CoursSondagesReunion PDF

Méthodes de sondage
Echantillonnage et Redressement
Guillaume Chauvet
École Nationale de la Statistique et de l’Analyse de l’Information
27 avril 2015
Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 1 / 198

Panorama du cours
1 Echantillonnage en population finie

2 Méthodes d’échantillonnage
3 Méthodes de redressement

Objectifs du cours
Présenter les méthodes d’inférence dans le cas d’une population finie

d’individus.
Donner les principales méthodes d’échantillonnage utilisées dans les en-
quêtes.
Décrire les méthodes de redressement qui permettent d’utiliser une in-
formation auxiliaire au moment de l’estimation.
Donner des exemples pratiques.

Echantillonnage en population finie
Echantillonnage en population finie

Echantillonnage en population finie Notations
Notations

Notations
On se place dans le cadre d’une population finie U d’individus ou unités

statistiques, supposées identifiables par un label. On notera simplement
U = {1, . . . , k, . . . , N }
où N désigne la taille de la population U .
On s’intéresse à une variable d’intérêt y (éventuellement vectorielle), qui

prend la valeur yk sur l’individu k de U . La variable y est vue ici comme non
aléatoire : la population U étant fixée, la valeur prise par y sur chaque
individu est parfaitement définie et déterministe.
On souhaite disposer d’indicateurs pour la population U (totaux, moyennes,

fractiles, indices, ...).

U
Notations
Essentiellement pour des considérations pratiques, la variable d’intérêt n’est

pas observée sur l’ensemble de la population :
effectuer un recensement coûte cher, et suppose de disposer d’une base

de sondage donnant la liste de l’ensemble des individus de la population,
même dans le cas d’un recensement traditionnel, l’ensemble des données
recueillies est rarement exploité,
augmenter la taille d’un questionnaire augmente le fardeau de réponse,
et diminue les taux de réponse,
de façon générale, la non-réponse diminue la taille de l’échantillon ef-
fectivement observé.

Exemples
Exemple 1 : Les enquêtes-ménages de l’Insee visent à décrire les condi-

tions de vie des ménages (emploi, logement, patrimoine, ... ). Les ménages
enquêtés sont sélectionnés dans un échantillon de zones appelé l’Echantillon-
Maître.
Exemple 2 : Les enquêtes-entreprises sont réalisées à l’aide d’une base de

sondage (répertoire SIRENE) et de sources externes.
Exemple 3 : Enquête auprès d’un échantillon de personnes pour connaître

une opinion politique, les habitudes en termes de media, l’avis sur un pro-
duit ... On utilise souvent dans ce cas des méthodes de tirage empiriques
(échantillonnage par quotas, échantillonnage de volontaires).

Paramètre d’intérêt
On s’intéresse à un paramètre d’intérêt de la forme
θ(yk , k ∈ U ) ≡ θ.
Un estimateur de ce paramètre sera de la forme
θ̂(yk , k ∈ S) ≡ θ̂(S)
≡ θ̂,
où S désigne l’échantillon aléatoire finalement observé.

Total et moyenne
On peut s’intéresser au total

X
ty = yk
k∈U
d’une variable quantitative sur la population, ou encore à sa valeur moyenne

1 X
µy = yk .
N
k∈U
Exemple :
Chiffre d’affaires total des entreprises d’un secteur d’activité, pourcentage
d’étudiants fumeurs, ...

Estimation sur domaine
Un cas particulier important est celui de l’estimation sur une sous-population

Ud (appelée domaine) d’un total
X
tyd = yk
k∈Ud
ou d’une moyenne
1 X
µyd = yk
Nd
k∈Ud
avec Nd la taille du domaine.
Il peut s’agir d’un domaine au sens géographique (habitants d’une région),

socio-démographique (individus de moins de 20 ans), temporel (individus
présents à une date donnée), ...
U
Ud
Estimation par substitution
Savoir estimer un total permet de traiter le cas de très nombreux paramètres

qui peuvent s’exprimer comme des fonctions de totaux. C’est le cas d’un
ratio, d’un coefficient de corrélation, d’une variance, d’un coefficient de ré-
gression, ...
Ces paramètres sont estimés par substitution, en remplaçant chaque total

inconnu par son estimateur.
Exemple 1 :
ty t̂y
R= estimé par R̂ = .
tx t̂x

Estimation par substitution
Exemple 2 :
pA p̂A
1−pA 1−p̂A
OR = pB estimé par OR
d=
p̂B
.
1−pB 1−p̂B
Il est également possible d’estimer des paramètres plus complexes tels que
des fractiles (médianes), ou des indices (Gini, utilisé comme indicateur d’in-
égalité).

Plan de sondage
La sélection de l’échantillon aléatoire S se fait à l’aide d’un plan de sondage

p sur U , c’est à dire à l’aide d’une loi de probabilité sur les parties de U :
X
∀s ⊂ U p(s) ≥ 0 et p(s) = 1.
s⊂U
On note S l’échantillon aléatoire, et on distinguera

l’estimateur θ̂(yk , k ∈ S) ≡ θ̂(S),
l’estimation θ̂(yk , k ∈ s) ≡ θ̂(s).
On appelle algorithme d’échantillonnage une méthode pratique permettant

de sélectionner un échantillon selon le plan de sondage choisi.

Exemple
Soit la population U = {1, 2, 3, 4}, et p(·) le plan de sondage défini par :
p({1, 2}) = 0.2 p({1, 4}) = 0.1 p({3, 4}) = 0.3

p({1, 2, 3}) = 0.3 p({2, 3, 4}) = 0.1
La variable aléatoire S prend ses valeurs dans
{{1, 2}, {1, 4}, {3, 4}, {1, 2, 3}, {2, 3, 4}} .
On a par exemple
P(S = {1, 2}) = p({1, 2}) = 0.2
A la différence des lois de probabilités classiques (normale, exponentielle,

binomiale, ...) l’aléatoire ne porte pas sur la variable mais sur le sous-ensemble
d’individus observés.
Comparaison avec une variable aléatoire réelle

Soit X une variable aléatoire distribuée selon une loi de Poisson P(λ). La
variable aléatoire X prend ses valeurs dans
N = {0, 1, 2, . . .} .
On a pour k ∈ N :
λk
P(X = k) = exp−λ × .
k!
L’espérance de X correspond à la valeur moyenne de ses valeurs possibles,
pondérées par leurs probabilités :
X
E[X] = k × P(X = k)
k∈N
= λ.

