Cours CSI

Conception de Systmes dInformation, Ple Informatique, ENSM-SE
Ple informatique 2013/2014

cole Nationale Suprieure des Mines de Saint-tienne
Conception de Systmes
dInformation
Antoine Zimmermann
antoine.zimmermann@emse.fr
(adapt du cours de Laurent Vercouter)
2013, Antoine Zimmermann
Contenu du cours
Partie Base de Donnes
Novembre/Dcembre 2013
Objectif : savoir concevoir un
modle de BDD et limplanter avec
un langage de manipulation de
donnes
Partie Dveloppement dun

SI
Janvier/Fvrier 2013
Objectif : savoir appliquer une
mthode de dveloppement dun
SI
Outils : modle E-A, relationnel,

SQL, OpenOffice Base, PHP
Evaluation = moyenne de deux notes

examen crit sur les aspects thoriques (individuel)
mise en uvre pratique dans un mini-projet (en double binme)
Plan
Introduction sur les Systmes dInformation
Notions de base
Mise en uvre technique
Le Modle Entit-Association
Concepts
Exemple
Le modle relationnel
Concepts
Algbre relationnelle
Quest ce quun Systme

dInformation
Systme = ensemble auto-rglable et interagissant
avec lenvironnement qui fonctionne en vue dun
objectif prcis environnement
entres
sorties
rgulation
Information = donne enrichie dun modle

dinterprtation
Fonctions du SI
Un SI a deux fonctions principales :
La production dinformation
Collecter des informations
Traiter et transmettre des informations
Mmoriser des informations
La mise en uvre doutils de gestion

Fonction technologiques (matriels, logiciels,
mthodes, savoir-faire, )
Fonction conomique
Fonction sociale
Informatique et SI
Linformatique facilite la gestion dun SI mais ne le
couvre pas dans son ensemble.
SI Oprationnel
SI Informatis
SIO Systme dInformation Oprationnel = toute lactivit

autour du SI
SII Systme dInformation Informatis = uniquement le
contenu informatis (fichiers, bases, logiciels, )
SI sans Informatique
Les bibliothques et administrations utilisaient des
SI bien avant linvention de lordinateur
Un SI peut tre mis en uvre laide de cahiers,
registres, indexes, etc
mais un SI sans informatique a peu dintrt car les
tches ne peuvent tre automatises (le SI doit
tre exploit par un oprateur humain)
Communication entre SI
Les SI dentreprises partenaires (associes, filiales,
client/fournisseur) doivent communiquer
par des moyens classiques (courrier, )
par des outils informatiques : EDI (Echange de Donnes
Informatises)
Le(s) Systme(s) dInformation peut atteindre une taille

et une envergure gigantesque
Facebook, > 1 000 000 000 de comptes, des centaines de
milliards de mises jours depuis sa cration
Google > 100 000 000 000 de documents indexs, on estime
plusieurs milliers de milliards de requtes depuis sa cration
Mon projet C est-il un SI ?

En un sens oui mais trs limit.
Un SI exige une continuit de linformation
(linformation nest pas perdue quand on quitte
lapplication)
Un SI implique gnralement de plusieurs
applications exploitant la mme information
Exemple du transport ferroviaire
Transport ferroviaire
La SNCF a besoin de grer linformation sur les
gares, les voies, les trains, les wagons, les places, les
classes, les horaires, les tarifs, les distances, les
conducteurs, les contrleurs, les rservations, etc.
Qui a besoin de linformation ?
Guichetiers, et par ce biais, le client
Voyages-sncf.com, et par ce biais, linternaute
Les crans daffichage des trains larrive et au dpart
Le systme de gestion daiguillage
Le gestionnaire comptable
Le service de maintenance
Plan
Notions de base
Concepts
Exemple
Concepts
Stockage des donnes

Linformatisation du SI ncessite la mise en place
de supports matriels et logiciels de stockage des
donnes.
Linformation est numrise et conserve sous la
forme de fichiers.
Le moyen dorganiser, daccder et de manipuler
ces fichiers est dfinir
Systme de Gestion de
Fichiers
Systme utilis pour grer les donnes dun disque
(disquette, disque dur, CD-Rom, )
Un fichier = une suite ordonne de donnes
2 types daccs aux donnes dun fichier
Squentiel (depuis ladresse de dbut du fichier)
Accs direct (selon un dcalage par rapport ladresse de dbut)
Systme de Gestion de Fichiers (SGF) : gre les accs aux

fichiers, application par application
Inconvnient :
Structure trop simple (applications indpendantes)
Redondance dinformation
SGF: inconvnients par

lexemple
Exemple : Comment stocker les relations damiti dans des
fichiers?
1 fichier pour toutes les relations

