# Comment réaliser une interpolation linéaire sur Excel facilement
L’interpolation linéaire constitue une technique mathématique indispensable pour tout professionnel manipulant des données dans Excel. Cette méthode permet d’estimer des valeurs manquantes entre deux points connus en établissant une relation linéaire. Que vous travailliez dans la finance, les sciences, l’ingénierie ou l’analyse de données, vous avez certainement déjà rencontré des séries de données incomplètes nécessitant une estimation précise des valeurs intermédiaires. L’interpolation linéaire répond à ce besoin en fournissant des estimations statistiquement fondées, transformant ainsi vos données fragmentaires en informations exploitables pour la prise de décision.
Dans un contexte professionnel où les analyses prédictives occupent une place centrale, maîtriser l’interpolation linéaire sous Excel devient un atout majeur. Cette compétence vous permet de combler les lacunes dans vos jeux de données, de créer des modèles prédictifs robustes et d’optimiser vos processus d’analyse. Excel offre plusieurs approches pour réaliser ces calculs, des fonctions natives aux solutions automatisées via VBA, chacune adaptée à des contextes spécifiques.
Comprendre le principe mathématique de l’interpolation linéaire
L’interpolation linéaire repose sur un principe mathématique fondamental : deux points distincts définissent toujours une droite unique. Cette propriété géométrique permet d’estimer la valeur de n’importe quel point situé entre ces deux références. Le principe consiste à supposer que la relation entre les variables suit une tendance linéaire, ce qui constitue une approximation raisonnable pour de nombreux phénomènes naturels et économiques sur des intervalles restreints.
Cette méthode statistique trouve ses origines dans les travaux des mathématiciens du XVIIIe siècle et reste aujourd’hui l’une des techniques d’estimation les plus utilisées. Sa popularité s’explique par sa simplicité conceptuelle, sa facilité d’implémentation et sa fiabilité dans des contextes appropriés. Contrairement aux méthodes d’interpolation polynomiale ou spline qui nécessitent des calculs complexes, l’interpolation linéaire offre un excellent compromis entre précision et simplicité.
La formule algébrique y = y₁ + (x – x₁) × (y₂ – y₁) / (x₂ – x₁)
La formule mathématique de l’interpolation linéaire s’exprime par l’équation y = y₁ + (x - x₁) × (y₂ - y₁) / (x₂ - x₁). Dans cette expression, (x₁, y₁) et (x₂, y₂) représentent les deux points de référence encadrant la valeur à estimer, tandis que x désigne la coordonnée pour laquelle vous souhaitez calculer y. Cette formule calcule essentiellement la position proportionnelle de x entre x₁ et x₂, puis applique cette même proportion pour déterminer y.
Prenons un exemple concret : si vous disposez des points (2, 5) et (6, 13) et souhaitez interpoler la valeur pour x = 4, le calcul devient : y = 5 + (4 – 2) × (13 – 5) / (6 – 2) = 5 + 2 × 8 / 4 = 9. Cette approche garantit que la valeur interpolée se situe exactement sur la droite reliant les deux points de référence, assurant ainsi la cohérence mathématique de l’estimation.
La compréhension de cette formule vous permet de créer des solutions personnalisées dans Excel, même lorsque les fonctions natives ne répond
ait pas exactement à votre besoin. En comprenant ce mécanisme, vous pouvez, par exemple, reproduire la formule algébrique d’interpolation linéaire directement dans une cellule, ou construire vos propres fonctions d’interpolation adaptées à des cas spécifiques (valeurs manquantes irrégulières, contraintes métier, etc.).
Différence entre interpolation et extrapolation de données
Dans Excel comme en statistique, il est essentiel de distinguer l’interpolation de l’extrapolation. L’interpolation linéaire consiste à estimer une valeur située entre deux points connus, au sein de l’intervalle couvert par vos données. À l’inverse, l’extrapolation vise à prédire une valeur au‑delà de la plage observée, en prolongeant la droite de tendance en dehors des bornes existantes.
