Académique Documents
Professionnel Documents
Culture Documents
Recherche sur :
Théorie de l’échantillonnage
Réalisé par :
AIT OUMGHAR HOUDA
CHARKI SOUMIA
MAKHCHANE SOUKAINA
EL OUAD EL HABIBA
L’échantillonnage, définition :
Échantillonnage est une technique qui consiste à sélectionner des membres individuels ou un sous-
ensemble de la population afin d’en tirer des conclusions statistiques et d’estimer les caractéristiques
de l’ensemble de la population. Différentes méthodes d’échantillonnage sont largement utilisées par
les chercheurs dans les domaines suivants études de marché de sorte qu’ils n’ont pas besoin d’étudier
l’ensemble de la population pour obtenir des informations exploitables.
Il s’agit également d’une méthode rapide et rentable, qui constitue donc la base de tout plan de
recherche. Les techniques d’échantillonnage peuvent être utilisées dans les logiciels d’enquête de
recherche pour une dérivation optimale.
Exemple
L’échantillonnage dans les études de marché est de deux types : l’échantillonnage probabiliste et
l’échantillonnage non probabiliste. Examinons de plus près ces deux méthodes d’échantillonnage.
Par exemple : dans une population de 1000 membres, chaque membre a 1/1000 de
chances d’être sélectionné pour faire partie d’un échantillon. L’échantillonnage
probabiliste élimine le biais d’échantillonnage dans la population et permet d’inclure
tous les membres dans l’échantillon.
3
Département STAIC MASTER DPEIC
Exemple : dans une organisation de 500 employés, si l’équipe des ressources humaines décide
d’organiser des activités de renforcement de l’esprit d’équipe, elle préférera probablement tirer
des jetons d’un bol. Dans ce cas, chacun des 500 employés a une chance égale d’être sélectionné.
• L’échantillonnage en grappes : L’échantillonnage en grappes est une méthode par laquelle les
chercheurs divisent l’ensemble de la population en sections ou grappes représentant une
population. Les grappes sont identifiées et incluses dans un échantillon sur la base de
paramètres démographiques tels que l’âge, le sexe, la localisation, etc. Il est donc très facile
pour un créateur d’enquête de tirer des conclusions efficaces à partir du retour d’information.
4
Département STAIC MASTER DPEIC
Par exemple, lorsque des chercheurs souhaitent comprendre le processus de réflexion des
personnes intéressées par l’obtention d’un master. Les critères de sélection seront les suivants :
« Êtes-vous intéressé(e) par un master en … ? » et les personnes ayant répondu « Non » sont
exclues de l’échantillon.
Par exemple, les enquêtes visant à recueillir des informations sur le VIH/sida. Peu de victimes
répondront d’emblée à ces questions. Toutefois, les chercheurs peuvent contacter des personnes
qu’ils connaissent ou des bénévoles associés à la cause pour entrer en contact avec les victimes
et recueillir des informations.
6
Département STAIC MASTER DPEIC
Définition L’échantillonnage probabiliste est une L’échantillonnage non probabiliste est une
technique d’échantillonnage dans laquelle technique d’échantillonnage dans laquelle le
des échantillons d’une population plus large chercheur sélectionne des échantillons sur la
sont choisis à l’aide d’une méthode basée sur base de son jugement subjectif plutôt que sur la
la théorie des probabilités. base d’une sélection aléatoire.
7
Département STAIC MASTER DPEIC
Echantillon Comme il existe une méthode pour La méthode d’échantillonnage étant arbitraire,
déterminer l’échantillon, les caractéristiques la représentation démographique de la
démographiques de la population sont population est presque toujours faussée.
représentées de manière concluante.
Temps Prend plus de temps à réaliser car la Ce type de méthode d’échantillonnage est
nécessaire conception de la recherche définit les rapide car ni l’échantillon ni les critères de
paramètres de sélection avant le début de sélection de l’échantillon ne sont indéfinis.
l’étude de marché.
Limites de l’´échantillonnage
L’´échantillonnage a pour but de fournir suffisamment d’informations pour pouvoir faire des
d´éductions sur les caractéristiques de la population. Mais bien entendu, les résultats obtenus d’un
échantillon à l’autre vont être en général différents et différents ´également de la valeur de la
caractéristique correspondante dans la population. On dit qu’il y a des fluctuations d’´échantillonnage.
Comment, dans ce cas, peut-on tirer des conclusions valables ? En d´exterminant les lois de
probabilités qui régissent ces fluctuations. C’est l’objet de ce chapitre.
8
Département STAIC MASTER DPEIC
En statistiques, il est en général impossible d’étudier un caractère sur toute une population de taille
N élevée. La théorie de l’échantillonnage se pose la question suivante : En supposant connus les
paramètres statistiques de la population, que peut-on en déduire sur les échantillons prélevés dans la
population ? On suppose que ces échantillons sont prélevés au hasard et que le tirage de ces
échantillons est effectué avec remise. L’ensemble de ces échantillons de taille n est appelé
échantillonnage de taille n.
