Rédigé et vérifié par un professeur diplômé de l’École Polytechnique, avec le niveau d’exigence attendu en classe préparatoire. Découvrir le professeur
Comment un institut de sondage annonce-t-il le résultat d’une élection en n’interrogeant que 1 000 personnes sur 47 millions d’électeurs ? La réponse tient dans une formule et dans une idée contre-intuitive : la taille d’un échantillon représentatif ne dépend presque pas de celle de la population. Dans cette fiche méthode, tu vas apprendre à définir, dimensionner et justifier un échantillon représentatif, avec la formule officielle, un tableau de référence, des exemples corrigés et les pièges qui coûtent le plus cher en études quantitatives.
La réponse directe : un échantillon représentatif reproduit la structure de la population sur les caractères qui influencent la mesure. Pour estimer une proportion à ±e près au niveau 95 %, sa taille vaut \(n = \displaystyle\frac{z^2\,p(1-p)}{e^2}\), soit environ 1 067 personnes pour une marge de 3 %, quelle que soit la taille de la population.
I. Qu’est-ce qu’un échantillon représentatif ?
Un échantillon représentatif est un sous-ensemble d’une population dont la composition reflète fidèlement celle de la population entière sur les caractères qui influencent la mesure étudiée. Interroger 1 000 hommes pour prévoir un vote national donne un échantillon grand mais non représentatif : la représentativité ne se réduit jamais à la taille.
Définition — Échantillon représentatif
Soit une population de taille \(N\) et une caractéristique \(X\) à estimer. Un échantillon de taille \(n\) est dit représentatif lorsque sa distribution sur les variables pertinentes (âge, sexe, catégorie socioprofessionnelle, région…) est statistiquement identique à celle de la population, et que le mode de tirage garantit l’absence de biais de sélection.
Deux exigences se combinent donc, et il faut les tenir toutes les deux :
- L’absence de biais — le tirage doit être aléatoire, ou contrôlé par quotas, pour que chaque unité de la population ait une chance connue d’être sélectionnée. C’est la condition qui rend l’échantillon non trompeur.
- La taille suffisante — l’échantillon doit être assez grand pour que la fluctuation d’échantillonnage reste sous une marge d’erreur acceptable. C’est la condition qui rend l’échantillon précis.
Cette fiche traite principalement la seconde exigence — le calcul de la taille — qui est la question la plus fréquente. Pour la première, le choix du mode de tirage, consulte la page dédiée aux méthodes d’échantillonnage.
Le fondement théorique est la loi des grands nombres : plus \(n\) est grand, plus la fréquence observée dans l’échantillon se rapproche de la proportion réelle dans la population. La formule de la taille quantifie exactement « à quel point » et « avec quelle confiance ».
II. La méthode en 5 étapes
Dimensionner un échantillon représentatif est un processus linéaire. Suis ces cinq étapes dans l’ordre : chacune fournit une donnée d’entrée pour la formule finale.
- Définir la population cible et le caractère mesuré. Qui interroge-t-on exactement ? Que cherche-t-on à estimer — une proportion (part d’électeurs favorables) ou une moyenne (revenu moyen) ? Cette distinction change la formule.
- Choisir le niveau de confiance \(1-\alpha\). Il fixe le quantile \(z\) de la loi normale : \(z \approx 1{,}96\) pour 95 %, la valeur standard des sondages.
- Fixer la marge d’erreur \(e\) tolérée (souvent 3 % ou 5 %) et estimer la proportion \(p\). En l’absence d’information, on prend \(p = 0{,}5\), le cas le plus défavorable.
- Appliquer la formule \(n_0 = \displaystyle\frac{z^2\,p(1-p)}{e^2}\) pour obtenir la taille brute.
- Corriger si la population est finie et petite. Si \(N\) n’est pas très grand devant \(n_0\), appliquer la correction de population finie (étape détaillée en section V).
Le réflexe à garder : tant que tu ignores \(p\), prends \(p = 0{,}5\). Le produit \(p(1-p)\) y est maximal (\(0{,}25\)), donc la taille obtenue est la plus grande possible : tu ne pourras jamais être « en dessous » de la précision annoncée. C’est le choix prudent, et c’est celui des instituts.
La fiche méthode « Échantillon représentatif » en PDF
La formule, l’arbre de décision et un exemple modèle sur une page recto-verso, prête à imprimer.
📄 Télécharger la fiche méthodeTout le calcul de la taille sous les yeux, en épreuve comme en pratique.
