UNIVERSITE MOHAMMED V ‫جامعة محمد الخامس الرباط‬

RABAT ‫كلية العلوم القانونية واالقتصادية‬

FACULTE DES SCIENCES
‫واالجتماعية‬
JURIDIQUES, ECONOMIQUES ET
SOCIALES ‫اكدال‬
RABAT AGDAL

DEPARTEMENT DES SCIENCES ECONOMIQUES

FILIERE : SCIENCES ECONOMIQUES ET GESTION

MODULE : ECHANTILLONNAGE ET ESTIMATIONS

SEMESTRE 3

Adil EL MARHOUM

Année Universitaire 2019 – 2020

 Echantillonnage et estimations

DESCRIPTIF DU MODULE

N° d’ordre du module M5

Intitulé du module ECHANTILLONNAGE ET ESTIMATION

Nature du module MAJEUR

(Majeur / Complémentaire)

Semestre d’appartenance du module SEMESTRE 3

Département d’attache SCIENCES ECONOMIQUES

FACULTE DES SCIENCES JURIDIQUES,

Etablissement dont relève le module
ECONOMIQUES ET SOCIALES

1. OBJECTIFS DU MODULE

Approfondir et maitriser les bases de L’échantillonnage et de l’estimation.

2. PRE-REQUIS PEDAGOGIQUES

Module de statistiques descriptives du semestre 1 et module de probabilités du

semestre 2.

3. DESCRIPTION DU CONTENU DU MODULE

Chapitre 1 : Théorie d’échantillonnage.

- Taille de l’échantillon
- Méthodes d’échantillonnage
- Distribution d’échantillonnage

Chapitre 2 : Problèmes d’estimation

- Estimation ponctuelle
- Maximum de vraisemblance
- Intervalle de confiance

Chapitre 3 : Tests statistiques

- Tests paramétriques
- Tests non paramétriques

Adil EL MARHOUM Page 2

 Echantillonnage et estimations

THEORIE D’ECHANTILLONNAGE

I. ROLE DE L’ECHANTILLONNAGE
Lorsqu’on souhaite collecter les informations sur une population, deux possibilités s’offrent :
La première solution consiste à observer ou interroger tous les éléments de la population, c’est
ce qu’on appelle une enquête complète ou enquête exhaustive ou recensement. La seconde
solution consiste à observer ou interroger une partie de la population, c’est ce qu’on appelle
enquête partielle ou sondage. Les éléments de la population qui sont réellement observés
constituent l’échantillon et l’opération qui consiste à choisir ces éléments est appelée
échantillonnage.

L’alternative décrite ci-dessus se présente dans beaucoup de situations et le recours à la

deuxième solution c’est à dire l’enquête partielle et la pratique la plus courante.

Par rapport à l’enquête complète, l’enquête partielle offre une série d’avantages. Le coût global
de l’enquête partielle est en général plus réduit que le coût global d’une enquête complète.
L’enquête par sondage est plus rapide que l’enquête complète, surtout lorsque la caractéristique
étudiée présente des modifications assez importantes au cours du temps. Les erreurs
d’observations sont plus réduites que dans l’enquête exhaustive. En fin dans certaines situations
particulières, l’enquête partielle est la seule solution possible, c’est le cas lorsque l’observation
présente un caractère destructif.

II. VOCABULAIRE
Enquête : ensemble des opérations de collecte et de traitement de données relatives à quelques
domaines que ce soit.

Population : rassemblement de tous les cas qui répondent à un ensemble de caractères

spécifiques. Appelée aussi univers ou ensemble statistique, c’est l’ensemble des éléments
auxquels on s’intéresse.

Unité de base : unité d’échantillonnage ou unité de sondage, c’est l’élément pris en

considération dans l’enquête.

Recensement : Enquête complète ou enquête exhaustive, c’est une enquête au cours de laquelle
toutes les unités de base de la population sont observées.

Sondage : Enquête incomplète, enquête partielle ou enquête par échantillonnage, c’est

une enquête au cours de laquelle seulement une partie des unités de base de la
population sont observée.

Echantillon : ensemble des unités de base sélectionnées et réellement observées au cours d’un
sondage.

Adil EL MARHOUM Page 3

 Echantillonnage et estimations

Echantillonnage : ensemble des opérations qui permettent de sélectionner de façon organisée

les éléments de l’échantillon.

Base de sondage : énumération ou présentation ordonnée de toutes les unités de base

constituant la population.

Erreur d’échantillonnage : écart entre les résultats obtenus auprès d’un échantillon et ce que
nous apprendrait un recensement comparable de la population. Plus la taille de l’échantillon est
grande plus l’erreur d’échantillonnage diminue.

Fraction ou taux de sondage : proportion des unités de la population qui font partie de
l’échantillon. C’est le rapport entre la taille de l’échantillon n, et la taille de la population N.

f = n x100
N

Sondage

Taille Méthodes

Marge d’erreur tolérée

Degré de confiance
Probabilistes Empiriques
Normalité de la population
Aléatoire simple
Quotas

Nature de l’information : Stratifiée

Quanti (moyenne) ou
Quali (proportion) Par degrés

Systématique

Adil EL MARHOUM Page 4

 Echantillonnage et estimations

III. DETERMINATION DE LA TAILLE DE L’ECHANTILLON

Le nombre n’est pas une garantie absolue de représentativité. La détermination de la taille
d’échantillon dépend essentiellement de deux facteurs :

- La précision souhaitée : plus on souhaite des résultats précis, plus l’échantillon

nécessaire est important.

- Le budget disponible : plus on augmente la taille, plus le coût de l’enquête s’accroît.

La taille de l’échantillon doit être celle qui permet d’atteindre le meilleur équilibre entre le
risque de commettre des erreurs d’échantillonnage, le coût induit par ces erreurs, et le coût de
l’échantillonnage lui-même.

Afin de déterminer la taille de l’échantillon, nous utiliserons l’inégalité de Bienaymé

Tchebycheff ou la loi normale.

3.1. UTILISATION DE L’INEGALITE DE BIENAYME

TCHEBYCHEFF
Cette inégalité n’est utilisée que si la loi de la variable aléatoire est complètement inconnue.
Elle aboutit à des échantillons de taille élevée.

3.1.1. Taille d’échantillon pour estimer une moyenne.

- La taille de l’échantillon dépend de la précision souhaitée pour la généralisation des

résultats.
- La précision (ou erreur d’échantillonnage) s’exprime en valeur absolue ou relative. Elle
représente la largeur de l’intervalle de confiance de la moyenne. Soit  la moitié de cette
largeur.

L’inégalité de Bienaymé Tchebycheff dans le cas de la moyenne s’écrit :

P( X −m < )  1− ²
−

n²
Avec :

n : taille de l’échantillon ;
 : précision souhaitée ;
−
X : moyenne de l’échantillon ;
m : moyenne de la population.
 : Ecart- type d’échantillon, il est souvent inconnu, il faut avoir des informations
antérieures ou mener une étude pilote.

Adil EL MARHOUM Page 5

 Echantillonnage et estimations

Pour obtenir un maximum de fiabilité dans les résultats, on commence par se fixer une marge
d'erreur "" que l'on accepte. On se fixe ensuite un seuil de confiance (1-), qui représente la
probabilité minimale pour que la moyenne calculée à partir de l’échantillon ne s’écarte pas de
la moyenne de la population de plus de . Ceci s’écrit :

−
P( X −m < )  1-

En rapprochant les deux formules on obtient :

1− ² = 1-
n²
et donc :

n = ²
²
Exemple :

Un parc de loisirs souhaite estimer à 10dh prés le montant moyen d’achats effectués par chaque
visiteur, c’est à dire on se fixe une marge d'erreur de 10 dans l'analyse des résultats :

 = 10

Une étude pilote menée sur 50 visiteurs choisis au hasard a montré que l’écart- type des achats
est :  = 100 dh.

Si on se fixe un seuil de confiance (1-) = 95%, La taille de l’échantillon est donc :

n = 100² = 2000
10²0,05

3.1.2. Taille d’échantillon pour estimer une proportion

- La taille de l’échantillon dépend de la précision souhaitée pour la généralisation des

résultats.

- La précision (ou erreur d’échantillonnage) s’exprime en valeur absolue ou relative. Elle

représente la largeur de l’intervalle de confiance de la proportion. Soit  la moitié de
cette largeur.

Adil EL MARHOUM Page 6

 Echantillonnage et estimations

L’inégalité de Bienaymé Tchebycheff dans le cas de la proportion s’écrit :

pq
p( fn − p < )  1−
n²
Avec :

n : taille de l’échantillon ;
 : précision souhaitée ;
F : proportion ou fréquence relative dans l’échantillon ;
p : proportion dans la population (q = 1 – p). Elle est souvent inconnue, il faut avoir des
informations antérieures ou mener une étude pilote, sinon on utilise une proportion de 50 %.

