Rédigé et vérifié par un professeur diplômé de l’École Polytechnique, avec le niveau d’exigence attendu du lycée à la classe préparatoire. Découvrir le professeur
Une méthode d’échantillonnage est la règle qui sélectionne les individus interrogés dans une population. On distingue les méthodes probabilistes (aléatoire simple, systématique, stratifié, par grappes), où chaque individu a une probabilité connue d’être tiré, et les méthodes non probabilistes (quotas, convenance, boule de neige), plus rapides mais sans garantie de représentativité.
Cette fiche méthode s’adresse à tous ceux qui doivent construire un échantillon : élève de Terminale qui prépare un sondage, étudiant de BTS ou de SES, étudiant de prépa ou de licence rédigeant un mémoire quantitatif. Objectif : savoir choisir la bonne méthode, la mettre en œuvre proprement et éviter les biais qui ruinent une enquête. On part de la logique, on descend dans le calcul, puis on s’entraîne.
I. Probabiliste ou non probabiliste : la distinction fondamentale
Avant de parler de « stratifié » ou de « quotas », il faut trancher une seule question : chaque individu de la population a-t-il une probabilité connue et non nulle d’être sélectionné ? La réponse à cette question sépare l’ensemble des méthodes en deux familles, et détermine ce que vous aurez le droit de faire ensuite avec vos données.
Définition — Échantillonnage probabiliste
Un échantillonnage est dit probabiliste (ou aléatoire) lorsque chaque individu de la population possède une probabilité connue, strictement positive, d’appartenir à l’échantillon. C’est la seule famille qui autorise l’inférence statistique : calcul d’un intervalle de confiance, estimation d’une marge d’erreur, test d’hypothèse.
Définition — Échantillonnage non probabiliste
Un échantillonnage est dit non probabiliste (ou empirique) lorsque la sélection repose sur un choix raisonné, la commodité ou des quotas, sans que la probabilité de tirage de chaque individu soit connue. Ces méthodes sont rapides et peu coûteuses, mais elles interdisent tout calcul rigoureux de marge d’erreur.
La conséquence est brutale et souvent ignorée : on ne peut calculer une marge d’erreur au sens statistique que sur un échantillon probabiliste. Quand un institut annonce « marge d’erreur ± 3 points » sur un sondage par quotas, il s’agit d’une approximation par analogie, pas d’un résultat démontré. C’est la loi des grands nombres et le théorème de Moivre-Laplace qui fondent l’inférence — et ils supposent un tirage aléatoire.
II. Choisir sa méthode d’échantillonnage en 5 étapes
Le choix d’une méthode n’est jamais arbitraire : il se déduit de l’objectif de l’étude, de la population et des moyens disponibles. Voici la démarche à suivre, dans l’ordre, à chaque fois que vous montez une enquête.
La méthode en 5 étapes
- Définir la population cible et la base de sondage (la liste concrète où vous piocherez : fichier clients, liste électorale, registre des élèves…).
- Trancher probabiliste / non probabiliste selon l’objectif : inférer sur toute la population → probabiliste ; explorer, tester un questionnaire, contrainte de budget → non probabiliste.
- Choisir la méthode précise selon la structure de la population (population homogène, groupes distincts, dispersion géographique…).
- Déterminer la taille \(n\) à partir de la marge d’erreur visée et du niveau de confiance (voir la page échantillon représentatif).
- Tirer l’échantillon et contrôler les biais : non-réponse, base de sondage incomplète, auto-sélection.
Retenez la hiérarchie logique : la famille (étape 2) se décide avant la méthode précise (étape 3), et la taille (étape 4) n’a de sens statistique complet que si l’étape 2 a conclu « probabiliste ».
🔴 Prépa / mémoire : justifier le choix dans le protocole
Dans un rapport quantitatif ou une épreuve de statistique appliquée, on n’écrit jamais « j’ai interrogé 200 personnes » sans plus. Un correcteur attend trois éléments explicites : (1) la base de sondage utilisée et ses limites, (2) la méthode de tirage nommée et justifiée par la structure de la population, (3) le traitement des biais (taux de réponse, redressement éventuel). Nommer la méthode ne suffit pas : il faut montrer pourquoi elle domine les alternatives dans le contexte donné.
La fiche méthode « Échantillonnage » en recto-verso
Les deux familles, l’arbre de décision des 8 méthodes, les formules du pas et de l’allocation proportionnelle, et les 3 erreurs fatales.
📄 Télécharger la fiche PDFTout l’essentiel sous les yeux au moment de monter votre enquête.