Pourquoi cette différence est‑elle si importante ? Parce que l’interpolation repose sur l’hypothèse que la relation entre deux points voisins reste à peu près linéaire sur un petit intervalle. Cette hypothèse est souvent raisonnable pour des évolutions progressives (croissance de ventes d’une année sur l’autre, température entre deux heures, etc.). En extrapolation, vous supposez que cette même tendance restera valable à long terme ou loin des données disponibles, ce qui augmente fortement le risque d’erreur.
Dans Excel, les fonctions comme PREVISION.LINEAIRE ou TENDANCE n’empêchent pas l’extrapolation : si vous fournissez un x en dehors de la plage de x_connus, le calcul sera effectué. C’est donc à vous, analyste, de contrôler si la valeur demandée se situe bien dans l’intervalle de vos données (interpolation) ou non (extrapolation). En pratique, pour une analyse fiable, il est recommandé de limiter l’utilisation de l’interpolation linéaire aux plages où vous disposez de points de contrôle suffisants.
Applications concrètes dans l’analyse financière et scientifique
Dans l’analyse financière, l’interpolation linéaire sur Excel est utilisée au quotidien pour combler des trous dans des séries temporelles. Vous pouvez, par exemple, interpoler des données trimestrielles à partir de valeurs annuelles, estimer un taux de rendement pour une maturité intermédiaire, ou reconstituer une courbe de taux complète à partir de quelques points de référence. Cette capacité à générer une série de données continue est essentielle pour calculer des indicateurs comme la valeur actuelle nette, la duration obligataire ou les moyennes mobiles sur des périodes personnalisées.
En sciences et en ingénierie, l’interpolation linéaire permet d’estimer une mesure expérimentale non directement observée. Vous pouvez, par exemple, interpoler une température à une heure précise entre deux relevés, estimer la résistance d’un matériau pour une contrainte intermédiaire, ou reconstituer un profil de concentration chimique entre deux points d’échantillonnage. Dans ces contextes, Excel sert souvent d’outil de pré‑analyse rapide, avant une modélisation plus avancée dans un logiciel spécialisé.
Dans la pratique, cette technique est également très utile en contrôle de gestion et en marketing. Vous pouvez interpoler un chiffre d’affaires mensuel à partir de données trimestrielles, rapprocher des indicateurs issus de bases différentes (par exemple, des données clients mensuelles et des données de marché trimestrielles), ou remplir des périodes manquantes dans un tableau de bord. L’interpolation linéaire sous Excel devient alors un outil discret mais central pour fiabiliser vos reportings et vos visualisations.
Limites de la méthode linéaire face aux courbes polynomiales
Malgré sa simplicité, l’interpolation linéaire n’est pas toujours la solution idéale. Dès que le phénomène étudié présente une courbure marquée (croissance exponentielle, saisonnalité forte, cycles économiques, phénomènes physiques non linéaires), une droite devient une approximation parfois trop grossière. C’est un peu comme vouloir approcher un virage serré avec une règle droite : sur une très petite portion, cela fonctionne, mais plus l’intervalle s’élargit, plus l’écart se creuse.
Dans ces cas, des méthodes plus avancées comme l’interpolation polynomiale, les splines ou la régression non linéaire peuvent mieux convenir. Excel permet d’ailleurs d’ajouter des courbes de tendance polynomiales sur un graphique, ce qui donne une première idée de la forme réelle de la relation entre vos variables. Cependant, ces approches sont plus sensibles au sur‑ajustement : un polynôme de degré élevé peut passer par tous vos points, mais produire des oscillations irréalistes entre les observations.
La bonne pratique consiste à réserver l’interpolation linéaire à des intervalles courts, où la relation semble à peu près rectiligne, et à toujours visualiser vos données sur un nuage de points. Si le nuage ressemble à une courbe plutôt qu’à une droite, interrogez‑vous : une interpolation linéaire sous Excel apporte‑t‑elle une précision suffisante, ou faut‑il envisager un modèle plus riche ? Dans un contexte décisionnel, cette réflexion évite de baser des choix stratégiques sur des estimations trop simplificatrices.
Préparer vos données excel pour l’interpolation linéaire
Avant même de saisir une formule d’interpolation linéaire dans Excel, la qualité de votre préparation de données fait toute la différence. Un tableau mal structuré, des valeurs en double ou des années manquantes non identifiées peuvent fausser vos résultats sans que vous vous en rendiez compte. En d’autres termes, une bonne interpolation commence toujours par un bon nettoyage de données.
