Croissance Exponentielle : Quand les Choses s'Accélèrent

La croissance exponentielle est l’un des modèles les plus puissants — et les plus dangereux — en mathématiques. Contrairement à la croissance régulière et additive où les choses augmentent d’un montant fixe à chaque étape, la croissance exponentielle signifie que les choses augmentent d’un pourcentage fixe à chaque étape. Le résultat est une courbe qui commence trompeusement lentement puis décolle vers le haut à une vitesse à couper le souffle. Si vous avez déjà regardé un compte d’épargne croître grâce aux intérêts composés, vu une vidéo virale accumuler des vues, ou suivi la propagation précoce d’une pandémie, vous avez été témoin d’une croissance exponentielle en action.

Cet article plonge en profondeur dans l’extrapolation exponentielle : ce que c’est, comment fonctionnent les maths, quand l’utiliser et — de manière critique — quand être sceptique. Si vous êtes nouveau sur le concept, notre guide pour débutants sur qu’est-ce que l’extrapolation couvre les fondamentaux. Nous parcourrons le modèle sous-jacent, verrons comment les calculatrices ajustent ces courbes aux données, explorerons un exemple entièrement développé et discuterons des applications du monde réel en biologie, finance, épidémiologie et technologie. À la fin, vous saurez comment utiliser l’extrapolation exponentielle de manière responsable et comment reconnaître les signes d’avertissement lorsqu’elle vous égare.

Qu’est-ce que la Croissance Exponentielle ?

À la base, la croissance exponentielle décrit un processus où le taux de changement est proportionnel à la valeur actuelle. Plus vous en avez, plus vite vous en obtenez. Cela crée une boucle de rétroaction auto-renforçante. Une population de 100 lapins produit plus de progéniture par saison qu’une population de 10. Un compte bancaire avec 10 000 $ gagne plus d’intérêts par an qu’un compte avec 1 000 $. Un virus se propageant dans une ville d’un million de personnes infecte plus de personnes par jour qu’un virus se propageant dans une ville de 10 000 personnes.

La caractéristique déterminante est que le rapport entre les valeurs successives reste constant. Si une quantité double chaque période — que cette période soit un an, un mois ou une génération — elle croît de manière exponentielle. Le temps de doublement reste fixe même si l’augmentation absolue devient de plus en plus grande.

Le Modèle Mathématique

Le modèle exponentiel standard s’exprime comme suit :

y = a · e^(bx)

Ou de manière équivalente, en utilisant une base différente :

y = a · b^x

Où :

• a est la valeur initiale (l’ordonnée à l’origine, ou la valeur de y quand x = 0)
• b est le paramètre de taux de croissance (quand b > 0, la fonction croît ; quand b < 0, elle décroît)
• e est le nombre d’Euler (environ 2,71828)

Le paramètre b contrôle la pente de la courbe. Un b positif plus grand signifie une croissance plus rapide. Un b négatif donne une décroissance exponentielle, qui modélise des processus comme la désintégration radioactive ou le refroidissement d’un objet chaud. La forme y = a · e^(bx) est préférée dans les contextes scientifiques car le paramètre b représente directement le taux de croissance continu, ce qui facilite la comparaison entre ensembles de données.

Une variante importante utilise la composition discrète : y = a · (1 + r)^x, où r est le taux de croissance par période exprimé en décimal (par exemple, r = 0,05 pour une croissance de 5 % par période). Cette forme est plus naturelle en finance, où les intérêts sont composés à intervalles discrets. Les deux formes sont mathématiquement équivalentes lorsque vous définissez e^b = 1 + r, ou de manière équivalente b = ln(1 + r).

Comment la Calculatrice Transforme le Problème

Ajuster une courbe exponentielle directement aux données est un problème non linéaire, qui nécessite généralement des méthodes numériques itératives. Cependant, il existe un raccourci élégant : une transformation logarithmique convertit le modèle exponentiel en un modèle linéaire.

En partant de l’équation exponentielle :

y = a · e^(bx)

Prenez le logarithme naturel des deux côtés :

ln(y) = ln(a · e^(bx)) ln(y) = ln(a) + bx

C’est l’équation d’une ligne droite, où ln(y) est la variable dépendante, x est la variable indépendante, ln(a) est l’ordonnée à l’origine, et b est la pente. En ajustant une ligne des moindres carrés ordinaires aux données transformées (x, ln(y)), la calculatrice peut extraire b directement comme la pente et a comme e^(ordonnée à l’origine).