Mesures de précision
L’espérance d’un estimateur θ̂(S) se définit de façon analogue :

h i X
Ep θ̂(S) = θ̂(s) × P(S = s)
s⊂U
X
= p(s) θ̂(s).
s⊂U
Le biais d’un estimateur θ̂(S) correspond à son erreur moyenne :

h i h i
Bp θ̂(S) = Ep θ̂(S) − θ
X h i
= p(s) θ̂(s) − θ .
s⊂U

Mesures de précision
On s’intéressera également à la Variance

h i n o2
Vp θ̂(S) = Ep θ̂(S) − Ep [θ̂(S)]
X n o2
= p(s) θ̂(s) − Ep [θ̂(S)] ,
s⊂U
et à l’Erreur Quadratique Moyenne (EQM)

h i n o2
EQMp θ̂(S) = Ep θ̂(S) − θ
h i2 h i
= Bp θ̂(S) + Vp θ̂(S) .

Quelques simulations
Pour illustrer la notion de biais et de variance, on considère l’exemple d’une

population de N = 1 000 individus âgés de 15 à 20 ans.
Dans cette population, un échantillon de taille n = 50 est sélectionné et

enquêté. Pour chaque individu enquêté, on obtient son poids (en kg), sa
taille (en cm) et son âge.
On s’intéresse à l’estimation du poids moyen et de la taille moyenne (carré

noir). Chaque échantillon permet d’obtenir une estimation (points bleus) de
ces paramètres. La moyenne des estimations est représentée par le point
rouge.

200
200
200
190
190
190
180
180
180
170
170
170
● ●
● ●
taille
taille
taille
● ● ● ●
● ● ● ●
● ● ● ●
160
160
160
● ● ●● ● ● ● ●● ●
●● ● ●●● ● ●
● ●●● ●●● ●● ● ●●● ● ●
● ●●● ●●●
● ●● ●●
● ●●●●●● ● ● ●● ●●
● ●●●●●● ●
●● ●
●●
●●
●●●●
●●●●●●●
●
●●
●
●
● ●●●●●●● ●● ● ●● ●
●●
●●
●● ●
●●●●●●●
●
●● ●
● ●●●●●●● ●● ●
●●● ● ●● ●●●●●●●● ●● ●● ●
● ●● ●●● ● ● ●● ●●
●●●●●●● ●● ●● ●
● ●●
● ●●●
●
●●●●●●●●
● ●●
●●●●
●●●●●●●●●●
●
●● ●● ● ●●●
●
●●●●●●●●
● ●●
●●●●
●●●●●●●●●●
●
●● ●●
●● ●● ●
●●●
●●
●
●
●●●
●
●
●●
●●●
●
●
●
● ●●●●●● ●●●●● ●● ●● ●
●● ●● ●● ●
●●●
●●
●
●
●●●
●
●
●●
●●●
●
●
●
● ●●●●●● ●●●●● ●● ●● ●
●●
●●
●●
● ●●
●● ●●●
●●●●
● ●●
●
●
●●●●●● ●
●●
●
●●
●●
●
●●
●●●●●● ●
●●
●●
● ●●
●● ●●●
●●●●
● ●●
●
●
●●●●●● ●
●●
●
●●
●●
●
●●
●●●●●● ●
●●●●●
● ●● ●● ●
●● ●
●●
●●●
●● ●
●●●
●
●
●
●●●●●
●
●
●●● ●●● ●●●●●
● ●● ●● ●
●● ●
●●
●●●
● ●
●●●
●
●
●●●●●
●
●
●●● ●●●
● ● ● ●
●●●●●
●●●
●●●●
●●
●
●
●
●
●●●
●●● ●●
●●
●
●●●
●
●
●●
●●
● ● ● ●● ● ● ● ● ●
●●●●●
●●●
●
●
●●●
●●
●
●
●
●
●●
●●
●●● ●●
●●
●
●●●
●
●
●●
●●
● ● ● ●● ●
150
●● ●
150
●● ●
150
● ● ●●
●● ●
●●
●
●
●
●●
●●
●●●
●●● ●●
● ●●●●●●
● ●
●● ● ● ● ●●
●● ●
●●
●
●
●
●●
●●
●●●
●●● ●●
● ●●●●●●
● ●
●● ●
● ●●
●● ●● ● ●
●●
●
●●
●●●
●
●● ●
●●
●
●● ●●
●●●
●●●● ●
●●
● ●● ● ●●
●● ●● ● ●
●●
●
●●
●●●
●
●● ●
●●
●
●● ●●
●●●
●●●● ●
●●
● ●●
●●● ●●
●● ●
●
●
●
●● ●
●
●
●
●
●●
●
●
●●●
●●●
●
●
●
●●
●
●
●
●
●
●
●●●
●
●●
●● ●
●●
●
●
●●●
● ●
●
●
●●
●
●●●
●
●●●
● ●●●
●●● ● ●●● ●●
●● ●
●
●
●
●● ●
●
●
●
●
●●
●
●
●●●
●●●
●
●
●
●●
●
●
●
●
●
●
●●●
●
●●
●● ●
●●
●
●●
● ●
●
●
●●
●
●●●
●
●●●
● ●●●
●●● ●
● ●
●● ●●
● ● ●
● ● ●
● ● ●● ● ● ●
●● ●●
● ● ●● ●
● ● ●
● ● ●● ●
●●
●●● ●
●●
●
●
●
●
●●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
●●●
●●
●●
●
●
●
●
●
●●
●●● ●
●●
●
●
●
●
●●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
●●●
●●
●●
●
●
●
●
● ●
●● ●● ●●● ●●
●●●
●●
●●
●●●
●●
●
●
●●
●●●
●●
●
●
●
●
●●●
●●●
●
●
●●
●●●
● ●
●
●
●●
● ●● ●● ●● ●●● ●●
●●●
●●
●●
●●●
●●
●
●
●●
●●●
●●
●
●
●
●
●●●
●●●
●
●
●●
●●●
● ●
●
●
●●
● ●●
● ●
● ●● ●●●● ●●
● ●●
● ● ●● ●
● ● ● ● ● ● ●●
● ●●
● ● ●● ●
● ● ● ●
●●●●● ●●● ●●● ● ●● ● ● ●● ●●●● ●●● ● ●●● ●●● ● ●● ●
● ●
●● ● ●● ●● ●
●
●●
●
●
●●
●●
●●● ●●●●
●●
●
● ● ● ● ●
●● ● ●● ●● ●
●●
●●
●
●
●●
●●
●●● ●●●●
●●
●
● ● ●
●● ● ● ●●● ●●● ●● ● ● ●●● ●●●
140
140
●
140
● ● ●● ●●●●● ●●●● ● ● ●● ●●●●● ●●●●
●● ●
● ●● ●● ●
● ●●
●
● ● ●● ● ● ● ●
● ● ●● ● ● ●
● ●●● ● ● ●●● ●
●● ●●
● ●
130
130
130
50 60 70 80 90 100 50 60 70 80 90 100 50 60 70 80 90 100
poids poids poids