Pour obtenir un maximum de fiabilité dans les résultats, on commence par se fixer une marge
d'erreur "" que l'on accepte. On se fixe ensuite un seuil de confiance (1-), qui représente la
probabilité minimale pour que la fréquence calculée à partir de l’échantillon ne s’écarte pas de
la proportion dans la population de plus de . Ceci s’écrit :

p(|𝐹 − 𝑝| < )  1-

En rapprochant les deux formules on obtient :

pq
1−
n² = 1-
et donc :

pq
n =
²
Exemple :

Le parc souhaite estimer la proportion des visiteurs qui font des achats à cinq points prés, c’est
à dire on se fixe une marge d'erreur de 5% dans l'analyse des résultats :

 = 0,05

L’enquête pilote a estimé cette proportion à 65%, c’est à dire p = 0,65

Si on se fixe un seuil de confiance (1-) = 95%, la taille de l’échantillon est donc :

n = 0,650,35 = 1820
0,05²0,05

Adil EL MARHOUM Page 7

 Echantillonnage et estimations

3.2. UTILISATION DE LA LOI NORMALE

On applique cette méthode si la variable suit une loi normale ou si elle peut être approchée par
la loi normale.

3.2.1. Taille d’échantillon pour estimer une moyenne

a) Cas des prélèvements dans une population finie avec remise ou dans une
population infinie sans remise :

Pour obtenir un maximum de fiabilité dans les résultats, on commence par se fixer une marge
d'erreur "" que l'on accepte. On se fixe ensuite un seuil de confiance (1-), qui représente la
probabilité minimale pour que la moyenne calculée à partir de l’échantillon ne s’écarte pas de
la moyenne de la population de plus de . Ceci s’écrit :

−
P( X −m < )  1-

avec :

 : précision souhaitée ;
−
X : moyenne de l’échantillon ;
m : moyenne de la population.

−
D’après le théorème central limite, la variable aléatoire X suit une loi normale dont les
paramètres sont :
−
E( X n ) = m

V( X n ) = ²
−

n
L’écart type de la moyenne est donc : X= 
−

Déterminer la taille de l’échantillon consiste à résoudre l’équation :

−
P( X −m < )  1-
−
P(−  X −m)  1-
−

P(−   X −m −  )  1-
  
n n n

P(−  n Z   n )  1-
 

Adil EL MARHOUM Page 8

 Echantillonnage et estimations

( n )−(−  n )  1-

 

( n )−[1−( n )]  1-

 

2( n )−1  1-



( n )  1- 
 2

On se reporte à la table de distribution de la loi Normale centrée réduite, et on cherche la valeur

correspondante à une probabilité égale à 1-  , cette valeur de z sera désignée par Z1−
2 2
On a alors :
 n Z1−
 =
2

n = Z²1−2 ²
²
Exemple :

Reprenons l’exemple du parc de loisirs qui souhaite estimer à 10dh prés le montant moyen
d’achats effectués par chaque visiteur, c’est à dire on se fixe une marge d'erreur de 10 dans
l'analyse des résultats :  = 10

Une étude pilote menée sur 50 visiteurs choisis au hasard a montré que l’écart- type des achats
est :  = 100 dh.

Si on se fixe un seuil de confiance (1-) = 95%, La taille de l’échantillon est donc :

n = 1,96² 100² = 384,16 = 385

10²

b) Cas des prélèvements dans une population finie sans remise :

−
E( X n ) = m

V( X n ) = N −n ²
−

N −1 n
L’écart type de la moyenne est donc :  X = N −n    1− n
−
N −1 n n N

Adil EL MARHOUM Page 9

 Echantillonnage et estimations

De la même manière, on arrive à :

 n N Z1−
 N −n =
2

n =Z  
N −n 1− 2  N

n =Z²   ²
N −n 1− 2 ²N

n=Z²1− ² − n Z²1− ²
2 ² 2 ²N

n(1+Z²1− ² ) =Z²1− ²
2 ²N 2 ²

Z²1-2 ² N
n=
² N + Z²1-2 ²

3.2.2. Taille d’échantillon pour estimer une proportion.

Pour obtenir un maximum de fiabilité dans les résultats, on commence par se fixer une
marge d'erreur "" que l'on accepte. On se fixe ensuite un seuil de confiance (1-), qui
représente la probabilité minimale pour que la fréquence calculée à partir de l’échantillon ne
s’écarte pas de la proportion dans la population de plus de . Ceci s’écrit :

P(|𝐹 − 𝑝| < )  1-

avec :

n : taille de l’échantillon ;
 : précision souhaitée ;
F : proportion ou fréquence relative dans l’échantillon ;
p : proportion dans la population (q = 1 – p). Elle est souvent inconnue, il faut avoir des
informations antérieures ou mener une étude pilote, sinon on utilise une proportion de 50 %.

D’après le théorème central limite, la variable aléatoire f n suit une loi normale dont les
paramètres sont :

Adil EL MARHOUM Page 10

 Echantillonnage et estimations

a) Cas des prélèvements dans une population finie avec remise ou dans une
population infinie sans remise :

E(F) = p

pq
V(F) =
n

𝑝𝑞
L’écart type de la fréquence est donc : 𝜎𝐹 = √
√𝑛

Déterminer la taille de l’échantillon consiste à résoudre l’équation :

P(|𝐹 − 𝑝| < )  1-

𝑃(−𝜀 < 𝐹 − 𝑝 < 𝜀)  1-

𝜀 𝐹−𝑝 𝜀
𝑃(− √𝑝𝑞 < √𝑝𝑞
< √𝑝𝑞
)  1-
√𝑛 √𝑛 √𝑛

P(−  n Z   n )  1-
pq pq

𝜀√𝑛 𝜀√𝑛
𝛱( ) − 𝛱(− )  1-
√𝑝𝑞 √𝑝𝑞

𝜀√𝑛 𝜀√𝑛
𝛱( ) − [1 − 𝛱( )]  1-
√𝑝𝑞 √𝑝𝑞

𝜀√𝑛
2𝛱( ) − 1 1-
√𝑝𝑞

𝜀√𝑛 𝛼
𝛱( )  1-
√𝑝𝑞 2

Adil EL MARHOUM Page 11

 Echantillonnage et estimations

On se reporte à la table de distribution de la loi Normale centrée réduite, et on cherche la valeur

𝛼
correspondante à une probabilité égale à 1- 2 , cette valeur de z sera désignée par 𝑍1−𝛼
2
On a alors :
𝜀 √𝑛
= 𝑍1−𝛼
√𝑝𝑞 2

𝑝𝑞
𝑛 = 𝑍²1−𝛼
2 𝜀²
Exemple :

Reprenons l’exemple du parc de loisirs qui souhaite estimer la proportion des visiteurs
qui font des achats à cinq points prés, c’est à dire on se fixe une marge d'erreur de 5%
dans l'analyse des résultats :

 = 0,05

L’enquête pilote a estimé cette proportion à 65%, c’est à dire p = 0,65

Si on se fixe un seuil de confiance (1-) = 95%, on se reporte à la table de distribution

de la loi Normale, et on cherche la valeur correspondante à une probabilité (1-/2) =
0,975, ce qui donne Z = 1,96.

La taille de l’échantillon est donc :

0,65 × 0,35
𝑛 = 1,96² = 349,58 = 350
0,05²

b) Cas des prélèvements dans une population finie sans remise :

E(F) = p

V(F) = N −n
𝑝𝑞
N −1 𝑛

𝑝𝑞 𝑁−𝑛 √𝑝𝑞 𝑛
L’écart type de la fréquence est donc : 𝜎𝐹 = √ √  √1 −
√𝑛 𝑁−1 √𝑛 𝑁

Adil EL MARHOUM Page 12

 Echantillonnage et estimations

De la même manière, on arrive à :

𝜀 √𝑛 √𝑁
= 𝑍1−𝛼
√𝑝𝑞 √𝑁−𝑛 2

𝑛 √𝑝𝑞
√ = 𝑍1−𝛼
𝑁−𝑛 2 𝜀 √𝑁

𝑛 𝑝𝑞
= 𝑍²1−𝛼 ×
𝑁−𝑛 2 𝜀²𝑁
𝑝𝑞 𝑝𝑞
𝑛 = 𝑍²1−𝛼 − 𝑛 𝑍²1−𝛼
2 𝜀² 2 𝜀²𝑁

𝑝𝑞 𝑝𝑞
𝑛(1 + 𝑍²1−𝛼 ) = 𝑍²1−𝛼
2 𝜀²𝑁 2 𝜀²

Z²1-𝛼 p q N
2
𝑛 =
𝜀² N + Z²1-𝛼 p q
2

FORMULES DE CALCUL DE LA TAILLE DE L’ECHANTILLON

n = ²
Cas d’une loi Cas de la moyenne (quantitatif)
inconnue (risque
de données
aberrantes)
²
Cas de la proportion (qualitatif)
pq
n =
²
n = Z²1−2 ²
Cas d’une loi Cas de la Cas d’une population infinie ou
normale (pas de
risque de
moyenne population finie avec remise
(indépendance) ²
données Cas d’une population finie sans Z²1-2 ² N
aberrantes remise (dépendance) n=
² N + Z²1-2 ²
n = Z²1−2 pq
Cas de la Cas d’une population infinie ou
proportion population finie avec remise
(indépendance)
²
Cas d’une population finie sans Z²1-2 p q N
remise (dépendance) n=
² N + Z²1-2 p q

Adil EL MARHOUM Page 13

 Echantillonnage et estimations

IV. METHODES D’ECHANTILLONNAGE

Pour que les résultats d’une enquête par sondage puissent être extrapolés à l’ensemble de la
population faisant l’objet de l’étude, il est indispensable que cette enquête soit conduite selon
des règles bien définies et que les calculs conduisant à ces extrapolations soient conformes à la
procédure d’échantillonnage utilisée.