Nous allons donc voir comment organiser vos colonnes X et Y, trier correctement vos valeurs et repérer les cellules à interpoler. Ce travail préparatoire peut paraître fastidieux, mais il vous fera gagner un temps précieux lorsque vous générerez ensuite vos formules avec PREVISION.LINEAIRE, TENDANCE ou vos propres équations manuelles.
Structure optimale des tableaux avec colonnes X et Y
Pour réaliser une interpolation linéaire sur Excel de manière fiable, commencez par structurer vos données dans un tableau clair. La pratique la plus courante consiste à placer vos valeurs indépendantes (temps, années, températures, indices, etc.) dans une colonne X, et les valeurs dépendantes (ventes, mesures physiques, indicateurs financiers…) dans une colonne Y. Cette séparation explicite facilite l’utilisation des fonctions statistiques et la lecture des formules.
Par exemple, vous pouvez créer un tableau avec en colonne A les années (1970, 1975, 1980, etc.) et en colonne B les valeurs observées (6,31 ; 6,5 ; etc.). Les années intermédiaires à interpoler (1971, 1972, 1973, 1974…) peuvent être listées dans une autre colonne, ou insérées dans la même colonne X avec des cellules Y vides. L’essentiel est de conserver une correspondance univoque entre chaque X et un seul Y.
Pour les jeux de données plus avancés, il est recommandé d’utiliser les Tableaux structurés d’Excel (via l’onglet Insertion > Tableau). Ceux‑ci vous permettent de référencer vos plages avec des noms explicites (par exemple TableDonnees[Année] et TableDonnees[Valeur]), ce qui rend vos formules d’interpolation beaucoup plus lisibles et plus faciles à maintenir au fil du temps.
Tri croissant des valeurs et élimination des doublons
Une condition souvent négligée pour une interpolation linéaire correcte est le tri croissant des valeurs de X. En effet, la logique même de l’interpolation repose sur l’idée de “valeur encadrée” : pour tout x cible, vous devez pouvoir identifier le point immédiatement inférieur (x₁) et le point immédiatement supérieur (x₂). Sans tri, cette recherche devient hasardeuse et augmente le risque d’erreur de calcul.
Dans Excel, sélectionnez votre colonne X et appliquez un tri croissant via l’onglet Données. Vérifiez ensuite que les lignes restent cohérentes : chaque valeur X doit conserver sa valeur Y associée. Profitez‑en pour rechercher des doublons dans vos X (par exemple deux lignes avec la même année mais des valeurs Y différentes). Dans un tel cas, l’interpolation linéaire perd son sens, puisqu’un même X ne devrait pas être associé à plusieurs Y contradictoires.
Pour gérer ces doublons, plusieurs stratégies sont possibles : conserver la valeur la plus récente, calculer une moyenne, ou exclure les points suspects en les documentant. L’outil Suppression des doublons d’Excel peut vous aider, mais utilisez‑le avec prudence en identifiant d’abord les lignes problématiques. Une base propre, triée et sans doublons garantit une interpolation linéaire plus robuste et plus simple à auditer.
Identification des valeurs manquantes à interpoler
Une fois votre tableau structuré, il s’agit d’identifier clairement quelles valeurs seront interpolées. Souvent, vous disposez d’observations tous les 5 ans, tous les 10 ans ou à des dates irrégulières, et vous souhaitez reconstruire une série annuelle ou mensuelle continue. Vous pouvez alors créer une colonne X complète (par exemple toutes les années entre 1970 et 2010), et laisser les cellules Y vides pour les années sans données.
Pour faciliter le repérage de ces valeurs manquantes, vous pouvez utiliser la mise en forme conditionnelle d’Excel afin de surligner les cellules vides dans votre colonne Y. Cela vous permet de vérifier visuellement si les trous correspondent bien à des années situées entre deux points connus, condition indispensable pour une interpolation linéaire fiable. Si une valeur manquante se trouve en dehors de la plage (avant le premier point ou après le dernier), il s’agit d’extrapolation, et non plus d’interpolation.
