تخطَّ إلى المحتوى الرئيسي
Wadifa Infoالوظيفة العمومية بالمغرب FR
📲 توصل بالمباريات الجديدة ونتائجها فوراً: تطبيق وظيفة إنفو المجاني ثبّت ←

نموذج مباراة توظيف مهندسي الدولة من الدرجة الأولى - المجلس الأعلى للسلطة القضائية 2019 - الأنظمة القرارية

🏢 المجلس الأعلى للسلطة القضائية 👤 مهندس دولة من الدرجة الأولى 🎯 الأنظمة القرارية 📅 20/01/2019 👁️ 155 مشاهدة

⬇️ تحميل PDF الرابط الدائم: wadifa-info.com/نموذج-مباراة/3363

باختصار

هذا نموذج امتحان كتابي سابق لمباراة مهندس دولة من الدرجة الأولى لدى المجلس الأعلى للسلطة القضائية (20/01/2019)، منشور على وظيفة إنفو للاطلاع والتحميل المجاني بصيغة PDF مع تصحيح مقترح.

الجهة المنظمة
المجلس الأعلى للسلطة القضائية
الدرجة
مهندس دولة من الدرجة الأولى
التخصص
الأنظمة القرارية
الدورة
20/01/2019
عدد الصفحات
6
لغة الأسئلة
الفرنسية
التصحيح
تصحيح مقترح متوفر في هذه الصفحة
أضيف إلى الموقع
05/10/2026
تابع تحضيرك: 📄 نموذج مباراة توظيف مهندس دولة من الدرج… 📄 نموذج مباراة توظيف مهندسي الدولة من ال… 📄 نموذج مباراة توظيف مهندسي الدولة من ال… 🔎 مباريات مهندس دولة من الدرجة الأولى المفتوحة 💰 راتب مهندس دولة من الدرجة الأولى
المادة الثانية (4 ساعات، المعامل 4) لمباراة توظيف مهندسي الدولة من الدرجة الأولى، شعبة الأنظمة القرارية، دورة 20 يناير 2019: أسئلة حول BI وData Mining، ثم ستة تمارين (مستودع البيانات، OLAP، شجرة القرار ID3، SQL التحليلي، نماذج نجمية). 6 صفحات كاملة. تنبيه: النسخة تحمل علامات مترشح على بعض الأجوبة.
نموذج مباراة جديد كل يوم على قناة واتساب
هل أفادك؟ شاركه مع من يبحث
WhatsApp Facebook Telegram
🔗 انشر رابط هذا النموذج في موقعك أو مدونتك أو منتداك

انسخ هذا الرابط (الملف يبقى محيّناً على الصفحة):

التصحيح المقترح: نموذج مباراة توظيف مهندسي الدولة من الدرجة الأولى - المجلس الأعلى للسلطة القضائية 2019 - الأنظمة القرارية

هذا تصحيح مقترح من إعداد فريق wadifa-info لمساعدتك على فهم منهجية الإجابة — وليس تصحيحاً رسمياً صادراً عن الإدارة المنظِّمة. أسئلة هذا الامتحان محررة بالفرنسية، لذلك التصحيح محرر بالفرنسية أيضاً.

Ce modèle est la deuxième épreuve (épreuve de spécialité) du concours de recrutement d'ingénieurs d'État du 1er grade du Conseil Supérieur du Pouvoir Judiciaire, filière systèmes décisionnels, session du 20 janvier 2019. Durée : 4 heures ; coefficient 4. Le sujet (6 pages) comporte une partie 1 de 15 questions de cours (BI, data mining, entrepôts de données, OLAP) et une partie 2 de 6 exercices : cube MOLAP/ROLAP, arbre de décision ID3, SQL analytique Oracle et trois modélisations en étoile.

💡 ID3 : le jury note les calculs. Écrivez l'entropie de départ, puis le gain de chaque attribut sous forme de tableau. Un attribut dont toutes les branches sont pures (entropie nulle) l'emporte presque toujours. Vérifiez vos sommes d'effectifs avant de calculer les logarithmes.

