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

Statistics and Data Analysis with Excel, Part 2 (Coursera) Coursera
University of Colorado Boulder

Statistics and Data Analysis with Excel, Part 2 (Coursera)

This course is meant to be a direct continuation of "Statistics and Data Analysis with Excel, Part 1." Therefore, it is not recommended to take Part 2 unless you've also taken Part 1. Building on the topics learned in Part 1 of the course (probability, probability mass and density functions, the normal and standard normal distributions), this course dives into a more applied side of statistics.

Dec 14th 2026
5-12 Weeks
Probability and Statistics: To p or not to p? (Coursera) Coursera
University of London

Probability and Statistics: To p or not to p? (Coursera)

We live in an uncertain and complex world, yet we continually have to make decisions in the present with uncertain future outcomes. Indeed, we should be on the look-out for "black swans" - low-probability high-impact events. To study, or not to study? To invest, or not to invest? To marry, or not to marry?

Nov 30th 2026
5-12 Weeks
Improving your statistical inferences (Coursera) Coursera
Eindhoven University of Technology

Improving your statistical inferences (Coursera)

This course aims to help you to draw better statistical inferences from empirical research. First, we will discuss how to correctly interpret p-values, effect sizes, confidence intervals, Bayes Factors, and likelihood ratios, and how these statistics answer different questions you might be interested in. Then, you will learn how to design experiments where the false positive rate is controlled, and how to decide upon the sample size for your study, for example in order to achieve high statistical power.

Nov 30th 2026
5-12 Weeks
Variable Selection, Model Validation, Nonlinear Regression (Coursera) Coursera
Illinois Tech

Variable Selection, Model Validation, Nonlinear Regression (Coursera)

If you have a technical background in mathematics/statistics/computer science/engineering and or are pursuing a career change to jobs or industries that are data-driven, this course is for you. Those industries might be finance, retail, tech, healthcare, government, or many others. The opportunity is endless.

Dec 7th 2026
4 Weeks
Mindware: Critical Thinking for the Information Age (Coursera) Coursera
University of Michigan

Mindware: Critical Thinking for the Information Age (Coursera)

Most professions these days require more than general intelligence. They require in addition the ability to collect, analyze and think about data. Personal life is enriched when these same skills are applied to problems in everyday life involving judgment and choice. This course presents basic concepts from statistics, probability, scientific methodology, cognitive psychology and cost-benefit theory and shows how they can be applied to everything from picking one product over another to critiquing media accounts of scientific research. Concepts are defined briefly and breezily and then applied to many examples drawn from business, the media and everyday life.

Nov 30th 2026
4 Weeks
A Crash Course in Causality: Inferring Causal Effects from Observational Data (Coursera) Coursera
University of Pennsylvania

A Crash Course in Causality: Inferring Causal Effects from Observational Data (Coursera)

We have all heard the phrase “correlation does not equal causation.” What, then, does equal causation? This course aims to answer that question and more! Over a period of 5 weeks, you will learn how causal effects are defined, what assumptions about your data and models are necessary, and how to implement and interpret some popular statistical methods. Learners will have the opportunity to apply these methods to example data in R (free statistical software environment).

Dec 7th 2026
5-12 Weeks
A Crash Course in Data Science (Coursera) Coursera
Johns Hopkins University

A Crash Course in Data Science (Coursera)

By now you have definitely heard about data science and big data. In this one-week class, we will provide a crash course in what these terms mean and how they play a role in successful organizations. This class is for anyone who wants to learn what all the data science action is about, including those who will eventually need to manage data scientists. The goal is to get you up to speed as quickly as possible on data science without all the fluff. We've designed this course to be as convenient as possible without sacrificing any of the essentials.

Nov 30th 2026
1 Week