Tous Couture & broderie Tricot & crochet Papier & scrapbooking Modelage & bijoux Actualités

Calculer un échantillon : pourquoi on ne peut pas s’en passer

31 octobre 2026 16 min de lecture Mis a jour 31 octobre 2026
Cet article a été généré par intelligence artificielle et publié sans révision humaine approfondie.

En bref

  • La taille d’échantillon dépend surtout de la marge d’erreur visée, du niveau de confiance et de la variabilité de la mesure, pas de la taille d’une population très vaste.
  • Pour estimer une proportion inconnue avec une marge de ±3 points et un niveau de confiance de 95 %, il faut environ 1 068 réponses exploitables.
  • Un grand échantillon ne corrige pas un biais d’échantillonnage. Le mode de recrutement compte autant que le nombre de personnes interrogées.
  • La correction de population finie réduit la taille nécessaire lorsque l’enquête porte sur une population relativement petite et que l’on en interroge une fraction importante.
  • Une étude qualitative ne se dimensionne pas avec la formule d’un sondage. Elle s’arrête généralement lorsque les entretiens n’apportent plus de thèmes nouveaux.

Calculer la taille d’échantillon sans confondre précision et représentativité

Un échantillon est une partie de la population cible observée pour estimer une caractéristique de l’ensemble. Il peut s’agir d’une proportion, comme la part de personnes favorables à une mesure, ou d’une moyenne, comme la masse moyenne de pièces produites. L’enjeu du calcul est de fixer un nombre de réponses ou de mesures qui limite la fluctuation due au hasard.

La taille ne suffit pourtant pas à assurer la représentativité. Un questionnaire rempli par 10 000 visiteurs d’un site spécialisé peut décrire correctement ces visiteurs, mais pas nécessairement tous les habitants d’un pays. Les personnes qui choisissent spontanément de répondre peuvent avoir des opinions ou des habitudes différentes de celles qui ne répondent pas. Ce biais d’échantillonnage ne disparaît pas en ajoutant des réponses issues du même recrutement.

Deux questions doivent donc être traitées séparément. Le plan de sélection détermine qui peut entrer dans l’enquête et avec quelle probabilité. Le calcul de la taille d’échantillon estime ensuite la précision des résultats, sous les hypothèses retenues pour le tirage et l’analyse. Un sondage probabiliste repose sur un mécanisme de sélection aléatoire documenté. Une enquête par quotas cherche à reproduire certaines caractéristiques connues, comme l’âge ou la région, mais ne transforme pas automatiquement les réponses en tirage aléatoire.

Définir la population cible avant de compter

La population cible doit être délimitée avant toute formule. « Les clients » est trop vague si l’étude porte en réalité sur les personnes ayant acheté un produit précis au cours des six derniers mois. Il faut fixer la période, le territoire, les critères d’inclusion et l’unité observée. Dans une enquête scolaire, l’unité peut être l’élève, la classe ou l’établissement ; ces choix influencent l’organisation du terrain et les calculs.

La formule classique suppose également que les observations sont suffisamment indépendantes. Si l’enquête interroge des personnes regroupées dans quelques établissements, leurs réponses peuvent se ressembler davantage que celles de personnes tirées séparément dans toute la population. Ce regroupement réduit la quantité d’information apportée par chaque réponse et peut exiger une taille supérieure. Un plan d’enquête complexe doit donc être pris en compte par la personne responsable de l’analyse.

La distinction est concrète : augmenter le nombre de questionnaires peut réduire l’incertitude d’échantillonnage, mais ne répare ni une population mal définie ni un recrutement déséquilibré. La représentativité se travaille au moment de sélectionner les personnes, avant de lancer le calcul.

Mètre ruban enroulé et chutes de tissus en macro sur papier kraft

La formule de taille d’échantillon pour une proportion

Pour estimer une proportion avec un intervalle de confiance approximatif, on utilise la formule n = z² × p(1 − p) / e². La variable n désigne le nombre de réponses nécessaires, z le quantile associé au niveau de confiance, p la proportion anticipée et e la marge d’erreur exprimée sous forme décimale. Une marge de 3 % s’écrit donc 0,03, et non 3.