III. La formule de la taille et son calcul
Une phrase-réponse pour la PAA « comment calculer un échantillon représentatif » : la taille se déduit de la marge d’erreur visée, du niveau de confiance et d’une estimation de la proportion, par la formule ci-dessous.
Formule — Taille d’échantillon pour une proportion
Pour estimer une proportion \(p\) avec une marge d’erreur \(e\) au niveau de confiance \(1-\alpha\) :
\(n_0 = \displaystyle\frac{z^2\,p(1-p)}{e^2}\)
où \(z\) est le quantile de la loi normale centrée réduite associé au niveau \(1-\alpha\).
A. D’où vient la formule
Cette formule est la lecture inverse d’un intervalle de confiance. Pour une fréquence observée \(F\) sur \(n\) tirages, l’intervalle asymptotique au niveau \(1-\alpha\) a pour demi-amplitude (la marge d’erreur) :
\(e = z\,\displaystyle\sqrt{\displaystyle\frac{p(1-p)}{n}}\)On isole \(n\) : en élevant au carré, \(e^2 = \displaystyle\frac{z^2\,p(1-p)}{n}\), d’où \(n = \displaystyle\frac{z^2\,p(1-p)}{e^2}\). La marge d’erreur est donc exactement la demi-amplitude de l’intervalle de confiance : les deux notions sont deux faces d’un même calcul.
B. Les quantiles z usuels
| Niveau de confiance | \(\alpha\) | Quantile \(z\) |
|---|---|---|
| 90 % | 0,10 | 1,645 |
| 95 % | 0,05 | 1,96 |
| 99 % | 0,01 | 2,576 |
C. Un calcul détaillé pas à pas
Exemple : On veut estimer la part d’électeurs favorables à une mesure, à ±3 % près, au niveau 95 %, sans information préalable sur \(p\).
Données : \(z = 1{,}96\), \(e = 0{,}03\), \(p = 0{,}5\) (cas défavorable).
\(n_0 = \displaystyle\frac{1{,}96^2 \times 0{,}5 \times 0{,}5}{0{,}03^2} = \displaystyle\frac{3{,}8416 \times 0{,}25}{0{,}0009} = \displaystyle\frac{0{,}9604}{0{,}0009} \approx 1067{,}1\)
On arrondit toujours à l’entier supérieur : il faut interroger 1 068 personnes. C’est l’ordre de grandeur réel des sondages nationaux.
Deux propriétés structurelles apparaissent immédiatement sur cette formule, et elles gouvernent toute l’économie d’une étude quantitative :
- La taille varie en \(\displaystyle\frac{1}{e^2}\) : diviser la marge par 2 multiplie la taille par 4. La précision coûte cher.
- La taille ne contient pas \(N\) : la population n’apparaît nulle part. C’est le résultat le plus mal compris de tout le sujet, et l’objet du piège prioritaire (section VI).
IV. Tableau de référence et quand utiliser chaque approche
Voici les tailles à retenir dans le cas le plus défavorable (\(p = 0{,}5\)), pour une population supposée grande. C’est le mémo à garder sous la main.
| Marge d’erreur \(e\) | 90 % (\(z=1{,}645\)) | 95 % (\(z=1{,}96\)) | 99 % (\(z=2{,}576\)) |
|---|---|---|---|
| ±5 % | 271 | 385 | 664 |
| ±3 % | 752 | 1 068 | 1 843 |
| ±2 % | 1 692 | 2 401 | 4 147 |
| ±1 % | 6 764 | 9 604 | 16 590 |
La formule proportion n’est cependant pas la seule façon de dimensionner un échantillon. Le tableau suivant — indispensable pour ne pas se tromper de méthode — positionne cette technique par rapport aux alternatives du même domaine.
| Situation | Méthode | Principe / formule | Ne pas utiliser quand |
|---|---|---|---|
| Estimer une proportion (part, pourcentage) | Formule proportion | \(n = \displaystyle\frac{z^2 p(1-p)}{e^2}\) | La grandeur mesurée est continue |
| Estimer une moyenne (revenu, taille) | Formule moyenne | \(n = \displaystyle\frac{z^2 \sigma^2}{e^2}\) | \(\sigma\) est totalement inconnu et non estimable |
| Population finie et petite | Correction de population finie | \(n = \displaystyle\frac{n_0}{1 + \displaystyle\frac{n_0-1}{N}}\) | \(N\) est très grand devant \(n_0\) |
| Étude qualitative (entretiens) | Saturation théorique | Pas de formule : arrêt quand aucune idée nouvelle n’émerge | On cherche à généraliser un chiffre |
| Contrainte terrain, non probabiliste | Méthode des quotas | Structure imposée sur les variables clés | On a accès à une base de sondage aléatoire |
V. Cas particuliers : population finie, moyenne, quali
La formule de base suppose une population « infinie » et une proportion à estimer. Trois situations réelles obligent à l’adapter.