L’échantillon choisi doit être le plus représentatif possible de la population étudiée, c’est à dire
le degré de correspondance entre l’information recueillie et ce que nous apprendrait un
recensement comparable de la population dépend en grande partie de la façon dont l’échantillon
a été choisi.

La théorie moderne de l’échantillonnage nous propose une distinction fondamentale entre

échantillons basés sur la probabilité : échantillons probabilistes; et échantillons non basés sur
la probabilité : échantillons non probabilistes ou empiriques.

4.1. METHODES D’ECHANTILLONNAGE PROBABILISTES

Méthodes d’échantillonnage
probabilistes
- Echantillonnage aléatoire simple

- Echantillonnage stratifié

- Echantillonnage par degrés

- Echantillonnage systématique

Adil EL MARHOUM Page 14

 Echantillonnage et estimations

4.1.1. Echantillonnage aléatoire et simple

Un échantillonnage est aléatoire si tous les individus de la population ont la même chance de
faire partie de l’échantillon, il est simple si les prélèvements des individus sont réalisés
indépendamment les uns des autres.

En particulier, si la population est finie, cette définition correspond au tirage aléatoire avec
remise, qui permet de traiter les populations finies comme des populations infinies.

Conditions d’application :

- Base de sondage disponible (Population finie);

- Aucun critère de sélection (Population homogène).

Technique de sélection :

- Constituer la base de sondage qui correspond à la liste complète et sans répétition des
éléments de la population ;

- Numéroter ces éléments de 1à N ;

- Procéder, à l’aide d’un générateur de nombres pseudo aléatoires à la sélection des unités
différentes qui constitueront l’échantillon. La fonction [Link] du
logiciel Excel permet de générer des nombres aléatoires.

Exemple :

On souhaite avoir un échantillon aléatoire et simple de 20 entreprises parmi une

population de 500 entreprises. On dispose de la base de sondage c’est à dire la liste
complète et sans répétitions des 500 entreprises numérotées de 1 à 500. On utilise la
fonction Excel « [Link] » sur Excel ce qui a donné les 20 numéros
suivants :

432 ; 274 ; 308 ; 258 ; 143 ; 405 ; 53 ; 187 ; 262 ; 322 ;

390 ; 94 ; 311 ; 28 ; 290 ; 288 ; 29 ; 301 ; 221 ; 25

4.1.2. Echantillonnage stratifié

L’échantillonnage stratifié est une technique qui consiste à subdiviser une population
hétérogène, d’effectif N, en P sous populations ou « strates » plus homogènes d’effectif Ni de
telle sorte que N= N1+N2+……. +Np. Un échantillon, d’effectif ni, est par la suite, prélevé
indépendamment au sein de chacune des strates en appliquant un plan d’échantillonnage au
choix de l’utilisateur. Le plus souvent, on procédera par un échantillonnage aléatoire et simple
à l’intérieur de chaque strate.

La stratification peut entraîner des gains de précision appréciables, elle facilite en outre les
opérations de collecte des données et fournit des informations pour différentes parties de la
population.
Adil EL MARHOUM Page 15
 Echantillonnage et estimations

Pour la répartition de l’effectif total n de l’échantillon dans les différentes strates, on procède
de façon proportionnelle. La répartition proportionnelle consiste à répartir la taille de
l’échantillon n en utilisant la même fraction de sondage f dans chacune des strates. Cette
solution tient compte d’un seul facteur qui est le poids de chaque strate.

Désignons par wi le poids de la strate et par f la fraction de sondage constante.

𝑛 𝑁𝑖
𝑓= 𝑤𝑖 =
𝑁 𝑁

Le nombre d’unités à choisir dans chacune des strates est donc :

𝑛𝑖 = w𝑖 × 𝑛 = f × 𝑁𝑖

Exemple :

Dans une population de 10000 entreprises, réparties en 500 petites entreprises, 3000 moyennes
entreprises et 2000 grandes entreprises, on souhaite avoir un échantillon de 500 entreprises.

Conserver la même fraction de sondage :

f = 500 / 1000 = 0.05 %

Strate Effectif de la strate Taille de l’échantillon

Petite 5000 5000 * 0,05 = 250
Moyenne 3000 3000 * 0,05 = 150
Grande 2000 2000 * 0,05 = 100
Total 10000 500

Tenir compte du poids de chaque strate :

Strate Effectif de la strate Poids de la strate Taille de l’échantillon

Petite 5000 50% 500 * 0,50 = 250
Moyenne 3000 30% 500 * 0,30 = 150
Grande 2000 20% 500 * 0,20 = 100
Total 10000 100% 500

Adil EL MARHOUM Page 16

 Echantillonnage et estimations

4.1.3. Echantillonnage par degrés

L’échantillonnage par degrés regroupe toute une série de plans d’échantillonnage caractérisés
par un système ramifié et hiérarchisé d’unités.

Dans le cas de deux degrés, par exemple, on considère que la population est constituée d’un
certain nombre d’unités de sondage du premier degré (unités primaires), chacune de ces unités
étant constituée d’un certain nombre d’unités du second degré. (unités secondaires)
On réalise d’abord un échantillonnage d’unités du premier degré. Ensuite, dans chaque unité
sélectionnée au premier degré, on prélève un échantillon d’unités du second degré. Le mode de
sélection pouvant varier d’un degré à l’autre.

L’échantillonnage par degrés s’impose lorsqu’il est impossible d’inventorier les éléments de
toute la population et qu’il est possible d’énumérer les unités prélevées au premier degré. Il
permet une concentration du travail sur le terrain et donc une réduction des coûts.

Pour un même nombre total d’observations, il faut citer sa plus faible efficacité que
l’échantillonnage aléatoire et simple.

Exemple :

Pour étudier le niveau de consommation des ménages d’une ville, on a tiré

aléatoirement 5 quartiers. Dans chaque quartier sélectionné, on retient une rue sur 5,
dans chaque rue retenue, on retient un immeuble sur 3, et dans chaque immeuble, un
ménage par étage sera questionné.

4.1.4. Echantillonnage systématique

L’échantillonnage systématique est une technique qui consiste à prélever des unités
d’échantillonnage situées à intervalles égaux. Le choix du premier individu détermine la
composition de tout l’échantillon.

Si on connaît l’effectif total de la population N et qu’on souhaite prélever un échantillon

d’effectif n, l’intervalle entre deux unités successives à sélectionner est donné par :

𝑁
𝑘= (arrondi à l’entier le plus proche)
𝑛

Connaissant k, on choisit le plus souvent, pour débuter, un nombre aléatoire, i, compris entre 1
et k. le rang des unités sélectionnées est alors i, i+2k, i+3k, …

L’échantillonnage systématique est facile à préparer et, en général facile à exécuter, il réduit le
temps consacré à la localisation des unités sélectionnées.

Si les éléments de la population se présentent dans un ordre aléatoire (pas de tendance)

l’échantillonnage systématique est équivalent à l’échantillonnage aléatoire et simple. Par contre
si les éléments de la population présentent une tendance, l’échantillonnage systématique est
plus précis que l’échantillonnage aléatoire.

Adil EL MARHOUM Page 17

 Echantillonnage et estimations

Exemple :

On veut sélectionner un échantillon de 30 entreprises au sein d’une population de 1800

entreprises.

1800
𝑘= = 60
30

Ainsi on va tirer une entreprise toutes les 60 en partant d’un nombre tiré aléatoirement entre 1
et 60.

Supposons ce nombre est le 15. On va donc sélectionner la 15éme entreprise puis la 75éme, la
135éme. jusqu’à la 1755éme ce qui nous donnera l’échantillon de 30 entreprises.

4.2. METHODES D’ECHANTILLONNAGE EMPIRIQUES

4.2.1 Echantillonnage accidentel (De convenance)

Il s’agit d’un échantillon constitué d’individus qui se trouvaient accidentellement à l’endroit et

au moment où l’information a été collectée.

Exemple :

- Enquêtés réalisées dans la rue, les lieux publics, en sortie de super marché …
- Questionnaires figurant dans les magasines et renvoyés spontanément.

Les échantillons accidentels ne peuvent être considérés représentatifs d’aucune population. Il

est risqué de généraliser à une population donnée des résultats obtenus par un échantillon
accidentel.

4.2.2. Echantillonnage à priori

C’est un échantillonnage par jugement à priori. Il consiste à sélectionner des individus dont on
pense, avant de les interroger, qu’ils peuvent détenir l’information.

Le risque de ce type d’échantillonnage est de considérer des individus, apparemment

représentatifs de la population étudiée.

4.2.3. Echantillonnage « Boule de neige »

Cette méthode est réservée aux populations composées d’individus dont l’identification est
difficile ou qui possèdent des caractéristiques rares.

La méthode consiste à faire construire l’échantillon par les individus eux-mêmes. Il suffit d’en
identifier un petit nombre initial et de leur demander de faire appel à d’autres individus
possédant les mêmes caractéristiques.

Adil EL MARHOUM Page 18

 Echantillonnage et estimations

4.2.4. Echantillonnage par Quotas.

L’échantillonnage par quotas est l’échantillonnage non probabiliste le plus connu, et

finalement le mieux accepté comme substitut aux méthodes probabilistes dans le cas où ces
dernières rencontreraient des contraintes de base de sondage. Mais la représentativité de la
population étudiée reste douteuse.