Le niveau de confiance traduit la couverture visée par la méthode d’intervalle : avec un niveau de 95 %, des intervalles construits de cette manière couvriraient la vraie proportion dans environ 95 % des répétitions d’un même plan d’échantillonnage, sous les hypothèses statistiques applicables. Il ne signifie pas qu’une proportion déjà calculée a 95 % de probabilité de se trouver dans un intervalle fixe. Pour 90 %, z vaut environ 1,645 ; pour 95 %, 1,96 ; pour 99 %, 2,576.

Dérouler le calcul avec une marge de trois points

Supposons qu’une enquête cherche à estimer la part de personnes favorables à une proposition. Le niveau de confiance est fixé à 95 %, la marge d’erreur à ±3 points et aucune estimation préalable de p n’est disponible. On prend alors p = 0,5, car p(1 − p) atteint son maximum à cette valeur : le calcul donne la taille la plus prudente pour une proportion.

En remplaçant les valeurs, on obtient n = 1,96² × 0,5 × 0,5 / 0,03², soit 0,9604 / 0,0009, donc environ 1 067,1. Il faut arrondir vers le haut et prévoir 1 068 réponses exploitables. Le nombre de personnes à contacter sera souvent supérieur : certaines ne répondront pas, d’autres abandonneront le questionnaire ou fourniront des données inutilisables.

La formule montre pourquoi la précision coûte vite plus cher. La taille varie comme l’inverse du carré de la marge d’erreur. Passer de ±3 % à ±1 % ne demande pas trois fois plus de réponses, mais neuf fois plus, à niveau de confiance et proportion identiques. Le coût de l’enquête comprend alors davantage que le nombre de formulaires : recrutement, relances, contrôle des réponses et temps d’analyse augmentent aussi.

Vérifier la proportion utilisée

Une enquête pilote ou des données antérieures peuvent fournir une estimation de p. Si une étude préalable estime l’insatisfaction à 20 %, p(1 − p) vaut 0,16 au lieu de 0,25. Avec une marge de ±3 % et un niveau de 95 %, le calcul aboutit à environ 683 réponses. Cette économie n’est raisonnable que si l’estimation préalable est assez fiable et porte sur une population comparable.

Pour les conditions d’utilisation des intervalles et les méthodes d’estimation, le NIST/SEMATECH e-Handbook of Statistical Methods fournit une référence statistique vérifiable. Dans une étude réelle, le plan de sondage et les non-réponses doivent être décrits avec la formule, pas laissés hors du calcul.

Tableau de taille d’échantillon selon la marge d’erreur

Le tableau ci-dessous donne des ordres de grandeur pour une proportion, une population suffisamment vaste et le cas prudent p = 0,5. Les valeurs sont arrondies à l’entier supérieur. Elles supposent un échantillonnage aléatoire simple et ne comptabilisent ni les refus de répondre ni les réponses écartées après contrôle.

Marge d’erreur Confiance 90 % Confiance 95 % Confiance 99 %
±5 % 271 385 664
±3 % 752 1 068 1 843
±2 % 1 692 2 401 4 147
±1 % 6 764 9 604 16 590

Choisir une précision adaptée à la décision

Une marge de ±5 points peut suffire pour repérer une tendance générale dans une enquête exploratoire. Elle est souvent trop large si la décision dépend d’un seuil serré, par exemple distinguer une satisfaction de 48 % d’une satisfaction de 52 %. Une précision accrue demande davantage de réponses, et le niveau de confiance choisi joue lui aussi sur l’effectif requis.

La marge est exprimée en points de pourcentage lorsque l’on estime directement une proportion. Si le résultat est 40 % avec une marge de ±3 points, l’intervalle va approximativement de 37 % à 43 %. Ce n’est pas la même chose qu’une erreur relative de 3 % du résultat, qui correspondrait ici à 1,2 point. Cette distinction doit apparaître dans le protocole et dans la présentation des résultats.

Une autre mesure intervient dans les tests statistiques : la puissance statistique. Elle désigne la probabilité de détecter un effet donné lorsqu’il existe réellement, pour un seuil de risque fixé. Le calcul de puissance dépend notamment de la taille de l’effet que l’on veut repérer, de la variabilité des données et du plan d’analyse. Un sondage conçu pour estimer une proportion avec une marge précise n’est donc pas automatiquement assez puissant pour comparer deux groupes.

Avant de recruter, il faut relier la taille à la décision attendue. Pour une estimation globale, la formule de proportion fournit un point de départ. Pour comparer des catégories, détecter une différence ou tester une hypothèse, le dimensionnement doit intégrer ces objectifs et peut demander un calcul spécifique. La précision annoncée doit correspondre à la question réellement posée.