Partie 1 : questions de cours

  1. Architecture BI : sources (ERP, bases OLTP, fichiers, données externes) → ETL (extraction, transformation, chargement, dans une zone de préparation) → entrepôt de données (et ses magasins de données) avec ses métadonnées → serveur OLAP (cubes MOLAP/ROLAP/HOLAP) → restitution (rapports, tableaux de bord, analyse ad hoc, data mining).
  2. Data mining : processus d'extraction automatique ou semi-automatique de connaissances (modèles, règles, tendances) non triviales et utiles à partir de grands volumes de données, par des méthodes statistiques et d'apprentissage : classification, régression, segmentation, règles d'association.
  3. CRISP-DM = Cross-Industry Standard Process for Data Mining. Six phases : (1) compréhension du métier ; (2) compréhension des données ; (3) préparation des données ; (4) modélisation ; (5) évaluation ; (6) déploiement. Le processus est itératif.
  4. Supervisé ou non : une méthode supervisée apprend à partir d'exemples dont la variable cible (étiquette) est connue, pour la prédire (classification, régression). Une méthode non supervisée n'a pas de variable cible : elle cherche des structures dans les données (clustering, règles d'association, ACP).
  5. Régression ou discrimination : la régression prédit une variable cible quantitative continue (un montant) ; la discrimination (classement) prédit une variable qualitative, c'est-à-dire une classe (admis/non admis).
  6. Échantillon d'apprentissage et de validation : on construit le modèle sur le training set et on mesure sa performance sur des données qu'il n'a pas vues (validation set). On obtient ainsi une estimation honnête de l'erreur en généralisation, on détecte le sur-apprentissage et on peut régler les paramètres.
  7. Outils graphiques de qualité d'un modèle de discrimination : la courbe ROC (et son aire, l'AUC) et la courbe de gain (lift) ; la matrice de confusion est l'outil tabulaire associé. Les mots centraux de l'énoncé sont effacés sur le scan, mais la question reste claire.
  8. Définition d'Inmon : orientées sujet : organisées par thème métier (client, vente), pas par application ; intégrées : codifications, formats et unités homogénéisés entre sources ; non volatiles : pas de mise à jour ni de suppression, on ajoute seulement des données (lecture seule) ; historisées : on garde l'historique daté pour suivre les évolutions ; organisées pour l'aide à la décision : structure pensée pour l'analyse (agrégats, dimensions).
  9. Text mining : le traitement du langage naturel (tokenisation, lemmatisation, étiquetage morpho-syntaxique, reconnaissance d'entités nommées) transforme le texte en données exploitables ; les bases de connaissances (thésaurus, ontologies) apportent le sens et les relations entre termes ; le machine learning classe, regroupe ou analyse les sentiments des documents à partir de représentations (TF-IDF, embeddings).
  10. BI et Big Data : la BI analyse des données surtout structurées, historisées et nettoyées, dans un entrepôt relationnel, pour du reporting et de l'analyse a posteriori. Le Big Data traite des volumes, une variété (non structuré) et une vélocité (flux) qui dépassent les outils classiques, avec des architectures distribuées (Hadoop, Spark, NoSQL). Les deux sont complémentaires.
  11. OLTP ou OLAP : (1) usage : transactions courantes (insertions, mises à jour) contre analyse ; (2) modèle : normalisé (3FN) contre dénormalisé (étoile, flocon) ; (3) données : actuelles et détaillées contre historisées et agrégées ; (4) requêtes : courtes, nombreuses, sur peu de lignes, contre complexes, sur de gros volumes, essentiellement en lecture ; (5) utilisateurs : opérationnels contre décideurs.
  12. CUBE ou ROLLUP : GROUP BY ROLLUP(a, b, c) calcule les sous-totaux hiérarchiques de droite à gauche : (a,b,c), (a,b), (a), () ; soit n+1 regroupements. GROUP BY CUBE(a, b, c) calcule toutes les combinaisons : 2n = 8 regroupements.
  13. Pré-agrégation : elle calcule et stocke à l'avance des agrégats fréquemment demandés pour accélérer les requêtes OLAP (au prix d'espace disque et de temps de rafraîchissement). En relationnel : vues matérialisées (Oracle : CREATE MATERIALIZED VIEW … ENABLE QUERY REWRITE, rafraîchissement FAST/COMPLETE), tables d'agrégats alimentées par l'ETL, GROUP BY ROLLUP/CUBE au chargement.
  14. Modèle dimensionnel ou entité-relation (contexte analytique) : il est simple à comprendre pour les utilisateurs (faits et axes d'analyse) et donne de meilleures performances en lecture (moins de jointures, agrégations faciles, optimisation par jointure en étoile).
  15. Opérations OLAP (cube ventes : produit × magasin × temps) : slice = fixer une dimension (ventes de 2016 seulement), on obtient une tranche ; rotate (pivot) = permuter les axes affichés (produits en colonnes et magasins en lignes) ; roll-up = agréger vers un niveau supérieur (mois → année, ville → région) ; drill-down = détailler vers un niveau inférieur (année → trimestre → mois).