A. La correction de population finie
Lorsque l’échantillon représente une fraction non négligeable de la population (règle usuelle : \(n_0\) > \(0{,}05\,N\)), on peut réduire la taille par la correction de population finie :
Formule — Correction de population finie
\(n = \displaystyle\frac{n_0}{1 + \displaystyle\frac{n_0- 1}{N}}\)
où \(n_0\) est la taille brute et \(N\) la taille de la population.
Exemple : un lycée de \(N = 500\) élèves, marge ±5 %, niveau 95 %, \(p = 0{,}5\).
Taille brute : \(n_0 = 385\). Comme \(385\) dépasse \(5\,\%\) de \(500\), on corrige :
\(n = \displaystyle\frac{385}{1 + \displaystyle\frac{384}{500}} = \displaystyle\frac{385}{1{,}768} \approx 217{,}8\)
Il suffit d’interroger 218 élèves au lieu de 385. Sur une petite population, la correction fait une vraie différence.
À l’inverse, pour \(N\) très grand (un pays entier), le rapport \(\displaystyle\frac{n_0-1}{N}\) est proche de 0 : la correction est négligeable, et \(n \approx n_0\). C’est pourquoi les sondages nationaux ignorent \(N\).
B. Estimer une moyenne plutôt qu’une proportion
Si la grandeur mesurée est continue (un salaire, une taille), on estime une moyenne et non une proportion. La formule devient :
\(n = \displaystyle\frac{z^2\,\sigma^2}{e^2}\)où \(\sigma\) est l’écart-type de la variable dans la population, généralement estimé par une étude pilote ou par une pré-enquête.
Exemple : estimer la taille moyenne d’une population avec une marge de ±1 cm au niveau 95 %, sachant qu’un pré-échantillon donne \(\sigma \approx 7\) cm.
\(n = \displaystyle\frac{1{,}96^2 \times 7^2}{1^2} = \displaystyle\frac{3{,}8416 \times 49}{1} \approx 188{,}2\)
Il faut mesurer 189 personnes.
C. Quanti ou quali : la taille ne se calcule pas pareil
En étude quantitative, la taille est un calcul : on veut généraliser un chiffre avec une marge d’erreur. En étude qualitative (entretiens approfondis, focus groups), il n’existe aucune formule : on parle de saturation théorique. On cesse de recruter lorsque les nouveaux entretiens n’apportent plus d’idée nouvelle — souvent entre 12 et 30 personnes. Appliquer la formule proportion à une étude qualitative est un contresens méthodologique.
VI. Les erreurs classiques à éviter
Trois pièges reviennent systématiquement, en copie comme en pratique professionnelle. Le premier est de très loin le plus répandu.
Erreur n°1 — Croire que la taille dépend de la taille de la population. « Ma population fait 10 millions, il me faut donc un très gros échantillon. » Faux. Pour \(N\) grand, \(N\) n’intervient pas : 1 068 personnes suffisent pour une marge de 3 %, que le pays compte 5 ou 300 millions d’habitants. Ce qui compte, c’est \(e\), \(z\) et \(p\) — jamais \(N\) (sauf population petite, via la correction).
Erreur n°2 — Choisir \(p\) au hasard quand il est inconnu. Prendre \(p = 0{,}1\) « parce que ça semble petit » sous-dimensionne l’échantillon. Sans information fiable, on prend toujours \(p = 0{,}5\), qui maximise \(p(1-p)\) et garantit la précision annoncée dans tous les cas.
Erreur n°3 — Confondre taille et représentativité. Un échantillon de 100 000 personnes recrutées uniquement sur un site web reste biaisé et donc non représentatif. La taille réduit la marge d’erreur ; elle ne corrige jamais un biais de sélection. Le fiasco du sondage du Literary Digest de 1936 (2,4 millions de réponses, prévision fausse) en est l’illustration historique.