L’échantillonnage par quotas consiste à étudier la structure de la population selon des critères
choisis (quotas) empiriquement. L’échantillon est ensuite construit de manière à constituer une
reproduction en miniature de la population sur ces critères.

L’échantillonnage par quotas est une forme simplifiée de l’échantillonnage stratifié à fraction
de sondage constante. Les quotas représentent les variables de stratification.

Une fois les quotas sont fixés, les individus sont sélectionnés à la convenance de l’enquêteur.

Les critères servant de base à la définition des quotas ne doivent pas être nombreux. Au-delà
de 3 critères, la démarche devient complexe. Les quotas doivent être construits sur une base de
données fiable ( statistiques disponibles ) indiquant la répartition de la population sur les critères
choisis. Les critères les plus utilisés dans les études de marché sont économiques et
sociodémographiques en particulier l’âge, le sexe, la catégorie socioprofessionnelle, …

Technique de sélection :

- On fixe un certain nombre de critères en fonction des objectifs de l’étude;

- Pour chaque critère, on fixe des modalités en fonction des objectifs de l’étude,
- Pour chaque modalité, on fixe un quota selon des statistiques disponibles ou selon l’avis
d’experts ou procéder à une répartition égale;
- Appliquer les quotas à l’échantillon.

Exemple :

On souhaite avoir un échantillon de 1000 individus. La structure de la population selon trois

critères est la suivante :

1) Age

Age Structure de la population Répartition de l’échantillon

20 à 29 ans 40 % 400
30 à 49 ans 35 % 350
50 à 60 ans 25 % 250
Total 100 % 1000

Adil EL MARHOUM Page 19

 Echantillonnage et estimations

2) Sexe x Age
Structure de la population
Age Sexe Masculin Féminin Total
20 à 29 ans 48 % 52 % 100 %
30 à 49 ans 49 % 51 % 100 %
50 à 60 ans 45 % 55 % 100 %

Répartition de l’échantillon

Age Sexe Masculin Féminin Total

20 à 29 ans 192 208 400
30 à 49 ans 172 178 350
50 à 60 ans 113 137 250

3) Age x Sexe x Catégorie socioprofessionnelle

Structure de la population

AGE CSP Sans Etudiant Agric Artisans Prof Employés Ouvriers Total
Sexe libérales
20-29 M 10% 30% 5% 6% 9% 25% 15% 100%
F 15% 25% 2% 10% 8% 30% 10% 100%
30-49 M 8% 5% 15% 22% 15% 15% 20% 100%
F 20% 4% 10% 16% 14% 24% 12% 100%
50-60 M 6% 2% 25% 22% 18% 17% 10% 100%
F 35% 1% 20% 20% 6% 13% 5% 100%

Répartition de l’échantillon

AGE CSP Sans Etudiant Agric Artisans Prof Employés Ouvriers Total
Sexe libérales
20-29 M 19 58 10 12 17 48 28 192
F 31 52 4 21 17 62 21 208
30-49 M 14 9 26 38 26 26 33 172
F 36 7 18 28 25 43 21 178
50-60 M 7 2 28 25 20 19 12 113
F 48 1 27 27 8 18 8 137

Adil EL MARHOUM Page 20

 Echantillonnage et estimations

V. DISTRIBUTIONS D’ECHANTILLONNAGE
La notion de distribution d’échantillonnage est à la base des méthodes d’inférence statistique
dont les deux principales applications sont les problèmes d’estimation et les tests d’hypothèses.
Les premiers ont pour but d’estimer, à partir d’un échantillon, la valeur numérique d’un ou de
plusieurs paramètres de la population, et de déterminer la précision de cette ou de ces
estimations. Les seconds ont pour but de vérifier la véracité d’une hypothèse émise au départ
au sujet d’une ou de plusieurs populations.

A tout paramètre de population , on peut associer une série infinie de valeurs observées t, t’,
t ‘’, …, calculées à partir d’échantillons successifs de même effectif, prélevés dans des
conditions identiques. Ces valeurs peuvent être considérées comme des valeurs observées d’une
même variable aléatoire T, et cette variable est fonction des différentes variables aléatoires
correspondant à chacun des individus de l’échantillon :

T = f (X1, X2, …, Xn)

En supposant que l’échantillon est aléatoire et simple, la variable aléatoire T possède une
distribution de probabilité, dite distribution d ‘échantillonnage. On peut donc calculer
l’espérance E(T) et la variance V(T) de cette distribution.

La distribution d’échantillonnage est donc la distribution des différentes valeurs que peut
prendre la variable aléatoire T, pour les différents échantillons possibles. Son écart type T est
appelé erreur standard.

Les principales distributions d’échantillonnage sont la distribution d’échantillonnage de la

moyenne, la distribution d’échantillonnage de la variance et la distribution d’échantillonnage
de la proportion.

5.1. DISTRIBUTION D’ECHANTILLONNAGE DE LA MOYENNE

Supposons que dans une population infinie quelconque, on ait prélevé au hasard un premier
échantillon de n observations :

x1, x2, x3, ………., xn

et qu’on ait calculé la moyenne :
− ∑𝑛𝑖=1 𝑥𝑖
𝑥 =
𝑛

Si on prélève, dans les mêmes conditions, un deuxième échantillon de même effectif :

x1’, x2’, x3’, ………., xn’

− ∑𝑛
𝑖=1 𝑥′𝑖
La moyenne correspondante 𝑥 ′ = sera généralement différente de la première
𝑛
moyenne observée.

Adil EL MARHOUM Page 21

 Echantillonnage et estimations

Il en sera de même pour les moyennes d’autres échantillons prélevés dans les mêmes
conditions :
x1’’, x2’’, x3’’, ………., xn’’

− ∑𝑛𝑖=1 𝑥𝑖 ′′
𝑥 ′′ =
𝑛
On peut considérer la suite des premières observations x 1, x1’, x1’’, … des différents
échantillons comme des valeurs observées d’une même variable aléatoire X1, la suite des
deuxièmes observations des différents échantillons comme des valeurs observées d’une même
variable aléatoire X2, etc.
− − −
Les moyennes observées 𝑥 , 𝑥 ′, 𝑥 ′′, … sont alors des valeurs observées d’une même variable
−
aléatoire 𝑋qui est fonction de X1, X2, …, Xn.

− ∑𝑛𝑖=1 𝑋𝑖
𝑋 =
𝑛
−
Comme X1, X2, …, Xn, la variable aléatoire 𝑋possède une distribution de probabilité, dite
distribution d ‘échantillonnage de la moyenne. On peut donc calculer l’espérance et la variance
de cette distribution, en supposant que l’échantillon est aléatoire et simple, les variables
aléatoires X1, X2, …, Xn ont toutes la même distribution de probabilité, dont la moyenne est
désignée par m et la variance par ².

E(Xi) = m et V(Xi) = ²

On démontre alors :
− ∑𝑛
𝑖=1 𝑋𝑖 1 1
E(𝑋) = E( ) = × ∑𝑛𝑖=1 𝐸(𝑋𝑖)= × 𝑛 × 𝑚 = m
𝑛 𝑛 𝑛

− ∑𝑛
𝑖=1 𝑋𝑖 1 1 𝜎²
V(𝑋) = V( )= × ∑𝑛𝑖=1 𝑉(𝑋𝑖)= × 𝑛 ×² =
𝑛 𝑛² 𝑛² 𝑛

𝜎
𝜎𝑋− = est appelé erreur standard de la moyenne d’un échantillon aléatoire est simple
√𝑛

Dans le cas d’une population finie d’effectif N, au sein de laquelle est prélevé, sans remise, un
échantillon aléatoire est simple d’effectif n, la variance de la moyenne est :
−
V(𝑋) = N −n 𝜎²
N −1 𝑛

𝜎 𝑁−𝑛
L’erreur standard est alors : 𝜎 −
𝑋
= √
√𝑛 𝑁−1

Adil EL MARHOUM Page 22

 Echantillonnage et estimations

En plus des caractéristiques de la distribution d’échantillonnage de la moyenne, on peut aussi

rechercher la forme de cette distribution.

Si par exemple, la population mère possède une distribution normale, on peut affirmer que la
𝜎
distribution de la moyenne est elle-même normale de moyenne m et d’écart type 𝜎 − = .
𝑋 √𝑛
Si la distribution de la population parent est inconnue, le théorème central limite permet
d’affirmer que la distribution de la moyenne est asymptotiquement normale. Pour un effectif
suffisamment élevé, la moyenne d’un échantillon peut toujours être considérée comme une
variable approximativement normale. C’est généralement le cas lorsque l’effectif est supérieur
à 30. Dans le cas contraire (n < 30), la moyenne d’un échantillon peut toujours être considérée
comme une variable de Student à (n-1) degré de liberté.