Partie 2

Exercice 1 : magasin de données des ventes de chaussures

  1. Modèle : conceptuel : fait VENTE (mesure : nombre de paires) avec les axes Temps (mois → année), Magasin, Modèle. Logique (étoile) : FAIT_VENTE(#id_temps, #id_magasin, #id_modele, nb_paires) ; DIM_TEMPS(id_temps, mois, annee) ; DIM_MAGASIN(id_magasin, nom_site, ville) ; DIM_MODELE(id_modele, libelle).
  2. Tableau multidimensionnel Magasin × Modèle (somme 2015 + 2016) :
    Magasin \ ModèleBotteEscarpinTotal
    Site_Rabat7 5005 00012 500
    Site_Casa7 00007 000
    Total14 5005 00019 500
  3. CUBE en MOLAP : on ajoute à chaque dimension une valeur ALL et on remplit le tableau 3D (Année × Modèle × Magasin) avec tous les agrégats. Par année : 2015 : Botte 8 000 (Rabat 5 000, Casa 3 000), Escarpin 1 500 (Rabat), total 9 500 (Rabat 6 500, Casa 3 000) ; 2016 : Botte 6 500 (Rabat 2 500, Casa 4 000), Escarpin 3 500 (Rabat), total 10 000 (Rabat 6 000, Casa 4 000). Tranche Année = ALL : le tableau de la question 2 (total général 19 500).
  4. CUBE en ROLAP : SELECT Annee, Modele, Magasin, SUM(Nombre) FROM MyShoes_ma_01 GROUP BY CUBE(Annee, Modele, Magasin) ; on obtient une table relationnelle où ALL apparaît en NULL : les 6 lignes de base, puis (Année, Modèle) : 2015-Botte 8 000, 2015-Escarpin 1 500, 2016-Botte 6 500, 2016-Escarpin 3 500 ; (Année, Magasin) : 2015-Rabat 6 500, 2015-Casa 3 000, 2016-Rabat 6 000, 2016-Casa 4 000 ; (Modèle, Magasin) : Botte-Rabat 7 500, Botte-Casa 7 000, Escarpin-Rabat 5 000 ; (Année) : 9 500 et 10 000 ; (Modèle) : Botte 14 500, Escarpin 5 000 ; (Magasin) : Rabat 12 500, Casa 7 000 ; (ALL, ALL, ALL) : 19 500.

Exercice 2 : arbre de décision ID3 (lignes 1 à 12 : 8 Admis, 4 Non admis). Sur le scan, les mentions des lignes 8 à 12 sont en partie masquées ; on lit Passable (8, 9) et TBien (11, 12), et la ligne 10 est Bien ou TBien. Le calcul est identique dans les deux cas.

  1. Entropie initiale : H(S) = −(8/12)log2(8/12) − (4/12)log2(4/12) = 0,918.
    AttributPartition (Admis/Non admis)Entropie pondéréeGain
    DoublantNon : 5/0 ; Oui : 3/47/12 × 0,985 = 0,5750,344
    SérieMaths 3/1 ; Techniques 3/1 ; Sciences 2/20,270 + 0,270 + 0,333 = 0,8740,044
    MentionABien 2/1 ; Bien 3/0 (ou 4/0) ; Passable 0/3 ; TBien 3/0 (ou 2/0)3/12 × 0,918 = 0,2300,689
    Racine = Mention. Les branches Bien et TBien donnent Admis, la branche Passable donne Non admis. Branche ABien (lignes 1, 2, 3) : Doublant (Non → Admis, Oui → Non admis) et Série (Maths, Techniques → Admis ; Sciences → Non admis) donnent tous deux un gain maximal de 0,918 ; à égalité, on retient le premier attribut, Doublant.
    Arbre final : Mention = Bien ou TBien → Admis ; Mention = Passable → Non admis ; Mention = ABien → Doublant = Non → Admis, Doublant = Oui → Non admis.
  2. Test (lignes 13 à 16) : 13 (Oui, Maths, Bien) → Admis, juste ; 14 (Non, Sciences, ABien) → Admis, alors que la classe réelle est Non admis : erreur ; 15 (Non, Maths, TBien) → Admis, juste ; 16 (Non, Maths, Passable) → Non admis, juste. Taux de réussite : 3/4 = 75 %. Si l'on départage la branche ABien par la Série, la ligne 14 est bien classée (100 %), ce qui montre la fragilité d'un arbre appris sur 12 exemples.

