dimensional serve à consulta analítica","citation":null,"trap_note":"Descrições sóbrias de finalidade, sem exclusividade e sem negar outra técnica, são quase sempre Certas neste assunto. O erro tende a aparecer quando a frase promete que a técnica dispensa algo."}},{"id":"de51ee67dcd6","number":64,"stem":16,"statement":"Os modelos multidimensionais de banco de dados usualmente possuem esquemas mais complexos que os dos modelos relacionais utilizados nos sistemas que processam transações on-line.","answer":"E","source":{"slug":"PETROBRAS_21_NS","ano":2021},"explanation":{"verdict_reason":"É o inverso: o esquema dimensional é deliberadamente mais simples que o esquema relacional normalizado de um sistema transacional. O OLTP normaliza até a terceira forma normal e chega a dezenas ou centenas de tabelas, enquanto a estrela tem uma fato e um punhado de dimensões, com junções de profundidade um. A simplicidade é o ponto do modelo, não um efeito colateral.","distortion_type":"inversao","distorted_span":"mais complexos que os dos modelos relacionais utilizados nos sistemas que processam transações on-line","corrected_statement":"Os modelos multidimensionais de banco de dados usualmente possuem esquemas mais simples que os dos modelos relacionais utilizados nos sistemas que processam transações on-line.","concept":"Esquema dimensional é mais simples que o OLTP normalizado","citation":null,"trap_note":"Toda comparação entre dimensional e transacional se resolve por uma régua só: o OLTP normaliza para gravar sem redundância; o dimensional desnormaliza para ler rápido. Quem inverter essa régua inverte todas as consequências — número de tabelas, redundância, junções e desempenho de leitura."}},{"id":"0d8e89a572f3","number":69,"stem":17,"statement":"Em um cubo de dados, os dados são visualizados em somente uma dimensão.","answer":"E","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"O cubo de dados existe para permitir a visualização do mesmo conjunto de medidas por várias dimensões simultaneamente — produto, tempo, região —, inclusive por mais de três. Restringir a visualização a uma única dimensão nega a própria definição de estrutura multidimensional.","distortion_type":"generalizacao","distorted_span":"em somente uma dimensão","corrected_statement":"Em um cubo de dados, os dados são visualizados em várias dimensões.","concept":"Cubo permite análise por múltiplas dimensões","citation":null,"trap_note":"Este item e o seu vizinho formam um par clássico: a mesma ideia aparece em um item na forma permissiva (permite várias dimensões, Certo) e em outro na forma restritiva (somente uma, Errado). Localize a palavra que restringe antes de ler o resto."}},{"id":"f9e16f25949e","number":70,"stem":17,"statement":"Um cubo de dados permite que os dados sejam modelados em várias dimensões.","answer":"C","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"É a definição do cubo: permitir que os dados sejam modelados e vistos em n dimensões, cada uma correspondendo a uma perspectiva de análise. A formulação é permissiva e não exclui nada.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Cubo modela dados em várias dimensões","citation":null,"trap_note":"Cubo não significa três dimensões. O nome é metáfora: um cubo de dados pode ter quatro, dez ou vinte dimensões, e item que fixe o número em três está errado."}},{"id":"30aab8d9ccb6","number":71,"stem":17,"statement":"Na modelagem de dados, normalmente se cria uma tabela de fatos que contém os nomes dos fatos ou as medidas das tabelas dimensionais relacionadas.","answer":"C","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"É a formulação corrente da modelagem dimensional: a tabela de fatos contém os nomes dos fatos, ou medidas, além das chaves para cada uma das tabelas de dimensão relacionadas. O item atribui o conteúdo quantitativo à tabela certa.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Fato contém medidas e chaves para as dimensões","citation":null,"trap_note":"O conteúdo da fato é fechado: chaves estrangeiras das dimensões, medidas e, no máximo, alguma dimensão degenerada. Qualquer atributo descritivo textual atribuído à fato é sinal de erro."}},{"id":"73fcab8cb8d4","number":78,"stem":18,"statement":"OLAP possui a vantagem de não requerer reestruturação de dados em um esquema estrela/snowflake.","answer":"E","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"É exatamente o contrário: o OLAP exige que os dados sejam reestruturados em modelo dimensional, estrela ou floco de neve, ou carregados em cubo, antes de serem consultados analiticamente. Essa necessidade de reestruturação prévia, com o custo de ETL que ela implica, é listada entre as limitações do OLAP, não entre as suas vantagens.","distortion_type":"inversao","distorted_span":"de não requerer reestruturação de dados em um esquema estrela/snowflake","corrected_statement":"OLAP possui a desvantagem de requerer a reestruturação de dados em um esquema estrela/snowflake.","concept":"OLAP exige reestruturação dimensional prévia","citation":null,"trap_note":"Vantagem e desvantagem trocadas de lugar é um movimento recorrente. Toda vez que o item apresentar como vantagem a dispensa de algum preparo — reestruturação, índice, carga, agregação —, confira se aquilo não é justamente o custo obrigatório da técnica."