Interpolācija ietver modeļa atklāšanu datu punktu kopā, lai novērtētu vērtību starp diviem punktiem. Lineārā interpolācija ir viens no vienkāršākajiem interpolācijas veidiem — līniju, kas savieno divus punktus, izmanto, lai novērtētu starpvērtības. Augstākas kārtas polinomi var aizstāt lineārās funkcijas, lai iegūtu precīzākus, bet sarežģītākus rezultātus. Interpolāciju var pretstatīt ekstrapolācijai, ko izmanto, lai novērtētu vērtības ārpus punktu kopas, nevis starp tām.
Diskrētai datu punktu kopai ir punkti ar divām vai vairākām koordinātām. Tipiskā XY izkliedes diagrammā horizontālais mainīgais ir x un vertikālais ir y. Šajā grafikā var attēlot datu punktus ar x un y koordinātām, lai to varētu viegli vizualizēt. Praktiskajos lietojumos gan x, gan y apzīmē ierobežotus reālās pasaules lielumus. X parasti apzīmē neatkarīgu mainīgo, piemēram, laiku vai telpu, bet y apzīmē atkarīgu mainīgo, piemēram, populāciju.
Bieži vien datus var apkopot tikai atsevišķos punktos. Valsts iedzīvotāju monitoringa piemērā tautas skaitīšanu var veikt tikai noteiktos laikos. Šos mērījumus var attēlot kā atsevišķus datu punktus XY diagrammā.
Ja tautas skaitīšana tiek veikta tikai reizi piecos gados, nav iespējams uzzināt precīzu iedzīvotāju skaitu starp skaitīšanu. Lineārajā interpolācijā divi datu punkti ir savienoti ar lineāro funkciju. Tas nozīmē, ka tiek pieņemts, ka atkarīgais mainīgais (populācija) mainās nemainīgā ātrumā, lai sasniegtu nākamo datu punktu. Ja ir nepieciešams iedzīvotāju skaits vienu gadu pēc skaitīšanas, abus datu punktus varētu lineāri interpolēt, lai novērtētu starpvērtību, pamatojoties uz savienojošo līniju. Parasti ir skaidrs, ka reālais mainīgais nemainās lineāri starp datu punktiem, taču šī vienkāršošana bieži ir pietiekami precīza.
Tomēr dažreiz lineārā interpolācija aplēsēs rada pārāk daudz kļūdu. Iedzīvotāju skaits, piemēram, uzrāda eksponenciālu pieaugumu daudzos scenārijos. Eksponenciālā pieauguma gadījumā pieaug arī pats pieauguma temps — lielāks iedzīvotāju skaits rada vairāk dzimstības, kas palielina kopējo iedzīvotāju skaita pieauguma tempu. XY izkliedes diagrammā šāda veida uzvedība parādītu tendenci, kas “liecās uz augšu”. Šāda veida pētījumiem var būt piemērota precīzāka interpolācijas metode.
Polinoma interpolācija ietver daudzu datu punktu savienošanu ar polinoma funkciju. Lineāra funkcija patiesībā ir vienkārša polinoma funkcijas dažādība, proti, vienas kārtas polinoms. Tomēr polinomiem var būt augstākas kārtas nekā viens: otrā secība ir parabola, trešā secība ir kubiskā funkcija utt. Populācijas datu punktu kopu var labāk interpolēt ar polinoma funkciju nekā lineāro funkciju, jo pirmā var izliekties uz augšu un uz leju, lai atbilstu datiem.