III. Le tableau comparatif des méthodes : laquelle utiliser ?
Voici le cœur de cette fiche : un tableau qui positionne chaque méthode par rapport aux autres. Lisez-le comme un arbre de décision — « quand l’utiliser » vous dit dans quelle situation elle est la meilleure, « limite principale » vous dit quand la fuir.
| Méthode | Famille | Principe | Quand l’utiliser | Limite principale |
|---|---|---|---|---|
| Aléatoire simple | Probabiliste | Tirage au sort direct dans la base, chaque individu équiprobable | Base de sondage complète et population homogène | Impraticable si la base est immense ou inexistante |
| Systématique | Probabiliste | On prend un individu tous les \(k\) dans une liste ordonnée | Liste ordonnée disponible, tirage rapide sur le terrain | Biais si la liste a une périodicité cachée |
| Stratifié | Probabiliste | On découpe en strates homogènes, on tire dans chacune | Population structurée en groupes distincts (âge, région…) | Nécessite de connaître la composition des strates |
| Par grappes | Probabiliste | On tire des groupes entiers (classes, quartiers), tous interrogés | Population dispersée, coût de déplacement élevé | Précision moindre à taille égale |
| Par quotas | Non probabiliste | On impose des effectifs par catégorie, l’enquêteur remplit ses cases | Sondages d’opinion, contrainte de temps et de coût | Pas de marge d’erreur rigoureuse |
| De convenance | Non probabiliste | On interroge les personnes accessibles (rue, réseau…) | Pré-test, phase exploratoire, projet étudiant | Biais de sélection majeur |
| Boule de neige | Non probabiliste | Chaque répondant en recrute d’autres | Populations rares ou difficiles à atteindre | Homogénéité artificielle du réseau |
| Raisonné (à dire d’expert) | Non probabiliste | Choix délibéré de cas jugés représentatifs ou typiques | Études qualitatives, faibles effectifs | Subjectivité, non généralisable |
Règle mnémotechnique : dès que vous voulez chiffrer une incertitude, restez dans les quatre premières lignes. Les quatre dernières servent à explorer, pas à conclure.
IV. Les méthodes probabilistes en détail
Ces quatre méthodes garantissent une probabilité de tirage connue. Elles se distinguent par la façon dont elles exploitent — ou non — la structure interne de la population.
A. Échantillonnage aléatoire simple 🟢
C’est la référence théorique : on numérote la population de \(1\) à \(N\), puis on tire \(n\) numéros au hasard, sans remise. Chaque échantillon de taille \(n\) a la même probabilité d’être obtenu. C’est le modèle sur lequel repose toute la statistique inférentielle.
Exemple : un lycée compte 1 200 élèves numérotés. On veut un échantillon de 60. On génère 60 entiers distincts au hasard entre 1 et 1 200 (fonction aléatoire du tableur ou de Python), et on interroge les élèves correspondants. Chaque élève avait la probabilité \(\displaystyle\frac{60}{1200}=0{,}05\) d’être tiré.
B. Échantillonnage systématique 🟢
Variante pratique de l’aléatoire simple quand la population est déjà listée. On calcule le pas :
\(k = \displaystyle\frac{N}{n}\)On tire un premier individu au hasard entre \(1\) et \(k\), puis on prend un individu tous les \(k\) rangs. Simple sur le terrain, mais attention au piège : si la liste est ordonnée avec une périodicité qui coïncide avec \(k\) (par exemple, un logement de coin tous les 10 dans un pâté de maisons), le résultat est biaisé.
Exemple : \(N = 1200\), \(n = 80\). Le pas vaut \(k = \displaystyle\frac{1200}{80} = 15\). On tire un premier rang au hasard entre 1 et 15, disons 7, puis on interroge les rangs 7, 22, 37, 52, … jusqu’à obtenir 80 individus.
C. Échantillonnage stratifié 🟡
Lorsque la population se divise en strates homogènes (tranches d’âge, sexe, filière, région), on tire aléatoirement à l’intérieur de chaque strate. L’allocation la plus courante est proportionnelle : la part de chaque strate dans l’échantillon reproduit sa part dans la population.
\(n_h = n \times \displaystyle\frac{N_h}{N}\)où \(N_h\) est l’effectif de la strate \(h\) et \(n_h\) le nombre d’individus à y tirer. Avantage décisif : à taille égale, la stratification réduit la variance de l’estimateur par rapport à l’aléatoire simple, car elle élimine la fluctuation entre strates.
