Université de Saint-Jean Paul II de Yaoundé

Ecole polytechnique de Saint-Jean Paul II

Exposé : modélisation de mesure : régression de première et de seconde espèce.

Sommaire
I Généralité sur la modélisation des mesures
II régression de première et seconde espèce
III enjeu des régressions de 1ère et 2nd espèces dans la modélisation des mesures

Présenté par M. FOOKANE LADIBE Joseph du Génie Energies Renouvelables Licence III

I- Généralité sur la modélisation des mesures

Lors d’une mesure, il important de connaitre les paramètres (internes tels que la justesse, la résolution,
la fidélité etc, et externes comme l’environnement) qui influent sur notre mesure. Pour ce fait, nous devons être
à mesure de modéliser nos mesures. Modéliser une mesure est un processus de création d’un modèle
mathématique qui représente une relation entre la grandeur physique ou phénomène mesurable et les variables
qui influent sur elles afin de prédire, d’analyser et d’optimiser les résultats de la mesure. Pour mieux
appréhender la problématique, dans la suite des travaux, nous allons pencher sur cette situation : trois étudiants
de l’Ecole polytechnique de Saint-Jean Paul II ont décidé chacun de concevoir un système de mesure de la
résistance d’un matériau. Après conception, ils se sont rendus comptes que la température du milieu dans lequel
se trouve le système influe dans la mesure. Ainsi, afin de décrire la relation entre la résistance et la température,
ils effectuent des tests qui sont regroupés dans les tableaux qui suivent.
Tableau 01
Température (°C) 25,75 27 29,05 30,15 37,88 38,79 39,07 40,09 43,07 47,6 67,58 72,13
Résistivité (Ω.m) 1,05 1,23 1,46 2,06 2,35 2,49 2,77 2,93 3,45 3,85 4,46 5,07
Tableau 02
- - -
-58,67 -29,34 19,47 29,57 40,09 47,07 56,6 67,58 72,13
Température (°C) 73,54 69,58 46,86
Résistivité (Ω.m) 7,43 6,48 5,73 4,95 3,97 1,99 2,77 2,93 3,45 3,85 4,46 5,07
Tableau 03
Température (°C) 5,04 6,78 8,54 9,91 13,72 15,53 17,34 21,06 27,26 29,54 31,94 35,42
Résistivité (Ω.m) 4,8 5,97 6,84 7,42 5,94 5,33 4,26 4,94 5,64 6,01 7,23 7,99

II- Régression de première et seconde espèce

Qu’est-ce que c’est ?
Ce sont des concepts utilisés en analyse, en statistique et même en ingénierie afin de décrire les types des
relations qui existent entre une variable dépendante ou expliquée notée y (paramètre qui influe sur la mesure que
l’on voudrait estimer) et une ou plusieurs variables indépendantes ou explicatives notée x (variable mesurée). La
régression de première espèce est utilisée pour des modèles simples directe où y est corrélé à x, c’est un
ajustement linéaire. Ici, le but est de déterminer l’équation de l’ajustement linéaire 𝑦 = 𝑎𝑥 + 𝑏 + 𝜀 avec 𝜀 l’erreur
associée à la mesure. La régression de seconde espèce est utilisée pour des modèles plus complexe. Soit la
représentation en point de nuage graphique du tableau 1, 2 et 3.
 10

Résistivité (Ω.m)
6 8

Résistivité (Ω.m)
Résistivité (Ω.m)

4 6
4 5
2 2
0 0 0
0 10 20 30 40 50 60 70 80 -100 -50 0 50 100 0 10 20 30 40
Température (°C) Température (°C) Température (°C)

Dans chacun des cas, nous remarquons qu’il n’est pas possible d’appliquer la même technique de répression.

En fonction des différentes situations, nous serons appelés à faire appel à une technique de régression
propre à la situation. Dans notre cas, le graphe 01 requiert un ajustement linéaire du type 𝑦 = 𝑎𝑥 + 𝑏 + 𝜀, le
deuxième est un ajustement linéaire du type 𝑦 = 𝑎𝑥 2 + 𝑏𝑥 + 𝑐 + 𝜀, enfin le troisième un ajustement de
polynomiale de puissance 5. Nous pouvons également faire une régression trigonométrique de la forme :
𝑦 = 𝐴𝑠𝑖𝑛(𝐵𝑥 + 𝐶 ) + 𝐷 + 𝜀

y = 0,0007x2 - 0,0155x + 2,5607

y = 4E-06x5 - 0,0006x4 + 0,0265x3 - 0,5739x2 +
y = 0,0815x - 0,6209
R² = 0,9172 R² = 0,9753 5,4029x - 11,065
6 10 10 R² = 0,9274

Résistivité (Ω.m)
Résistivité (Ω.m)

Résistivité (Ω.m)

4
5 5
2
0 0 0
0,00 20,00 40,00 60,00 80,00 -100 -50 0 50 100 0 10 20 30 40
Température (°C) Température (°C) Température (°C)

Le choix du type de régression fait, il suffit de construire la courbe associée au point de nuage et de
déterminer les coefficients associés à l’équation de régression. L’erreur associé à une mesure 𝜀𝑖 = 𝑥 𝑖 − 𝑥̅. Ainsi,
l’erreur globale peut-être considérée comme la moyenne des erreurs. Seulement, il est recommandé de
1
considérer l’erreur quadratique moyenne donnée par 𝜀 = . ∑𝑛𝑖=1(𝑥 𝑖 − 𝑥̅) ². D’autres part, pour exprimer l’erreur
𝑛
dans la même unité que la mesure, on fait la racine de l’erreur quadratique donnée par :

1
𝜀 = √ . ∑𝑛𝑖=1(𝑥 𝑖 − 𝑥̅)²
𝑛
III- Enjeu des régressions de 1ère et 2nd espèces dans la modélisation des mesures
L’enjeu des régressions de premières et secondes espèces dans la modélisation de mesure est de choisir
la méthode d’ajustement la plus appropriée en fonction de la nature des erreurs dans les données :
Régression de première espèce : On modélise la variable dépendante (les mesures) en fonction de la
variable indépendante (les conditions contrôlées), en supposant que les erreurs se produisent uniquement sur
la variable dépendante. Cette méthode est utilisée lorsque l’on considère que les mesures de la variable
indépendante sont exactes et les erreurs affectent uniquement la variable dépendante
Régression de seconde espèce : Elle prend en compte que des erreurs peuvent aussi exister dans les deux
variables (indépendante et dépendante). Cette approche est utilisée lorsque les erreurs sur les deux variables
sont significatives et doivent être prises en compte pour un modèle plus réaliste.
En résumé, la régression de première espèce est utilisée quand les erreurs sont sur la variable dépendante, tandis
que la régression de seconde espèce est préférée lorsque les erreurs touchent les deux variables, garantissant
ainsi des estimations plus précises des relations entre elles.

Année académique 2024-2025.

Encadreur : M. NOUMGA