Cette approche est exactement ce que notre calculatrice d’extrapolation utilise en interne lorsque vous sélectionnez la méthode exponentielle. Elle est rapide, déterministe et évite les problèmes de convergence qui affectent les solveurs non linéaires itératifs.

Il y a quelques mises en garde. La transformation logarithmique signifie que l’ajustement des moindres carrés minimise les erreurs dans ln(y) plutôt que dans y, ce qui pondère effectivement plus les petites valeurs de y. Si vos données couvrent plusieurs ordres de grandeur, cela peut produire un ajustement qui semble médiocre sur l’échelle originale. De plus, toutes les valeurs de y doivent être positives, car le logarithme de zéro ou d’un nombre négatif n’est pas défini. Si votre ensemble de données contient des valeurs nulles ou négatives, l’extrapolation exponentielle n’est pas appropriée.

Exemple Pratique : Croissance Démographique

Parcourons un exemple concret. Supposons qu’une petite ville suive sa population pendant cinq ans :

Année (x)	Population (y)
0	1 200
1	1 380
2	1 590
3	1 830
4	2 110

La population semble croître d’environ 15 % par an, ce qui suggère une croissance exponentielle. Voici comment la calculatrice traite ces données :

Étape 1 : Transformer les valeurs de y

En prenant le logarithme naturel de chaque valeur de population :

Année (x)	ln(Population)
0	7,090
1	7,230
2	7,372
3	7,511
4	7,654

Étape 2 : Ajuster un modèle linéaire

L’exécution des moindres carrés ordinaires sur (x, ln(y)) donne approximativement :

ln(y) = 7,090 + 0,389x

Étape 3 : Re-transformer

L’ordonnée à l’origine 7,090 correspond à a = e^7,090 ≈ 1 200, et la pente b = 0,389 est le taux de croissance continu. Le modèle exponentiel est :

y = 1 200 · e^(0,389x)

Cela implique un taux de croissance annuel d’environ e^0,389 - 1 ≈ 47,5 % en termes discrets, ou de manière équivalente un temps de doublement d’environ ln(2) / 0,389 ≈ 1,78 an.

Étape 4 : Extrapoler

Pour prédire la population en année 8 :

y = 1 200 · e^(0,389 × 8) ≈ 1 200 · e^3,112 ≈ 1 200 · 22,46 ≈ 26 950

Cette prédiction est-elle raisonnable ? La ville comptait 2 110 habitants en année 4 et devrait en avoir près de 27 000 d’ici l’année 8. C’est une multiplication par treize en seulement quatre années supplémentaires. Selon l’infrastructure de la ville, les terrains disponibles et les conditions économiques, cela pourrait être plausible — ou cela pourrait être extrêmement optimiste. C’est là que le jugement et la connaissance du domaine deviennent essentiels, et là où nous reviendrons plus tard en discutant des dangers des projections exponentielles non contrôlées.

Applications du Monde Réel

Biologie des Populations

En écologie, les modèles de croissance exponentielle sont fondamentaux. Lorsqu’une espèce est introduite dans un nouvel habitat avec des ressources abondantes et aucun prédateur naturel, sa population peut croître de façon exponentielle pendant un certain temps. L’exemple classique est la croissance bactérienne dans une boîte de Petri : chaque bactérie se divise, produisant deux, puis quatre, puis huit, et ainsi de suite. Dans les premières phases, avant que les nutriments ne s’épuisent ou que les déchets ne s’accumulent, la courbe de croissance est presque parfaitement exponentielle.

Cependant, aucune population ne croît exponentiellement pour toujours. Finalement, des facteurs limitants entrent en jeu — pénurie de nourriture, maladies, prédation, contraintes d’espace — et la croissance ralentit. Cela conduit à la courbe logistique (en forme de S), qui commence de manière exponentielle puis s’aplatit à une capacité de charge. Les modèles exponentiels ne sont valables que pour la phase précoce et non contrainte.

Finance : Intérêts Composés

Les intérêts composés sont peut-être l’exemple le plus enseigné de croissance exponentielle. Si vous investissez P dollars à un taux d’intérêt annuel r, composé annuellement, le solde après n ans est :

A = P · (1 + r)^n

À 7 % de rendement annuel — approximativement la moyenne à long terme du marché boursier américain — votre argent double environ tous les 10,2 ans. Sur 30 ans, 10 000 $ deviennent environ 76 000 $. La nature exponentielle de la composition est la raison pour laquelle les conseillers financiers insistent sur l’importance de commencer à investir tôt : même les petites contributions ont des décennies pour se composer.