D. Échantillonnage par grappes 🟡
Ici, on ne tire pas des individus mais des groupes entiers (grappes) : des classes, des immeubles, des communes. Toutes les unités des grappes tirées sont ensuite interrogées. C’est la méthode reine quand la population est géographiquement dispersée et que le coût de déplacement domine.
Ne pas confondre stratifié et grappes : dans le stratifié, on interroge des individus dans toutes les strates (on veut de la diversité). Dans les grappes, on n’enquête que dans quelques grappes tirées au sort (on veut de l’économie). Les deux découpent la population, mais dans des buts opposés — et les grappes sont moins précises à taille égale.
V. Les méthodes non probabilistes
Plus rapides et moins coûteuses, ces méthodes dominent le terrain (instituts de sondage, marketing, projets étudiants) au prix d’une garantie théorique perdue. Il faut les connaître pour les utiliser à bon escient — et pour repérer leurs faiblesses.
A. Méthode des quotas 🟡
La plus employée en pratique. On impose à l’enquêteur des effectifs par catégorie connue de la population (par exemple 52 % de femmes, une pyramide des âges donnée, une répartition par CSP). L’enquêteur remplit ses cases comme il peut. L’échantillon « ressemble » à la population sur les variables de quotas, mais le tirage à l’intérieur des cases n’est pas aléatoire.
Exemple : pour un panel de 1 000 personnes reflétant une population à 51 % de femmes et 49 % d’hommes, l’enquêteur doit obtenir 510 femmes et 490 hommes, croisés avec des quotas d’âge. Il interroge qui il veut, tant que les cases se remplissent.
B. Échantillon de convenance (ou de commodité) 🟢
On interroge les personnes les plus accessibles : passants dans la rue, camarades, abonnés d’une page. C’est l’échantillon d’un pré-test ou d’un projet exploratoire. Son biais de sélection est massif : les personnes accessibles ne ressemblent presque jamais à la population entière.
C. Boule de neige 🟡
Chaque répondant recrute d’autres répondants de son réseau. Indispensable pour atteindre des populations rares (professions confidentielles, publics vulnérables), mais l’échantillon hérite de l’homogénéité du réseau initial.
D. Échantillonnage raisonné 🔴
Le chercheur choisit délibérément des cas jugés typiques ou stratégiques. Fréquent en études qualitatives, en histoire de cas, en analyse d’entreprises. Il repose entièrement sur l’expertise de celui qui sélectionne : puissant pour comprendre, inutilisable pour généraliser.
VI. Construire une enquête : de la population au panel
Une fois la méthode choisie, l’enquête se déroule en enchaînant proprement quelques notions qu’il ne faut pas confondre. Les mélanger est la source d’erreur numéro un dans les rapports d’étudiants.
| Terme | Définition | Exemple |
|---|---|---|
| Population cible | L’ensemble sur lequel on veut conclure | Tous les lycéens de France |
| Base de sondage | La liste concrète où l’on tire réellement | Fichier des inscrits d’une académie |
| Échantillon | Le sous-ensemble effectivement sélectionné | Les 600 élèves tirés |
| Panel | Un échantillon suivi dans le temps | Ces 600 élèves réinterrogés chaque trimestre |
| Répondants | Ceux qui ont effectivement répondu | 420 questionnaires exploitables sur 600 |
L’écart entre échantillon et répondants s’appelle la non-réponse. C’est un biais souvent plus dangereux que le choix de la méthode elle-même : si les non-répondants diffèrent systématiquement des répondants, aucun tirage aléatoire ne vous sauvera. Une fois l’échantillon en main, la précision de vos estimations se calcule via la marge d’erreur et se traduit par un intervalle de confiance.
Contre-intuitif mais essentiel : la taille de l’échantillon nécessaire ne dépend presque pas de la taille de la population. Interroger 1 000 personnes donne la même précision que la population compte 100 000 ou 60 millions d’habitants. C’est développé sur la page échantillon représentatif.
VII. Erreurs fréquentes et pièges classiques
Trois erreurs reviennent systématiquement, dans les copies comme dans les mémoires. Les repérer chez soi vaut plusieurs points — et surtout, une étude valide.
Erreur n°1 — Croire qu’un gros échantillon corrige un mauvais tirage.
❌ Copie fautive : « J’ai interrogé 5 000 personnes sur les réseaux sociaux, l’échantillon est donc fiable. »
🔍 Diagnostic : la taille ne compense jamais un biais de sélection. Un échantillon de convenance de 5 000 personnes reste non représentatif.
✅ Correction : la fiabilité vient de la méthode de tirage (probabiliste), pas du nombre. Un tirage aléatoire de 1 000 personnes vaut mieux que 5 000 volontaires auto-sélectionnés.
