I.

Introduction
TP 2 : La régression linéaire :

Droite La régression linéaire est une méthode permettant de réaliser

des prédictions ou des estimations. À l’aide d’un algorithme
d’apprentissage supervisé, une relation linéaire est déterminée

de entre une variable dépendante et une ou plusieurs variables

explicatives. Elle peut être appliquée à divers domaines
d’études, commerciaux ou universitaires notamment.

régressi La régression linéaire est une technique statistique

de modélisation des relations entre différentes
variables (dépendantes et indépendantes). Utilisée pour
on décrire et analyser les valeurs ou données, la régression
linéaire a pour objectif de réaliser des prédictions ou des
prévisions.

De manière générale, la régression linéaire a recours à la méthode d’estimation par

les moindres carrés ordinaires (MCO) qui établissent une équation linéaire en réduisant la
somme des valeurs résiduelles mises au carré.

Exemple de régression linéaire

 Les principaux objectifs des régressions linéaires

 Identifier les variables explicatives qui sont associées à la variable dépendante

 Comprendre la relation entre les variables dépendantes et explicatives

 Faire des prévisions

Coefficient de régression de Pearson R :

Le coefficient de corrélation de Pearson ou coefficient de corrélation de Pearson ou r de
Pearson est défini en statistique comme la mesure de la force de la relation entre deux
variables et leur association l’une avec l’autre.
En d’autres termes, le coefficient de corrélation de Pearson calcule l’effet du changement
d’une variable lorsque l’autre variable change.
cette approche est basée sur la covariance et constitue donc la meilleure méthode pour
mesurer la relation entre deux variables.
Ce coefficient est compris entre 0 et 1, et croît avec l'adéquation de la régression au modèle.

n ∗ ∑ xi∗ yi− ∑ xi∗ ∑ yi

R=
√ √ ( n ∗∑ xi ) − ( ∑ xi ) ∗ ( n ∗∑ yi − ( ∑ yi ) )
2 2 2 2

Equitation de la régression linéaire :

La droite de régression de Y en fonction de X introduit l'hypothèse que les valeurs de Y
dépendent de celles de X, c'est-à-dire postulent que la connaissance des valeurs de X permet
de prévoir les valeurs de Y. Il s'agit donc d'un modèle de prévision et l'objectif est de
minimiser l'erreur de prévision c'est-à-dire la distance entre les valeurs Yi observées et les
valeurs Y*i estimés par la relation Y*=aX+b. Les résidus seront donc la distance à la
droite par rapport à l'axe Oy.

II. Objectifs :
traçage de la droite de régression de la courbe d’étalonnage : conductivité en fonction de la
concentration du KCL ou NaCL .

III. Mode opératoire :

Les matériel et produit :
 Materiel
Fiole jaugée de 100ml ∆ V =0 . 1ml

Balance de précision ∆ mb=0 . 001 g

Agitateur magnétique

Conductimètre

Pipette ∆ Va=0 . 1ml

Produits
KCL Eau distillé
Principe de manipulation :
- Laver 7 bêcher puis numéroter
- Verser la solution de KCl de concentration 5g/l dans le bêcher S0
- A partir de la solution mère préparer la solution fille de concentration : 0.1mol/l ;
0.2mol/l ; 0.3 mol/l ; 0.4mol/l ; 0.5mol/l ; 0.6 mol/l puis On ajoutant l’eau jusqu’à au
trait de jauge de fiole de 100ml.

Calculer le volume prendre de chaque solution :

Pour calculer le volume V’i on applique la formule suivante :

C0 ×V 0
C 0 × V 0=C I ×V ' I V ' I=
CI

Avec : C0 : la concentration de solution mère C0=5g/l

V0 : le volume de solution mère V0=100ml

Ci : la concentration de chaque solution fille

V’i : le volume prélever

 - A l’aide du conductimètre mesurez la conductivité KCl de chaque solution .

La conductimétrie est une méthode d'analyse quantitative. Elle est liée à la capacité d'une
solution à conduire le courant électrique. Cela signifie que tu peux déterminer la
concentration d'un acide, d'une base ou d'un sel de manière très précise.

Solution Concentration Volume prélevé Volume d’eau

 V’i ajouter V0

S0 5g/l ------- -------

S1 2g/l 40 60

S2 1g/l 50 50

S3 0.5g/l 50 50

S4 0.2g/l 40 60

S5 0.1g/l 50 50

S6 0.005g/l 50 50

S7 0.02g/l 40 60

Mesurer la conductivité KCl de chaque solution pour

déterminer le volume moyenne de conductivité pour tracer la
courbe de la conductivité en fonction de la concentration :

Solution S0 S1 S2 S3 S4 S5 S6 S7

Concentration 5 2 1 0.5 0.2 0.1 0.05 0.02

(g/l)
1(S/cm) 6820 2600 1709 877 375 199 114 59

’1(S/cm) 7820 2620 1722 890 380 200 114 60

moy(S/cm) 6845 2610 1715.5 883.5 377.5 199.5 114 59.5

On tracer la courbe de la conductivité en fonction de la concentration :

Dans cette figure : une droite affine croissante : la régression linéaire simple de forme :

F(X) = a ×X + b=Y où a et b sont des constantes.

 a : c’est le coefficient directeur de la fonction affine f ou coefficient de régression

 b : c’est l’ordonnée à l'origine de la fonction affine f. ou la constante de régression
  Y : une grandeur mesurée pour un certain nombre valeur d’une autre grandeur X

8000

7000
f(x) = 1343.9131449077 x + 110.498800583586
6000 R² = 0.996596447149908
Conductivité (µS/cm)

5000

4000

3000

2000

1000

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Concentration (g/L)

Calculer l’équation de la droite de régression :

Solution Xi Yi Xi × Yi Xi2 Yi2
S0 5 6.845 34.325 25 46.854
S1 2 2.61 5.22 4 6.8121
S2 1 1.716 1.715 1 2.9446
S3 0.5 0.884 0.442 0.25 0.781456
S4 0.2 0.338 0.0756 0.04 0.14288
S5 0.1 0.199 0.0199 0.01 0.0396
S6 0.05 0.114 0.0057 0.0025 0.01299
S7 0.02 0.0595 0.00119 0.0004 0.00354
Σ 8.87 12.805 41.704 A 30.3029 C 57.5911 E
Moyen 1.10876 G 1.600H
Σ Xi × Σ Yi 113.53 B
Σ2 78.6769 D 163.980 A
Avec : Xi : la concentration de chaque solution

Yi : la conductivité de chaque solution

 Pour calculer le coefficient de la régression de Pearson R on applique la formule suivante

n × Σ X I ×Y I − Σ X I × Σ Y I
R=
√(n× Σ¿ X 2
I
2 2 2
−(Σ X I ))×(n × Σ Y I −(Y I ))¿

8× A − B
R= =0 . 99849
√(8× C − D)×(8 × E − F)

8− B
a= =1.34416
8∗ C − D

b=Y −a X =H-a*G=0.109649

IV. Conclusion :