Problme defficacit (fichier trs gros)
Problme daccs (comment trouver les relations de
Jules ou de Jim seulement)
Problme de droit (qui a accs quoi ?)
1 (petit) fichier par utilisateur

Problme de redondance
Problme de cohrence
Base de Donnes
Une Base de Donnes (BdD) est un ensemble
structur de donnes ayant un sens et accessibles
par lordinateur pour satisfaire simultanment
plusieurs utilisateurs
nom, tl., ml., adresse, relation sociale
Une BdD est conue, construite et remplie avec

des donnes dans un but prcis
Base de Donnes (suite)

La structure de la BdD dpend du modle choisi
Hirarchique ou rseaux ( 1960)
Relationnel ( 1970/1980)
Objet ( 1990)
XML (arborescent) ( 2000)
Graphe (en particulier RDF)
Une BdD peut avoir nimporte quelle taille (agenda

personnel 100 entres ; Facebook 600+ millions
dutilisateurs)
Au-del des fichiers : Systme

de Gestion de Base de Donnes
Un Systme de Gestion de Bases de Donnes
(SGBD) est un ensemble doutils logiciels
permettant la manipulation de BdD
Facilite la manipulation des donnes pour des noninformaticiens
Fournit des fonctionnalits dadministration de la
base
Principes fondamentaux des

SGBD (1)
Fidlit
image fidle de la ralit qu'elle modlise
Unicit
pas de redondance d'information dans la BdD
Indpendance
indpendant du modle de stockage
Concurrence
Gestion daccs simultans une mme donne.
Performance
temps dexcution raisonnable
Principes fondamentaux des

SGBD (2)
Confidentialit
Accessibilit des donnes dpendant de lutilisateur
Intgrit
garanties de fiabilit et de cohrence.
Robustesse
tolrant aux problmes matriels, logiciels ou humains
Niveaux de reprsentation dune

BDD
niveau externe (sous-schma conceptuels)
dfinition des interfaces daccs aux donnes
gr par le concepteur de la BdD et/ou les utilisateurs
niveau conceptuel (e.g. modle Entit-Association)

identification des concepts concrets et abstraits de la ralit
gr par le concepteur de la BDD
niveau logique (e.g. modle relationnel)

formalisation de la structure des donnes
gr par le concepteur de la BDD
niveau physique (e.g. systme de fichiers, index)

stockage physique des donnes
gr par le SGBD
Niveaux de reprsentation dune

Dans ce cours,
BDD
niveau externe (sous-schma conceptuels)
dfinition des interfaces daccs aux donnes
On ne soccupe
Que de a
gr par le concepteur de la BdD et/ou les utilisateurs
niveau conceptuel (e.g. modle Entit-Association)

identification des concepts concrets et abstraits de la ralit
gr par le concepteur de la BdD
niveau logique (e.g. modle relationnel)

formalisation de la structure des donnes
gr par le concepteur de la BdD
niveau physique (e.g. systme de fichiers, index)

stockage physique des donnes
gr par le SGBD
Exemple SNCF
Plusieurs utilisateurs :
BdD dentreprise
(employs, salaires, etc)
Internaute
Usager
SGBD SNCF
Guichetier
BdD horaires, trajets
BdD statistiques
(usage, retards,
satisfaction, etc)
Plan
Notions de base
Concepts
Exemple
Concepts
Le modle EntitAssociation (ou EA)
Origine du modle EntitAssociation

Propos par Chen en 1976
Modle smantique pour comprendre et visualiser
lorganisation des donnes
galement appel modle EAR (Entit-AttributRelation)
Objectif : concevoir un Modle Conceptuel de
Donnes (MCD)
Objectifs & dmarche

Observation de la ralit
Modlisation des informations
Dfinition dune base de

donnes relationnelle
Modle Entit-Association
Modle relationnel
Concepts de base : Entit &