Exercice 3 : SQL analytique (Oracle)

  1. Requête :
    SELECT DISTINCT gf.genre, f.annee,
    COUNT(*) OVER (PARTITION BY gf.genre ORDER BY f.annee RANGE BETWEEN CURRENT ROW AND UNBOUNDED FOLLOWING) AS nb_films_depuis
    FROM Film f JOIN GenreFilm gf ON f.idFilm = gf.idFilm
    ORDER BY gf.genre, f.annee;
    La fenêtre compte, pour chaque genre, les films dont l'année est supérieure ou égale à l'année de la ligne.
  2. Différence : la requête 1 (GROUP BY) renvoie une ligne par film avec son nombre de genres. La requête 2 (COUNT(*) OVER (PARTITION BY F.idFilm)) ne regroupe pas : elle renvoie une ligne par couple film-genre, chaque film étant répété autant de fois qu'il a de genres, avec la même valeur col sur chaque ligne. Il faudrait DISTINCT pour retrouver le résultat de la requête 1. La requête 2 nomme la table « Genre G » : c'est GenreFilm.

Exercice 4 : entrepôt des ventes d'une pharmacie. Les phrases des questions 3 et 4 sont en partie effacées sur le scan ; on y lit les mots-clés « hypercube », « médicament, client, vendeur, date », « 4 types », « coupe selon une valeur de date », « tableaux à deux dimensions ».

  1. Définitions : fait : sujet d'analyse, ici la vente ; table de faits : table centrale contenant les clés des dimensions et les mesures (montant_de_vente), au grain d'une vente ; table de dimension : axe d'analyse décrivant le contexte (médicament, client, vendeur, date) ; indicateur (mesure) : valeur numérique additive analysée (chiffre d'affaires) ; hiérarchie : niveaux d'agrégation d'une dimension (semaine → mois → année ; médicament → famille).
  2. Schéma en étoile : FAIT_VENTE(#code_medicament, #code_client, #code_vendeur, #id_date, montant_de_vente) ; DIM_MEDICAMENT(code_medicament, libellé, code_famille, libellé_famille) ; DIM_CLIENT(code_client, nom, csp) ; DIM_VENDEUR(code_vendeur, nom, code_famille_spécialité) ; DIM_DATE(id_date, jour, semaine, mois, année). Champs # = clés étrangères ; montant = mesure numérique additive ; les autres champs sont des attributs descriptifs.
  3. Cube de données (réponse probable, énoncé partiellement effacé) : l'hypercube a 4 dimensions (médicament, client, vendeur, date). Graphiquement, on ne dessine que des cubes à 3 dimensions, en fixant ou en agrégeant la 4e : il y a C(4,3) = 4 types de cubes : (médicament, client, vendeur), (médicament, client, date), (médicament, vendeur, date), (client, vendeur, date). Chacun correspond au chiffre d'affaires vu selon trois axes, la quatrième dimension étant fixée (une tranche) ou sommée.
  4. Cube D (coupe de l'hypercube pour une valeur de date) : il reste 3 dimensions, donc C(3,2) = 3 tableaux à deux dimensions (médicament × client, médicament × vendeur, client × vendeur). Pour l'hypercube complet, il y a C(4,2) = 6 types de tableaux à deux dimensions.

Exercice 5 : demandes de séjour (Fondation Mohammedia des Œuvres Sociales des Magistrats et Fonctionnaires de la Justice)

  1. Étoile : FAIT_DEMANDE(#id_destination, #id_date_depart, #id_beneficiaire, #id_canal, #id_mode_paiement, #id_categorie, nb_demandes), clé primaire composée des six clés étrangères ; DIM_DESTINATION(id_destination, ville, region, categorie_region, categorie_destination, categorie_residence) ; DIM_DATE(id_date, jour_annee, jour_semaine, mois, saison, annee) ; DIM_BENEFICIAIRE(id_beneficiaire, groupe_age, sexe, adresse, type_beneficiaire) ; DIM_CANAL(id_canal, categorie) ; DIM_PAIEMENT(id_mode_paiement, categorie) ; DIM_CATEGORIE_FONCT(id_categorie, grade, echelle, responsabilite).
  2. Hiérarchies : Destination : ville ← région ← catégorie de région ; Date : jour ← mois ← saison ← année (et jour ← jour de la semaine) ; Bénéficiaire : bénéficiaire ← groupe d'âge (ou ← type) ; Catégorie : grade ← échelle ; Canal et Paiement : un seul niveau (catégorie).