5.2. DISTRIBUTION D’ECHANTILLONNAGE DE LA VARIANCE

De la même manière que la moyenne, chacun des échantillons possède une variance :
−
∑𝑛𝑖=1(𝑥𝑖 − 𝑥 )²
𝑣(𝑥) =
𝑛
−
∑𝑛𝑖=1(𝑥𝑖 ′ − 𝑥 ′)²
𝑣(𝑥′) =
𝑛
−
∑𝑛𝑖=1(𝑥𝑖 " − 𝑥 ")²
𝑣(𝑥") =
𝑛
Ces variances peuvent être considérées comme des valeurs observées d’une même variable
aléatoire :
−
∑𝑛𝑖=1(𝑋𝑖 − 𝑋)²
𝑉(𝑋) =
𝑛
Comme X1, X2, …, Xn, la variable aléatoire V(X) possède une distribution de probabilité, dite
distribution d ‘échantillonnage de la variance. On peut donc calculer l’espérance mathématique
et la variance de cette distribution, en supposant que l’échantillon est aléatoire et simple, les
variables aléatoires X1, X2, …, Xn ont toutes la même distribution de probabilité, dont la
moyenne est désignée par m et la variance par ².

E(Xi) = m et V(Xi) = ²

On peut démontrer alors :

− − −
∑𝑛
𝑖=1(𝑋𝑖 −𝑋)² ∑𝑛
𝑖=1(𝑋𝑖 −𝑚−𝑋+𝑚)² ∑𝑛
𝑖=1[(𝑋𝑖 −𝑚)−(𝑋−𝑚)]²
E(V(X)) = E( ) = E( ) = E( )
𝑛 𝑛 𝑛

Adil EL MARHOUM Page 23

 Echantillonnage et estimations
− −
∑𝑛
𝑖=1[(𝑋𝑖 −𝑚)²−2(𝑋𝑖 −𝑚)(𝑋 −𝑚)+(𝑋 −𝑚)²]
E(V(X)) = E( )
𝑛

− −
∑𝑛 𝑛 𝑛
𝑖=1(𝑋𝑖 −𝑚)²−2(𝑋−𝑚) ∑𝑖=1(𝑋𝑖 −𝑚)+∑𝑖=1(𝑋−𝑚)²
E(V(X)) = E( )
𝑛

−
∑𝑛 − ∑𝑛 ∑𝑛
𝑖=1(𝑋𝑖 −𝑚)² 𝑖=1(𝑋𝑖 −𝑚) 𝑖=1(𝑋−𝑚)²
E(V(X)) = E( − 2(𝑋 − 𝑚) + )
𝑛 𝑛 𝑛

∑𝑛 − − −
𝑖=1(𝑋𝑖 −𝑚)²
E(V(X)) = E( − 2(𝑋 − 𝑚)(𝑋 − 𝑚) + (𝑋 − 𝑚)²)
𝑛

−
E(V(X)) = E(𝜎² − (𝑋 − 𝑚)²)
−
E(V(X)) = E(𝜎²) – E((𝑋 − 𝑚)²)
𝜎²
E(V(X)) = 𝜎² -
𝑛

𝑛−1
𝐸(𝑉(𝑋)) = × 𝜎²
𝑛

Pour la variance de la distribution d’échantillonnage de la variance, on démontre, dans le cas

d’une population normale :

𝑛−1 2(𝑛−1)
V(V(X)) = E[(V(X) – E(V(X)))²] = E[(V(X) – 𝜎²)²] = 4.
𝑛 𝑛²

Dans le cas d’une population finie d’effectif N, au sein de laquelle est prélevé, sans remise, un
échantillon aléatoire est simple d’effectif n, l’espérance mathématique de la variance est :

𝑁 𝑛−1
𝐸(𝑉(𝑋)) = × × 𝜎²
𝑁−1 𝑛
En ce qui concerne la forme de la distribution d’échantillonnage de la variance, on peut
démontrer que dans le cas particulier d’une population normale, la variable aléatoire
−
∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )²
possède une distribution khi deux à (n-1) degré de liberté.
𝜎²

Adil EL MARHOUM Page 24

 Echantillonnage et estimations

5.3. DISTRIBUTION D’ECHANTILLONNAGE DE LA PROPORTION

Si on considère une population infinie et si on y prélève un échantillon aléatoire et simple
d’effectif n, on désigne par x le nombre d’individus possédant, dans l’échantillon, le caractère
étudié.

𝑋𝑛
𝐹= est la fréquence ou proportion des individus possédant, dans l’échantillon, le caractère
𝑛
étudié.

On désigne par p la proportion des individus possédant, dans la population, le caractère étudié.

De la même manière que la moyenne et la variance, chacun des échantillons possède une
fréquence :
𝑋𝑛
𝐹=
𝑛
𝑋𝑛 ′
𝐹′ =
𝑛
𝑋𝑛 "
𝐹" =
𝑛

Ces fréquences peuvent être considérées comme des valeurs observées d’une même variable
aléatoire :
𝑋𝑛
𝐹=
𝑛
La variable aléatoire F possède une distribution de probabilité, dite distribution
d ‘échantillonnage de la proportion. On peut donc calculer l’espérance et la variance de cette
distribution, en supposant que l’échantillon est aléatoire et simple.

On peut démontrer alors :

𝑋 1 1
E(F) = E( 𝑛 ) = E(𝑋𝑛 ) = n p = p
𝑛 𝑛 𝑛

𝑋 1 1 𝑝𝑞
V(F) = V( 𝑛 ) = V(𝑋𝑛 ) = n p q =
𝑛 𝑛² 𝑛² 𝑛

𝑝𝑞
𝜎𝐹 = √ est appelé erreur standard de la fréquence d’un échantillon aléatoire est simple.
√𝑛

Adil EL MARHOUM Page 25

 Echantillonnage et estimations

Dans le cas d’une population finie d’effectif N, au sein de laquelle est prélevé, sans remise, un
échantillon aléatoire est simple d’effectif n, la variance de la fréquence est :

n p q = N −n
𝑋 1 𝑁−𝑛 𝑝𝑞
V(F) = V( 𝑛 ) = V(𝑋𝑛 ) = 1
𝑛 𝑛² n² 𝑁−1 N −1 𝑛

𝑁−𝑛 𝑝𝑞
L’erreur standard est alors : 𝜎𝐹 = √ ×√
𝑁−1 √𝑛

En ce qui concerne la forme de cette distribution, on peut affirmer que la distribution de la

√𝑝𝑞
proportion suit une loi normale de moyenne p et d’écart type 𝜎𝐹 = à condition que la taille
√𝑛
de l’échantillon soit supérieure ou égale à 30 (n  30) et le produit n p  5.

Adil EL MARHOUM Page 26

 Echantillonnage et estimations

EXERCICES SUR LA THEORIE

D’ECHANTILLONNAGE
1. Quelle est l'espérance mathématique et quelle est la variance des résultats qu'on peut obtenir
quand on choisit au hasard et indépendamment dix nombres entiers de 1 à 9 et qu'on en calcule
la moyenne, en supposant que chacun des nombres de 1 à 9 a une même probabilité d'être choisi
et qu'un même nombre peut être choisi plusieurs fois sans aucune restriction ?

2. Calculez la moyenne et l'écart type de la variance S², ainsi que la probabilité P(10 < S²<20), en
supposant que S² désigne la variance observée d'échantillons aléatoires et simples d'effectif 10
extraits d'une population normale de moyenne égale à 15 et écart type égal à 4.

3. On suppose que les poids de 3000 étudiants d'une université suivent une loi normale de
moyenne 68,0 kilogrammes et écart type 3,0 kilogrammes. Si l'on extrait 80 échantillons de 25
étudiants chacun, quelle est la moyenne et écart type théoriques de la distribution
d'échantillonnage des moyennes pour (a) un échantillonnage non exhaustif, (b) un
échantillonnage exhaustif ?

4. 500 pignons ont un poids moyen de 5,02 grammes et un écart type de 0,30 grammes. Trouver
la probabilité pour qu’un échantillon de 100 pignons choisi au hasard ait un poids total (a)
compris entre 496 et 500 grammes. (b) plus grand que 510 grammes.

5. Lors d’élections, les résultats ont montré qu’un des candidats a obtenu 46 % des voix.
Déterminer la probabilité pour que le vote de (a) 200 (b) 1000 personnes choisies au hasard
parmi le corps électoral donnent une majorité de voix en faveur de ce candidat.

6. Les ampoules électriques d'un fabricant A ont une durée de vie moyenne de 1400 heures avec
un écart-type de 200 heures, et celles d'un fabricant B ont une durée de vie moyenne de 1200
heures avec un écart-type de 100 heures. Si l'on teste des échantillons de 125 ampoules pour
chaque marque, quelle est la probabilité pour que la marque d'ampoules A ait une durée de vie
moyenne qui soit au moins supérieure de (a) 160 heures, (b) 250 heures à celle de la marque
d'ampoules B ?

7. Les poids de 1500 pignons suivent une loi de Laplace-Gauss de moyenne 22,40 kg et écart type
0,048 kg Déterminer pour 300 échantillons aléatoires de taille 36 de cette population la
moyenne et l'écart-type théoriques de la distribution d'échantillonnage des moyennes,
l'échantillonnage étant (a) non exhaustif, (b) exhaustif.

8. Les poids des colis reçus dans un grand magasin ont une moyenne de 300 kg et un écart-type
de 50 kg, Quelle est la probabilité pour que 25 colis reçus au hasard et chargés sur un monte-
charge dépassent la limite de sécurité du monte-charge, qui est 8200 kilogrammes.

