Interpolation, extrapolation, et leurs limites~1 min
1. Vérifier que l'ajustement est pertinent ($|r|$ proche de $1$, nuage allongé).
2. Interpolation : valeur de $x$ à l'intérieur de la plage observée $\to$ calculer $y=ax+b$. Fiable.
3. Extrapolation : valeur de $x$ hors de la plage $\to$ même calcul, mais la réponse doit être nuancée : rien ne garantit que la tendance se poursuive (saturation, seuil, valeurs absurdes comme une quantité négative).
4. Pour « quel $x$ donne $y=y_0$ ? » : résoudre $ax+b=y_0$, soit $x=\dfrac{y_0-b}{a}$.
Avec $y=6{,}1x+43{,}4$. Budget de $7$ k€ (interpolation) : $y=6{,}1\times7+43{,}4=86{,}1$ k€. Budget de $12$ k€ (extrapolation modérée) : $y\approx116{,}6$ k€, plausible. Budget de $100$ k€ : $y\approx653$ k€ — très douteux : l'effet de la publicité finit par saturer. Pour atteindre $y=150$ : $x=\dfrac{150-43{,}4}{6{,}1}\approx17{,}5$ k€, à prendre avec prudence.
from math import sqrt
def regression(x, y):
n = len(x)
xb = sum(x) / n
yb = sum(y) / n
cov = sum((x[i]-xb)*(y[i]-yb) for i in range(n)) / n
vx = sum((x[i]-xb)**2 for i in range(n)) / n
vy = sum((y[i]-yb)**2 for i in range(n)) / n
a = cov / vx
b = yb - a * xb
r = cov / sqrt(vx * vy)
return a, b, r
regression([2,4,6,8,10], [55,70,78,92,105]) renvoie, arrondi, (6.1, 43.4, 0.9968).
Pour un ajustement exponentiel, on transforme d'abord la liste : z = [log(v) for v in y] (avec from math import log) puis regression(x, z).
Tableur : =PENTE(y;x), =ORDONNEE.ORIGINE(y;x) et =COEFFICIENT.CORRELATION(x;y), où x et y désignent les plages de cellules.