Dans certains cas, il peut être utile de créer une colonne d’indicateurs (par exemple “Donnée réelle” / “Valeur interpolée”). Cette bonne pratique documentaire vous permet, quelques mois plus tard, de savoir quelles valeurs proviennent d’une mesure réelle et lesquelles sont issues d’un calcul d’interpolation dans Excel. Cette distinction est cruciale lorsqu’il s’agit de présenter vos résultats à un auditeur, à un client ou à une direction financière.
Méthode manuelle avec la fonction PREVISION.LINEAIRE d’excel
Une fois vos données préparées, la méthode la plus directe pour réaliser une interpolation linéaire sous Excel consiste à utiliser la fonction PREVISION.LINEAIRE (ou FORECAST.LINEAR dans les versions anglophones). Cette fonction applique automatiquement une régression linéaire pour estimer une valeur Y à partir d’un X donné, en s’appuyant sur une plage de données existantes. Utilisée correctement, elle permet de combler rapidement des séries manquantes tout en bénéficiant de la puissance des calculs de moindres carrés.
Vous pouvez l’appliquer aussi bien pour des interpolations ponctuelles (une année spécifique) que pour toute une colonne de dates ou d’indices. Nous allons voir comment construire la syntaxe de base, sécuriser vos références avec le symbole $, gérer des plages dynamiques et, si besoin, reconstituer manuellement l’interpolation avec les fonctions PENTE et ORDONNEE.ORIGINE. De cette façon, vous gardez un contrôle total sur vos formules et comprenez chaque étape du calcul.
Syntaxe complète de PREVISION.LINEAIRE et arguments requis
La syntaxe de base de PREVISION.LINEAIRE est la suivante : =PREVISION.LINEAIRE(x; y_connus; x_connus). L’argument x correspond à la valeur pour laquelle vous souhaitez calculer une prévision (par exemple l’année 1972). L’argument y_connus désigne la plage des valeurs dépendantes déjà observées (par exemple vos données tous les 5 ans), et x_connus la plage des valeurs indépendantes correspondantes (les années associées à ces observations).
Imaginons que vos années soient en A2:A10 et vos valeurs en B2:B10, et que vous souhaitiez estimer la valeur pour l’année en D2. Vous pourriez alors écrire : =PREVISION.LINEAIRE(D2; $B$2:$B$10; $A$2:$A$10). Excel effectuera automatiquement le calcul d’interpolation (ou d’extrapolation si D2 est en dehors de la plage) en utilisant une droite de régression ajustée sur l’ensemble des points connus.
Pour une interpolation strictement locale entre deux points voisins, vous pouvez restreindre les plages y_connus et x_connus aux deux valeurs qui encadrent votre x. Cette approche s’apparente alors à l’application directe de la formule algébrique vue plus haut. Le choix entre ces deux méthodes (régression globale ou paire de points locale) dépend de vos besoins métier : souhaitez‑vous une tendance générale lissée, ou une interpolation segment par segment ?
Utilisation des références absolues avec le symbole $
Lorsque vous appliquez l’interpolation linéaire à toute une série de cellules, l’utilisation de références absolues avec le symbole $ devient indispensable. Sans ces ancrages, Excel décalera les plages x_connus et y_connus à chaque recopie de formule, ce qui faussera vos prévisions. Les références absolues garantissent que la zone de données de base reste la même pour chaque interpolation.
Reprenons l’exemple précédent : =PREVISION.LINEAIRE(D2; $B$2:$B$10; $A$2:$A$10). Ici, $B$2:$B$10 et $A$2:$A$10 sont des références absolues : les lignes et les colonnes sont figées. En recopiant cette formule vers le bas pour interpoler les années en D3, D4, etc., seules les références à D2 deviendront D3, D4…, tandis que les plages de données resteront identiques.
Pour aller plus loin, vous pouvez combiner références absolues et relatives afin de créer des modèles flexibles. Par exemple, fixer uniquement les lignes (B$2:B$10) ou uniquement les colonnes ($B2:$B10) selon l’orientation de vos tableaux. Apprendre à jouer avec ces symboles $ est un prérequis pour toute automatisation fiable de l’interpolation linéaire dans Excel.