}},{"id":"9bc68e65e031","number":79,"stem":18,"statement":"Mudanças em um cubo OLAP requerem uma atualização completa desse cubo.","answer":"C","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"O cubo materializa agregações previamente calculadas sobre uma estrutura dimensional fixa. Alterar o cubo — acrescentar dimensão, mudar hierarquia ou medida — invalida o conjunto de agregados já computados, de modo que ele precisa ser reprocessado por inteiro. É precisamente essa rigidez que a literatura registra como limitação do OLAP frente a consultas totalmente ad hoc sobre dados novos.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Alteração de cubo exige reprocessamento completo","citation":null,"trap_note":"Não confunda operar o cubo com alterar o cubo. Navegar por drill-down e slice é livre e imediato dentro da estrutura existente; mudar a estrutura é caro e exige atualização integral. Itens diferentes cobram cada um dos dois lados."}},{"id":"f9c223414903","number":80,"stem":18,"statement":"De maneira geral, OLAP é capaz de implementar análise multidimensional de informações de negócios e suportar a capacidade de estimativas complexas.","answer":"C","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"É a definição corrente de OLAP em apoio à decisão: análise multidimensional de informações de negócio, com suporte a cálculos e estimativas complexas sobre os dados agregados. A expressão de maneira geral afasta qualquer pretensão de absoluto, e nada na frase nega outra capacidade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"OLAP faz análise multidimensional e cálculos complexos","citation":null,"trap_note":"Verbo de capacidade — é capaz de, permite, suporta — sem palavra de exclusividade é o formato mais típico de Certo em TI. O padrão se inverte quando aparece apenas, exclusivamente, inviabilizando ou dispensa."}},{"id":"81c6a2afbfba","number":122,"stem":19,"statement":"A operação cube na cláusula group by permite que uma consulta resulte em uma tabela com três dimensões: colunas, linhas e metadados.","answer":"E","source":{"slug":"TCE_RJ_20","ano":2020},"explanation":{"verdict_reason":"O operador CUBE no GROUP BY calcula os subtotais de todas as combinações possíveis dos atributos de agrupamento indicados, incluindo o total geral. O número de dimensões do resultado é o número de atributos agrupados, não um valor fixo de três, e metadados não são uma dimensão de análise: são a descrição da estrutura, não valores agregáveis.","distortion_type":"troca_de_termo","distorted_span":"três dimensões: colunas, linhas e metadados","corrected_statement":"A operação cube na cláusula group by permite que uma consulta resulte em uma tabela com os subtotais de todas as combinações possíveis dos atributos de agrupamento.","concept":"CUBE agrega todas as combinações dos atributos agrupados","citation":null,"trap_note":"Metadado nunca é dimensão. Quando a banca inclui metadado, chave ou identificador técnico em uma lista de dimensões de análise, misturou a descrição da estrutura com o conteúdo analisado."}},{"id":"347c3e94e057","number":124,"stem":20,"statement":"O esquema de estrela é formado por uma tabela de fatos e várias tabelas auxiliares, denominadas tabelas dimensionais. A consulta ocorre inicialmente nas tabelas dimensionais e depois na tabela de fatos, por meio de uma estrutura de chaves estrangeiras.","answer":"C","source":{"slug":"TCE_RJ_20","ano":2020},"explanation":{"verdict_reason":"É a descrição canônica do esquema estrela: uma tabela de fatos central e várias tabelas de dimensão ao redor, ligadas por chaves estrangeiras. A consulta analítica típica de fato parte das dimensões — é nelas que estão os filtros e os rótulos legíveis — e só então alcança as linhas de fato correspondentes. O item não contém restrição indevida.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Estrutura do esquema estrela: fato central e dimensões","citation":null,"trap_note":"O desenho do estrela é sempre o mesmo: uma fato, várias dimensões, uma junção de profundidade um entre a fato e cada dimensão. Se o item descrever dimensão ligada a dimensão, já saiu do estrela e entrou no floco de neve."