Prendre en compte les réponses manquantes

Le calcul porte sur les observations exploitables, pas sur les invitations envoyées. Si l’on attend un taux de réponse de 50 % et qu’il faut obtenir 1 068 questionnaires valides, il faut prévoir environ 2 136 invitations, avant même d’anticiper les dossiers incomplets. Ce taux doit provenir d’une expérience antérieure ou d’une hypothèse explicitement signalée, et non d’une promesse de réponse certaine.

Les relances peuvent améliorer le nombre de retours, mais elles ne règlent pas nécessairement la non-réponse sélective. Si les personnes qui ne répondent pas partagent des caractéristiques particulières, les résultats peuvent rester biaisés. La taille et la méthode de recrutement doivent être planifiées ensemble, comme deux réglages distincts de l’enquête.

Corriger le calcul pour une population finie ou une moyenne

La formule de proportion est souvent présentée comme indépendante de la taille de la population. Pour une population très vaste, c’est une bonne approximation : un sondage de 1 068 personnes peut viser une marge de ±3 points que la population compte plusieurs millions ou plusieurs dizaines de millions de personnes, si le tirage et les autres hypothèses sont comparables. Ce résultat surprend parce que l’on raisonne spontanément en pourcentage de la population, alors que la fluctuation dépend principalement de n.

Appliquer la correction de population finie

Lorsque la population est petite et qu’une fraction importante de ses membres est interrogée, on peut réduire l’effectif calculé. La correction usuelle est n = n₀ / (1 + (n₀ − 1) / N), où n₀ représente la taille obtenue avant correction et N l’effectif total de la population. Une règle courante consiste à examiner la correction lorsque n₀ dépasse environ 5 % de N ; le plan d’échantillonnage peut toutefois imposer une analyse plus précise.

Pour un lycée de 500 élèves, une estimation de proportion avec une marge de ±5 points au niveau de 95 % donne d’abord n₀ ≈ 385, avec p = 0,5. La fraction à interroger dépasse largement 5 % de la population. La correction donne environ 218 élèves, après arrondi supérieur, au lieu de 385. Il faut toujours vérifier que la population est bien définie et que le tirage permet effectivement de sélectionner ces élèves.

À l’inverse, pour une population de 47 millions de personnes et un échantillon de 1 000, la fraction interrogée est très faible. La correction de population finie change alors très peu le résultat. L’argument « 1 000 personnes ne représentent qu’une infime part des électeurs » ne suffit donc pas à invalider le calcul ; ce sont plutôt la sélection, les non-réponses et la qualité du terrain qui doivent être examinées.

Estimer une moyenne plutôt qu’une proportion

Quand la grandeur est continue, comme une masse, une taille ou un revenu, le calcul porte sur une moyenne. La formule usuelle devient n = z² × σ² / e², où σ est l’écart-type de la variable et e la marge absolue tolérée dans son unité. Si l’on veut mesurer une masse moyenne à ±0,5 g, e vaut 0,5 g ; la variance ou l’écart-type doit provenir d’une étude pilote, de données fiables ou d’une hypothèse justifiée.

Un pré-échantillon fournit un écart-type estimé à 7 cm pour une mesure de taille. Avec une marge de ±1 cm et un niveau de confiance de 95 %, le calcul donne 1,96² × 7² / 1², soit environ 189 observations après arrondi. Si l’estimation de σ est incertaine, une pré-enquête améliore le dimensionnement et évite de sous-estimer l’effectif nécessaire.

Ne pas appliquer la formule à une enquête qualitative

Des entretiens approfondis ne cherchent pas toujours à généraliser une proportion à l’ensemble d’une population. L’analyse qualitative vise plutôt à comprendre les raisons, les pratiques et les catégories de discours. Le recrutement se poursuit jusqu’à ce que les nouveaux entretiens n’apportent plus de thèmes réellement nouveaux, ce que l’on appelle la saturation théorique. Le nombre dépend du sujet, de la diversité des profils et de la profondeur des entretiens ; une fourchette de 12 à 30 personnes peut servir de repère initial, pas de règle fixe.

Confondre ces approches conduit à un mauvais calcul. La taille d’échantillon d’un sondage quantitatif répond à un objectif de précision ou de puissance ; le nombre d’entretiens qualitatifs répond à un objectif d’exploration et de saturation.