9. Trouver la probabilité pour que parmi les 200 prochains enfants à naître (a) il y ait moins de 40
% de garçons, (b) il y ait entre 43 % et 57 % de filles, (c) il y ait plus de 54 % de garçons. On
supposera que la naissance d'un garçon et la naissance d'une fille sont équiprobables.

Adil EL MARHOUM Page 27

 Echantillonnage et estimations

10. Dans le but d’étudier l’intention d’achat d’un produit, on décide de réaliser un sondage.
Combien de personnes doit-on interroger pour que la fréquence empirique ne s’éloigne pas de
la vraie proportion de 1% et ce avec une probabilité au moins égale à 95% ?

11. Des sachets de sucre granulé, dont le poids moyen est de 1,01 kg avec un écart type de 50
grammes, sont mis dans des cartons contenant chacun 100 sachets. Le poids d’un carton vide
est de 500 grammes. On procède par sondage au contrôle du poids des sachets de sucre granulé.
(a) en utilisant l’IBT, déterminer le nombre de sachets de sucre granulé qu’on doit contrôler
pour que le poids moyen de l’échantillon ne soit pas loin de la vraie moyenne de plus ou moins
20 grammes, avec une probabilité au moins égale à 0,99. (b) Reprendre la même question en
supposant que le poids moyen est distribué normalement, et que l’échantillon sera tiré d’un
stock de 4000 sachets. (c) On choisit au hasard un carton rempli, quelle est la probabilité que le
poids de ce carton soit inférieur à 100 kg ?

12. Un avion (Boeing 747) peut transporter 100 passagers et leurs bagages, Il pèse 120 tonnes
sans bagages, ni passagers mais équipage compris et plein de carburant. les consignes de
sécurité imposent au commandant de bord de ne pas décoller si le poids de l'appareil chargé
dépasse 129,42 tonnes. les 100 places ont été réservées. Le poids d'un voyageur est une variable
aléatoire d'espérance mathématique 70 kg et de variance 100 kg Le poids de ses bagages est
une V.A. de moyenne 20 kg et de variance 100 kg Toutes les variables sont supposées
indépendantes. (a) L'espérance mathématique du poids de l'appareil au moment du décollage
est-elle conforme aux normes de sécurité ? (b) Calculer l'écart type du poids total de l'appareil.
(c) En admettant 1'IBT, quelle est la probabilité maximale pour que le poids réel de l'appareil
au moment du décollage dépasse 129,42 tonnes ?

13. Une enquête sur l'emploi a pour but d’estimer le taux d'activité dans un pays. Dans les
statistiques disponibles, la population active du pays est estimée à 10000000 personnes sur une
population totale de 40 millions de personnes. Déterminer la taille de l'échantillon si l'on accepte
une erreur de 1% . avec une probabilité de 0,95.

14. Le rendement de la main d’œuvre d’une usine est chiffré par une production moyenne par jour
et par ouvrier de 72 unités avec un écart type de 6 unités. (a) on a observé la production
journalière d’un échantillon aléatoire de 25 ouvriers. Déterminer la loi et les paramètres de la
moyenne de l'échantillon. (b) Quelle est la probabilité pour que la moyenne de cet échantillon
soit inférieure à 63 ? (c) Quelle est la probabilité pour que l'écart entre la moyenne de cet
échantillon et celle de la population soit supérieur à 3 ?

15. Afin d’estimer le revenu mensuel moyen dans un secteur de production. Quelle doit être la taille
de l’échantillon de salariés à interroger pour que la moyenne empirique ne s’éloigne pas de la
moyenne de la population de 100 DH avec une probabilité au moins égale à 0,95 sachant que
l’écart type est de 500 DH par salarié ?

16. On souhaite réaliser une enquête sur la consommation des ménages afin d’estimer la dépense
moyenne par ménage. Quel doit être la taille de l’échantillon de ménages si la population est
composée de 5 millions de ménages et que l’erreur admise ne doit pas dépasser 100 DH avec
une probabilité de 0,99 ? l’écart type de la dépense des ménages est de 2000 DH.

Adil EL MARHOUM Page 28

 Echantillonnage et estimations

17. Dans le cadre d'une étude socio-économique, on s'intéresse aux habitants de 18 unités urbaines,
réparties en deux régions. L'enquête devrait comporter 500 interviews. Comme on dispose de
10 enquêteurs et qu'on souhaite que chaque enquêteur n'opère que dans une seule unité urbaine,
on souhaite se limiter à l'étude de 10 unités urbaines. En fonction de la répartition des unités
urbaines par région et de leurs nombres d'habitants, expliquez, de façon aussi détaillée que
possible la manière dont on pourrait organiser cette enquête, en précisant notamment dans
quelles unités urbaines il y aurait lieu d'envoyer les enquêteurs.

Région 1 Région 2
Unités urbaines Nombres d’habitants Unités urbaines Nombres d’habitants
1 93600 9 117100
2 45400 10 107100
3 38900 11 61200
4 36500 12 51000
5 35100 13 43800
6 32900 14 38900
7 28100 15 37800
8 26400 16 33500
17 25800
18 25300

18. Dans une région regroupant environ 3 millions d’habitants réunis en un peu plus de 1500
communes, on désire réaliser une enquête au cours de laquelle 0,5 pour mille des habitants
devraient être interrogés. En effectuant une stratification basée sur la distribution de fréquences
donnée ci-dessous, combien d’interviews devrait-on réaliser dans chacune des catégories de
communes. Si de plus pour des raisons de facilité, on décidait de ne pas effectuer moins de 10
interviews par commune, dans combien de communes différentes de chacune des catégories les
enquêteurs devraient-ils se rendre ?

Nombre d’habitants Nombre de communes

Moins de 1000 900
1000 – 2000 300
2000 – 5000 200
5000 – 10000 80
10000 – 20000 40
20000 – 40000 10
Total 1530

Adil EL MARHOUM Page 29

 Echantillonnage et estimations

19. On s’intéresse au pourcentage de fusibles défectueux dans un lot de 50 sacs contenant chacun
10000 fusibles. Les sacs proviennent de différents fournisseurs qui affirment en général que la
proportion de fusibles défectueux ne dépasse pas 1%. L’erreur acceptée sur ce pourcentage est
de 0,1% au niveau de confiance 0,95. (a) Déterminer la taille de cet échantillon en utilisant
l'IBT, et en supposant la normalité de la variable. Laquelle de ces deux tailles doit-on retenir ?
et pourquoi ? (b) Préciser de quel type de sondage s'agit-il : Si on tire n fusibles en prélevant
n/50 par sac. Si on choisit d'abord K sacs et on tire ensuite ni fusibles par sac. Si on mélange le
contenu des 50 sacs, et on tire n fusibles. (c) Quel est le procédé de tirage, le mieux adapté ?

20. Le budget alloué à une enquête est de 132500 DH. Cette enquête est destinée à estimer le taux
de chômage qu’on a estimé à priori égal à 10 %. Les frais de déplacement quotidien sont évalués
à 1000 DH par enquêteur. La rémunération d’un enquêteur est de 170 DH par jour. Les charges
fixes sont de 20000 DH. (a) Déterminer la taille de l’échantillon si en tolère une erreur de moins
de 1 % avec un niveau de confiance de 95% (b) Déterminer la taille maximale permise par le
budget alloué si le rendement par enquêteur est de 6 questionnaires par jour. (c) Quel niveau
d’erreur faut-il accepter si on réalise l’enquête avec le budget alloué ?

Adil EL MARHOUM Page 30

 Echantillonnage et estimations

TABLE DE LA FONCTION DE REPARTITION DE LA LOI NORMALE REDUITE

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 05359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 05753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 06141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 06517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 06879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 07224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 07549
0,7 0,7580 0,7611 0,7642 0,7673 0,7703 0,7734 0,7764 0,7794 0,7823 07852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 08133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 08389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 08621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 08830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 090147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99897 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99992 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997

Exemple :

La valeur de (1,36) correspond à l'intersection entre la ligne correspondante à 1,3 et la colonne

correspondante à 0,06, on peut lire la valeur 0,91309.