Exercice 6 : franchise de restauration rapide

  1. Étoile : FAIT_VENTE(#id_jour, #id_restaurant, #id_produit, quantite, benefice) ; DIM_TEMPS(id_jour, date, semaine, mois, annee) ; DIM_RESTAURANT(id_restaurant, nom, ville, pays) ; DIM_PRODUIT(id_produit, libelle, type_nourriture).
  2. Flocon : on normalise les hiérarchies : DIM_JOUR(id_jour, date, #id_semaine, #id_mois) → SEMAINE(id_semaine, num, #id_annee) et MOIS(id_mois, mois, #id_annee) → ANNEE(id_annee) ; DIM_RESTAURANT(id_restaurant, nom, #id_ville) → VILLE(id_ville, nom, #id_pays) → PAYS(id_pays, nom).
  3. Nombre de commandes : son grain est différent (jour × restaurant, sans produit). On ajoute donc une seconde table de faits FAIT_COMMANDE(#id_jour, #id_restaurant, nb_commandes), qui partage les dimensions Temps et Restaurant (dimensions conformes) : on obtient un schéma en constellation. Ne pas mettre nb_commandes dans FAIT_VENTE, où il serait compté plusieurs fois.

أسئلة شائعة حول نموذج مباراة توظيف مهندسي الدولة من الدرجة الأولى - المجلس الأعلى للسلطة القضائية 2019 - الأنظمة القرارية

هل يمكن تحميل نموذج مباراة مهندس دولة من الدرجة الأولى مجاناً؟
نعم. صفحات هذا النموذج (6) متاحة للاطلاع والتحميل مجاناً، وبدون تسجيل أو إنشاء حساب.
هل يتضمن نموذج مباراة مهندس دولة من الدرجة الأولى التصحيح؟
نعم. تجد في هذه الصفحة، أسفل صفحات الأسئلة، تصحيحاً مقترحاً يشرح منهجية الإجابة والعناصر المنتظرة، من إعداد فريق وظيفة إنفو.
ما هي الجهة المنظمة والدرجة المعنية بهذا النموذج؟
هذا النموذج من مباراة نظمتها المجلس الأعلى للسلطة القضائية. ويخصّ درجة: مهندس دولة من الدرجة الأولى.
ما هي دورة هذا الامتحان ولغة أسئلته؟
الدورة: 20/01/2019. والأسئلة باللغة الفرنسية.
أين أجد نماذج أخرى لنفس المباراة؟
جمعنا نماذج نفس العائلة في صفحة نماذج مباريات مهندسي الدولة، مرتّبة حسب الدورة من الأحدث إلى الأقدم.
📝 نص أسئلة النموذج (مستخرج آلياً من الصفحات الممسوحة)

استُخرج هذا النص آلياً من صور الامتحان وقد يحتوي على أخطاء في القراءة — الصور أعلاه هي المرجع.

