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

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
Statistics for Marketing (Coursera) Coursera
Meta

Statistics for Marketing (Coursera)

This course takes a deep dive into the statistical foundation upon which marketing analytics is built. The first part of this course will help you to thoroughly understand your dataset and what the data actually means. Then, it will go into sampling including how to ask specific questions about your data and how to conduct analysis to answer those questions.

Jun 22nd 2026
5-12 Weeks
Fondamentaux pour le Big Data (FUN) FUN
Institut Mines-Telecom

Fondamentaux pour le Big Data (FUN)

Le MOOC « Fondamentaux pour le big data » permet d'acquérir efficacement le niveau prérequis en informatique et en statistiques pour suivre des formations dans le domaine du big data. Le big data offre de nouvelles opportunités d’emplois au sein des entreprises et des administrations. De nombreuses formations préparant à ces opportunités de métiers existent. Le suivi de ces formations nécessite des connaissances de base en statistiques et en informatique que ce MOOC vous propose d’acquérir dans les domaines de l’analyse, algèbre, probabilités, statistiques, programmation Python et bases de données.

No sessions available
5-12 Weeks
Six Sigma Tools for Analyze (Coursera) Coursera
University System of Georgia

Six Sigma Tools for Analyze (Coursera)

This course will cover the Measure phase and portions of the Analyze phase of the Six Sigma DMAIC (Define, Measure, Analyze, Improve, and Control) process. You will learn about lean tools for process analysis, failure mode and effects analysis (FMEA), measurement system analysis (MSA) and gauge repeatability and reproducibility (GR&R), and you will be introduced to basic statistics. This course will outline useful measure and analysis phase tools and will give you an overview of statistics as they are related to the Six Sigma process.

Jun 22nd 2026
4 Weeks
Statistical Inference (Coursera) Coursera
Johns Hopkins University

Statistical Inference (Coursera)

Statistical inference is the process of drawing conclusions about populations or scientific truths from data. There are many modes of performing inference including statistical modeling, data oriented strategies and explicit use of designs and randomization in analyses. Furthermore, there are broad theories (frequentists, Bayesian, likelihood, design based, …) and numerous complexities (missing data, observed and unobserved confounding, biases) for performing inference.

Jun 22nd 2026
4 Weeks
Experimentation for Improvement (Coursera) Coursera
McMaster University

Experimentation for Improvement (Coursera)

We are always using experiments to improve our lives, our community, and our work. Are you doing it efficiently? Or are you (incorrectly) changing one thing at a time and hoping for the best? In this course, you will learn how to plan efficient experiments - testing with many variables. Our goal is to find the best results using only a few experiments. A key part of the course is how to optimize a system.

Jun 22nd 2026
5-12 Weeks
Managing, Describing, and Analyzing Data (Coursera) Coursera
University of Colorado Boulder

Managing, Describing, and Analyzing Data (Coursera)

In this course, you will learn the basics of understanding the data you have and why correctly classifying data is the first step to making correct decisions. You will describe data both graphically and numerically using descriptive statistics and R software. You will learn four probability distributions commonly used in the analysis of data. You will analyze data sets using the appropriate probability distribution. Finally, you will learn the basics of sampling error, sampling distributions, and errors in decision-making.

Jun 22nd 2026
5-12 Weeks
Mathematical Biostatistics Boot Camp 1 (Coursera) Coursera
Johns Hopkins University

Mathematical Biostatistics Boot Camp 1 (Coursera)

This class presents the fundamental probability and statistical concepts used in elementary data analysis. It will be taught at an introductory level for students with junior or senior college-level mathematical training including a working knowledge of calculus. A small amount of linear algebra and programming are useful for the class, but not required.

Jun 22nd 2026
4 Weeks
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 22nd 2026
4 Weeks