FUN

Méthodes de sondage et d'enquête (FUN)

Méthodes de sondage et d'enquête (FUN)

En vous proposant une initiation rigoureuse aux principes de base de la méthodologie des sondages, ce MOOC vous aidera à vous forger un regard plus critique et avisé sur les statistiques qui inondent notre quotidien.

Nous sommes quotidiennement abreuvés de résultats de sondages de toute sorte. Mais, comment juger dans quelle mesure les statistiques issues des enquêtes par sondage reflètent correctement ou non la réalité ?

Evaluer la qualité d’une enquête par sondage impose de prendre en compte de nombreux aspects différents de la démarche du sondeur. Ceci nécessite une compréhension fine des principes de base de la théorie des sondages et de la méthodologie d’enquête. Ce MOOC vous expliquera comment prélever un échantillon et estimer différentes caractéristiques de la population qui nous intéresse. Il vous familiarisera avec les outils statistiques disponibles pour appréhender la précision d’un sondage. Il vous aidera aussi à prendre conscience des différentes sources d’erreur dans une enquête par sondage.
L’approche suivie mêlera intuition et bon sens aux explications plus rigoureuses et techniques qui feront appel à quelques notions de base en statistique et probabilités, ainsi qu’à un peu de formalisme mathématique. Vous découvrirez les différentes notions de manière très progressive à l’aide d’exemples et d’illustrations.
A l’issue de ce MOOC, vous serez capable de :

  • Définir l’objectif général d’un sondage et identifier les différentes étapes de la démarche d’enquête par sondage.
  • Différencier les méthodes de sondage – méthodes de prélèvement d’un échantillon – aléatoires des méthodes de sondage empiriques et en expliquer les avantages et inconvénients.
  • Décrire les caractéristiques de la méthode de sondage aléatoire simple et de la méthode de sondage stratifié, et définir les estimateurs d’une proportion, d’une moyenne ou d’un total utilisés lorsqu’on applique ces méthodes d’échantillonnage.
  • Décrire et interpréter correctement les « outils » statistiques disponibles évaluer la précision d’une procédure d’estimation.
  • Décrire les caractéristiques de la population et de l’échantillon qui jouent sur la précision de la procédure d’estimation d’une proportion, d’une moyenne ou d’un total.
  • Choisir de manière réfléchie la taille de l’échantillon à prélever.
  • Tirer des conclusions valides de résultats d’estimation de proportions, notamment dans le cadre de sondages pré-électoraux.
  • D’expliquer les différents types d’erreurs qui peuvent survenir dans le cadre d’une enquête par sondage.
  • Avoir une idée claire de la liste des points à contrôler pour évaluer globalement la qualité et la fiabilité d’une enquête par sondage.

Plan du cours

Module 1 – Introduction générale au MOOC
L’expérience MOOC : navigation dans le MOOC, le forum, le wiki
Préparez-vous pour le MOOC : les connaissances en statistique et les outils nécessaires pour suivre le MOOC
Les sondages : qu’en pensez-vous ?

Module 2 – Premiers pas en théorie des sondages
Qu’est-ce qu’un sondage ?
Concepts de base
Qu’est-ce qu’un « bon » échantillon ?
Les étapes d’un sondage
Catégorisation des méthodes de sondage
Les méthodes aléatoires : base de sondage, plan de sondage et probabilités d’inclusion
Les méthodes empiriques
L’information auxiliaire

Module 3 – Sondage aléatoire simple : partie 1
Procédure d’échantillonnage
Plan de sondage et probabilités d’inclusion
Estimation d’une proportion
Estimateur d’une proportion
Propriétés de cet estimateur : sa distribution d’échantillonnage, son espérance et sa variance
Facteurs de précision

Module 4 – Sondage aléatoire simple : partie 2
Estimation d’une moyenne et d’un total
Estimateurs d’une moyenne et d’un total
Propriétés de ces estimateurs
Facteurs de précision
Le tirage systématique

Module 5 – Sondage aléatoire simple : partie 3
L’estimation par intervalle de confiance
Objectifs
Définition et construction
Interprétation
L’effet du niveau de confiance
Incertitudes absolue et relative
Le choix de la taille de l’échantillon
La problématique
Pour l’estimation d’une moyenne
Pour l’estimation d’une proportion
Trois questions relatives à la comparaison de deux proportions
Formulation des questions
Règle de conduite à suivre pour répondre adéquatement aux questions formulées