200
200
200
190
190
190
●
● ●
●
● ●● ● ●●
● ● ● ● ● ●
● ●●● ● ●● ● ●●● ● ●●
180
180
180
●● ●● ●● ● ●● ●● ●● ●
●●●● ● ●●●●● ●● ● ●● ●●●● ● ●●●●● ●● ● ●●
● ●● ●
●● ●●
●● ●●● ● ●● ● ● ●● ●
●● ●●
●● ●●● ● ●● ●
● ●●●●●● ● ●
●● ●
●●●
● ●●
●● ●
● ● ●●●●●● ● ●
●● ●
●●●
● ●●
●● ●
●
●●● ●● ●● ● ●
●
● ● ●●● ●● ●● ● ●
●
● ●
● ● ●● ● ● ●●
● ●●●● ●●●●●
●
●● ●
● ● ●● ● ● ● ●● ● ● ●●
● ●●●● ●●●●●
●
●● ●
● ● ●● ●
●● ● ●
●●
●●
●●●
●
●
●
●●●
●
●
●
●
●
●●
●●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●●
● ●●●
● ●●
●
●●● ●● ● ●
●●
●●
●●●
●
●
●●●
●
●
●
●
●
●●
●●
●●●
●
●
●
●
●
●
●
●●●
●
●
●
●●
● ●●●
● ●●
●
●●●
●●● ●●●
●●
●●
●●●
●
● ● ●
●
●
● ●●●●
●
●●
● ●●
●
●
●●●●
●
●
●● ●● ●
● ●●● ●●●
●●
●●
●●●
●
●
● ● ●
●
●
●
● ●●●●
●
●●
● ●●
●
●
●●●●
●
●
●● ●● ●
●
● ●● ●●
● ●●
●● ●●
●●
●
●
●
●●
●●
●●●
●●
●
●●●●
●
●●●
●●
●●
● ●●●
●●
●●● ●
● ● ●● ●●
● ●●
●● ●●
●●
●
●
●
●●
●●
●●●
●●
●
●●●●
●
●●●
●●
●●
● ●●●
●●
●●● ●
●
●● ●●●● ●
●●●
● ●●●●
●
●●●
●●●●●
●
●
●
●
●●
●●●●
●
●
●
●●●
● ●● ●● ●●●● ●
●●●
● ●●●●
●
●●●
●●●●●
●
●
●
●
●●
●●●●
●●
●●●
● ●●
● ● ● ● ● ● ●● ●● ● ● ● ● ● ●●●● ●●
170
●
170
170
● ●
●●●●●●●●●●●
●●
● ●
●●●
●●●● ● ●●
● ●●●
●●●●
● ● ● ● ● ●
●●●●●●●●●●●
●●
● ●
●●●
●●●● ● ●●
● ●●●
●●●●
● ● ● ●
●●
● ●●
●
●●●
●
●
●
●
●
●●●
●
●●
●
●●
●
●●●
●
●●
●●●
●●●●●
●●
●
●
●
●
●
●
●
●
●●
●●
●●
●
●●●
● ●● ● ● ● ●●
● ●●
●
●●●
●
●
●
●
●
●●●
●
●●
●
●●
●
●●●
●
●●●●
●●●●●
●●
●
●
●
●
●
●
●
●
●●
●●
●●
●
●●●
● ●● ● ● ● ●
●●● ●● ●
●●
●
●●●●●
● ●
●
●●●
●●
●●
●●
●●
●
●●
●
●
●
● ●
● ●
●
●●●
●
●
●●
●●
●
●● ●
● ●●●● ●●
● ●●● ●● ●
●●
●
●●●●●
● ●
●
●●●
●●
●●
●●
●●
●
●
●
●
●
●
●
● ●
● ●
●
●●●
●
●
●●
●●
●
●● ●
● ●●●● ●●
●
● ●●●●●●
●●●
●
● ●
●●●
●
●
●
●●
●●
●●
●
●
● ●●
●●
●
●●
●●●
●
●
●
●●
●●
●●
●●
●●●
●
●●●
●● ●●● ●● ● ● ● ●●●●●●
●●●
●
● ●
●●●
●
●
●
●●
●●
●●
●
●
● ●●
●●
●
●●
●●●
●
●
●
●●
●●
●●
●●
●●●
●
●●●
●● ●●● ●● ● ●
●● ●
●●
● ●●
●●
●●
● ●
●
●●
●
●● ●
●●
● ●
●●●
●
●
●●●●
●●
● ●●●
●●● ●● ●
●●
● ●●
●●
●●
● ●
●
●●
●
●● ●
●●
● ●
●●●
●
●
●●●●
●●
● ●●●
●●●
taille
taille
taille
● ●
●● ●● ●●
●●
●
● ●
● ●
● ●
●
●●
●●
●● ●●
●●●
● ● ● ● ●
●● ●● ●●
●●
●
● ●
● ●
● ●
●
●●
●●
●● ●●
●●●
● ● ●
●●●● ● ●
●●
●●●
●●●●
●●●●●
●
●
● ●●● ●●
●
●
●●
●
●●
●●
●●●
●●●●●
●●●● ● ●
●●
●●●
●●●●
●●●●●
●
●
● ●●● ●●
●
●
●●
●
●●
●●
●●●
●●●●●
●●
● ●●●
● ●
●●●
●●●●● ●
●● ●
●●●
●
●●
●
●
●● ● ● ●●
● ●●●
● ●
●●●
●●●●● ●
●● ●
●●●
●
●●
●
●
●● ● ●
●● ●● ● ●●●● ●● ●
●●● ●●● ● ●● ●● ● ●●●● ●● ●●● ●●● ●
●● ● ●●● ●● ●●
● ●
●●●●●●
● ●● ● ●●● ●●●
●●
● ●
●●●●●●
●
● ●● ●●● ●●● ● ● ● ● ●● ●●● ●●● ● ● ●
●●● ● ●●● ●●● ● ●●●
160
160
160
● ●●● ●●
●●● ●● ●
● ●●● ●●
●●● ●● ●
● ● ●●●●●● ● ● ●● ● ● ●●●●●● ● ● ●●
● ● ●● ● ● ● ● ●● ● ●
●● ●●
● ●
150
150
150
140
140
140
130
130
130
50 60 70 80 90 100 50 60 70 80 90 100 50 60 70 80 90 100
poids poids poids