}},{"id":"a63c317714f7","number":66,"stem":21,"statement":"Em um ambiente OLAP, a operação de drill down consiste em selecionar valores específicos para os atributos que são, então, exibidos em cima da tabulação cruzada.","answer":"E","source":{"slug":"FUB_19","ano":2019},"explanation":{"verdict_reason":"A descrição apresentada é a de slice/dice: escolher valores específicos de atributos e exibir o recorte sobre a tabulação cruzada. Drill down é outra coisa — descer na hierarquia de uma dimensão para obter maior nível de detalhe, de ano para mês, de estado para município. O item acopla o nome de uma operação à definição de outra.","distortion_type":"troca_de_termo","distorted_span":"a operação de drill down","corrected_statement":"Em um ambiente OLAP, a operação de slicing consiste em selecionar valores específicos para os atributos que são, então, exibidos em cima da tabulação cruzada.","concept":"Drill down desce hierarquia; slice seleciona valores","citation":null,"trap_note":"Separe as operações por eixo: drill down e roll up mudam o nível de detalhe (vertical); slice, dice e drill across mudam o recorte ou o conjunto de dados (horizontal), mantendo o detalhe. Item que descreve seleção de valores e assina drill down trocou o eixo."}},{"id":"2990f964f99f","number":67,"stem":21,"statement":"As tabelas que contêm dados multidimensionais são denominadas tabelas de fatos.","answer":"C","source":{"slug":"FUB_19","ano":2019},"explanation":{"verdict_reason":"No modelo dimensional, a tabela de fatos é justamente a que guarda as células do cubo: as medidas no cruzamento das chaves de todas as dimensões. As tabelas de dimensão guardam os atributos descritivos que qualificam esse cruzamento, não os dados multidimensionais em si. O item nomeia corretamente quem armazena o dado quantitativo cruzado por várias dimensões.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Tabela de fatos armazena as medidas do cubo","citation":null,"trap_note":"Fato guarda o que se mede; dimensão guarda o por quem, quando e onde se mede. Toda vez que o item atribuir medida à dimensão ou descrição ao fato, houve inversão."}},{"id":"03c4994cb24e","number":75,"stem":22,"statement":"Os data warehouses são modelados utilizando-se técnicas como a modelagem multidimensional, em que as dimensões podem se relacionar entre elas ou entre as dimensões e a fato, sendo, em qualquer caso, limitada a uma métrica aditiva por dimensão e a uma tabela fato por modelo.","answer":"E","source":{"slug":"STJ_18","ano":2018},"explanation":{"verdict_reason":"A primeira parte é aceitável, mas os dois limites finais são inventados. Uma tabela de fatos carrega várias medidas, aditivas, semiaditivas e não aditivas ao mesmo tempo, e um data warehouse costuma ter várias tabelas de fatos compartilhando dimensões conformadas — é o esquema de constelação de fatos. Nada na modelagem dimensional limita a uma métrica por dimensão nem a uma fato por modelo.","distortion_type":"generalizacao","distorted_span":"limitada a uma métrica aditiva por dimensão e a uma tabela fato por modelo","corrected_statement":"Os data warehouses são modelados utilizando-se técnicas como a modelagem multidimensional, em que uma tabela fato pode conter várias métricas e um mesmo modelo pode conter várias tabelas fato compartilhando dimensões conformadas.","concept":"Várias medidas por fato e várias fatos por modelo","citation":null,"trap_note":"A expressão em qualquer caso é sinal de limite fabricado. Quando a banca acrescenta um teto numérico à modelagem dimensional — uma fato, uma métrica, três dimensões —, o teto costuma não existir na disciplina."}},{"id":"71d7db317d7c","number":77,"stem":23,"statement":"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.","answer":"C","source":{"slug":"EBSERH_18_ADMINISTRATIVO","ano":2018},"explanation":{"verdict_reason":"O respectivamente está na ordem certa: a tabela de fatos guarda a transação medida e as tabelas periféricas, as dimensões que a contextualizam. E esse é mesmo o traço que distingue o banco multidimensional do transacional, cujo modelo é normalizado em entidades e relacionamentos.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Fato guarda a transação; periféricas guardam dimensões","citation":null,"trap_note":"Sempre que o item usar respectivamente, verifique o pareamento antes de qualquer outra coisa: é o lugar mais barato para a banca inverter dois conceitos sem alterar nenhuma palavra técnica."}},{"id":"6f1bf9635988","number":97,"stem":24,"statement":"No data mining, uma regra de associação relaciona a presença de um conjunto de itens com outra faixa de valores de um outro conjunto de variáveis.","answer":"C","source":{"slug":"FUB_18","ano":2018},"explanation":{"verdict_reason":"Regra de associação é exatamente a tarefa de mineração que relaciona a presença de um conjunto de itens à presença de outro conjunto ou faixa de valores, medida por suporte e confiança. É o modelo clássico da cesta de compras. O item reproduz a definição sem restringi-la.