Occurence
(Type d)entit(s) : type d'objet abstrait ou concret
provenant de l'observation du monde rel et pour
lequel nous souhaitons enregistrer et connatre des
informations
Une entit est une instance dun type dentits. Souvent,

le terme entit est utilis la place de type dentits ,
auquel cas on parle doccurrence pour les instances
Ex: la Peugeot 206 immatricule 1234 WW 42 est une occurrence
de l'entit Vehicule, et la personne prnomme Paul Martin
ne le 4 fevrier 1980 une occurrence de Propritaire
Concepts de base :
attributs
Attribut : caractristique d'une entit (ou d'une
association) que le concepteur juge ncessaire de
rpertorier
Remarques :
Les attributs sont typs
Une entit dfinit les attributs par leur type
Une occurrence affecte une valeur chaque attribut
Concepts de base : cl
Cl : attribut ou un ensemble d'attribut qui permet
d'identifier de manire unique une occurrence d'une
entit parmi toutes ses occurrences
Plus dune occurrence de Vhicule avec une mme

immatriculation ne peut pas exister
Plus dune occurrence de Propritaire avec un mme nom,
prnom et date de naissance ne peut pas exister
Concepts de base :
association
Association : lien entre des entits prsentant un
intrt pour la conception que l'on souhaite raliser
Concepts de base :
association (2)
Une association peut :
relier plus de 2 entits
bnficier dattributs
Cardinalit dune
association
La cardinalit d'une association indique le nombre
d'occurrences de chaque entit qui peuvent tre
impliques dans une mme association
Exemple de modlisation
Entit-Association
On souhaite concevoir le SI correspondant la gestion de la
scolarit de lEMSE. La scolarit fonctionne de la manire
suivante :
Un lve appartient une promotion (1A, 2A ou 3A).
Les lves dune promotion suivent plusieurs groupes
pdagogiques (GP). Chaque groupe pdagogique est
constitu dunits pdagogiques (UP).
A chaque GP et UP est affect un enseignant responsable.
Un lve obtient une note par UP et par GP quil suit.
Exemple : les entits

On reprsente les entits suivantes :
lve
Enseignant
Promotion
Groupe Pdagogique
Unit Pdagogique
Exemples : les associations

On reprsente les associations suivantes :
Un lve appartient une promotion
Une promotion donne accs certains groupes
pdagogiques
Un lve suit plusieurs groupes pdagogiques et y
obtient une note
Un lve suit plusieurs units pdagogiques et y
obtient une note
Les GP et UP sont enseigns par un enseignant
Exemple : le modle E-A

donne
accs
lve
no_etudiant: int 1:N
nom: string
prenom: string
1:1
appartient
1:1
Groupe Pdagogique
suit
1:N nom: string
note : rel
1:N
dirige
1:N
1:N
suit
Enseignant
1:N
1:1
Promotion
Unit Pdagogique 1:1
nom: string
nom: string
0:N
donne accs
note : rel
1:N
1:1
nom: string
prenom: string
0:N
enseigne
Plan
Notions de base
Concepts
Exemple
Concepts
Le modle Relationnel
Querying Databases
What is a query?
an expression in relational algebra, i.e., operations on tables
The result of a query on one or more table(s) is a table
Operations for filtering:

Selection (filter / criteria) = selection of rows
Projection
= selection of columns
Operations for combining 2 tables:

Cartesian product (all possibilities)
Join (bridging between related rows)
Union (union of sets of rows)
Difference (elimination of rows)
1
Relational Algebra Operations

Unary Operations
UnOp ( Table1 ) Table2
Selection (or restriction) : choice of rows

Projection
: choice of columns
Binary Operations
( Table1 ) BinOp ( Table2 ) Table3
On tables with the same structure: set-operators