Loi d’échantillonnage des moyennes Étant donné une population de taille N et X une variable aléatoire
telle que E(X) = m et σ(X) = σ. Pour prélever les échantillons de taille n, on a procédé à n épreuves
indépendantes de variables aléatoires X1, X2, . . ., Xn de même loi que X. La variable aléatoire X̄n = (X1
+ X2 + · · · + Xn)/n associe à tout échantillon de taille n sa moyenne. D’après le théorème de la limite
centrée, pour n assez grand, on a :
Propriété 1
La loi d’échantillonnage de taille n de la moyenne X̄ n quand n ≥ 30, peut être approchée par la loi
normale N (m, σ /√n)
On étudie, dans une population de taille N, un caractère X suivant une loi de Bernoulli B(p), c’est-à-dire
que les éléments possèdent une certaine propriété d fréquence p. Dans un échantillon de taille n, on
répète n fois la même épreuve de façon indépendante. On obtient n variables aléatoires X1, X2, . . ., Xn
de même loi que X.
9
Département STAIC MASTER DPEIC
Propriété 2
La loi d’échantillonnage de taille n de la fréquence fn pour n « assez grand » peut être approchée par la
loi normale N
La densité :
La densité de probabilité est une fonction qui décrit la probabilité relative que la variable aléatoire
prenne une certaine valeur. Dans le contexte de l'échantillonnage, on s'intéresse souvent à la
distribution de la moyenne d'un échantillon, par exemple. Si la population d'origine suit une
distribution normale, la distribution de la moyenne des échantillons suivra également une distribution
normale.
La formule de la densité de probabilité de la moyenne d'un échantillon (lorsque les échantillons sont
suffisamment grands en vertu du théorème central limite) peut être donnée par la distribution normale
(ou gaussienne) :
Cette formule est basée sur le théorème central limite, qui stipule que la distribution des moyennes
d'échantillons tend vers une distribution normale, quelle que soit la distribution de la population
d'origine, à condition que la taille de l'échantillon soit suffisamment grande. La densité de probabilité
décrit la forme de cette distribution normale.
10
Département STAIC MASTER DPEIC
Exercices d’application :
Supposons que la durée de vie d'une ampoule électrique soit une variable aléatoire suivant une
distribution normale avec une moyenne de 800 heures et un écart-type de 50 heures. On
souhaite tirer un échantillon de 25 ampoules et estimer la durée de vie moyenne de l'ensemble
des ampoules produites.
1. Quelle est la distribution de la moyenne de l'échantillon (en termes de moyenne et d'écart-
type) selon la théorie de l'échantillonnage?
2. Si on tire un échantillon de 25 ampoules, quelle est la probabilité que la durée de vie moyenne
de l'échantillon soit inférieure à 790 heures?
Correction :
1. Distribution de la moyenne de l'échantillon :
Selon le théorème central limite, la distribution de la moyenne de l'échantillon suit une distribution
normale avec une moyenne égale à la moyenne de la population (μ=800) et un écart-type égal à l'écart-
type de la population divisée par la racine carrée de la taille de l’échantillon (σ/racine (n)). Dans ce cas,
la formule est la suivante :
Moyenne de l’échantillon ∼N (μ, (σ/racine(n)))
Où μ=800, σ=50, et n=25.
2. Calcul de la probabilité :
On souhaite trouver P(xˉ<790), c'est-à-dire la probabilité que la durée de vie moyenne de l'échantillon
soit inférieure à 790 heures. On utilise la table de la distribution normale standard ou un logiciel
statistique pour trouver cette probabilité.
P(xˉ<790)=P(Z< ((790−μ)/(σ/racine (n)))
En utilisant les valeurs données, on peut calculer cette probabilité.
Correction numérique :
1. La distribution de la moyenne de l'échantillon est N(800,50/25), soit N(800,10).
2. Calcul de la probabilité :
P(xˉ<790)=P(Z<(790−800)/10))=P(Z<−1)
En utilisant une table de distribution normale standard, on trouve que : P (Z<−1)≈0.1587.
Donc, la probabilité que la durée de vie moyenne de l'échantillon soit inférieure à 790 heures est
d'environ 0.1587, soit environ 15.87%.
11
Département STAIC MASTER DPEIC
Supposons qu'un fabricant de médicaments souhaite étudier la durée d'efficacité d'un nouveau
médicament sur la population du pays. La durée d'efficacité du médicament suit une
distribution normale avec une moyenne de 36 heures et un écart-type de 5 heures. Le fabricant
décide de tirer un échantillon de 30 patients pour estimer la durée moyenne d'efficacité du
médicament.
Correction :
Selon le théorème central limite, la distribution de la moyenne de l'échantillon suit une distribution
normale avec une moyenne égale à la moyenne de la population (μ=36) et un écart-type égal à l'écart-
type de la population divisée par la racine carrée de la taille de l’échantillon (σ/racine (n)). Dans ce cas,
la formule est la suivante :
2. Calcul de la probabilité :
Correction numérique :
2. Calcul de la probabilité :
12
Département STAIC MASTER DPEIC
P (xˉ<34)=P (Z<0.912934−36)=P(Z<−2.19)
Donc, la probabilité que la durée moyenne d'efficacité du médicament soit inférieure à 34 heures est
d'environ 1.4%.
13