‎ere”‏ نه
مباراة توظيف مهندسي الدولة من الدرجة الأولى
‎ne‏ الأنظمة التقريرية
. . | المجراة بتاريخ 20 يناير 2019
المادة الثانية: موضوع أو أسئلة ترتبط بالتخصص المطلوب أو
بالمهام والمهارات المهنية المرتبطة بالوظائف المطلوب شغلها.
الهمدة: أربع ساعات )4(
- 0 المعا مل 4
‎Partie 1:‏
‎Donnez l'architecture d’un système d'informatique décsionnel (Bi)‏ .1 :
‎Qu'est-ce que le « Data Mining » ?‏ .2-
‎Que signifie le sigle CRISP-DM ? et précisez les six phases du processus CRISP-DM‏ .3
‎Quelle différence fondamentale existe-t-il entre les méthodes dites supervisees et les‏ .4
‎méthodes dites non-supervisées ? |‏
‎٠ 5. Qu'est-ce qui distingue un modèle de régression d'un modele de discrimination ?
‎6. Quel est l'intérêt de décomposer l'échantillie de travail on « training data set » et en
“ validation data set » ?
‎7. Citez deux outils graphiques ner. l& quahte d'un modéle de
discrimination.
‎8. Expliquez les critères cités ‏ممصمل‎ «à ouse « une collection de données
orientées sujet, intégrées, non volatiles. histori :. Organisees pour le support d'un
processus d'aide à la décision. »
‎9. Expliquez brièvement les technologies/techniques de TextMining (Le traitement du
langage naturel, Les bases de connaissances, Le Machine Learning) ?
‎10. Quelles differences entre BI et Big Data ?
‎11. Donnez 3 différences entre une Base de Données transactionnelle (OLTP) et un
entrepôt de données (OLAP)
‎12. Expliquez la différence entre les clauses CUBE et ROLLUP.
‎13. À quoi sert la pré-agrégation des faits et comment peut-on implémenter cette
stratégie dans le contexte des Bases de Données relationnelles ?

D dl je ve i ar rapport au modèl
antages de la modélisation dimensionnelle paf raPP e
14, Nommez deux av :
nalytique :
entités-relations, dans le contexte analyÿtiq meatmmilenats
, érations sut È 2 !
15. Illustrez à l'aide d'un exemple chacune des op
roll-up, et drill-down. à
Partie 2:
Exercice 1:
La sociét ystallée dans la région de Casablanca, désire construire un
entrepôt de données pour suivre l'évolution de ses ventes de chaussures. L'entreprise
spose de deux magasins « Site_Rabat » et « Site_Casa » et vend plusieurs ١
modèles de chaussures.
1. Proposez un modèle conceptuel et logique d’entrepôt de donnet our
observer l'évolution des ventes en termes du nombre total de paires de chaussures
vendues par rapport aux axes MOIS, ANNÉE, MAGASIN et MODÈLE.
2. Soit la représentation relationnelle du dits: ! 05006500 0[ ci-après:
[ - Année | Modèle fAecgsir Nombre |
‏أ‎ 2015 Botte F Sue | 9000 |
|__2015 Escarpin | Sie _Rabat 1500 |
| 2015 Botte M Site_Casa | 3000 |
|2006 | Escarpin | Site Rabat | 73500 |
2016 Botte | Site Rabat | 2500
| 2016 | Botte Site_Casa 4000 |
Proposez un tableau multidimensionnel pour observer le nombre total de paires de
chaussures vendues par rapport aux axes MAGASIN et MODÈLE.
3. Calculez l'opérateur CUBE sur le data mart MyShoes.ma_01 avec l'approche MOLAP.
4. Calculez l'opérateur CUBE sur le data mart MyShoes.ma_01 avec l'approche ROLAP
wadifa-info.com ‏نماذج المباريات من موقع وظيفة إنفو‎

| Exercice 2 : ,
Le tableau suivant contient des données sur les résultats obtenus par des étudiants de
Tronc Commun (première année à l'Université). Chaque étudiant est décrit par 3
attributs : Est-il doublant ou non, la série du Baccalauréat obtenu et la mention. Les
étudiants sont répartis en deux classes : Admis et Non Admis. On veut construire un
arbre de décision à partir des données du tableau, pour rendre compte des éléments
qui influent sur les résultats des étudiants en Tronc Commun. Les lignes de 1 à 12 sont
utilisées comme données d'apprentissage. Les lignes restantes {de 13 à 16) sont utilisées
comme données de tests.
RE TT pes es
F2= [Non 7] Techniques | Ain | Admis
AT Oui 77 | Sciences | Bien Admis
ET Non Mais Bin | Adms
EST Non 777] Techniques | Bien
[TT Où | Sciences | Pise Non Admis
[BE T Où Ms >. 2] Non Admis
[SET Oui | Technie ٠ : [Non Admis
[107] Oui [Mas 0 5 | Admis
Oui Techniqu: 0_ jfn Admis |
on Saences | Dig Àdmis
[AT N mur |
[132] Qui | Mas Bien | Admis
14] Non Saences _| ‏عه‎ |_Non Admis
[IS] Non Maths TBia Admis
HET Non _ | Maths Passable Non Admis
1. Utilisez les données des lignes de 1 à 12 pour Construire l'arbre en utilisant
l'algorithme 1D3. Montrez toutes les étapes de calcul. Dessinez l'arbre final.
2. Quels sont les résultats de test de l'arbre obtenu sur les données des lignes de 13 à
Re Si) ‏نماذج المباريات من موقع وظيفة‎
wadifa-info.com #5 ‏جح قع‎