(-2,24) = 1 - (2,24) = 1 - 0,98745 = 0,01255

Adil EL MARHOUM Page 31

 Echantillonnage et estimations

TABLE DE LA LOI KHI DEUX DE PEARSON

k/p 0,0005 0,001 0,005 0,01 0,025 0,05 0,1 0,2 0,3 0,4
1 0,06393 0,05157 0,04393 0,03157 0,03982 0,02393 0,0158 0,0642 0,148 0,275
2 0,02100 0,02200 0,0100 0,0201 0,0506 0,103 0,211 0,446 0,713 1,02
3 0,0153 0,0243 0,0717 0,115 0,216 0,352 0,584 1,00 1,42 1,87
4 0,0639 0,0908 0,207 0,297 0,484 0,711 1,06 1,65 2,19 2,75
5 0,158 0,210 0,412 0,554 0,831 1,15 1,61 2,34 3,00 3,66
6 0,299 0,381 0,676 0,872 1,24 1,64 2,20 3,07 3,83 4,57
7 0,485 0,598 0,989 1,24 1,69 2,17 2,83 3,82 4,67 5,49
8 0,710 0,857 1,34 1,65 2,18 2,73 3,49 4,59 5,53 6,42
9 0,972 1,15 1,73 2,09 2,70 3,33 4,17 5,38 6,39 7,36
10 1,26 1,48 2,16 2,56 3,25 3,94 4,87 6,18 7,27 8,30
11 1,59 1,83 2,60 3,05 3,82 4,57 5,58 6,99 8,15 9,24
12 1,93 2,21 3,07 3,57 4,40 5,23 6,30 7,81 9,03 10,2
13 2,31 2,62 3,57 4,11 5,01 5,89 7,04 8,63 9,93 11,1
14 2,70 3,04 4,07 4,66 5,63 6,57 7,79 9,47 10,8 12,1
15 3,11 3,48 4,60 5,23 6,26 7,26 8,55 10,3 11,7 13,0
16 3,54 3,94 5,14 5,81 6,91 7,96 9,31 11,2 12,6 14,0
17 3,98 4,42 5,70 6,41 7,56 8,67 10,1 12,0 13,5 14,9
18 4,44 4,90 6,26 7,01 8,23 9,39 10,9 12,9 14,4 15,9
19 4,91 5,41 6,84 7,63 8,91 10,1 11,7 13,7 15,4 16,9
20 5,40 5,92 7,43 8,26 9,59 10,9 12,4 14,6 16,3 17,8
21 5,90 6,45 8,03 8,90 10,3 11,6 13,2 15,4 17,2 18,8
22 6,40 6,98 8,64 9,54 11,0 12,3 14,0 16,3 18,1 19,7
23 6,92 7,53 9,26 10,2 11,7 13,1 14,8 17,2 19,0 20,7
24 7,45 8,08 9,89 10,9 12,4 13,8 15,7 18,1 19,9 21,7
25 7,99 8,65 10,5 11,5 13,1 14,6 16,5 18,9 20,9 22,6
26 8,54 9,22 11,2 12,2 13,8 15,4 17,3 19,8 21,8 23,6
27 9,09 9,80 11,8 12,9 14,6 16,2 18,1 20,7 22,7 24,5
28 9,66 10,4 12,5 13,6 15,3 16,9 18,9 21,6 23,6 25,5
29 10,2 11,0 13,1 14,3 16,0 17,7 19,8 22,5 24,6 26,5
30 10,8 11,6 13,8 15,0 16,8 18,5 20,6 23,4 25,5 27,4

Adil EL MARHOUM Page 32

 Echantillonnage et estimations

TABLE DE LA LOI KHI DEUX DE PEARSON (SUITE)

k/p 0,5 0,6 0,7 0,8 0,9 0,95 0,975 0,99 0,995 0,999 0,9995
1 0,455 0,708 1,07 1,64 2,71 3,84 5,02 6,63 7,88 10,8 12,1
2 1,39 1,83 2,41 3,22 4,61 5,99 7,38 9,21 10,6 13,8 15,2
3 2,37 2,95 3,67 4,64 6,25 7,81 9,35 11,3 12,8 16,3 17,7
4 3,36 4,04 4,88 5,99 7,78 9,49 11,1 13,3 14,9 18,5 20,0
5 4,35 5,13 6,06 7,29 9,24 11,1 12,8 15,1 16,7 20,5 22,1
6 5,35 6,21 7,23 8,56 10,6 12,6 14,4 16,8 18,5 22,5 24,1
7 6,35 7,28 8,38 9,80 12,0 14,1 16,0 18,5 20,3 24,3 26,0
8 7,34 8,35 9,52 11,0 13,4 15,5 17,5 20,1 22,0 26,1 27,9
9 8,34 9,41 10,7 12,2 14,7 16,9 19,0 21,7 23,6 27,9 29,7
10 9,34 10,5 11,8 13,4 16,0 18,3 20,5 23,2 25,2 29,6 31,4
11 10,3 11,5 12,9 14,6 17,3 19,7 21,9 24,7 26,8 31,3 33,1
12 11,3 12,6 14,0 15,8 18,5 21,0 23,3 26,2 28,3 32,9 34,8
13 12,3 13,6 15,1 17,0 19,8 22,4 24,7 27,7 29,8 34,5 36,5
14 13,3 14,7 16,2 18,2 21,1 23,7 26,1 29,1 31,3 36,1 38,1
15 14,3 15,7 17,3 19,3 22,3 25,0 27,5 30,6 32,8 37,7 39,7
16 15,3 16,8 18,4 20,5 23,5 26,3 28,8 32,0 34,3 39,3 41,3
17 16,3 17,8 19,5 21,6 24,8 27,6 30,2 33,4 35,7 40,8 42,9
18 17,3 18,9 20,6 22,8 26,0 28,9 31,5 34,8 37,2 42,3 44,4
19 18,3 19,9 21,7 23,9 27,2 30,1 32,9 36,2 38,6 43,8 46,0
20 19,3 21,0 22,8 25,0 28,4 31,4 34,2 37,6 40,0 45,3 47,5
21 20,3 22,0 23,9 26,2 29,6 32,7 35,5 38,9 41,4 46,8 49,0
22 21,3 23,0 24,9 27,3 30,8 33,9 36,8 40,3 42,8 48,3 50,5
23 22,3 24,1 26,0 28,4 32,0 35,2 38,1 41,6 44,2 49,7 52,0
24 23,3 25,1 27,1 29,6 33,2 36,4 39,4 43,0 45,6 51,2 53,5
25 24,3 26,1 28,2 30,7 34,4 37,7 40,6 44,3 46,9 52,6 54,9
26 25,3 27,2 29,2 31,8 35,6 38,9 41,9 45,6 48,3 54,1 56,4
27 26,3 28,2 30,3 32,9 36,7 40,1 43,2 47,0 49,6 55,5 57,9
28 27,3 29,2 31,4 34,0 37,9 41,3 44,5 48,3 51,0 56,9 59,3
29 28,3 30,3 32,5 35,1 39,1 42,6 45,7 49,6 52,3 58,3 60,7
30 29,3 31,3 33,5 36,3 40,3 43,8 47,0 50,9 53,7 59,7 62,2

Pour lire une valeur ²à k dl dans la table, il suffit de lire l'intersection entre la colonne
correspondante à la valeur de la probabilité cumulée F(²à k dl) et la ligne correspondante aux
degrés de liberté k.

Exemple :

La valeur de ²à 10 dl pour une probabilité de 0,95 correspond à l'intersection entre la colonne
correspondante à 0,95 et la ligne correspondante à 10, on peut lire la valeur 18,3.

²0,95 à 10 dl = 18,3

²0,05 à 20 dl = 10,9

Adil EL MARHOUM Page 33

 Echantillonnage et estimations

TABLE DE LA LOI T DE STUDENT

k/p 0,6 0,7 0,8 0,9 0,95 0,975 0,99 0,995 0,999 0,9995
1 0,325 0,727 1,376 3,078 6,314 12,71 31,82 63,66 318,3 636,6
2 0,289 0,617 1,061 1,886 2,920 4,303 6,965 9,925 22,33 31,60
3 0,277 0,584 0,978 1,638 2,353 3,182 4,541 5,841 10,22 12,94
4 0,271 0,569 0,941 1,533 2,132 2,776 3,747 4,604 7,173 8,610
5 0,267 0,559 0,920 1,476 2,015 2,571 3,365 4,032 5,893 6,859
6 0,265 0,553 0,906 1,440 1,943 2,447 3,143 3,707 5,208 5,959
7 0,263 0,549 0,896 1,415 1,895 2,365 2,998 3,499 4,785 5,405
8 0,262 0,546 0,889 1,397 1,860 2,306 2,896 3,355 4,501 5,041
9 0,261 0,543 0,883 1,383 1,833 2,262 2,821 3,250 4,297 4,781
10 0,260 0,542 0,879 1,372 1,812 2,228 2,764 3,169 4,144 4,587
11 0,260 0,540 0,876 1,363 1,796 2,201 2,718 3,106 4,025 4,437
12 0,259 0,539 0,873 1,356 1,782 2,179 2,681 3,055 3,930 4,318
13 0,259 0,538 0,870 1,350 1,771 2,160 2,650 3,012 3,852 4,221
14 0,258 0,537 0,868 1,345 1,761 2,145 2,624 2,977 3,787 4,140
15 0,258 0,536 0,866 1,341 1,753 2,131 2,602 2,947 3,733 4,073
16 0,258 0,535 0,865 1,337 1,746 2,120 2,583 2,921 3,686 4,015
17 0,257 0,534 0,863 1,333 1,740 2,110 2,567 2,898 3,646 3,965
18 0,257 0,534 0,862 1,330 1,734 2,101 2,552 2,878 3,611 3,922
19 0,257 0,533 0,861 1,328 1,729 2,093 2,539 2,861 3,579 3,883
20 0,257 0,533 0,860 1,325 1,725 2,086 2,528 2,845 3,552 3,850
21 0,257 0,532 0,859 1,323 1,721 2,080 2,518 2,831 3,527 3,819
22 0,256 0,532 0,858 1,321 1,717 2,074 2,508 2,819 3,505 3,792
23 0,256 0,532 0,858 1,319 1,714 2,069 2,500 2,807 3,485 3,767
24 0,256 0,531 0,857 1,318 1,711 2,064 2,492 2,797 3,467 3,745
25 0,256 0,531 0,856 1,316 1,708 2,060 2,485 2,787 3,450 3,725
26 0,256 0,531 0,856 1,315 1,706 2,056 2,479 2,779 3,435 3,707
27 0,256 0,531 0,855 1,314 1,703 2,052 2,473 2,771 3,421 3,690
28 0,256 0,530 0,855 1,313 1,701 2,048 2,467 2,763 3,408 3,674
29 0,256 0,530 0,854 1,311 1,699 2,045 2,462 2,756 3,396 3,659
30 0,256 0,530 0,854 1,310 1,697 2,042 2,457 2,750 3,385 3,646
40 0,255 0,529 0,851 1,303 1,684 2,021 2,423 2,704 3,307 3,551
60 0,254 0,527 0,848 1,296 1,671 2,000 2,390 2,660 3,232 3,460
80 0,254 0,527 0,846 1,292 1,664 1,990 2,374 2,639 3,195 3,415
100 0,254 0,526 0,845 1,290 1,660 1,984 2,365 2,626 3,174 3,389
200 0,254 0,525 0,843 1,286 1,653 1,972 2,345 2,601 3,131 3,339
500 0,253 0,525 0,842 1,283 1,648 1,965 2,334 2,586 3,106 3,310
 0,253 0,524 0,842 1,282 1,645 1,960 2,326 2,576 3,090 3,291

Pour lire une valeur tàkdl dans la table, il suffit de lire l'intersection entre la colonne
correspondante à la valeur de la probabilité cumulée F(tà k dl) et la ligne correspondante aux
degrés de liberté k.