Gestion des plages de données dynamiques avec DECALER
Dans certains projets, vos plages de données ne sont pas figées : vous ajoutez régulièrement de nouvelles observations en bas du tableau, ou vous souhaitez limiter volontairement l’interpolation à un sous‑ensemble glissant de points récents. Dans ce cas, les formules classiques avec des plages fixes deviennent rapidement obsolètes. Comment gérer cette évolution dynamique sans réécrire vos formules à chaque mise à jour ?
La fonction DECALER (OFFSET en anglais) permet de construire des plages dynamiques en fonction d’un point de départ, d’un décalage et d’une hauteur. Par exemple, vous pouvez définir une plage de 5 points se terminant toujours sur la dernière ligne remplie de votre colonne de données. Combinée avec NB ou NBVAL, cette approche permet de créer des plages qui s’ajustent automatiquement à la taille de votre base.
Une formule type pourrait ressembler à ceci : =PREVISION.LINEAIRE(D2; DECALER(B2; NBVAL(B2:B100)-5; 0; 5; 1); DECALER(A2; NBVAL(A2:A100)-5; 0; 5; 1)). Ici, nous définissons une plage de 5 points se terminant sur la dernière valeur non vide, et nous réalisons l’interpolation uniquement sur cette zone récente. Cette technique est plus avancée, mais elle devient très puissante lorsque vous travaillez sur des séries temporelles en croissance constante.
Calcul manuel avec les fonctions PENTE et ORDONNEE.ORIGINE
Si vous souhaitez comprendre ou contrôler encore davantage votre interpolation linéaire sous Excel, vous pouvez reconstituer manuellement l’équation de la droite de régression. Les fonctions PENTE et ORDONNEE.ORIGINE calculent respectivement le coefficient directeur m et l’ordonnée à l’origine b de la relation y = m × x + b à partir de vos données connues.
Par exemple, vous pouvez saisir en cellule F2 la formule =PENTE($B$2:$B$10; $A$2:$A$10) pour calculer la pente, puis en F3 la formule =ORDONNEE.ORIGINE($B$2:$B$10; $A$2:$A$10) pour obtenir l’interception. Une fois ces deux paramètres calculés, l’interpolation pour n’importe quel X (par exemple en D2) devient simplement : =F2*D2 + F3. Vous construisez ainsi explicitement votre propre fonction de prévision linéaire.
Cette approche présente plusieurs avantages. D’une part, elle rend le modèle plus transparent : vous voyez clairement la pente et l’ordonnée à l’origine, ce qui facilite l’interprétation économique ou scientifique de vos résultats. D’autre part, vous pouvez réutiliser ces paramètres dans d’autres calculs, ou tester rapidement l’impact d’une modification de la pente sur vos prévisions. En somme, vous transformez Excel en véritable laboratoire de modélisation linéaire.
Créer une fonction VBA personnalisée pour automatiser l’interpolation
Lorsque les besoins deviennent plus complexes – interpolation locale entre points voisins, gestion automatique de grandes séries, interpolation conditionnelle – les formules Excel atteignent vite leurs limites en termes de lisibilité. C’est là qu’une fonction VBA personnalisée peut apporter une solution élégante. En quelques lignes de code, vous encapsulez toute la logique d’interpolation linéaire dans une fonction unique, que vous pourrez ensuite appeler comme n’importe quelle fonction native d’Excel.
L’idée est simple : vous fournissez à la fonction votre valeur x cible et les plages x_connus et y_connus. La fonction recherche alors automatiquement les deux points qui encadrent x, applique la formule y = y₁ + (x - x₁) × (y₂ - y₁) / (x₂ - x₁), et retourne le résultat. Vous pouvez même prévoir des messages d’erreur explicites si la valeur à interpoler se trouve en dehors de l’intervalle, évitant ainsi des extrapolations involontaires.
Astuce : pour les utilisateurs avancés, une fonction VBA d’interpolation linéaire peut être combinée à d’autres procédures (import de données, génération de graphiques, mise à jour automatique de tableaux de bord) pour automatiser tout un flux d’analyse sans intervention manuelle.
