2.2.5  Autoevaluación.
	1. La aplicación del modelo de datos dimensional tiene lugar en:
	La fase de diseño lógico dentro del proceso de diseño de una base de datos especializada en soporte a la toma de decisiones (DW/OLAP). El proceso de extracción, transformación y carga (ETL) del Data Warehouse. La implementación de los cubos OLAP dentro de la fase de diseño físico del Data Warehouse. Ninguna de las anteriores.
	2. ¿Por qué no se puede utilizar el modelo E/R (Entity/Relationaship) de Chen para el modelado de datos en un sistema DW / OLAP?
	Porque se trata de un modelo de datos conceptual, y para sistemas DW/OLAP sólo existe diseño lógico / físico de la base de datos. Porque el volumen de datos a cargar en el modelo es demasiado elevado. Porque los elementos básicos del modelo (entidades e interrelaciones) no permiten representar la multidimensionalidad de los datos. Si se puede, pero es muy complicado.
	3. El modelo dimensional, igual que sucede en el modelo relacional de Codd, adopta el concepto de relación (tabla) como estructura básica del modelo. ¿Se puede entonces utilizar el modelo relacional (tan exitoso con sistemas OLTP) para sistemas DW/OLAP?
	No, porque el volumen de datos a cargar en el modelo es demasiado elevado. Sí, pero para el diseño de cubos OLAP de pocas dimensiones. Sí, pero sólo para Data Marts pequeños, no para el diseño del Data Warehouse. No, porque no hace distinción entre relaciones y eso hace imposible establecer una separación entre dimensiones y hechos ==> hay representación de la multidimensionalidad.
	4. El modelo dimensional distingue entre relaciones de hecho (tablas de hecho) y relaciones de dimensión (tablas de dimensión) como estructuras básicas del modelo. Pero, ¿cuáles son sus elementos básicos?:
	Hechos, métricas y dimensiones. (a) + esquemas en estrella / copo de nieve. (a) + jerarquías de dimensión y niveles dentro de las jerarquías. Los cubos OLAP.
	5. En el modelo dimensional, un “hecho” (fact, en inglés) es:
	Todo aquello que representa o puede representar objeto de análisis medible (cuantificable). Cualquier tipo de evento, acción, situación, etc..., susceptible de ser estudiado como tema de análisis. Si hablamos de “las ventas de coches en Barcelona este año”, “ventas” es un hecho. Todas las anteriores.
	6. En el modelo dimensional, una “métrica” (measure, en inglés) es:
	Indicador o parámetro en base al cual se analiza un hecho, permitiendo estudiar su rendimiento. En el caso del hecho “ventas” (“las ventas de coches en Barcelona este año”), el “número de unidades vendidas” podría ser una métrica. (a) y (b) son correctas. El número de dimensiones por las que es posible analizar un hecho concreto.
	7. En el modelo dimensional, una “dimensión” es:
	Una categoría de datos (por ejemplo “CLIENTE”, “PRODUCTO”, etc...) que permite analizar un hecho desde una perspectiva determinada. El qué, el quién, el cuándo y el dónde de un hecho. La encargada de dar significado (de dar el contexto o la perspectiva) a las métricas que cuantifican un hecho. Todas las anteriores son ciertas.
	8. Supongamos un esquema en el que existan 2 tablas de hechos (se trata entonces de un esquema de constelaciones de hechos), y entre otras, una dimensión “PRODUCTO” que comparten las dos tablas de hechos y para las cuales esta dimensión tiene el mismo significado. Podemos decir que:
	La dimensión “PRODUCTO” es una dimensión compartida (shared dimension). La dimensión “PRODUCTO” es una dimensión conformada (conformed dimension). La dimensión “PRODUCTO” permite a las dos tablas de hechos poder ser comparadas ya que para ambas tablas significa lo mismo (requisito necesario para que pueda ser considerada dimensión conformada). (b) y (c) son correctas.
	9. ¿Cuál de las siguientes afirmaciones es falsa?. “El snowflaking o copo de nieve ...”:
	Ofrece una solución a la redundancia de datos que sufren las tablas denormalizadas de los esquemas en estrella. Permite hacer explícitos en el esquema de representación los niveles de jerarquía de las dimensiones. Conlleva el aumento de las operaciones de join requeridas para satisfacer las consultas OLAP. Fruto de la normalización de ciertas tablas de dimensión, permite definir más dimensiones (mayor dimensionalidad) que el esquema en estrella.
	10. Según las especificaciones del estándar SQL:1999 (SQL3), ¿cuál de las siguientes equivalencias es cierta?.
	ROLLUP ( A , B ) = CUBE ( A , B ) ROLLUP ( A , B , C ) = GROUPING SETS ( (A,B,C) , (A,B) , (A) , ( ) ) ROLLUP ( A , B ) = ROLLUP ( B , A ) CUBE ( A , B ) = GROUPING SETS ( (A,B) , (A) , () )