Éviter les erreurs de calcul et justifier la taille retenue

Un chiffre isolé n’est pas une justification. Dans un rapport, un mémoire ou un protocole, il faut préciser ce qui est estimé, auprès de qui, avec quelle marge, à quel niveau de confiance et selon quelle méthode de recrutement. Ces choix permettent à un lecteur de comprendre les limites de l’étude et de juger la fiabilité des données.

Repérer les pièges qui faussent la décision

Le premier piège consiste à croire que l’effectif nécessaire augmente proportionnellement à la population. Pour une population vaste, la taille de celle-ci n’entre pas dans la formule de base. Elle intervient surtout lorsqu’elle est suffisamment petite pour justifier la correction de population finie. Le nombre absolu d’observations, la marge d’erreur et le plan de sélection sont plus informatifs que le seul taux de sondage.

Le deuxième piège consiste à choisir arbitrairement une proportion favorable. Si p est inconnu, prendre 0,5 donne le calcul le plus prudent. Retenir p = 0,1 sans données solides réduit la taille calculée et peut laisser l’étude trop peu précise si la proportion réelle se rapproche de 0,5.

Le troisième piège est de présenter une marge d’erreur comme une garantie générale de fiabilité. Elle décrit l’incertitude associée au hasard d’échantillonnage dans un cadre défini ; elle ne mesure pas toutes les erreurs de questionnaire, de saisie, de couverture ou de non-réponse. Un grand nombre de réponses ne corrige pas un recrutement qui exclut systématiquement une partie de la population.

L’histoire du sondage du Literary Digest de 1936 illustre cette limite. Le magazine avait recueilli un très grand nombre de réponses, mais la sélection de ses répondants ne reflétait pas correctement l’électorat. L’exemple rappelle qu’un effectif massif peut produire une estimation trompeuse si la méthode de recrutement introduit un biais.

Rédiger une justification vérifiable

Une justification rigoureuse nomme d’abord la population cible et la variable étudiée. Elle indique ensuite si l’objectif est d’estimer une proportion ou une moyenne, puis fixe le niveau de confiance et la marge souhaitée. La valeur de p ou de σ doit être reliée à une source ou à une hypothèse explicitée ; si p est inconnue, le cas prudent p = 0,5 doit être annoncé.

La formule doit être écrite avant le remplacement des valeurs. Le résultat est arrondi à l’entier supérieur, puis corrigé si la population est finie et suffisamment petite. Il faut enfin distinguer l’effectif à recruter de l’effectif de réponses exploitables, en tenant compte des refus, des abandons et des exclusions prévues.

Pour une approximation normale concernant une proportion, on vérifie généralement que les quantités np et n(1 − p) sont suffisamment grandes, souvent au moins égales à 5 selon la règle de cours utilisée. Les méthodes exactes ou les plans complexes peuvent imposer d’autres conditions. Si l’étude compare des groupes, mesure un effet ou utilise un recrutement en grappes, le calcul simple de proportion ne répond pas à lui seul à la question de dimensionnement.

La démarche aboutit ainsi à un nombre défendable, mais aussi à une description claire de ses limites. La taille mesure la précision attendue sous certaines hypothèses ; la représentativité dépend de la manière dont les observations ont été obtenues.

Questions fréquentes sur le calcul d’un échantillon

Combien de personnes faut-il interroger pour une marge de ±3 % ?

Pour une proportion inconnue, un niveau de confiance de 95 % et un échantillonnage aléatoire simple, il faut environ 1 068 réponses exploitables. Il faudra généralement contacter davantage de personnes pour compenser les non-réponses.

Un échantillon plus grand est-il toujours plus représentatif ?

Non. Un effectif supérieur réduit la fluctuation aléatoire si le plan est adapté, mais il ne supprime pas un biais de sélection. La représentativité dépend aussi de la couverture de la population et du mode de recrutement.

Pourquoi prendre p = 0,5 quand la proportion est inconnue ?

Le produit p(1 − p) est maximal lorsque p vaut 0,5. Ce choix donne donc la taille la plus élevée et la plus prudente pour une marge et un niveau de confiance fixés.

Faut-il corriger le calcul lorsque la population est petite ?

Oui, lorsque l’échantillon représente une fraction importante de la population finie. La correction de population finie peut réduire l’effectif nécessaire, comme dans une enquête menée auprès des élèves d’un établissement.