Union
Intersection
Difference
On tables with different structure

Cartesian Product
Join
2
Some definitions
A table is a set of rows
A row L is a sequence of values Vi, L = (V1, ... , Vi, ..., Vn)
The row (Vi) built from L is denoted L(i)
Let be two rows L1 = (V1, ..., Vn) and L2 = (W1, ..., Wm), the
concatenation of L1 and L2, denoted L1L2 is:
L1L2 = (V1, ..., Vn, W1, ..., Wm)
Selection
Choice of rows according to a Boolean condition
condition ( Table )
Selection
condition ( Table )
Person
Name
Age
Address
Birthplace
James B.
47
London, UK
London, UK
Clark K.
35
Metropolis, USA
Krypton
Lois L.
28
Metropolis, USA
Metropolis, USA
Tarzan
25
London, UK
Forest, Benin
People living in London:
Address="London, UK"(Person)
Name
Age
Address
Birthplace
James B.
47
London, UK
London, UK
Tarzan
25
London, UK
Forest, Benin
Selection
condition ( Table )
Person
Name
Age
Address
Birthplace
James B.
47
London, UK
London, UK
Clark K.
35
Metropolis, USA
Krypton
Lois L.
28
Metropolis, USA
Metropolis, USA
Tarzan
25
London, UK
Forest, Benin
People living in London:
Address="London, UK"(Person)
Name
Age
Address
Birthplace
James B.
47
London, UK
London, UK
Tarzan
25
London, UK
Forest, Benin
Name
Age
Address
Birthplace
James B.
47
London, UK
London, UK
Lois L.
28
Metropolis
Metropolis
People living where they were born:
Address=Birthplace(Person)
Selection (contd.)
Persons being less than 30 y.o.:
Age<30(Person)
Name
Age
Address
Birthplace
Lois L.
28
Metropolis
Metropolis
Tarzan
25
London, UK
Forest, Benin
this is a table
Selection (contd.)
Persons being less than 30 y.o.:
Age<30(Person)
Name
Age
Address
Birthplace
Lois L.
28
Metropolis
Metropolis
Tarzan
25
London, UK
Forest, Benin
this is a table too!
Selection (contd.)
People less than 30 y.o.:
Age<30(Person)
Name
Age
Address
Birthplace
Lois L.
28
Metropolis
Metropolis
Tarzan
25
London, UK
Forest, Benin
Composition of selection: people less than 30 living in London:
Address="London, UK"(Age<30(Person))
Name
Tarzan
Age
Address
Birthplace
25
London, UK
Forest, Benin
Selection (contd.)
People less than 30 y.o.:
Age<30(Person)
Name
Age
Address
Birthplace
Lois L.
28
Metropolis
Metropolis
Tarzan
25
London, UK
Forest, Benin
Composition of selection: people less than 30 living in London:
Address="London, UK"(Age<30(Person))
Conjunction of selection:
Address="London, UK" and Age<30(Person))

equivalent to the composition
Name
Tarzan
Age
Address
Birthplace
25
London, UK
Forest, Benin
10
Formalism for the selection operation

Selection / constant:
i = a(T) is the set of rows L of the table T where L(i) = a

i = a(T) = { L | L T and L(i) = a }
Selection / inter-columns:
i = j(T) is the set of rows L of the table T where L(i) = L(j)

i = j(T) = { L | L T and L(i) = L(j) }
Comparison operators , <, >, , can be used
Boolean operators AND, OR
11
Projection
Choice of columns in a table
column(s) ( Table )
12
Projection
Choice of columns in a table
column(s) ( Table )
Person
Name
Age
Address
Birthplace
James B.
47
London, UK
London, UK
Clark K.
35
Metropolis, USA
Krypton
Lois L.
28
Metropolis, USA
Metropolis, USA
Tarzan
25
London, UK
Forest, Benin
Name and age of people:
Name,Age(Person)
Name
Age
James B.
47
Clark K.
35
Lois L.
28
Tarzan
25
13
Projection (contd.)
Name of people living in London:
Name(Address="London, UK"(Person))
Name
Age
Address
Birthplace
James B.
47
London, UK
London, UK
Tarzan
25
London, UK
Forest, Benin
14
Projection (contd.)
Name of people living in London:
Name(Address="London, UK"(Person))
Name
Age
Address
Birthplace
James B.
47
London, UK
London, UK
Tarzan
25
London, UK
Forest, Benin
Name
James B.
Tarzan
15
Formalism for the projection operation

Projection onto columns:
i1,...,ik(T) is the set of rows of the table T obtained by

keeping columns i1, i2, ..., ik
i1,...,ik(T) = { ( L(i1), ..., L(ik) ) | L T }

!
!
The result of any operation on tables is also a table

different operations can be combined
The result of selections or projection
can be an empty table
16
Cartesian Product
Each row of the first table is combined with all the rows of
the second table
Table1 Table2
17
Cartesian Product
Each row of the first table is combined with all the rows of
the second table
Table1 Table2
Man
Name
James B.
Address
London
Clark K.
Metropolis
Tarzan
London
All man-woman pairs:

Man Woman
Woman
Name
Lois L.
Catwoman
Name1
Address1
Address
Metropolis
Gotham City
Name2
Address2
James B.
London
Lois L.
Metropolis
James B.
London
Catwoman
Gotham City
Clark K.
Metropolis
Lois L.
Metropolis
Clark K.
Metropolis
Catwoman
Gotham City
Tarzan
London
Lois L.
Metropolis
Tarzan
London
Catwoman
Gotham City
18
Cartesian Product (contd.)