200
200
200
190
190
190
180
180
180
● ● ● ●
●● ●
●●
● ● ●● ●
●●
● ●
● ●●● ●● ●●
● ●● ● ●●● ●● ●●
● ●●
●●
●●
● ●●●●●●●●●
● ●●
●●
● ●●●●●●●●●
●
●●●●
●●
● ●●
●●
●●
●
●●
●●
●●●● ● ●●●●
●●
● ●●
●●
●●
●
●●
●●
●●●● ●
●●● ●
●●●●
●
●
●
●●
●●
●
●
●●
●●
●
●●●
●
●● ●●● ●●● ●
●●●●
●
●
●
●●
●●
●
●
●●
●●
●
●●●
●
●● ●●●
●●●
●
●●●●
●●
●
● ●
●
●●
●
●●
●
●
●
●●
●●
●●
●
●●●
●
● ●
● ●●●
●
●●●●
●●
●
● ●
●
●●
●
●●
●
●
●
●●
●●
●●
●
●●●
●
● ●
●
● ●●●
●●
●
● ●
●●●
●
●●
●
●●
●
●●
● ● ●
●●●● ● ●●●
●●
●
● ●
●●●
●
●●
●
●●
●
●●
● ● ●
●●●●
●● ● ● ●
●
● ● ● ●● ● ● ●
●
● ● ●
170
● ● ●
●
170
● ● ●
●
170
●●
● ●
●
●
●●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●●
●●
●
●●
●●●
● ●●
● ●
●
●
●●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●●
●●
●
●●
●●●
●
●
●
●●●
●●
●●
●●
●●●
●●
●●
●●
●
●●●
●
●
● ●
●
●
●●
●●
●●
●
●●
●
● ●●●● ●
●
●●●
●●
●●
●●
●
●●
●●
●●
●
●●●
●
●
● ●
●
●
●●
●●
●●
●
●●
●
● ●●●●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●●●
●
● ● ●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●●●
●
● ●
●●●● ● ●● ●●● ●●● ●● ●●●● ● ●● ●●● ●●● ●●
●● ●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●● ●● ●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●●
●●● ●
●● ●●
●●
●●
●● ● ●
●●●
●● ●●● ●
●● ●●
●●
●●
●● ● ●
●●●
●●
taille
taille
taille
● ●
●●
●
●●●
●
●●
●
●
●●
●●
●●
●
●●
●●
●●●
● ●
●
●● ● ●
●●
●
●●●
●
●●
●
●
●●
●●
●●
●
●●
●●
●●●
● ●
●
●●
●● ●● ●● ●● ●● ●●
●● ●
●●●
●●●● ●
●
●
●●
●
●
●
●
●
●●●●
●
●
●
●●
●
●●
●
● ●
●
●● ●
●●●
●●●● ●
●
●
●●
●
●
●
●
●
●●●●
●
●
●
●●
●
●●
●
● ●
●
●
160
160
160
150
150
150
140
140
140
130
130
130
50 60 70 80 90 100 50 60 70 80 90 100 50 60 70 80 90 100
poids poids poids

Probabilités d’inclusion d’ordre 1
On note πk la probabilité d’inclusion de l’unité k, c’est à dire la probabilité

que l’unité k soit retenue dans l’échantillon :
X
πk = P(k ∈ S) = p(s)
s/k∈s
La somme des probabilités d’inclusion donne la taille moyenne de l’échantillon

sélectionné : X
πk = Ep [n(S)] .
k∈U
En pratique, les probabilités d’inclusion πk sont fixées avant le tirage à l’aide

d’une information auxiliaire. On utilise ensuite un plan de sondage qui
respecte ces probabilités d’inclusion.

Probabilités d’inclusion d’ordre 2
On note πkl la probabilité que deux unités distinctes k et l soient sélection-

nées conjointement dans l’échantillon :
X
πkl = P(k, l ∈ S) = p(s)
s/k,l∈s
Ces probabilités doubles interviennent notamment dans la variance des es-

timateurs. Il est souvent difficile de les calculer exactement, sauf pour des
plans de sondage particuliers.

Application
Soit la population U = {1, 2, 3, 4}, et p(·) le plan de sondage défini par :
p({1, 2}) = 0.2 p({1, 4}) = 0.1 p({3, 4}) = 0.3

p({1, 2, 3}) = 0.3 p({2, 3, 4}) = 0.1
Calculer les probabilités d’inclusion d’ordre 1, et donner la taille moyenne

d’échantillon obtenue à l’aide de ce plan de sondage.
Donner les probabilités d’inclusion d’ordre 2 :
des unités 1 et 2,
des unités 1 et 4,
des unités 2 et 4.

Variables indicatrices
L’utilisation de la variable Ik = 1(k ∈ S), indiquant l’appartenance à l’échan-

tillon de l’unité k, permet souvent de simplifier les calculs.
Pour deux unités k et l distinctes, on a notamment les propriétés suivantes :
Ep (Ik ) = πk ,
Vp (Ik ) = πk (1 − πk ),
Covp (Ik , Il ) = πkl − πk πl
≡ ∆kl .
On note ∆ = [∆kl ]k,l∈U la matrice de variance-covariance du plan de son-

dage p(·).
En résumé
Un plan de sondage est une loi de probabilité sur les parties de U . L’alea
porte sur le sous-ensemble S d’individus observés.
Les notions d’espérance et de de variance d’un estimateur θ̂(S) s’adaptent

de façon naturelle :
h i X h i
Bp θ̂(S) = p(s) θ̂(s) − θ ,
s⊂U
h i X n o2
Vp θ̂(S) = p(s) θ̂(s) − Ep [θ̂(S)] .
s⊂U
On appelle probabilités d’inclusion d’ordre 1 et 2 :
πk = P(k ∈ S),
πkl = P(k, l ∈ S).

Echantillonnage en population finie Estimation de Horvitz-Thompson
Estimation de Horvitz-Thompson

Objectif
Nous nous intéressons essentiellement, dans la suite de ce cours, à l’estima-

tion du total X
ty = yk
k∈U
de la variable y, et d’une moyenne

1 X
µy = yk .
N
k∈U

La π-estimation
La connaissance des probabilités πk permet une estimation sans biais d’un

total sous le plan de sondage, i.e. sous le mécanisme aléatoire associé au
plan de sondage. Le total ty est estimé sans biais par
X yk X yk
t̂yπ = = Ik (1)
πk πk
k∈S k∈U
si tous les πk sont > 0. On parle d’estimateur de Horvitz-Thompson ou

encore de π-estimateur.
C’est un estimateur pondéré, où les poids de sondage dk = 1/πk ne dé-

pendent pas de la variable d’intérêt.
Principe : un individu k de l’échantillon représente dk = 1/πk individus de

la population.

Biais de couverture
Si certaines probabilités d’inclusion sont nulles, le π-estimateur est biaisé :

X
E t̂yπ = yk
k∈U
πk >0
X
= ty − yk .
k∈U
πk =0
Ce problème peut notamment se poser :
en cas de défaut de couverture de la base de sondage (liste des

individus pas à jour, ou individus impossibles à joindre),
quand on choisit de laisser de côté une partie de la population (cut-off
sampling, parfois utilisé dans les enquêtes-entreprise).

Enquête "Sans-Domicile 2001" (De Peretti et al., 2006)
Sans-domicile : personne qui dort dans un lieu non prévu pour l’habitation
ou prise en charge par un organisme fournissant un hébergement gratuit ou
à faible participation.
Méthode d’échantillonnage indirect : sélection d’un échantillon de jours ×

services d’aide (hébergement, restauration).
Champ de l’enquête : sans-domicile ayant fréquenté, au moins une fois dans
la semaine d’enquête, soit un service d’hébergement, soit une distribution de
repas chauds.
Exclut les personnes :

qui dorment dans la rue pour une période de temps courte et ne font
pas appel à un centre ou à une distribution de repas,
qui ne font pas (ou ne peuvent pas faire) appel au circuit d’assistance.