Concrètement, vous pouvez définir dans un module VBA une fonction de type Function InterpLineaire(x As Double, PlageX As Range, PlageY As Range) As Double. À l’intérieur, une boucle parcourt PlageX pour trouver les indices i et i+1 tels que xᵢ ≤ x ≤ xᵢ₊₁, puis applique la formule d’interpolation. Une fois la fonction enregistrée, Excel vous permettra de l’utiliser directement dans vos cellules via =InterpLineaire(D2; A2:A10; B2:B10), avec la même facilité qu’une fonction standard.
Interpolation bidimensionnelle avec les tableaux croisés dynamiques
Dans certains cas, vos données ne dépendent pas d’une seule variable X, mais de deux dimensions : par exemple une valeur qui varie en fonction de la température et de la pression, ou un tarif qui dépend à la fois de l’âge et de l’ancienneté. On parle alors d’interpolation bidimensionnelle, qui repose sur un maillage de points connus organisés en grille. Excel n’offre pas de fonction native dédiée à cette tâche, mais il est possible d’approcher le problème avec une structure bien pensée de tableau et, dans certains cas, avec des tableaux croisés dynamiques.
Une première approche consiste à organiser vos données sous forme de matrice, avec une variable en ligne et l’autre en colonne, puis à effectuer successivement deux interpolations linéaires unidimensionnelles (bilinéaires). Vous pouvez par exemple interpoler d’abord selon les lignes pour une valeur de colonne donnée, puis interpoler le résultat selon les colonnes. Cette technique demande une certaine rigueur dans la construction des formules, mais elle s’adapte bien à des tables de petite ou moyenne taille.
Les tableaux croisés dynamiques, quant à eux, peuvent servir à structurer et agréger vos données bidimensionnelles avant interpolation. Ils vous permettent d’identifier rapidement les combinaisons de paramètres pour lesquelles vous disposez de mesures réelles, ainsi que les “trous” de la matrice. Une fois ces trous repérés, vous pouvez appliquer vos formules d’interpolation linéaire sur les cellules concernées, en vous appuyant sur les valeurs voisines dans les deux directions.
Dans un contexte professionnel, cette interpolation bidimensionnelle est particulièrement utile pour les grilles tarifaires, les abaques techniques ou les cartes de performance. Bien que plus complexe qu’une interpolation simple, elle reste réalisable dans Excel avec une méthode claire et une bonne visualisation des données. Là encore, une combinaison de formules et, pour les cas les plus avancés, de macros VBA peut considérablement simplifier votre travail au quotidien.
Validation et vérification graphique des résultats interpolés
Quelle que soit la sophistication de vos formules, une étape reste incontournable : la validation de vos résultats d’interpolation linéaire. Comment savoir si vos valeurs interpolées “tiennent la route” d’un point de vue statistique et métier ? Une des méthodes les plus efficaces consiste à recourir systématiquement à la visualisation graphique dans Excel.
Commencez par tracer un nuage de points représentant vos données réelles (en utilisant par exemple un graphique de type “XY nuage de points”). Ajoutez ensuite vos valeurs interpolées sur le même graphique, dans une couleur ou avec des marqueurs différents. Vous verrez immédiatement si les points interpolés s’alignent de façon cohérente entre les observations connues, ou s’ils présentent des ruptures de tendance suspectes. Cette vérification visuelle, simple et rapide, permet d’identifier des erreurs de formule ou de structure de données.
Pour aller plus loin, vous pouvez ajouter une courbe de tendance linéaire sur vos données réelles et afficher l’équation ainsi que le coefficient de détermination R². Une valeur de R² proche de 1 indique que le modèle linéaire explique bien la variance observée, ce qui renforce la légitimité de votre interpolation. À l’inverse, un R² faible doit vous alerter : peut‑être que les données suivent une relation non linéaire, ou qu’elles sont trop bruitées pour qu’une interpolation linéaire dans Excel soit pertinente sans précautions supplémentaires.
Enfin, n’hésitez pas à comparer ponctuellement vos valeurs interpolées à des données externes ou à des estimations issues d’un autre outil lorsque cela est possible. Cette validation croisée, même sur un échantillon limité, vous donne une confiance supplémentaire dans la robustesse de votre approche. En combinant rigueur mathématique et bon sens métier, vous transformez l’interpolation linéaire sous Excel en un véritable levier d’aide à la décision, plutôt qu’en simple exercice de calcul automatique.