Erreur n°2 — Annoncer une marge d’erreur sur un échantillon non probabiliste.
❌ Copie fautive : « Sondage par quotas, marge d’erreur ± 3 % au seuil de 95 %. »
🔍 Diagnostic : la marge d’erreur statistique suppose un tirage aléatoire. Sur des quotas, ce chiffre n’a pas de fondement mathématique.
✅ Correction : soit on utilise une méthode probabiliste et on calcule la marge, soit on assume l’approche quotas et on parle d’« ordre de grandeur indicatif » sans prétendre à la rigueur inférentielle.
Erreur n°3 — Choisir la méthode systématique sans vérifier la liste.
❌ Copie fautive : « Je prends un logement tous les 10 dans le plan du quartier. »
🔍 Diagnostic : si les logements de coin (souvent plus grands) reviennent tous les 10, le pas capte une périodicité cachée et biaise l’échantillon.
✅ Correction : vérifier l’absence de structure périodique dans la base avant d’appliquer un pas fixe, ou mélanger la liste au préalable.
VIII. Exercices corrigés
Cinq exercices, du simple repérage au raisonnement critique. Cherche d’abord seul, puis déplie la correction.
Exercice 1 — Identifier la famille ★
Pour chacune de ces méthodes, dis si elle est probabiliste ou non : (a) tirage au sort de 50 numéros d’électeurs, (b) enquêteur qui remplit des quotas de sexe et d’âge, (c) tirage de 4 classes entières d’un collège, (d) sondage auprès de ses abonnés Instagram.
Voir la correction de l’exercice 1
(a) Probabiliste (aléatoire simple) : chaque électeur a une probabilité connue.
(b) Non probabiliste (quotas) : le tirage dans les cases n’est pas aléatoire.
(c) Probabiliste (grappes) : les classes sont tirées au sort, chaque classe a une probabilité connue.
(d) Non probabiliste (convenance) : seules les personnes accessibles et volontaires répondent.
Critère unique appliqué à chaque fois : la probabilité de tirage est-elle connue et non nulle pour tous ?
Exercice 2 — Échantillonnage systématique ★
Une entreprise possède un fichier de \(N = 1450\) clients et veut interroger \(n = 50\) d’entre eux par tirage systématique. Calcule le pas \(k\) (arrondi à l’entier inférieur), puis donne les trois premiers rangs sélectionnés si le premier tiré au hasard est le rang 12.
Voir la correction de l’exercice 2
Le pas vaut \(k = \displaystyle\frac{N}{n} = \displaystyle\frac{1450}{50} = 29\).
Ici le résultat est entier, on prend \(k = 29\).
Premier rang tiré : 12. Les suivants s’obtiennent en ajoutant \(k\) :
\(12,\quad 12+29 = 41,\quad 41+29 = 70\)Les trois premiers rangs sélectionnés sont donc 12, 41 et 70.
Exercice 3 — Allocation proportionnelle ★★
Un établissement compte \(N = 2000\) élèves répartis en trois filières : 1 000 en générale, 600 en technologique, 400 en professionnelle. On veut un échantillon stratifié de \(n = 150\) élèves à allocation proportionnelle. Combien d’élèves tirer dans chaque filière ?
Voir la correction de l’exercice 3
On applique \(n_h = n \times \displaystyle\frac{N_h}{N}\) à chaque strate.
Générale : \(n_1 = 150 \times \displaystyle\frac{1000}{2000} = 75\).
Technologique : \(n_2 = 150 \times \displaystyle\frac{600}{2000} = 45\).
Professionnelle : \(n_3 = 150 \times \displaystyle\frac{400}{2000} = 30\).
Vérification : \(75 + 45 + 30 = 150\) ✓. On tire donc 75, 45 et 30 élèves respectivement, au hasard dans chaque filière.
Exercice 4 — Choisir la bonne méthode ★★
Une association veut estimer le temps de trajet domicile-travail des habitants d’une région rurale, très dispersés, avec un budget de déplacement limité mais un fichier d’adresses complet. Quelle méthode probabiliste recommandes-tu, et pourquoi pas les autres ?
Voir la correction de l’exercice 4
Méthode recommandée : par grappes. La population est dispersée et le budget de déplacement est limité : on tire au sort quelques communes (grappes) et on y interroge les habitants, ce qui concentre les déplacements.
Pourquoi pas les autres :
- Aléatoire simple : imposerait de sillonner toute la région pour atteindre des individus éparpillés — coût prohibitif.
