diff --git a/module3/exo3/exercice_python_fr.org b/module3/exo3/exercice_python_fr.org
index 013d0c8edfe343487a6126e52cc20eb9b3e850af..1092663be4fb6cfdbc020528a6d3ff184d92533a 100644
--- a/module3/exo3/exercice_python_fr.org
+++ b/module3/exo3/exercice_python_fr.org
@@ -110,7 +110,7 @@ pour l'affichage des données, et on affiche les données brutes.
 [[file:rawData.png]]
 
 On remarque sur la figure la supperposition de deux phénomènes :
-1. Un oscillation périodique "rapide" de faible amplitude.
+1. Un phénomène périodique de faible amplitude. 
 2. Une croissance lente avec une forme qui ressemble à un début de
    parabole.
 ** /Zoom/ sur l'affichage des données 
@@ -381,3 +381,54 @@ Finalement on compare le modèle obtenu avec les données des mesures :
 
 #+RESULTS:
 [[file:modelBigOsillations.png]]
+
+On constate que l'on obtient des résultats satisfaisants pour la
+caractérisation de la contribution lente.
+** Extrapolation de la concentration de CO2 jusqu'à 2025
+
+Dans un premier temps on crée une liste qui contient l'ensemble des
+données et l'on rajoute des dates jusqu'à la première semaine de 2025.
+
+#+begin_src python :results value :session  :exports both
+  initialDate = dates[0]
+  finalDate   = datetime.datetime(year=2025,month=1,day=1)
+  deltaWeeks = finalDate -initialDate 
+  deltaWeeks = int(deltaWeeks.days/7) + 2
+
+  newDates = [initialDate + datetime.timedelta(weeks=i) for i in range(deltaWeeks)]
+  newDates[-1]
+#+end_src
+
+#+RESULTS:
+: 2025-01-04 00:00:00
+
+Finalement on extrapole à l'aide du modèle puis on affiche les
+résultats.
+
+#+begin_src python :results file :session :var matplot_lib_filename="co2Prediction.png" :exports both
+  timePrediction = np.arange(len(newDates))
+  co2Prediction  = slowContributionModel(timePrediction,params[0], params[1], params[2])
+  newPlotDates   = pltDates.date2num(newDates)
+
+  plt.figure(figsize=(10,5))
+  plt.plot_date(newPlotDates,co2Prediction,label="Prediction")
+  plt.plot_date(plotDates,concentration,label="Measurements")
+  plt.legend()
+  plt.tight_layout()
+
+  plt.savefig(matplot_lib_filename)
+  matplot_lib_filename
+#+end_src
+
+#+RESULTS:
+[[file:co2Prediction.png]]
+
+Calcul de l'augmentation de concentration en pourcentage : 
+
+#+begin_src python :results output :session  :exports both
+  augmentation = (co2Prediction[-1] - concentration[-1])/ concentration[-1] *100
+  print("Augmentation de la concentration en % : ", augmentation)
+#+end_src
+
+#+RESULTS:
+: Augmentation de la concentration en % :  2.4518838408355386