L’extrapolation exponentielle en finance est utile pour projeter les valeurs futures du portefeuille, mais elle comporte un risque significatif. Les marchés réels ont de la volatilité, des krachs et des périodes de stagnation. Un modèle exponentiel qui correspond à la dernière décennie de rendements peut surestimer considérablement la prochaine décennie.

Épidémiologie

Pendant les premières phases d’une épidémie, le nombre d’individus infectés suit souvent une croissance exponentielle. Chaque personne infectée en infecte un certain nombre d’autres (le nombre de reproduction de base, R₀), et le nombre de cas se compose. C’est pourquoi l’intervention précoce est si critique dans la réponse aux épidémies : réduire R₀ en dessous de 1 par la distanciation sociale, la vaccination ou d’autres mesures change la trajectoire d’une croissance exponentielle à une décroissance exponentielle.

Les premières semaines de la pandémie de COVID-19 en ont fourni une illustration frappante. Les pays qui ont agi rapidement pour réduire la transmission ont vu leurs courbes s’aplatir, tandis que ceux qui ont tardé ont connu une croissance exponentielle explosive qui a submergé les systèmes de santé. L’extrapolation exponentielle a été largement utilisée au début de 2020 pour projeter le nombre de cas et les besoins en capacité hospitalière, avec des degrés de précision variables.

Adoption Technologique

De nombreuses technologies suivent une courbe d’adoption exponentielle dans leurs premières années. La loi de Moore — l’observation que le nombre de transistors sur une micropuce double environ tous les deux ans — est peut-être l’exemple le plus célèbre de croissance exponentielle soutenue dans la technologie. De même, l’adoption des smartphones, des utilisateurs d’Internet et de la capacité des énergies renouvelables a montré des modèles exponentiels dans leurs premières phases.

La clé pour les planificateurs technologiques est que l’adoption exponentielle peut prendre les organisations au dépourvu. Une technologie qui semble de niche et à croissance lente peut soudainement devenir dominante à mesure que la courbe s’accentue. L’extrapolation exponentielle aide à anticiper ces points de basculement, mais comme pour toutes les applications, elle doit être tempérée par une conscience des limites de saturation.

Le Danger des Projections Exponentielles Non Contrôlées

Les modèles exponentiels ont une réputation bien méritée de produire des prédictions absurdes lorsqu’ils sont appliqués avec négligence. La raison est simple : la croissance exponentielle est illimitée. Sans mécanisme limitant, une courbe exponentielle finit par dépasser toute contrainte physique, économique ou biologique.

Considérez quelques exemples édifiants :

• Projections démographiques : Extrapoler le taux de croissance de la population mondiale des années 1960 (environ 2 % par an) donnerait une population mondiale de plus de 100 milliards d’ici 2100. En réalité, les taux de croissance ont diminué à mesure que les taux de fécondité ont baissé, et la plupart des projections estiment maintenant environ 10-11 milliards d’ici 2100.

• Modèles pandémiques : Les premières projections exponentielles du COVID-19 qui supposaient aucun changement de comportement ni réponse politique prédisaient des infections par centaines de millions en quelques mois. Bien que la croissance précoce ait effectivement été exponentielle, les réponses sociétales ont fondamentalement modifié la trajectoire.

• Bulles financières : Projeter le taux de croissance du Nasdaq de 1995 à 1999 aurait impliqué une richesse infinie. Le krach des dot-com de 2000-2002 a été un rappel douloureux que les tendances exponentielles des prix des actifs finissent par s’inverser.

Le problème central est que les modèles exponentiels supposent que le taux de croissance b reste constant pour toujours. En réalité, les taux de croissance changent. Ils ralentissent à mesure que les marchés se saturent, que les ressources s’épuisent, que la concurrence augmente et que les boucles de rétroaction négatives s’engagent. Un prévisionniste responsable demande toujours : “Qu’est-ce qui pourrait faire changer le taux de croissance ?”

C’est aussi pourquoi comprendre la distinction entre interpolation vs extrapolation est si important. L’interpolation — estimer des valeurs entre des points de données connus — est généralement plus sûre car le modèle est contraint par les données des deux côtés. L’extrapolation — estimer des valeurs au-delà des données — n’a pas de telles barrières de sécurité, et plus vous extrapolez, plus le modèle risque de diverger de la réalité.