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Regra de associação relaciona conjuntos de itens","citation":null,"trap_note":"Distinga as tarefas de mineração pelo que produzem: associação relaciona itens que ocorrem juntos, classificação atribui rótulo conhecido, agrupamento descobre grupos sem rótulo prévio, regressão estima valor contínuo."}},{"id":"6e9b8715b906","number":98,"stem":24,"statement":"Em sistemas OLAP no MOLAP, os dados são armazenados em um formato que aceita dados multimídia, não havendo necessidade de se usar formato específico.","answer":"E","source":{"slug":"FUB_18","ano":2018},"explanation":{"verdict_reason":"MOLAP é justamente o caso em que existe formato específico: os dados são carregados em uma estrutura multidimensional proprietária, um arranjo de células pré-agregadas, fora do banco relacional. Não é armazenamento genérico para conteúdo multimídia, e a dependência de um formato próprio é uma das suas desvantagens conhecidas, ao lado do limite de volume.","distortion_type":"troca_de_termo","distorted_span":"aceita dados multimídia, não havendo necessidade de se usar formato específico","corrected_statement":"Em sistemas OLAP no MOLAP, os dados são armazenados em uma estrutura multidimensional proprietária, havendo necessidade de se usar formato específico.","concept":"MOLAP usa estrutura multidimensional proprietária","citation":null,"trap_note":"Multidimensional e multimídia não são vizinhos apenas na grafia: a banca aproveita a semelhança para negar o formato próprio do MOLAP. Sempre que o item disser que não há necessidade de formato específico, desconfie — o M de MOLAP é exatamente o formato específico."}},{"id":"2747d1c82ebb","number":107,"stem":25,"statement":"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.","answer":"E","source":{"slug":"FUB_18","ano":2018},"explanation":{"verdict_reason":"Representar dados complexos por nós e ligações, buscando riqueza semântica na própria construção do modelo, descreve modelos semânticos e de grafos, não o esquema estrela. O estrela persegue o oposto: simplicidade estrutural e previsibilidade de junção, uma fato central cercada de dimensões desnormalizadas, para acelerar consulta analítica. A finalidade atribuída pertence a outra família de modelos.","distortion_type":"atribuicao_errada","distorted_span":"visando tornar aqueles dados mais representativos em semântica e construções de modelagens por meio de nós e suas ligações","corrected_statement":"O modelo em estrela de um banco de dados multidimensional tem como objetivo simplificar a estrutura de consulta, organizando os dados em uma tabela de fatos central ligada a tabelas de dimensão desnormalizadas.","concept":"Estrela busca desempenho, não riqueza semântica","citation":null,"trap_note":"Antes de julgar o conteúdo, identifique de que modelo é a definição apresentada e só então confira o nome que o item lhe deu. Nós e ligações, riqueza semântica e objetos complexos apontam para modelos semânticos, de grafos ou orientados a objetos — nunca para o estrela."}},{"id":"88a1219f9994","number":108,"stem":25,"statement":"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.","answer":"E","source":{"slug":"FUB_18","ano":2018},"explanation":{"verdict_reason":"O sentido está invertido: drill-down desce do nível mais alto para o mais baixo da hierarquia, aumentando o detalhe. Subir do detalhe para o agregado é roll-up, também chamado drill-up. O verbo down no próprio nome da operação já indica a direção.","distortion_type":"inversao","distorted_span":"do nível mais baixo da hierarquia de dados de um esquema para níveis mais altos","corrected_statement":"O operador drill-down relaciona-se ao processo de apresentar dados do nível mais alto da hierarquia de dados de um esquema para níveis mais baixos.","concept":"Drill-down desce na hierarquia; roll-up sobe","citation":null,"trap_note":"Em item de operação OLAP, leia primeiro a direção e só depois o resto. Down é detalhar e desagregar; up é consolidar e agregar. A troca de direção mantendo toda a frase intacta é o movimento mais barato da banca neste assunto."}},{"id":"7cb7ca145e1e","number":77,"stem":26,"statement":"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.","answer":"E","source":{"slug":"PREF_JP_17_CGM","ano":2017},"explanation":{"verdict_reason":"A primeira metade está correta: o floco de neve normaliza as dimensões, elimina redundância e por isso ocupa menos espaço que o estrela. O erro está na comparação de desempenho — a normalização quebra cada dimensão em várias tabelas de hierarquia e obriga a consulta a percorrer junções adicionais, de modo que o tempo de resposta do floco de neve é pior, e não melhor, que o do estrela.","distortion_type":"inversao","distorted_span":"seu desempenho é melhor que o do modelo estrela","corrected_statement":"O modelo snowflake acrescenta graus de normalização às tabelas de dimensões, eliminando redundâncias; em termos de eficiência na obtenção de informações, seu desempenho é pior 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.","concept":"Floco de neve economiza espaço e perde desempenho","citation":null,"trap_note":"O par estrela e floco de neve é uma troca explícita: espaço contra junções. Quem economiza espaço paga em junções e perde desempenho de consulta. Item que conceda as duas vantagens ao mesmo esquema desfez a troca e está errado."