Variance
La variance du π-estimateur est donnée par

X yk yl
Vp t̂yπ = ∆kl . (2)
πk πl
k,l∈U
Cette variance peut être estimée sans biais par

X yk yl ∆kl
vHT t̂yπ = (3)
πk πl πkl
k,l∈S
si tous les πkl sont strictement positifs. On parle de l’estimateur de variance

de Horvitz-Thompson.
Principe : un couple (k, l) d’individus de l’échantillon représente 1/πkl couples

de la population.

Définitions
Définition
Un plan de sondage p(·) est dit de taille fixe, égale à n, si seuls les échan-
tillons de taille n ont une probabilité non nulle d’être tirés :
Card(s) 6= n ⇒ p(s) = 0.
Définition
Un plan de sondage p(·) est dit simple si deux échantillons de même taille
ont la même probabilité d’être sélectionnés :
Card(s1 ) = Card(s2 ) ⇒ p(s1 ) = p(s2 ).

Exemples
Soit la population U = {1, 2, 3, 4}.
Exemple 1 :
p({1, 2}) = 0.2 p({1, 4}) = 0.1 p({3, 4}) = 0.3
p({1, 2, 3}) = 0.3 p({2, 3, 4}) = 0.1
Exemple 2 :
p({1, 2}) = 1/3 p({1, 4}) = 1/3 p({3, 4}) = 1/3
Exemple 3 :
p({1, 2, 3}) = 1/4 p({1, 2, 4}) = 1/4 p({1, 3, 4}) = 1/4
p({2, 3, 4}) = 1/4

Variance
Pour un plan de taille fixe, la variance du π-estimateur peut se réécrire sous

la forme
yl 2

1 X yk
Vp t̂yπ = − − ∆kl . (4)
2 πk πl
k6=l∈U
Cette variance peut être estimée sans biais par
yl 2 ∆kl

1 X yk
vY G t̂yπ = − − (5)
2 πk πl πkl
k6=l∈S
si tous les πkl sont strictement positifs. On parle de l’estimateur de variance

de Yates-Grundy.
Si le plan de sondage vérifie les conditions de Yates-Grundy :

∀k 6= l ∈ U ∆kl ≤ 0, cet estimateur de variance est toujours positif.

Biais de l’estimateur de variance
Proposition
Pour un plan de sondage quelconque, on a :
X
Ep vHT t̂yπ = Vp t̂yπ + yk yl .
k,l∈U
πkl =0
Pour un plan de sondage de taille fixe, on a :
yl 2

1 X yk
Ep vY G t̂yπ = Vp t̂yπ − πk πl − .
2 k,l∈U πk πl
πkl =0
Si y est à valeurs positives, les deux estimateurs de variance sont respecti-

vement biaisés positivement et négativement.

Choix des probabilités d’inclusion
D’après la formule de Yates-Grundy, la variance est nulle si les probabilités

d’inclusion sont proportionnelles à la variable d’intérêt. En pratique, ce choix
n’est pas possible car :
une enquête comporte généralement de nombreuses variables d’intérêt,
ces variables sont inconnues au stade de l’échantillonnage.
On peut définir ces probabilités d’inclusion proportionnellement à une mesure
de taille.
Interprétation : si les individus peuvent être de tailles très différentes, on
utilise les probabilités d’inclusion pour lisser les rapports yk /πk .

Probabilités proportionnelles à la taille
La taille moyenne d’échantillon sélectionné est donnée par

X
Ep [n(S)] = πk .
k∈U
Si n désigne la taille d’échantillon souhaitée, les probabilités d’inclusion pro-

portionnelles à une variable auxiliaire positive x sont données par
xk
πk = n P .
l∈U xl
La variable xk doit être connue avant le tirage pour chaque individu k de U .

Recalcul des probabilités d’inclusion
Si certaines unités sont particulièrement grosses (au sens de la variable auxi-

liaire x), on peut obtenir des probabilités d’inclusion supérieures à 1. Dans
ce cas, on sélectionne d’office les unités correspondantes, et on recalcule les
probabilités d’inclusion des autres unités.
Exemple : population de N = 6 entreprises dont on connait le nombre

d’employés
Unité 1 2 3 4 5 6
x 200 80 50 50 10 10
Donner les probabilités d’inclusion correspondant à un tirage de taille 4, à

probabilités proportionnelles au nombre d’employés.

Echantillonnage en population finie Calcul de précision
Intervalle de confiance

On suppose que t̂yπ estime sans biais ty . Alors un intervalle de confiance

pour ty de niveau approximatif 1 − α est donné par :
q
IC1−α [ty ] = t̂yπ ± z1− α2 Vp t̂yπ ,
avec z1− α2 le quantile d’ordre 1− α2 d’une loi normale centrée réduite N (0, 1).
Rappel :
α = 0.05 ⇒ z0.975 = 1.96
α = 0.10 ⇒ z0.95 = 1.64
Interprétation (pour α = 0.05) : le vrai total ty est contenu dans l’intervalle

de confiance pour (approximativement) 95% des échantillons.


Comme la vraie variance Vp t̂yπ est généralement inconnue, on la remplace
par un estimateur noté v t̂yπ .
On obtient l’intervalle de confiance estimé :

q
IC 1−α [ty ] = t̂yπ ± z1− α2 v t̂yπ .
c
L’intervalle de confiance est (approximativement) valide :

si l’estimateur t̂yπ suit approximativement une loi N ty , Vp t̂yπ ,

si l’estimateur de variance v t̂yπ est faiblement consistant.

Coefficient de variation
La précision de l’estimation du total peut également être donnée sous la
forme du coefficient de variation
q q
V p yπt̂ v t̂yπ
ˆ t̂yπ =

CV p t̂yπ = estimé par CV .
ty t̂yπ
Il s’agit d’une grandeur sans dimension, plus facile à comparer et à interpréter

que la variance. Avec un niveau de confiance de 0.95, l’intervalle de confiance
du total est donné par
q
IC 0.95 [ty ] = t̂yπ ± 1.96 v t̂yπ
c
h i
= t̂yπ 1 ± 1.96 CV ˆ t̂yπ .
Interprétation : un CV de x% correspond à un total connu à plus ou moins

