سلام دوستان
میشه تجزیه بدون گمشدگی رو با مثال زیر توضیح بدید ؟
اینکه میگه عضو مشترک تو یکی باید کلید کاندید باشه و شرط دوم تمام وابستگی ها رو بده یعنی چی؟
باید وابستگی ها رو بکشیم نرمال کنیم بعد هرچی مونده میشه بدون گمشدگی؟
![[تصویر: 434461_dly_08042017741.jpg]](https://img.manesht.ir/434461_dly_08042017741.jpg)
سلام و وقت بخیر ...
وقتی هدف نرمال کردن بهینه جدول است ، منظور این است که تا جایی نرمال کنیم که آنومالی از بین برود ، یکی از راه های حل این سوال این است که ببینیم این وابستگی های تابعی چه حرفی میزنند و به چقدر نرمال شدن نیاز دارند .
منظور از گمشدگی اینه که هیچ ارتباطی در جداول نهایی با توجه به داده های اولیه و ارتباطات اولیه از بین نرود ...
ابتدا وابستگی های پوششی را مشخص کنید که من برایتان نوشتم ، تنها کلید کاندید این وابستگی ها [tex]AB[/tex] است .پس کلید اصلی هم خودش میباشد . ( ذکر این نکته هم خوبه که همین جا BCNF بودن این رابطه نقض میشه ، پس حداکثر نرمال سازی ممکنه تا سطح ۳NF باشه . )
[tex]A^+=\{A,D,E\}\: \: \: \: ,\: \: \: D^+=\{D,E\}\: \: \: \: \: ,\: \: \: AB^+=\{A,B,C,D,E\}[/tex]
اگر نمودار وابستگی را رسم کنیم میبینیم که اولا فرم نرمال اول رعایت شده ، ثانیا غیر کلیدی به کلید اصلی وابسته نیست ، یعنی در ۲NF هم است ، ثالثا برای تعیین جدول ها ، جدول اول با کلید اصلی ( A,B) با وابسته هایش ( فقط C ) به جز وابسته های انتقالی غیر کلیدی D و E ، جدول دوم با کلید اصلی D و صفت E و جدول سوم کلید اصلی A و صفت D یعنی سه جدول زیر ...
[tex]R1(A,B,C)\: \: \: \: \: \: \: \: \: \: \: R2(A,D)\: \: \: \: \: \: \: \: \: \: \: \: \: \: R3(D,E)[/tex] یعنی گزینه دوم.