Man
Name
James B.
Address
London
Clark K.
Metropolis
Tarzan
London
City
CName
Population
Country
London
7,556,900
UK
Metropolis
8,391,881
USA
In which country do the men of the Man table live?

1)
Man City
Name
Address
CName
Population Country
James B.
London
London
7,556,900
UK
James B.
London
Metropolis
8,391,881
USA
Clark K.
Metropolis
London
7,556,900
UK
Clark K.
Metropolis
Metropolis
8,391,881
USA
Tarzan
London
London.
7,556,900
UK
Tarzan
London
Metropolis
8,391,881
USA
19

2) Followed by a selection:
Address=CName(Man City)
Name
Name
Address
CName
Population
Country
James B.
London
London
7,556,900
UK
James B.
London
Metropolis
8,391,881
USA
Clark K.
Metropolis
London
7,556,900
UK
Clark K.
Metropolis
Metropolis
8,391,881
USA
Tarzan
London
London
7,556,900
UK
Tarzan
London
Metropolis
8,391,881
USA
Address
CName
Population
Country
James B.
London
London
7,556,900
UK
Clark K.
Metropolis
Metropolis
8,391,881
USA
Tarzan
London
London
7,556,900
UK
20

Man-woman pairs living in the same city:
Address =Adrress (Man Woman)

1
Name1
Address1
Name2
Address2
James B.
London
Lois L.
Metropolis
James B.
London
Catwoman
Gotham City
Clark K.
Metropolis
Lois L.
Metropolis
Clark K.
Metropolis
Catwoman
Gotham City
Tarzan
London
Lois L.
Metropolis
Tarzan
London
Catwoman
Gotham City
21

Man-woman pairs living in the same city:
Address =Adrress (Man Woman)

1
Name1
Name1
Clark K.
Address1
Name2
Address2
James B.
London
Lois L.
Metropolis
James B.
London
Catwoman
Gotham City
Clark K.
Metropolis
Lois L.
Metropolis
Clark K.
Metropolis
Catwoman
Gotham City
Tarzan
London
Lois L.
Metropolis
Tarzan
London
Catwoman
Gotham City
Address1
Metropolis
Name2
Lois L.
Address2
Metropolis
22
Formalism for the cartesian product operation

T1 T2 is the set of all rows that can be obtained by
concatenating a row of table T1 with a row of table T2
1 2 = { L1L2 | L1 T1 and L2 T2 }
The cartesian product T1 T2 is often followed by

a selection in which one column from T1 and
one column from T2 are equalled
So much so that there is an operation for this called Join
23
Join
Cartesian product followed by a selection
2
24
Join
Cartesian product followed by a selection
2
Name
Man
James B.
Address
City
London
Clark K.
Metropolis
Tarzan
London
CName
Population
Country
London
7,556,900
UK
Metropolis
8,391,881
USA
In which country do the men of the Man table live?
Name
Address
Address=CName(Man City)
CName
Population
Country
James B.
London
London
7,556,900
UK
Clark K.
Metropolis
Metropolis
8,391,881
USA
Tarzan
London
London.
7,556,900
UK
25
Join (contd.)
Couple man-woman of the same city
Man
Name
James B.
Woman
Address
Lois L.
London
Clark K.
Metropolis
Tarzan
London
Catwoman
Name1
Clark K.
Name
Address1
Metropolis
Address
Metropolis
Gotham City
Address =Address (Man Woman)

1
Name2
Lois L.
Address2
Metropolis
26
Formalism for the join operation
L2(j) }
Let m be the number of columns of T1
T
i = j+m(T1 T2)
As for selection, comparison operators , <, >, ,