Comparaison avec les Méthodes Linéaires et Logarithmiques

La croissance exponentielle n’est pas le seul modèle que vos données peuvent suivre. Choisir le mauvais modèle conduit à de mauvaises prédictions, il est donc important de comprendre quand chaque méthode est appropriée.

Extrapolation Linéaire

L’extrapolation linéaire suppose un taux de changement constant : y = a + bx. Chaque augmentation unitaire de x ajoute la même quantité absolue à y. Cela est approprié lorsque la croissance est additive plutôt que multiplicative — par exemple, prédire les dépenses salariales mensuelles lorsque les effectifs augmentent à un rythme constant, ou projeter la consommation de carburant à un taux constant par mile.

Les modèles linéaires sont plus sûrs pour l’extrapolation à longue portée car ils ne s’accélèrent pas, mais ils sous-estimeront systématiquement si le véritable processus est exponentiel.

Extrapolation Logarithmique

L’extrapolation logarithmique suppose des rendements décroissants : une croissance rapide au début mais qui ralentit progressivement. Le modèle est y = a + b · ln(x). Cela est approprié lorsque les gains initiaux sont importants mais que chaque unité d’entrée supplémentaire produit de moins en moins de sortie — par exemple, l’effet des heures d’étude sur les résultats des tests, ou le rendement des terres agricoles à mesure que plus d’engrais est appliqué.

Les modèles logarithmiques sont l’image miroir des modèles exponentiels : là où les courbes exponentielles s’accélèrent, les courbes logarithmiques décélèrent. Utiliser un modèle logarithmique alors que le véritable processus est exponentiel sous-estimera sévèrement les valeurs futures.

Quand l’Exponentiel est Correct vs. Incorrect

Utilisez l’extrapolation exponentielle quand :

• Les données montrent une croissance en pourcentage constante (pas une croissance absolue)
• Un nuage de points de x vs. ln(y) semble approximativement linéaire
• Il y a une raison théorique d’attendre une croissance multiplicative (par exemple, intérêts composés, reproduction biologique non contrainte)

Évitez l’extrapolation exponentielle quand :

• Le taux de croissance semble ralentir avec le temps
• Des contraintes physiques ou de marché limiteront la croissance future
• Les données contiennent des valeurs nulles ou négatives
• Vous projetez bien au-delà de la plage de vos données

Pour une comparaison plus approfondie des approches d’ajustement de courbes, consultez notre discussion sur les méthodes polynomiales vs linéaires. Pour la perspective du ML sur pourquoi les modèles peinent au-delà de leur plage d’entraînement, voir l’extrapolation en apprentissage automatique.

Évaluation de l’Ajustement à l’Aide du R²

Après avoir ajusté un modèle, vous devez évaluer à quel point il décrit réellement les données. La métrique la plus courante est le coefficient de détermination, ou R² (R-carré).

Le R² mesure la proportion de variance de la variable dépendante qui est expliquée par le modèle. Il varie de 0 à 1 :

• R² = 1 : Le modèle s’ajuste parfaitement aux données
• R² = 0 : Le modèle n’explique aucune variance des données
• R² = 0,95 : Le modèle explique 95 % de la variance

Pour les modèles exponentiels, le R² est généralement calculé sur les données transformées logarithmiquement — c’est-à-dire qu’il mesure à quel point le modèle linéaire s’ajuste à (x, ln(y)). Un R² élevé sur l’échelle transformée signifie que le modèle exponentiel est un bon ajustement. Cependant, un R² élevé ne garantit pas que les prédictions extrapolées seront précises. Il vous dit seulement que le modèle s’ajuste aux données que vous avez déjà.

Quelques conseils pratiques pour interpréter le R² :

• R² au-dessus de 0,90 indique généralement un ajustement solide, suggérant que le modèle exponentiel capture la tendance dominante des données.
• R² entre 0,70 et 0,90 est modéré. La tendance exponentielle est présente mais il y a un bruit ou une déviation substantielle.
• R² en dessous de 0,70 est faible. Demandez-vous si un modèle différent (linéaire, logarithmique ou polynomial) pourrait mieux s’ajuster.