VII. Justifier une taille d’échantillon avec rigueur
Dans un mémoire, un rapport d’étude ou une épreuve, annoncer un chiffre ne suffit pas : il faut le justifier. Voici ce qu’un correcteur ou un jury attend d’une justification propre.
Le squelette d’une justification rigoureuse :
- Énoncer l’objectif : proportion ou moyenne, et le caractère mesuré.
- Fixer et justifier le niveau de confiance et la marge d’erreur retenus.
- Préciser la valeur de \(p\) (ou \(\sigma\)) utilisée et sa provenance ; si inconnue, dire explicitement « on retient le cas défavorable \(p = 0{,}5\) ».
- Poser la formule, faire le calcul, arrondir à l’entier supérieur.
- Vérifier les conditions de validité de l’approximation normale : \(n \geq 30\), \(np \geq 5\) et \(n(1-p) \geq 5\).
Ce qui coûte des points : oublier de préciser d’où vient \(p\), ne pas vérifier les conditions de validité, ou confondre marge d’erreur en points (±3 points) et marge relative (±3 % de la valeur). La rédaction attendue distingue toujours les deux.
VIII. Exercices corrigés
Cinq exercices de difficulté croissante, du calcul direct au raisonnement. Cherche la solution avant d’ouvrir la correction.
Exercice 1 — Sondage national ★
Un institut veut estimer la part d’une population favorable à une réforme, avec une marge d’erreur de ±2 % au niveau de confiance 95 %, sans information préalable sur \(p\). Combien de personnes doit-il interroger ?
Voir la correction de l’exercice 1
Sans information, on prend \(p = 0{,}5\). Données : \(z = 1{,}96\), \(e = 0{,}02\).
\(n_0 = \displaystyle\frac{1{,}96^2 \times 0{,}25}{0{,}02^2} = \displaystyle\frac{0{,}9604}{0{,}0004} = 2401\)Il faut interroger 2 401 personnes. (Comparé à l’exemple à ±3 %, on a bien été multiplié par \((3/2)^2 = 2{,}25\).)
Exercice 2 — Exploiter une proportion connue ★★
Une étude pilote indique qu’environ 20 % des clients sont insatisfaits. On veut affiner ce chiffre à ±3 % près au niveau 95 %. Quelle taille faut-il, et combien économise-t-on par rapport au cas défavorable ?
Voir la correction de l’exercice 2
Ici \(p = 0{,}2\), donc \(p(1-p) = 0{,}2 \times 0{,}8 = 0{,}16\).
\(n_0 = \displaystyle\frac{1{,}96^2 \times 0{,}16}{0{,}03^2} = \displaystyle\frac{3{,}8416 \times 0{,}16}{0{,}0009} = \displaystyle\frac{0{,}6147}{0{,}0009} \approx 683\)Il faut 683 personnes, contre 1 068 dans le cas défavorable \(p=0{,}5\). Connaître une estimation de \(p\) économise environ 385 interviews, soit 36 % de l’effort. C’est tout l’intérêt d’une pré-enquête.
Exercice 3 — Population finie ★★
Une entreprise de \(N = 800\) salariés veut mesurer un taux de satisfaction à ±4 % près au niveau 95 %, sans information sur \(p\). Faut-il corriger la taille, et de combien ?
Voir la correction de l’exercice 3
Taille brute avec \(p=0{,}5\), \(e=0{,}04\) :
\(n_0 = \displaystyle\frac{0{,}9604}{0{,}0016} \approx 600{,}25 \;\to\; 601\)Comme \(601\) dépasse largement \(5\,\%\) de \(800\) (soit 40), la correction s’impose :
\(n = \displaystyle\frac{600{,}25}{1 + \displaystyle\frac{599{,}25}{800}} = \displaystyle\frac{600{,}25}{1{,}749} \approx 343\)Il suffit d’interroger 343 salariés au lieu de 601. Sur une population finie, la correction réduit ici l’échantillon de près de 43 %.
Exercice 4 — Le paradoxe de la population (raisonnement) ★★★
Un journaliste affirme : « Ce sondage n’est pas fiable, on n’a interrogé que 1 000 personnes sur 47 millions d’électeurs, soit 0,002 % de la population. » Explique pourquoi ce raisonnement est faux, et compare avec un sondage à 1 000 personnes dans une ville de 50 000 habitants.