Exemple :

La valeur de t à 10 dl pour une probabilité de 0,95 correspond à l'intersection entre la colonne

correspondante à 0,95 et la ligne correspondante à 10, on peut lire la valeur 1,812.

t 0,95 à 10 dl = 1,812

t 0,7 à 20 dl = 0,533

Adil EL MARHOUM Page 34

 Echantillonnage et estimations

TABLE DE LA LOI F DE FISHER (p = 0,95)

K1 1 2 3 4 5 6 7 8 9 10 15 20 30 50 100 200 500 

k2
1 161 200 216 225 230 234 237 239 241 242 246 248 250 252 253 254 254 254
2 18,5 19,0 19,2 19,2 19,3 19,3 19,4 19,4 19,4 19,4 19,4 19,4 19,5 19,5 19,5 19,5 19,5 19,5
3 10,1 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,70 8,66 8,62 8,58 8,55 8,54 8,53 8,53
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,86 5,80 5,75 5,70 5,66 5,65 5,64 5,63
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,62 4,56 4,50 4,44 4,41 4,39 4,37 4,37
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 3,94 3,87 3,81 3,75 3,71 3,69 3,68 3,67
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,51 3,44 3,38 3,32 3,27 3,25 3,24 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,22 3,15 3,08 3,02 2,97 2,95 2,94 2,93
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,01 2,94 2,86 2,80 2,76 2,73 2,72 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,85 2,77 2,70 2,64 2,59 2,56 2,55 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,72 2,65 2,57 2,51 2,46 2,43 2,42 2,40
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,62 2,54 2,47 2,40 2,35 2,32 2,31 2,30
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,53 2,46 2,38 2,31 2,26 2,23 2,22 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,46 2,39 2,31 2,24 2,19 2,16 2,14 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,40 2,33 2,25 2,18 2,12 2,10 2,08 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,35 2,28 2,19 2,12 2,07 2,04 2,02 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,31 2,23 2,15 2,08 2,02 1,99 1,97 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,27 2,19 2,11 2,04 1,98 1,95 1,93 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,23 2,16 2,07 2,00 1,94 1,91 1,89 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,20 2,12 2,04 1,97 1,91 1,88 1,86 1,84
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,15 2,07 1,98 1,91 1,85 1,82 1,80 1,78
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,11 2,03 1,94 1,86 1,80 1,77 1,75 1,73
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,07 1,99 1,90 1,82 1,76 1,73 1,71 1,69
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,04 1,96 1,87 1,79 1,73 1,69 1,67 1,65
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,01 1,93 1,84 1,76 1,70 1,66 1,64 1,62
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 1,92 1,84 1,74 1,66 1,59 1,55 1,53 1,51
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,87 1,78 1,69 1,60 1,52 1,48 1,46 1,44
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,84 1,75 1,65 1,56 1,48 1,44 1,41 1,39
80 4,96 3,11 2,72 2,49 2,33 2,21 2,13 2,06 2,00 1,95 1,79 1,70 1,60 1,51 1,43 1,38 1,35 1,32
100 4,94 3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93 1,77 1,68 1,57 1,48 1,39 1,34 1,31 1,28
200 4,89 3,04 2,65 2,42 2,26 2,14 2,06 1,98 1,93 1,88 1,72 1,62 1,52 1,41 1,32 1,26 1,22 1,19
500 4,86 3,01 2,62 2,39 2,23 2,12 2,03 1,96 1,90 1,85 1,69 1,59 1,48 1,38 1,28 1,21 1,16 1,11
 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,67 1,57 1,46 1,35 1,24 1,17 1,11 1,00

Adil EL MARHOUM Page 35

 Echantillonnage et estimations

TABLE DE LA LOI F DE FISHER (p = 0,975)

K1 1 2 3 4 5 6 7 8 9 10 15 20 30 50 100 200 500 

k2
1 648 800 864 900 922 937 948 957 963 969 985 993 1001 1008 1013 1016 1017 1018
2 38,5 39,0 39,2 39,2 39,3 39,3 39,4 39,4 39,4 39,4 39,4 39,4 39,5 39,5 39,5 39,5 39,5 39,5
3 17,4 16,0 15,4 15,1 14,9 14,7 14,6 14,5 14,5 14,4 14,3 14,2 14,1 14,0 14,0 13,9 13,9 13,9
4 12,2 10,6 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,66 8,56 8,46 8,38 8,32 8,29 8,27 8,26
5 10,0 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,43 6,33 6,23 6,14 6,08 6,05 6,03 6,02
6 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,27 5,17 5,07 4,98 4,92 4,88 4,86 4,85
7 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,57 4,47 4,36 4,28 4,21 4,18 4,16 4,14
8 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,10 4,00 3,89 3,81 3,74 3,70 3,68 3,67
9 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,77 3,67 3,56 3,47 3,40 3,37 3,35 3,33
10 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,52 3,42 3,31 3,22 3,15 3,12 3,09 3,08
11 6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,33 3,23 3,12 3,03 2,96 2,92 2,90 2,88
12 6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,18 3,07 2,96 2,87 2,80 2,76 2,74 2,72
13 6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,05 2,95 2,84 2,74 2,67 2,63 2,61 2,60
14 6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 2,95 2,84 2,73 2,64 2,56 2,53 2,50 2,49
15 6,20 4,76 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,86 2,76 2,64 2,55 2,47 2,44 2,41 2,40
16 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,79 2,68 2,57 2,47 2,40 2,36 2,33 2,32
17 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,72 2,62 2,50 2,41 2,33 2,29 2,26 2,25
18 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,67 2,56 2,44 2,35 2,27 2,23 2,20 2,19
19 5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,62 2,51 2,39 2,30 2,22 2,18 2,15 2,13
20 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,57 2,46 2,35 2,25 2,17 2,13 2,10 2,09
22 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,50 2,39 2,27 2,17 2,09 2,05 2,02 2,00
24 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,44 2,33 2,21 2,11 2,02 1,98 1,95 1,94
26 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,39 2,28 2,16 2,05 1,97 1,92 1,90 1,88
28 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,34 2,23 2,11 2,01 1,92 1,88 1,85 1,83
30 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,31 2,20 2,07 1,97 1,88 1,84 1,81 1,79
40 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,18 2,07 1,94 1,83 1,74 1,69 1,66 1,64
50 5,34 3,98 3,39 3,06 2,83 2,67 2,55 2,46 2,38 2,32 2,11 1,99 1,87 1,75 1,66 1,60 1,57 1,55
60 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,06 1,94 1,82 1,70 1,60 1,54 1,51 1,48
80 5,22 3,86 3,28 2,95 2,73 2,57 2,45 2,36 2,28 2,21 2,00 1,88 1,75 1,63 1,53 1,47 1,43 1,40
100 5,18 3,83 3,25 2,92 2,70 2,54 2,42 2,32 2,24 2,18 1,97 1,85 1,71 1,59 1,48 1,42 1,38 1,35
200 5,10 3,76 3,18 2,85 2,63 2,47 2,35 2,26 2,18 2,11 1,90 1,78 1,64 1,51 1,39 1,32 1,27 1,23
500 5,05 3,72 3,14 2,81 2,59 2,43 2,31 2,22 2,14 2,07 1,86 1,74 1,60 1,46 1,34 1,25 1,19 1,14
 5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05 1,83 1,71 1,57 1,43 1,30 1,21 1,13 1,00

Pour lire une valeur Fà k1 et k2 dl dans la table, il suffit de lire l'intersection entre la colonne
correspondante à la valeur de k1 et la ligne correspondante à la valeur de k2.

Exemple :

La valeur de Fà 10 et 15 dl pour une probabilité de 0,95 correspond dans la table de la loi F pour
p=0,95, à l'intersection entre la colonne correspondante à 10 et la ligne correspondante à 15, on
peut lire la valeur 2,54.
F 0,95 à 10 et 15 dl = 2,54

F 0,975 à 15 et 20 dl = 2,57

Adil EL MARHOUM Page 36