!
can be used as well as boolean operators
27
Union
Man
Name
James B.
Address
Woman
London
Clark K.
Metropolis
Tarzan
London
Lois L.
Catwoman
Name
The set of people:
Man Woman
Name
James B.
Metropolis
Gotham City
Address
London
Clark K.
Metropolis
Tarzan
London
Lois L.
Metropolis
Catwoman
Address
Gotham City
28
Union
Man
Name
James B.
Address
Woman
London
Clark K.
Metropolis
Tarzan
London
Lois L.
Man Woman
James B.
Gotham City
Address
London
Clark K.
Metropolis
Tarzan
London
Lois L.
Metropolis
Catwoman
Address
Metropolis
Catwoman
Name
The set of people:
Name
Gotham City
People living in Metropolis:
Address="Metropolis"(Man Woman)
Name
Address
Clark K.
Metropolis
Lois L.
Metropolis
29
Difference
Man
Name
James B.
Address
London
Clark K.
Metropolis
Tarzan
London
Woman
Name
Lois L.
Catwoman
Address
Metropolis
Gotham City
What are the cities for which we know at least one woman and
no man?
Address(Woman) Address(Man)
Address
Gotham City
30
Formalism for these two operations

Let T1 and T2 be 2 tables with same number of columns
and columns have the same domain.
Formalising union
T1 T2 is the set containing the rows of T1 and those of T2.
T1 T2 = { L | L T1 or L T2 }
Formalising difference
T1 T2 is the set containing the rows of T1 that are not in T2.
T1 T2 = { L | L T1 and L T2 }
31
Query Tree
What are all the possible couples with a man from London
and a woman from Metropolis?
Name ,Name (Address ="Metropolis"(Address ="London"(Man Woman)))

1
OR
Name (Address ="London"(Man)) Name (Address ="Metropolis"(Woman))

1
32
Query Tree
Name ,Name
1
4 col., 2 rows
Address ="Metropolis" and Address ="London"

2
4 col., 6 rows
2 col., 3 rows
Man
2 col., 2 rows
Woman
2*3+2*2+4*6+4*2 = 42 cells manipulated
33
Query Tree
Name ,Name
1
4 col., 2 rows
Address ="Metropolis" and Address ="London"

2
4 col., 6 rows
2 col., 3 rows
2 col., 2 rows
1 col., 2 rows
Name
2 col., 2 rows
Address ="London"
1
2 col., 3 rows
Man
Woman
2*3+2*2+4*6+4*2 = 42 cells manipulated
Man
1 col., 1 row
Name
2 col., 1 row
Address ="Metropolis"
2
2 col., 2 rows
Woman
2*3+2*2+2*2+2*1+1*2+1*1 =
19 cells manipulated
34
Du modle Entit-Association
vers le modle relationnel
Un modle Entit-Association peut se traduire
simplement en un modle relationnel
Schma de donnes plus formalis
Possibilit dutiliser lalgbre relationnel pour exprimer
des requtes
3 rgles simples de transformation
Rgle 1
Toute entit est traduite par une relation
contenant les mmes attributs et cls que l'entit
Se traduit par :
Vehicule(immatriculation: string, marque: string)
Proprietaire(nom: string, prenom; string, naissance: date)
Rgle 2
Toute association depuis une entit R vers une entit R'
ayant une cardinalit 0:1 ou 1:1 se traduit par l'ajout, dans
la relation rsultat de la traduction de R, de la cl de R' avec
le statut d'attributs
Se traduit par :
Vehicule(immatriculation: string, marque: string, nom_prop:
string, prenom_prop; string, naissance_prop: date)
Rgle 3
Toute association entre entits ayant des cardinalits 0:N ou 1:N chaque
extrmit se traduit par la cration d'une relation contenant comme attributs
les cls des entits associes ainsi que dventuels attributs de l'association.
La cl de la relation cre est l'ensemble des attributs reprsentant les cls
des entits associes.
Conduit
Chauffeur
0:N
Se traduit par :
Achete(immatriculation: string, nom_cond: string, prenom_cond:
string, naiss_cond: date)
Introduction de cls
numriques
Quand la cl dune entit est compose de
plusieurs attributs, il peut tre efficace dintroduire
une cl artificielle numrique
Cette cl ne correspond aucun attribut rel mais
facilite les jointures et slection
Ex: Proprietaire(numero: int, nom: string, prenom;
string, naissance: date)
! Le numro de scurit sociale serait idal mais
interdit par la CNIL !
Cohrence des donnes