Exercice 3:
Considérez le schéma suivant
e Film{idFiim, btre, annee, description),
+ PersonnelidPersonne, nom, dateNaissance, bio),
+ RoleFilmlidFilm, 1dPersonne, personnage),
+ GenreFilm(idFilm, genre);
1. Écrivez une requête SQL utilisant les fonctions analytiques d'Oracle permettant
d'afficher, pour chaque genre et chaque année, le nombre de films produits depuis cette
annéé ayant ce genre.
2- Quelle est la différence entre les résultats obtenus par les deux requêtes suivantes ?
Requête 1:
SELECT F.idFilm, COUNT(°) as col
FROM Film F, GenreFilm GF
WHERE F.idFilm = GF.idFilm 66011 0 ni
Requête 2 :
SELECT FidFilm, COUNT('} 7 à dFilm} as col
FROM Film F, Genre G
WHERE F.idFilm = G.idFilm
Exercice 4:
١١ s'agit de modéliser l'entrepôt de données (ED) des ventes d'une pharmacie. Cette
pharmacie vend des médicaments regroupés par familles de médicaments. Une vente
Correspond 4 un médicament et un seul ; la vente est effectuée par l'un des vendeurs
Spécialisé dans la famille du médicament vendu. La semaine de vente est le numéro de
Semaine dans l'année. L'ED doit pouvoir fournir le chiffre d'affaires des ventes d'un
médicament, par date, client, et vendeur, ainsi que toutes les sommations possibles de
chiffre d’affaires.
wadifa-info.com ‏نماذج المباريات من موقع وظيفة إنفو‎

tes ‏نعل جاعريان‎ D sant les aurvunts
*» médicament, saractetneé par code medicament, code famille
° client, ‏مخضا ينب‎ par Code chent, nom, ‏بعتن تت نرق‎ "1"
*« vente, saracteroue pat date, code medicament code ‏تمعبل‎ code vendeur
montant de vente
* vendeur staitet se ju! code vendeur nom
e date. suite CRC Er Semaine, Mois année , ‏ل‎ :
: Donnez les définitions ‏.د‎ 1 8 - D
‏يط بض اباد كم ا لا‎
Sehéma en étoile traces le ‏با وض‎ ‘
î taGue latte sy Notre diner, , è
‘ ١١ ‏اا‎ a nature des ‏نفل‎
‎: Cube de données On: | trempe ٠
«be de ‏صضاع عمجل‎ hyper ‏يان‎ 5
‘ 67:1 vendeur
dote
tp Quettent on ‏!34و‎ uso
ones A types Aquorcorres por
‘ 01 0 D Cube Oieguesentanx ri Coup: ve à PEUR
ane sales de bi sorti date "0111 “7 . 4 > ‏الم‎ terre
Exercice S
LENS ‏نومركي‎ its à Eure er des Magistratset Fonctionnaires dé
8 ‏نكال‎ nest ‏الل ناا‎ ana et ser düinnues ‏لكل‎ de planter des « arnpäpnes de
MOBuE peut ses Adhérents Plus PAT ieteMmeENt le aimerai analyser fe nombre des
demandes es ton tion
wadifa-info.com ‏نماذج المباريات من موقع وظيفة إنفو‎