- Stratifié : améliore la précision mais n’économise pas les déplacements, au contraire il impose de couvrir toutes les strates partout.
- Quotas / convenance : perte de la rigueur probabiliste, alors qu’on dispose d’un fichier complet permettant un vrai tirage.
On accepte la contrepartie : à taille égale, les grappes sont un peu moins précises, mais c’est le compromis coût / rigueur optimal ici.
Exercice 5 — Critiquer un protocole ★★★
Un étudiant conclut : « J’ai posté mon questionnaire sur un forum étudiant et recueilli 1 200 réponses, dont 78 % favorables à la réforme. La marge d’erreur est de ± 1,4 %, mon résultat est donc représentatif de tous les étudiants français. » Relève au moins trois failles méthodologiques.
Voir la correction de l’exercice 5
Faille 1 — Méthode non probabiliste. Un questionnaire posté sur un forum relève de l’échantillon de convenance : seuls les visiteurs volontaires répondent. La probabilité de tirage n’est ni connue ni contrôlée.
Faille 2 — Marge d’erreur illégitime. Le calcul « ± 1,4 % » suppose un tirage aléatoire. Sur un échantillon auto-sélectionné, ce chiffre n’a aucune valeur inférentielle : il donne une fausse impression de précision.
Faille 3 — Base de sondage biaisée. Les membres d’un forum étudiant particulier ne représentent pas « tous les étudiants français » : biais de plateforme, d’intérêt pour le sujet, et probable auto-sélection des plus motivés (les 78 % favorables sont sans doute surestimés par un biais de militantisme).
Bonus — Non-réponse invisible. On ignore combien de personnes ont vu le questionnaire sans répondre : le taux de réponse réel est inconnu, ce qui empêche tout redressement.
Conclusion attendue : le chiffre de 78 % décrit les répondants du forum, pas la population étudiante. Aucune généralisation rigoureuse n’est possible.
IX. Questions fréquentes
Quelle est la différence entre échantillon stratifié et échantillon par grappes ?
Les deux découpent la population en groupes, mais dans un but opposé. Le stratifié interroge des individus dans toutes les strates pour garantir la diversité et gagner en précision. Les grappes ne retiennent que quelques groupes tirés au sort, pour économiser les déplacements. Résultat : le stratifié est plus précis, les grappes sont moins chères mais moins précises à taille égale.
Quelle méthode d’échantillonnage choisir pour un mémoire ou un projet étudiant ?
Cela dépend de l’objectif. Pour généraliser avec rigueur, il faut une méthode probabiliste (aléatoire simple ou stratifié) et une base de sondage. Pour une phase exploratoire ou une étude qualitative à petit effectif, un échantillon de convenance ou raisonné est acceptable — à condition d’assumer explicitement ses limites et de ne pas prétendre à une marge d’erreur statistique.
La méthode des quotas est-elle fiable ?
Elle produit des résultats souvent proches de la réalité et reste très utilisée par les instituts, car elle est rapide et économique. Mais elle est non probabiliste : le tirage à l’intérieur des cases n’est pas aléatoire, donc la marge d’erreur qu’on lui associe est une approximation par analogie, pas un résultat démontré. Fiable en pratique, fragile en théorie.
Combien de personnes faut-il interroger ?
La taille dépend de la marge d’erreur visée et du niveau de confiance, pas de la taille de la population. Pour une marge de ± 3 % à 95 % de confiance, environ 1 000 personnes suffisent, que la population compte 50 000 ou 60 millions d’individus. Le calcul détaillé est sur la page échantillon représentatif.
Pourquoi ne peut-on pas calculer de marge d’erreur sur un échantillon de convenance ?
Parce que le calcul de la marge d’erreur repose sur la loi des grands nombres et le théorème de Moivre-Laplace, qui supposent un tirage aléatoire. Sur un échantillon auto-sélectionné, la probabilité de tirage de chaque individu est inconnue : la formule perd son fondement mathématique et le chiffre obtenu ne mesure rien de garanti.
X. Pour aller plus loin
Une fois votre échantillon construit, l’étape suivante est d’en tirer des estimations et d’en mesurer la fiabilité :
- Loi Normale : Cours Complet, Propriétés et Exercices Corrigés
- Écart-type (1ère) : Cours, Propriétés et Exercices
- Probabilités : définitions, formules et exercices corrigés
- Espérance (1ère) : Cours, Propriétés et Exercices
Cette fiche s’inscrit dans le cours complet sur l’échantillonnage, de l’échantillon à l’estimation.