Vous devriez également regarder les graphiques des résidus — la différence entre chaque valeur observée et la prédiction du modèle. Si les résidus montrent un motif systématique (par exemple, ils sont tous négatifs à x faible et positifs à x élevé), le modèle exponentiel n’est peut-être pas le bon choix même si le R² semble acceptable. Notre article sur R² et confiance entre dans plus de détails sur l’interprétation de ces statistiques et la construction d’intervalles de confiance autour de vos projections.

Lorsque vous comparez des modèles, préférez le modèle le plus simple qui atteint un ajustement adéquat. Si un modèle linéaire donne R² = 0,92 et un modèle exponentiel donne R² = 0,93, le modèle linéaire est probablement le meilleur choix — il est plus simple, plus facile à interpréter et moins sujet à produire des extrapolations sauvages.

Conseils Pratiques pour Utiliser l’Extrapolation Exponentielle en Toute Sécurité

Sur la base de tout ce que nous avons couvert, voici des directives pratiques pour tirer le meilleur parti de l’extrapolation exponentielle tout en minimisant le risque de résultats trompeurs :

1. Vérifiez la linéarité sur l’échelle logarithmique. Avant d’utiliser l’extrapolation exponentielle, tracez x vs. ln(y). Si les points tombent approximativement le long d’une ligne droite, le modèle exponentiel est approprié. S’ils sont courbés, envisagez un modèle différent.

2. Limitez votre plage d’extrapolation. Plus vous projetez au-delà des données, moins la prédiction est fiable. En règle générale, évitez d’extrapoler plus de 30-50 % au-delà de la plage de vos données sans une forte justification théorique.

3. Vérifiez le R² et les résidus. Un R² élevé sur les données transformées logarithmiquement est nécessaire mais pas suffisant. Regardez les résidus pour des motifs suggérant une spécification incorrecte du modèle.

4. Appliquez la connaissance du domaine. Demandez-vous s’il existe des contraintes connues qui limiteraient la croissance. Une population ne peut pas dépasser la capacité de charge de son environnement. Un marché ne peut pas dépasser 100 % d’adoption. Les revenus ne peuvent pas dépasser le marché total adressable.

5. Utilisez la calculatrice d’interpolation pour estimer les valeurs entre des points de données connus. L’interpolation est intrinsèquement plus sûre que l’extrapolation et devrait être votre premier choix lorsque la valeur cible se situe dans la plage des données.

6. Envisagez des modèles alternatifs. Si vous n’êtes pas sûr que la croissance exponentielle soit la bonne hypothèse, essayez d’ajuster plusieurs modèles en utilisant la calculatrice de régression et comparez leurs valeurs R² et leurs motifs de résidus.

7. Signalez l’incertitude. Toute extrapolation comporte de l’incertitude. Lors de la présentation de projections, incluez des intervalles de confiance ou des analyses de sensibilité plutôt que des estimations ponctuelles.

8. Mettez à jour au fur et à mesure que de nouvelles données arrivent. Les tendances exponentielles persistent rarement indéfiniment. Réajustez votre modèle à mesure que de nouvelles observations deviennent disponibles, et soyez prêt à passer à une forme fonctionnelle différente si les données commencent à s’écarter de la courbe exponentielle.

Quand la Croissance Exponentielle Atteint ses Limites

Aucun processus de croissance exponentielle ne continue éternellement. Finalement, la réalité intervient. Comprendre les mécanismes limitants courants vous aide à reconnaître quand un modèle exponentiel est sur le point de s’effondrer :

Capacité de Charge

En biologie, la capacité de charge (souvent notée K) est la population maximale qu’un environnement peut soutenir. À mesure qu’une population approche K, la croissance ralentit et la courbe passe d’exponentielle à logistique :

y = K / (1 + e^(-c(x - d)))

Cette courbe en forme de S commence de manière exponentielle, s’infléchit à K/2 et approche asymptotiquement K. Si vos données sont dans la phase exponentielle précoce mais que vous avez des raisons de croire qu’une capacité de charge existe, l’extrapolation logistique peut être plus appropriée que la pure exponentielle.

Saturation du Marché

Dans les affaires et la technologie, les marchés se saturent. Un produit ne peut pas dépasser 100 % d’adoption auprès de sa démographie cible. La courbe d’adoption suit typiquement une forme sigmoïde : croissance initiale lente, croissance exponentielle rapide en phase intermédiaire, puis décélération à mesure que le marché se sature. Le cycle de vie classique d’adoption technologique (innovateurs, premiers adoptants, majorité précoce, majorité tardive, retardataires) décrit ce modèle.

