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 Partie Dveloppement dun
Novembre/Dcembre 2013 SI
Objectif : savoir concevoir un Janvier/Fvrier 2013
modle de BDD et limplanter avec Objectif : savoir appliquer une
un langage de manipulation de mthode de dveloppement dun
donnes 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 non-
informaticiens
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

BDD Dans ce cours,
niveau externe (sous-schma conceptuels) On ne soccupe
dfinition des interfaces daccs aux donnes 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)
Guichetier
SGBD SNCF
BdD horaires, trajets
Internaute
BdD statistiques
(usage, retards,
Usager
satisfaction, etc)
Plan
Notions de base
Concepts
Exemple
Concepts

Le modle Entit-
Association (ou EA)

Origine du modle Entit-

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

Objectifs & dmarche
Observation de la ralit
Modlisation des informations Modle Entit-Association
Dfinition dune base de

Modle relationnel
donnes relationnelle

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 1:1
lve Groupe Pdagogique
suit 1:N nom: string
no_etudiant: int 1:N
nom: string note : rel
1:N 1:1
prenom: string
1:N dirige
1:1
donne accs 0:N
appartient suit
Enseignant
note : rel
nom: string
1:N 1:N 1:1 prenom: string
1:N
Promotion Unit Pdagogique 1:1 0:N
nom: string nom: string
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)
3
Selection
Choice of rows according to a Boolean condition
condition ( Table )
4
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:

Name Age Address Birthplace
Address="London, UK"(Person) Tarzan 25 London, UK Forest, Benin
5
Selection
condition ( Table )
People living in London:

Address="London, UK"(Person) Tarzan 25 London, UK Forest, Benin
People living where they were born:

Address=Birthplace(Person) James B.
Lois L.
47
28
London, UK
Metropolis
London, UK
Metropolis
6
Selection (contd.)
Persons being less than 30 y.o.:
Age<30(Person) Lois L. 28 Metropolis Metropolis
this is a table
7
Selection (contd.)
Persons being less than 30 y.o.:
Age<30(Person) Lois L. 28 Metropolis Metropolis
this is a table too!
8
Selection (contd.)
People less than 30 y.o.: Name Age Address Birthplace
Lois L. 28 Metropolis Metropolis
Age<30(Person) Tarzan 25 London, UK Forest, Benin
Composition of selection: people less than 30 living in London:
Address="London, UK"(Age<30(Person))
9
Selection (contd.)
People less than 30 y.o.: Name Age Address Birthplace
Lois L. 28 Metropolis Metropolis
Age<30(Person) 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
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 )
Name and age of people: Name Age

James B. 47
Name,Age(Person) Clark K.
Lois L.
35
28
Tarzan 25
13
Projection (contd.)
Name of people living in London:
Name(Address="London, UK"(Person))
14
Projection (contd.)
Name of people living in London:
Name(Address="London, UK"(Person))
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
Name Address Name Address
Man James B. London
Woman
Lois L. Metropolis
Clark K. Metropolis
Catwoman Gotham City
Tarzan London
All man-woman pairs: Name1 Address1 Name2 Address2

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

1) Man City 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)
James B. London London 7,556,900 UK
James B. London Metropolis 8,391,881 USA
Clark K. Metropolis London 7,556,900 UK
Tarzan London London 7,556,900 UK
Tarzan London 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 2
Name1 Address1 Name2 Address2

James B. London Catwoman Gotham City
21
Man-woman pairs living in the same city:
Address =Adrress (Man Woman)

1 2

James B. London Catwoman Gotham City

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

Man James B. London City London 7,556,900 UK
Clark K. Metropolis
Metropolis 8,391,881 USA
Tarzan London
In which country do the men of the Man table live?
Address=CName(Man City)
Tarzan London London. 7,556,900 UK
25
Join (contd.)
Couple man-woman of the same city
Man Name Address Woman Name Address
Tarzan London
Address =Address (Man Woman)

1 2

26
Formalism for the join operation
L2(j) }
Let m be the number of columns of T1
T 2 = i = j+m(T1 T2)
As for selection, comparison operators , <, >, ,

! can be used as well as boolean operators
27
Union
Tarzan London
Name Address
The set of people: James B. London
Clark K. Metropolis
Man Woman Tarzan London
Lois L. Metropolis
28
Union
Tarzan London
Name Address
The set of people: James B. London
Clark K. Metropolis
Man Woman Tarzan London
Lois L. Metropolis
People living in Metropolis:

Name Address
Address="Metropolis"(Man Woman) Clark K. Metropolis
Lois L. Metropolis
29
Difference
Tarzan London
What are the cities for which we know at least one woman and
no man?
Address
Address(Woman) Address(Man) 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 2 2 1
OR
Name (Address ="London"(Man)) Name (Address ="Metropolis"(Woman))

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

2 1
4 col., 6 rows

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

2 1
Name 1
Name 2
4 col., 6 rows
2 col., 2 rows 2 col., 1 row
2 col., 3 rows

2 col., 2 rows
Address ="London"
1
Address ="Metropolis"
2
2 col., 3 rows 2 col., 2 rows
Man Woman Man Woman

2*3+2*2+4*6+4*2 = 42 cells manipulated 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 sous-
ensemble 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
Jeu. 14/11, 10h00 : TD1 modlisation E.-A.
2013
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
Jeu. 16/01, 10h00 : implm. modle projet PROJET
2014
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

Evaluation = moyenne de deux notes

2013, Antoine Zimmermann

2013, Antoine Zimmermann

Quest ce quun Systme

Information = donne enrichie dun modle

2013, Antoine Zimmermann

SIO Systme dInformation Oprationnel = toute lactivit

2013, Antoine Zimmermann

mais un SI sans informatique a peu dintrt car les

2013, Antoine Zimmermann

2013, Antoine Zimmermann

Mon projet C est-il un SI ?

En un sens oui mais trs limit.

2013, Antoine Zimmermann

2013, Antoine Zimmermann

Stockage des donnes

2013, Antoine Zimmermann

2013, Antoine Zimmermann

SGF: inconvnients par

2013, Antoine Zimmermann

2013, Antoine Zimmermann

Base de Donnes (suite)

2013, Antoine Zimmermann

Au-del des fichiers : Systme

2013, Antoine Zimmermann

Principes fondamentaux des

2013, Antoine Zimmermann

Principes fondamentaux des

2013, Antoine Zimmermann

Niveaux de reprsentation dune

Niveaux de reprsentation dune

2013, Antoine Zimmermann

2013, Antoine Zimmermann

Origine du modle Entit-

2013, Antoine Zimmermann

Objectifs & dmarche

Modlisation des informations Modle Entit-Association

Dfinition dune base de

2013, Antoine Zimmermann

Concepts de base : Entit &

Une entit est une instance dun type dentits. Souvent,

Plus dune occurrence de Vhicule avec une mme

2013, Antoine Zimmermann

2013, Antoine Zimmermann

2013, Antoine Zimmermann

2013, Antoine Zimmermann

Exemple : les entits

On reprsente les entits suivantes :

2013, Antoine Zimmermann

Exemples : les associations

On reprsente les associations suivantes :

Exemple : le modle E-A

2013, Antoine Zimmermann

2013, Antoine Zimmermann

2013, Antoine Zimmermann

L1L2 = (V1, ..., Vn, W1, ..., Wm)

People living in London:

People living in London:

People living where they were born:

this is a table too!