Les relations dfinissent la structure des donnes
mais pas la cohrence de contenu.
Exemple de contenu incohrent : une mme
personne enregistre avec deux dates de naissance
diffrentes
La gestion de la cohrence des donnes consiste
rendre impossible la saisie de donnes incohrente
2 concepts cls
Dpendances fonctionnelles
Formes normales
(1)
Une dpendance fonctionnelle (DF) reprsente le
fait qu la valeur d'un ou plusieurs attributs, on
associe une valeur pour un autre attribut
Soit R(A1,A2,, An) et une DF de Ai vers Aj se note :
Ai Aj
Par exemple, il existe une DF entre le numro et le
nom dun propritaire
numero nom
(2)
Une DF A B est dite lmentaire si un sousensemble de la cl n'est pas source de la DF
a A, A {a} B
Une DF A B est dite directe s'il n'existe pas
d'ensemble d'attributs C tel que
A C et C B
Suite du cours
2013
Jeu. 14/11, 10h00 : TD1 modlisation E.-A.

Lun. 18/11, 8h15 : TD2 algbre rel. / 10h00 : TP1 modle rel.
Jeudi. 21/11, 8h15 : TD3 SQL / 10h00 : TP2 SQL
Jeu. 05/12, 8h15 : TD modlisation E.-A. projet (3h) PROJET
Jeu. 19/12, 8h15 : TD4 SQL / TP3 SQL
Jeu. 16/01, 8h15 : prsentation partie dv. projet PROJET
2014
Jeu. 16/01, 10h00 : implm. modle projet PROJET

Jeu. 23/01, 8h15 : TP4 dv. PHP / TP dv. projet PROJET
Jeu. 30/01, 8h15 : TP dv. projet (3h) PROJET
Lun. 03/02, 10h00 : TP dv. projet (1h30) PROJET
Mer. 05/02, 8h15 : finalisation projet (3h) PROJET
Jeu. 06/02, 10h00 : Exam
Le projet CSI
Concevoir une application de gestion dhpital
Le systme doit permettre de grer des informations sur
des chambres, lits, patients ainsi que le personnel de
lhpital. Limplmentation utilisera un BdD relationnel et
une interface Web code en PHP.
Une modlisation dtaille du domaine sera demande,
puis une implmentation partielle des fonctionnalits.
Le projet se fait par quadrinme dfinir dici vendredi.
Pour limplmentation des fonctionnalits, les groupes
se diviseront en binmes.
Projet alternatif
Nous avons un projet avec un vrai client ayant un
besoin en systme dinformation
Le travail effectuer est de lordre de difficult dun
projet CSI
Projet tuteur par Philippe Beaune, qui est en contact
avec le client
Seulement quelques groupes volontaires peuvent
choisir ce projet
Attention : le travail effectuer nest pas forcment
quitable par rapport au projet minesbook mais
correspond une situation relle dingnieur
Tous les supports de ce cours sont

disponibles ici :
http://www.emse.fr/~zimmermann/Teaching/CSI/

Cours CSI

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours CSI

Transféré par

Droits d'auteur :

Formats disponibles

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Ple informatique 2013/2014

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Partie Dveloppement dun

Outils : modle E-A, relationnel,

Evaluation = moyenne de deux notes

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Quest ce quun Systme

Information = donne enrichie dun modle

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

La mise en uvre doutils de gestion

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

SIO Systme dInformation Oprationnel = toute lactivit

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Le(s) Systme(s) dInformation peut atteindre une taille

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Mon projet C est-il un SI ?

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Stockage des donnes

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Systme de Gestion de Fichiers (SGF) : gre les accs aux

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

SGF: inconvnients par

1 fichier pour toutes les relations

1 (petit) fichier par utilisateur

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Une BdD est conue, construite et remplie avec

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Base de Donnes (suite)

Une BdD peut avoir nimporte quelle taille (agenda

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Au-del des fichiers : Systme

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Principes fondamentaux des

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Principes fondamentaux des

2013, Antoine Zimmermann

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Niveaux de reprsentation dune

niveau conceptuel (e.g. modle Entit-Association)

niveau logique (e.g. modle relationnel)

niveau physique (e.g. systme de fichiers, index)

Conception de Systmes dInformation, Ple Informatique, ENSM-SE

Niveaux de reprsentation dune

gr par le concepteur de la BdD et/ou les utilisateurs

niveau conceptuel (e.g. modle Entit-Association)

niveau logique (e.g. modle relationnel)

niveau physique (e.g. systme de fichiers, index)