2 x% , avec un niveau de confiance de 0.95.
En résumé
La connaissance des probabilités d’inclusion d’ordre 1 permet de calculer
l’estimateur de Horvitz-Thompson du total
X yk
t̂yπ = .
πk
k∈S
Pour un plan de sondage quelconque, sa variance est estimée sans biais par
X yk yl ∆kl
vHT t̂yπ =
πk πl πkl
k,l∈S
si tous les πkl sont strictement positifs.
En utilisant une approximation normale pour t̂yπ , on obtient l’intervalle de

confiance
q
vHT (t̂yπ ) pds quelconque,
t̂yπ ± z1− α2 v t̂yπ où v(t̂yπ ) ≡
vY G (t̂yπ ) pds de taille fixe.
Echantillonnage en population finie Estimation d’une fonction de totaux
Estimation d’une fonction de totaux

Estimateur par substitution
On s’intéresse à un paramètre de la forme θ = f (ty ) avec yk = (y1k , . . . , yqk )T

un q-vecteur de variables d’intérêt, et f : Rq → R.
Il est naturel d’estimer θ en remplaçant le total ty inconnu par son π-

estimateur. On obtient l’estimateur par substitution :
θ̂π = f (t̂yπ ).
Si la fonction f (·) est différentiable au voisinage de ty , on obtient :

T
f 0 (ty )

θ̂π − θ ' t̂yπ − ty (6)
= t̂uπ − tu ,
en notant uk = [f 0 (ty )]T [yk ].

Technique de linéarisation
Sous l’approximation (6), on a

h i
Ep θ̂π − θ ' 0,
h i
Vp θ̂π − θ ' Vp t̂uπ .
On parle de l’approximation de variance par linéarisation pour θ̂π , avec

T
f 0 (ty )

uk ≡ uk (θ) = [yk ]
la variable linéarisée du paramètre θ.

Estimation de variance
Pour un plan de sondage quelconque, on obtient :
h i
Vp θ̂π ' Vp t̂uπ
X uk ul
= ∆kl .
πk πl
k,l∈U
Pour passer à un estimateur de variance :

1 on remplace la formule de variance par l’estimateur de variance corres-
pondant au pds utilisé,

2 on remplace dans u
k les paramètres inconnus par des estimateurs ⇒
variable linéarisée estimée ûk .
On obtient finalement :
h i X ûk ûl ∆kl
v θ̂π = .
πk πl πkl
k,l∈S

Application : estimation d’un ratio

ty t̂yπ
Paramètre R = tx , estimé par substitution par R̂π = t̂xπ
.
Calcul de la variable linéarisée :

x1 0 1 x1
f (x1 , x2 ) = f (x1 , x2 ) = ,−
x2 x2 (x2 )2
1 ty 1
uk (R) = yk − xk = (yk − Rxk )
tx (tx )2 tx
1
ûk (R) = (yk − R̂π xk )
t̂xπ
Calcul de variance :
h i X uk ul
Vp θ̂π ' ∆kl ,
πk πl
k,l∈U
h i X ûk ûl ∆kl
v θ̂π = .
πk πl πkl
k,l∈S
Exemple
Population U de taille 10, dans laquelle un échantillon de taille n = 4 est

sélectionné selon un SRS. Estimation des totaux tx et ty .
k xk yk
1 5 1
2 1 3
3 4 2
4 8 10
x̄ = 4.5 ȳ = 4
s2x = 8.3 s2y = 16.7
v t̂xπ = N 2 1−f 2

t̂xπ = N x̄ = 45 n sx = 125
1−f
v t̂yπ = N 2 n s2y = 250

t̂yπ = N ȳ = 40

Exemple
Population U de taille 10, dans laquelle un échantillon de taille n = 4 est

sélectionné selon un SRS. Estimation du ratio ty /tx .
1
k xk yk ûk = (y
t̂xπ k
− R̂xk )
1 5 1 -0.08
2 1 3 0.05
3 4 2 -0.03
4 8 10 0.06
x̄ = 4.5 ȳ = 4 ¯
û = 0
s2x = 8.3 s2y = 16.7 s2û = 4.4 10−3
v t̂xπ = N 2 1−f 2

t̂xπ = N x̄ = 45 n sx = 125
1−f
v ht̂yπi = N 2 n s2y = 250

t̂yπ = N ȳ = 40
ȳ
R̂ = x̄ = 0.89 v R̂ = N 2 1−f 2
n sû = 0.07

Méthodes d’échantillonnage
Méthodes d’échantillonnage

Méthodes d’échantillonnage Tirage de Bernoulli
Le tirage de Bernoulli

Principe
On se donne une même probabilité d’inclusion πk ≡ π pour chaque unité de

la population. Le choix se fait indépendamment d’une unité à l’autre :
Etape 1 : on génère u1 ∼ U [0, 1]. Si u1 ≤ π, l’unité 1 est retenue dans

l’échantillon.
Etape 2 : on génère u2 ∼ U [0, 1] indépendamment de u1 . Si u2 ≤ π,
l’unité 2 est retenue dans l’échantillon.
...
Etape N : on génère uN ∼ U [0, 1] indépendamment de u1 , . . . , uN −1 .
Si uN ≤ π, l’unité N est retenue dans l’échantillon.
C’est un principe de piles ou faces indépendants, avec une même pièce mais
un lancer différent pour chaque unité.

Estimateur de Horvitz-Thompson
En utilisant les propriétés d’une loi U ([0, 1]), on a :
P(k ∈ S) = P(uk ≤ π) = FU (π) = π.
Les probabilités d’inclusion souhaitées sont donc bien respectées, et le total

ty est estimé sans biais par
1X
t̂yπ = yk .
π
k∈S
Du fait de l’indépendance dans la sélection des unités :
πkl = π 2 pour k 6= l,
1−π X 2
Vp t̂yπ = yk .
π
k∈U
D’autre part, la taille d’échantillon n(S) est aléatoire et suit une loi B(N, π).
Application
Dans la population ci-dessous, utiliser les nombres aléatoires pour sélection-

ner un échantillon selon un tirage de Bernoulli, et en déduire une estimation
de ty .
Unité 1 2 3 4 5 6 7 8
πk 0.25 0.25 0.25 0.25 0.25 0.25 0.25 0.25
uk 0.07 0.44 0.52 0.19 0.95 0.24 0.54 0.07
yk 0 0 1 2 2 2 2 4
Tirage
Quelle est la taille moyenne d’échantillon attendue ? Quelle est la taille

d’échantillon effectivement obtenue ?
Comparer t̂yπ et ty , et commenter la différence observée.

Estimateur d’une moyenne
Si la taille de la population N est connue, on peut choisir entre les estimateurs
t̂yπ 1 X
µ̂yπ = = yk ,
N E[n(S)]
k∈S
t̂yπ 1 X
µ̃y = = yk .
N̂π n(S)
k∈S
On peut montrer que ces deux estimateurs sont non biaisés pour ty , mais que
l’estimateur par substitution µ̃y est généralement préférable en termes de
variance :

1 1 1 X 2
Vp (µ̂yπ ) = − × yk ,
n N N
k∈U

1 1 1 X
Vp (µ̃y ) ' − × (yk − µy )2 .
n N N
k∈U
Méthodes d’échantillonnage Sondage aléatoire simple
Sondage aléatoire simple sans

remise

Sondage aléatoire simple sans remise
Définition-propriété
Il existe un unique plan de sondage p(·) vérifiant les propriétés :
1 p(·) est un plan simple,
2 p(·) est un plan de taille fixe n.
On l’appelle plan de sondage aléatoire simple sans remise
SRS de taille n dans U ≡ SRS(U ; n).
Il s’agit donc du plan qui donne la même probabilité à tous les échantillons
de taille n d’être sélectionnés. On a :
n

1/CN si n(s) = n,
p(s) =
0 sinon.

