Nous vivons dans un monde où les causes et les effets guident notre compréhension des phénomènes qui nous entourent. Une relation de cause à effet peut être considérée comme un système dont les entrées sont une cause et les sorties un effet. À l'ère de la profusion des données, les nombreux exemples entrées/sorties permettent de caractériser de nombreux systèmes. Pour un système d'intérêt, l'objectif est d'anticiper son comportement. Pour cela, on établit un modèle qui est une version simplifiée du système. Le but est qu'il mime cette relation entrée/sortie. Cependant, certains systèmes peuvent avoir des comportements "incohérents", produisant des sorties différentes même avec des entrées identiques. Une tentative de modélisation de tels systèmes pourrait se faire via un modèle qui proposerait en sortie un intervalle, dans le but que cet intervalle recouvre l'ensemble des sorties possibles pour une même entrée. Cette thèse propose une nouvelle fonction d'agrégation, appelée "agrégation macsum", qui prend en entrée un vecteur de valeurs précises et produit en sortie un intervalle de valeurs qui représente un ensemble convexe de sorties d'agrégation linéaire. Une particularité de ce modèle est qu'il utilise une intégrale de Choquet discrète par rapport à une fonction d'ensemble non-monotone, ce qui est peu courant. Une autre particularité est qu'il permet de représenter un ensemble convexe de modèles linéaires avec seulement un paramètre. Il allie donc simplicité d'utilisation et représentativité de systèmes incohérents. Après avoir introduit ce nouveau modèle et ses propriétés, on l'utilise comme modèle d'apprentissage en montrant sa simplicité d'utilisation. On parvient également à établir une extension de ce modèle à des entrées intervallistes, élargissant ainsi la gamme de systèmes qu'il a le potentiel de représenter.