Module 6 – Sondage stratifié
Pourquoi recourir au sondage stratifié ?
Principe général
Stratification de la population et échantillonnage stratifié
Estimateurs stratifiés d’une moyenne, d’un total et d’une proportion
Propriétés de ces estimateurs
Sondage stratifié proportionnel
Sondage stratifié optimal

Module 7 – Sondages empiriques
Avantages et inconvénients par rapport aux sondages aléatoires
Quelques méthodes empiriques
La méthode des quotas
La méthode des unités-types
La méthode des itinéraires
Le volontariat
L’échantillonnage sur place
La méthode « boule de neige »

Module 8 – Sources d’erreur dans une enquête par sondage
L’erreur d’échantillonnage
L’erreur de couverture
L’erreur de mesure
L’erreur due à la non-réponse
Peut-on se fier aux sondages ?

Module 9 – La fin du voyage
Test final d’évaluation
Un dernier petit mot !

Go to Class
MOOC List is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Related Courses

Introduction to Statistics (Coursera) Coursera
Stanford University

Introduction to Statistics (Coursera)

Stanford's "Introduction to Statistics" teaches you statistical thinking concepts that are essential for learning from data and communicating insights. By the end of the course, you will be able to perform exploratory data analysis, understand key principles of sampling, and select appropriate tests of significance for multiple contexts. You will gain the foundational skills that prepare you to pursue more advanced topics in statistical thinking and machine learning.

Jun 15th 2026
5-12 Weeks
Mathematics for Machine Learning: PCA (Coursera) Coursera
Imperial College London

Mathematics for Machine Learning: PCA (Coursera)

This intermediate-level course introduces the mathematical foundations to derive Principal Component Analysis (PCA), a fundamental dimensionality reduction technique. We'll cover some basic statistics of data sets, such as mean values and variances, we'll compute distances and angles between vectors using inner products and derive orthogonal projections of data onto lower-dimensional subspaces. Using all these tools, we'll then derive PCA as a method that minimizes the average squared reconstruction error between data points and their reconstruction.

Jun 15th 2026
4 Weeks
Factorial and Fractional Factorial Designs (Coursera) Coursera
Arizona State University

Factorial and Fractional Factorial Designs (Coursera)

Many experiments in engineering, science and business involve several factors. This course is an introduction to these types of multifactor experiments. The appropriate experimental strategy for these situations is based on the factorial design, a type of experiment where factors are varied together. This course focuses on designing these types of experiments and on using the ANOVA for analyzing the resulting data.

Jun 15th 2026
4 Weeks
Statistique pour l'ingénieur (FUN) FUN
Institut Mines-Telecom

Statistique pour l'ingénieur (FUN)

Les méthodes statistiques sont largement répandues dans presque tous les secteurs de l’activité humaine : sciences et techniques, économie, sciences humaines et sociales. Elles font partie des connaissances de base de l’ingénieur. Parmi les innombrables applications dans le domaine industriel, on peut citer le contrôle de qualité, la fiabilité, l’analyse des résultats de mesure, la prévision et la planification.

No sessions available
5-12 Weeks
Data Science in Real Life (Coursera) Coursera
Johns Hopkins University

Data Science in Real Life (Coursera)

Have you ever had the perfect data science experience? The data pull went perfectly. There were no merging errors or missing data. Hypotheses were clearly defined prior to analyses. Randomization was performed for the treatment of interest. The analytic plan was outlined prior to analysis and followed exactly. The conclusions were clear and actionable decisions were obvious. Has that every happened to you? Of course not. Data analysis in real life is messy. How does one manage a team facing real data analyses? In this one-week course, we contrast the ideal with what happens in real life. By contrasting the ideal, you will learn key concepts that will help you manage real life analyses.

Jun 15th 2026
1 Week
Regression Models (Coursera) Coursera
Johns Hopkins University

Regression Models (Coursera)

Linear models, as their name implies, relates an outcome to a set of predictors of interest using linear assumptions. Regression models, a subset of linear models, are the most important statistical analysis tool in a data scientist’s toolkit. This course covers regression analysis, least squares and inference using regression models.

Jun 15th 2026
4 Weeks