Voir la correction de l’exercice 4
Le journaliste raisonne sur le taux de sondage \(n/N\), qui n’a aucune influence sur la précision tant que \(N\) est grand. La marge d’erreur ne dépend que de \(n\) :
\(e = z\,\displaystyle\sqrt{\displaystyle\frac{p(1-p)}{n}} = 1{,}96 \sqrt{\displaystyle\frac{0{,}25}{1000}} \approx 0{,}031\)soit ±3,1 %, que la population soit de 47 millions ou de 50 000. Pour la ville de 50 000 habitants, la correction de population finie n’entre en jeu que si \(1000\) > \(0{,}05 \times 50000 = 2500\), ce qui est faux : la correction est négligeable.
Conclusion : ce qui garantit la fiabilité, c’est la taille absolue \(n\) et l’absence de biais, pas le rapport \(n/N\). Le journaliste confond « petit pourcentage de la population » et « échantillon trop petit ».
Exercice 5 — Estimer une moyenne ★★★
Une usine veut estimer la masse moyenne de ses pièces à ±0,5 g près au niveau 99 %. Un pré-échantillon donne un écart-type \(\sigma \approx 4\) g. Combien de pièces mesurer ? Vérifie ensuite l’effet d’un passage au niveau 95 %.
Voir la correction de l’exercice 5
On estime une moyenne : formule \(n = \displaystyle\frac{z^2 \sigma^2}{e^2}\). Au niveau 99 %, \(z = 2{,}576\).
\(n = \displaystyle\frac{2{,}576^2 \times 4^2}{0{,}5^2} = \displaystyle\frac{6{,}636 \times 16}{0{,}25} = \displaystyle\frac{106{,}18}{0{,}25} \approx 424{,}7 \;\to\; 425\)Il faut mesurer 425 pièces.
Au niveau 95 % (\(z = 1{,}96\)) : \(n = \displaystyle\frac{3{,}8416 \times 16}{0{,}25} \approx 245{,}9 \to 246\). Passer de 99 % à 95 % économise 179 mesures : la confiance a un coût, à arbitrer selon les enjeux.
IX. Questions fréquentes
C’est quoi un échantillon représentatif ?
C’est un sous-ensemble d’une population dont la composition reflète fidèlement celle de la population entière sur les caractères pertinents, et dont le tirage évite tout biais de sélection. La représentativité repose donc sur deux exigences : un mode de tirage non biaisé et une taille suffisante pour maîtriser la marge d’erreur.
Comment calculer la taille d’un échantillon représentatif ?
Pour une proportion, on applique \(n = \displaystyle\frac{z^2 p(1-p)}{e^2}\), où \(z\) est le quantile de la loi normale (1,96 à 95 %), \(e\) la marge d’erreur visée et \(p\) la proportion estimée (0,5 si inconnue). On corrige ensuite par la formule de population finie si la population est petite.
Combien de personnes faut-il pour un sondage fiable ?
Environ 1 000 personnes suffisent pour une marge d’erreur de ±3 % au niveau 95 %, quelle que soit la taille de la population. C’est l’ordre de grandeur standard des sondages nationaux. Pour une marge de ±2 %, il faut passer à environ 2 400 personnes.
Quelle différence entre échantillon représentatif et échantillon aléatoire ?
Un échantillon aléatoire est tiré au hasard, ce qui est un moyen d’obtenir la représentativité en évitant les biais. Un échantillon représentatif est un résultat : sa composition ressemble à celle de la population. Un tirage aléatoire de taille suffisante est en général représentatif, mais on peut aussi viser la représentativité sans hasard, par la méthode des quotas.
Un échantillon plus grand est-il toujours plus représentatif ?
Non. Augmenter la taille réduit la marge d’erreur, mais ne corrige jamais un biais de sélection. Un échantillon énorme mais mal recruté (par exemple uniquement des volontaires en ligne) reste non représentatif. La taille améliore la précision, pas la justesse.
X. Pour aller plus loin
Tu sais maintenant définir, calculer et justifier la taille d’un échantillon représentatif. Pour compléter cette méthode et approfondir la théorie qui la fonde :
- Loi Normale : Cours Complet, Propriétés et Exercices Corrigés
- Écart-type (1ère) : Cours, Propriétés et Exercices
- 20 Exercices Loi Binomiale Terminale Corrigés (PDF)
- Loi Binomiale : Cours, Formules et Exercices — du Lycée à la Prépa
Tu veux progresser plus vite en probabilités et statistiques ? Découvre les cours particuliers Excellence Maths pour l’université et les études supérieures.