Épuisement des Ressources

La croissance exponentielle dans l’extraction des ressources (exploitation minière, pêche, production de combustibles fossiles) rencontre finalement une offre finie. Le modèle de pic de Hubbert, par exemple, prédit que la production d’une ressource finie suit une courbe en cloche : croissance exponentielle, un pic, puis déclin exponentiel. Extrapoler uniquement la phase de croissance mène à des projections extrêmement optimistes.

Rétroaction Négative

Les systèmes complexes contiennent souvent des boucles de rétroaction auto-correctrices. La croissance démographique peut déclencher le surpeuplement, les maladies et la compétition pour les ressources qui ralentissent la croissance ultérieure. La croissance rapide du marché attire des concurrents qui érodent les marges. La croissance épidémique déclenche des réponses de santé publique qui réduisent la transmission. Ces mécanismes de rétroaction sont invisibles pour un modèle purement exponentiel mais sont cruciaux pour les résultats du monde réel.

Rassembler le Tout

L’extrapolation exponentielle est un outil indispensable pour modéliser les phénomènes à croissance rapide, mais elle exige respect et retenue. Le cadre mathématique — transformer un modèle exponentiel en un modèle linéaire via les logarithmes — est élégant et efficace sur le plan computationnel. Les résultats peuvent être remarquablement précis à court terme, surtout lorsque le processus sous-jacent suit réellement une croissance multiplicative.

Cependant, les mêmes propriétés mathématiques qui rendent les modèles exponentiels puissants les rendent également dangereux. La croissance illimitée est une abstraction mathématique, pas une réalité physique. Chaque tendance exponentielle dans le monde réel rencontre finalement des limites, et le prévisionniste qui ignore ces limites le fait à ses risques et périls.

Les points clés à retenir :

• Utilisez l’extrapolation exponentielle lorsque les données et la théorie soutiennent une croissance multiplicative
• Vérifiez l’ajustement avec le R² et l’analyse des résidus sur les données transformées logarithmiquement
• Limitez la plage d’extrapolation et vérifiez toujours les prédictions par rapport aux contraintes du domaine
• Soyez attentif aux signes que la croissance ralentit — la transition du comportement exponentiel au comportement logistique
• En cas de doute, comparez plusieurs modèles et préférez la simplicité

Que vous projetiez la croissance démographique, prévoyiez des rendements d’investissement ou estimiez l’adoption technologique, la calculatrice d’extrapolation vous donne les outils pour ajuster et évaluer rapidement des modèles exponentiels. Utilisez-la à bon escient, et rappelez-vous que le meilleur modèle n’est pas celui qui s’ajuste le plus étroitement aux données — c’est celui qui capture la véritable structure du processus que vous essayez de prédire.

Foire Aux Questions

Quand dois-je utiliser l’extrapolation exponentielle ?

Utilisez l’extrapolation exponentielle lorsque vos données montrent une croissance accélérée — l’augmentation de chaque période est plus grande que la précédente. Les exemples courants incluent la propagation de contenu viral, les intérêts composés et la croissance démographique en phase précoce. Si le taux de croissance est à peu près constant, l’extrapolation linéaire est plus appropriée.

L’extrapolation exponentielle est-elle précise pour les prévisions à long terme ?

Non. Les modèles exponentiels projettent des taux de croissance toujours croissants qui finissent par dépasser les limites physiques ou économiques. Ils fonctionnent bien pour les prévisions à court et moyen terme mais deviennent peu fiables sur de longs horizons où la croissance doit décélérer en raison des contraintes de ressources, de la saturation du marché ou de la capacité de charge.

Que se passe-t-il si mes données ont des valeurs négatives ?

Les modèles exponentiels nécessitent des valeurs y positives car la transformation logarithmique n’est pas définie pour zéro et les nombres négatifs. Si vos données contiennent des valeurs négatives, la calculatrice revient à l’extrapolation linéaire comme alternative sûre.

En quoi l’extrapolation exponentielle diffère-t-elle de l’extrapolation logarithmique ?

L’extrapolation exponentielle modélise une croissance accélérée qui s’incurve vers le haut, tandis que l’extrapolation logarithmique modélise une croissance décélérée qui s’aplatit. Choisissez exponentielle lorsque la croissance s’accélère et logarithmique lorsque les gains ralentissent.