+ De ‏وا‎ destination: ville, région, catégorie de région (ex: bord de mer, montagnes, etc ],
catégorie de destination {ex: familial ou non), catégorie de résidence (ex: chaiet,
appartement, etc)
٠ De la date de départ: jour de l'année, jour de la semaine, mois, annee, saison (ex
basse ou haute saison),
+ Du bénéficiaire: groupe d'âge, sexe, adresse, type du bénéficiaire (ex: nouveau,
récurrent,
+ Du canal de la demande: catégorie (ex: Portail, Dépôt physique, etc ) :
* Du mode de paiement: catégorie (ex: crédit, comptant, etc.) :
* De la catégorie des fonctionnaires : grade, échelle, responsabilité.
1} Proposez un schéma en étoile permettant de faire ces analyses. Identifiez
clairement les clés primaires et étrangères des tables de faits et de d imension,
2} Identifiez, pour chaque table de dimension, une hiérarchie de niveaux de
granularité (e.g., attribut1 > attribut2 6
Exercice 6 :
On désire analyser les ventes d'une ١ ‏نا‎ restauration rapide. ١١ s'agit de
mesurer les ventes grâce aux quantités ‘ue 01 ‏ونه‎ bénéfices, en fonction des
ventes réalisées par jour, dans un restaurant donné Pour une nourriture donnée.
L'objectif est de pouvoir analyser les ventes par jour, Par semaine, par mois et par
année. Les restaurants peuvent être regroupés en fonction de leur ville et de leur pays.
1- Concevez un modèle en étoile qui permet d'analyser les ventes de cette entreprise
de franchise.
2. Modifiez ce modèle en un modèle en flocon de neige pour modéliser explicitement
les hiérarchies des dimensions représentant le temps et la localisation géographique
des magasins.
3- On souhaite à présent mesurer le nombre de commandes qui est donné par jour et
Par 1651301301. Etendez le modèle précédent afin de prendre en compte cet aspect.
wadifa-info.com ‏نماذج المباريات من موقع وظيفة إنفو‎

ناقش هذا النموذج (0)

شارك إجاباتك أو صحّح التصحيح — إذا كان لديك رأي مختلف حول أي نقطة، اكتبه هنا ليستفيد باقي المترشحين.

لا يوجد نقاش بعد — شارك إجابتك أو سؤالك حول هذا النموذج.

⚠️ ممنوع نشر أرقام الهاتف أو الروابط أو أي عرض مقابل مال — تُحذف هذه المشاركات تلقائياً.

نماذج مشابهة قد تهمّك

نموذج مباراة توظيف مهندس دولة من الدرجة الأولى تخصصات اللوجستيك والاقتصاد الفلاحي والهندسة القروية والهندسة الصناعية - وزارة السياحة والصناعة التقليدية والاقتصاد الاجتماعي والتضامني (قطاع السياحة) 2025 - الاختبار الخاص نموذج مباراة توظيف مهندسي الدولة من الدرجة الأولى - المندوبية السامية للتخطيط 2025 - الاختبار الكتابي 📅 28/09/2025 نموذج مباراة توظيف مهندسي الدولة من الدرجة الأولى - وكالة الحوض المائي لسوس ماسة 2024 - تخصص الهندسة القروية والهندسة الهيدروليكية 📅 11 فبراير 2024 نموذج مباراة توظيف مهندسي الدولة من الدرجة الأولى - وكالة الحوض المائي لسوس ماسة 2024 - الموضوع العام 📅 11 فبراير 2024 نموذج مباراة توظيف مهندسي الدولة من الدرجة الأولى - وزارة الفلاحة والصيد البحري والتنمية القروية والمياه والغابات 2024 - شعبة الهندسة القروية 📅 18 فبراير 2024 نموذج مباراة توظيف مهندسي الدولة من الدرجة الأولى - الوكالة الجهوية لتنفيذ المشاريع بجهة الرباط سلا القنيطرة 2023 - الاختبار العام 📅 10 يونيو 2023
عرض كل النماذج ←

الجهة المنظمة: المجلس الأعلى للسلطة القضائية · 20/01/2019 — مصدر النسخة: نسخ منشورة على الويب؛ الإعلان الرسمي للمباراة هو المرجع.

كيف تستشهد بهذه الصفحة؟

صحفي أو مدوّن أو أستاذ؟ انسخ المرجع أسفله وضع رابطاً نحو هذه الصفحة.

الرابط الدائم: https://www.wadifa-info.com/نموذج-مباراة/3363/نموذج-مباراة-توظيف-مهندسي-الدولة-من-الدرجة-الأولى-المجلس-الأعلى-للسلطة-القضائي

📲 توصل بالمباريات الجديدة ونتائجها فوراً: تطبيق وظيفة إنفو المجانيإشعار حسب شهادتك وجهتك، تذكير بالآجال، ونماذج الامتحانات بالتصحيح Google Play
📲
ثبّت تطبيق وظيفة إنفو على جهازك: اضغط زر المشاركة في أسفل سفاري، ثم اختر إضافة إلى الشاشة الرئيسية. تصلك المباريات الجديدة بسرعة ودون متصفح.