Proposition
Soient k et l deux unités distinctes quelconques. Alors :
n n(n − 1)
πk = , πkl = .
N N (N − 1)
Le π-estimateur du total peut donc se réécrire sous la forme

NX
t̂yπ = yk
n
k∈S
= N ȳ.

Variance du π-estimateur
La variance du π-estimateur s’obtient à partir de la formule de Sen-Yates-

Grundy :
1−f 2 1 X
Vp [t̂yπ ] = N 2 Sy avec Sy2 = (yk − µy )2 .
n N −1
k∈U
On l’estime sans biais par

1−f 2 1 X
vSRS (t̂yπ ) = N 2 s avec s2y = (yk − ȳ)2 .
n y n−1
k∈S
On note f = n/N le taux de sondage.

Variance de la moyenne estimée

Par linéarité, la moyenne µy peut être estimée sans biais par
1X
ȳ = yk .
n
k∈S
La variance de cet estimateur est donnée par

1−f 2
Vp [ȳ] = Sy . (7)
n
Remarques :
Le facteur (1−f ) donne le gain de variance dû au tirage sans remise. On
l’appelle correction de population finie. Ce gain peut être très important
(cas des enquêtes-entreprise).
Si le taux de sondage est faible, la variance ne dépend que de la taille
d’échantillon n.
A retenir
Dans un sondage aléatoire simple sans remise (SRS) :

1 la moyenne simple dans l’échantillon estime sans biais la moyenne simple
dans la population,
2 la dispersion calculée sur l’échantillon estime sans biais la dispersion
dans la population.
Dans une enquête avec un faible taux de sondage, la variance est (approxi-
mativement) inversement proportionnelle à la taille d’échantillon.

Cas d’une proportion

Dans le cas particulier où le paramètre d’intérêt est une proportion notée P ,
la variable d’intérêt y est une variable indicatrice dont on cherche à estimer
la moyenne.
: proportion d’étudiants portant des lunettes dans la promotion,

Exemple
1 si l’étudiant k porte des lunettes,
yk =
0 sinon.
En particulier, le paramètre peut s’écrire sous la forme
1 X
P = yk ,
N
k∈U
et être estimé par

1X
P̂ = yk .
n
k∈S

Proposition
Dans le cas d’une variable indicatrice (0/1) y, on a :
N
Sy2 = P (1 − P ),
N −1
n
s2y = P̂ (1 − P̂ ).
n−1
La variance de l’estimateur de la moyenne P̂ peut alors se réécrire

1−f N
Vp [P̂ ] = P (1 − P ),
n N −1
et être estimée sans biais par
1−f
v[P̂ ] = P̂ (1 − P̂ ).
n−1

Application : détermination de taille d’échantillon
On cherche une taille d’échantillon minimale permettant de respecter avec un

niveau de confiance fixé (par exemple de 95 % ) une contrainte de précision
en termes :
1 soit d’erreur absolue :
P connu à plus ou moins 0.02 ⇔ |P̂ − P | ≤ 0.02.
2 soit d’erreur relative :
P connu à 8 % près ⇔ | P̂ −P
P | ≤ 0.08.


Erreur absolue
Avec un niveau de confiance de 95 % la contrainte de précision peut se

réécrire :
q
|P̂ − P | ≤ β ⇔ 1.96 Vp (P̂ ) ≤ β
s
1 1 N
⇔ 1.96 − P (1 − P ) ≤ β
n N N −1
1
⇔ n≥ h i2 .
1 N −1 β 1
N + N 1.96 P (1−P )
On peut toujours se placer dans le pire des cas en prenant P = 0.5, mais il
est préférable de disposer d’un a priori (même vague) sur le paramètre P .


Erreur relative
Avec un niveau de confiance de 95 % la contrainte de précision peut se

réécrire :

P̂ − P
≤ γ ⇔ 1.96 CV p (P̂ ) ≤ γ

P

s
1 1 N 1−P
⇔ 1.96 − ≤γ
n N N −1 P
1
⇔ n≥ γ 2 P
.
1 N −1

N + N 1.96 1−P
Calculer cette borne nécessite de disposer d’un a priori sur le paramètre P ,

ou au moins d’un majorant pour ce paramètre.

Application
Parmi les 350 étudiants de l’Ensai, on veut estimer la proportion qui portent
des lunettes. Quelle taille d’échantillon faut-il sélectionner pour que cette
proportion soit estimée à 10% près, avec un niveau de confiance de 0.95 :
1 en utilisant l’information suivante : 50% des personnes de la population
française portent des lunettes ;
2 en utilisant maintenant l’information suivante : 20% des 15 − 25 ans
portent des lunettes.

Algorithmes de sélection
Algorithme 1 Méthode de sélection draw by draw

1 Pour k = 1, . . . , n, sélectionner une unité dans U à probabilités égales
parmi les unités qui n’ont pas déjà été tirées.
Inconvénient : méthode lente, qui nécessite n lectures de fichier.
Algorithme 2 Méthode du tri aléatoire

1 On attribue un nombre aléatoire u ∼ U [0, 1] à chaque unité k ∈ U .
k
2 On trie la population selon les uk croissants (ou décroissants).
3 L’échantillon est constitué des n premiers individus de la population
triée.
Inconvénient : nécessite un tri du fichier.

Algorithmes de sélection
Algorithme 3 Méthode de sélection-rejet

1 On initialise j = 0.
2 Pour k = 1, . . . , N , faire :
n−j
Avec une probabilité , on sélectionne l’unité k et j = j + 1.
N − (k − 1)
Avantage : nécessite une seule lecture de fichier.
Algorithme 4 Méthode du réservoir

1 Les n premières unités sont tirées dans l’échantillon.
2 Pour k = n + 1, . . . , N , faire :
n
Avec une probabilité , on sélectionne l’unité k.
k
On tire à probabilités égales une unité dans l’échantillon, qui est
remplacée par k.
Avantage : la taille de la population peut être inconnue au départ.

Méthodes d’échantillonnage Sondage aléatoire simple stratifié
Le sondage aléatoire simple stratifié

Information auxiliaire
On parle d’information auxiliaire lorsqu’une information est connue sur l’en-

semble de la population, sous forme détaillée ou synthétique.
Il est fréquent de disposer d’une information auxiliaire sur la population, qui

va permettre de partitionner la population et d’obtenir un plan de sondage
plus efficace que le SRS.
Exemples d’information auxiliaire :

le sexe et l’âge, pour une enquête auprès d’individus physiques,
la taille (nombre d’employés) pour les enquêtes-entreprise.