}},{"id":"596eb2074824","number":56,"stem":27,"statement":"O OLTP (online transaction processing) é utilizado para garantir concorrência nas transações de um SGBD, ao passo que a propriedade de isolamento permite que diversas transações sejam efetuadas simultaneamente.","answer":"C","source":{"slug":"TCE_PA_16","ano":2016},"explanation":{"verdict_reason":"O OLTP é o regime de processamento das transações correntes, projetado para sustentar muitas transações curtas e simultâneas com integridade. Quem viabiliza essa simultaneidade sem que uma transação enxergue o estado intermediário da outra é o isolamento, o I do ACID. O item liga os dois na direção correta.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"OLTP processa transações; isolamento garante concorrência","citation":null,"trap_note":"Guarde o ACID por função: atomicidade é tudo ou nada, consistência preserva as regras do banco, isolamento separa transações concorrentes, durabilidade sobrevive à falha. A banca troca isolamento por consistência com frequência."}},{"id":"a6bdfbad3217","number":63,"stem":28,"statement":"MOLAP é um método utilizado para apresentar, fisicamente e em formato relacional, os dados em formato OLAP.","answer":"E","source":{"slug":"TCE_PA_16","ano":2016},"explanation":{"verdict_reason":"Apresentar fisicamente os dados em formato relacional é a descrição do ROLAP, que mantém tudo em tabelas do banco relacional e gera a visão multidimensional por SQL. O MOLAP faz o oposto: armazena fisicamente os dados em estrutura multidimensional própria, o cubo pré-calculado.","distortion_type":"troca_de_termo","distorted_span":"fisicamente e em formato relacional","corrected_statement":"MOLAP é um método utilizado para apresentar, fisicamente e em formato multidimensional, os dados em formato OLAP.","concept":"MOLAP armazena em cubo; ROLAP, em tabelas relacionais","citation":null,"trap_note":"Este corpus troca MOLAP por ROLAP em vários itens, nos dois sentidos. A defesa é mecânica: ache a palavra relacional ou multidimensional na frase e confira se ela combina com a inicial da sigla."}},{"id":"72eef35d0cf8","number":105,"stem":29,"statement":"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.","answer":"E","source":{"slug":"SEE_16_DF","ano":2016},"explanation":{"verdict_reason":"Drill across move-se lateralmente de uma tabela de fatos para outra mantendo o mesmo nível de detalhe, e é a exigência de dimensões conformadas que torna isso possível — a parte final do item está certa. O que não existe é buscar informação além da granularidade disponível: nenhuma operação OLAP cria detalhe que a tabela de fatos não armazena. Descer abaixo do grão só é possível saindo do cubo para o sistema de origem, o que é drill through.","distortion_type":"troca_de_termo","distorted_span":"vão além do nível de granularidade existente na estrutura dimensional","corrected_statement":"A operação drill-across permite buscar informações em outra tabela de fatos, no mesmo nível de granularidade existente na estrutura dimensional, desde que elas estejam unidas por dimensões compatíveis.","concept":"Drill across é lateral e mantém a granularidade","citation":null,"trap_note":"O grão é o piso do cubo: nenhuma operação analítica desce abaixo dele. Item que prometa detalhe além da granularidade armazenada está errado, salvo quando nomear drill through, que sai do cubo para a base transacional."}},{"id":"dc70cf5de43c","number":106,"stem":29,"statement":"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.","answer":"C","source":{"slug":"SEE_16_DF","ano":2016},"explanation":{"verdict_reason":"A chave primária da tabela de fatos é formada pela composição das chaves estrangeiras das dimensões que definem o grão, e por isso é composta. E todo fato é um evento datado: não há medida analítica sem quando, de modo que a dimensão tempo integra o grão e, portanto, a chave. O absoluto aqui é da doutrina dimensional, não do redator do item.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Chave da fato é composta pelas chaves das dimensões","citation":null,"trap_note":"Pergunte de quem é o sempre. Quando o advérbio absoluto reproduz uma regra da própria disciplina — toda fato tem tempo, toda fato tem chave composta —, ele é Certo; só o absoluto inventado pelo redator é armadilha."}}]}