Motivations pour la stratification (Cochran, 1977)
Précision maîtrisée pour des sous-populations,

simplicité administrative (enquêtes conduites par différentes agences),
plans de sondage adaptés aux sous-populations,
gain global de précision.
Principales questions :
1 Comment construire les strates ?
2 Quelle taille d’échantillon sélectionner dans chaque strate ?
3 Quel plan de sondage utiliser dans chaque strate ?

Notation et sondage stratifié

Définition
La population U est dite stratifiée quand les unités peuvent être partition-
nées en H sous-populations disjointes U1 , . . . , UH appelées strates.
Le plan de sondage est dit stratifié quand des échantillons indépendants

sont sélectionnés dans chaque strate.
On parle de Sondage aléatoire simple stratifié (STSRS) si des échantillons

aléatoires simples sont sélectionnés dans chaque strate.

Décomposition
On note Nh la taille de la strate Uh . Un total ty peut se décomposer sous

la forme
X H
ty = tyh ,
h=1
P
avec tyh = k∈Uh yk le total de la variable y dans Uh . La moyenne µy peut
se décomposer sous la forme d’une moyenne pondérée
H
1 X
µy = Nh µyh ,
N
h=1
avec µyh = tyh /Nh la moyenne dans la strate Uh .

Estimation d’un total
Dans chaque strate Uh , on sélectionne un échantillon Sh de taille nh selon

un SRS(Uh , nh ). Pour deux unités quelconques k 6= l ∈ Uh , on a donc les
probabilités d’inclusion
nh nh (nh − 1)
πk = πkl = .
Nh Nh (Nh − 1)
Pour deux unités quelconques k et l appartenant à deux strates distinctes

Uh et Uh0 , respectivement :
nh nh0
πkl = .
Nh Nh0

Par linéarité, le total ty peut être estimé sans biais par

H
X H
X
t̂yπ = t̂yhπ = Nh ȳh
h=1 h=1
avec ȳh la moyenne simple dans Sh .
La variance s’obtient par sommation (les tirages sont indépendants dans les
strates) :
H
X

Vp t̂yπ = Vp t̂yhπ .
h=1

Dans le cas d’un SRS stratifié, on obtient

H
X 1 − fh 2 1 X
Nh2 2
(yk − µyh )2 ,

Vp t̂yπ = Syh avec Syh =
nh Nh − 1
h=1 k∈Uh
que l’on estime par

H
X 1 − fh 2 1 X
vST t̂yπ = Nh2 s avec s2yh = (yk − ȳh )2 ,
nh yh nh − 1
h=1 k∈Sh
avec fh = nh /Nh le taux de sondage dans la strate Uh .

Estimation d’une moyenne

De façon analogue, la moyenne µy peut être estimée sans biais par
H
X Nh
µ̂yπ = ȳh .
N
h=1
Sa variance est donnée par

H
Nh 2 1 − fh 2
X
Vp [µ̂yπ ] = Syh ,
N nh
h=1
et peut être estimée sans biais par

H
Nh 2 1 − fh 2
X
vST [µ̂yπ ] = s .
N nh yh
h=1

Allocations pour le tirage stratifié

Allocation d’échantillon entre les strates
On suppose que la taille globale d’échantillon n est fixée, et que les strates
ont été définies.
On doit choisir les tailles n1 , . . . , nH des sous-échantillons à sélectionner

dans chaque strate.
Nous revenons sur quelques allocations classiques pour le sondage aléatoire

simple stratifié :
Allocation Proportionnelle,
Allocation Optimale,
Allocation de compromis.

Allocation Proportionnelle

Avec une allocation proportionnelle, le taux de sondage est le même dans

chaque strate :
nh n
fh = = = f.
Nh N
On peut le réécrire sous la forme
Nh
nh = n .
N
Autrement dit, plus la strate est grande, plus l’échantillon sélectionné dedans
est grand.

Chaque unité de la population possède la même probabilité d’inclusion πk =
n/N , et l’estimateur stratifié de la moyenne est identique à la moyenne
simple sur l’échantillon :
H H
X Nh X nh
µ̂yπ = ȳh = ȳh = ȳ.
N n
h=1 h=1
Cette allocation conduit à un plan de sondage auto-pondéré où tous les

individus possèdent le même poids dk = N/n.
La variance de l’estimateur stratifié du total est donnée par

H
1 − f X Nh 2
Vp t̂yπ = N 2

S .
n N yh
h=1

Equation de décomposition de la variance
La dispersion de la variable y dans la population U peut se décomposer sous

la forme
H H
X Nh − 1 2
X Nh
Sy2 = Syh + (µyh − µy )2
N −1 N −1
|h=1 {z } |h=1 {z }
2
Sy,intra 2
Sy,inter
PH Nh 2 PH Nh
' h=1 N Syh + h=1 N (µyh − µy )2
Le premier terme mesure la dispersion à l’intérieur des strates, alors que le

second terme mesure la dispersion entre les strates.

Equation de décomposition de la variance
Notons que la dispersion globale Sy2 est fixée. Le poids de chacune des deux
composantes dépend de la variable de stratification choisie.
Exemple
k 1 2 3 4 5 6 7 8
yk 1 1 1 1 5 5 5 5
x1k 0 0 0 0 1 1 1 1
x2k 0 0 1 1 1 1 0 0
Décomposition de la variance pour Sy2 :

si x1k est la variable de stratification,
si x2k est la variable de stratification.

Retour vers l’allocation proportionnelle
La variance de l’estimateur stratifié avec allocation proportionnelle est ap-

proximativement donnée par
1−f 2
Vp t̂yπ ' N 2

Sy,intra ,
n
de sorte que :
le SRS stratifié à allocation proportionnelle est (presque) toujours plus
efficace que le SRS,
la stratification devrait être choisie de façon à ce que la dispersion à
l’intérieur des strates soit minimisée.

Allocation de Neyman

Principe
L’allocation de Neyman donne, pour une stratification donnée et une variable

d’intérêt donnée, l’allocation d’échantillon pour laquelle la variance du π-
estimateur est minimisée.
On cherche à résoudre un problème de minimisation (de la variance) sous

contraintes (taille globale d’échantillon fixée) :
H
X

min V t̂yπ t.q. nh = n
nh
h=1

Principe
Avec un sondage aléatoire simple stratifié, ce problème de minimisation peut

se réécrire :
H H
X 1 1 X
min − Nh2 Syh
2
t.q. nh = n.
nh nh Nh
h=1 h=1
En utilisant une technique de Lagrangien, on obtient :

Nh Syh
nh = n PH .
j=1 Nj Syj
Notons en particulier que le calcul de cette allocation optimale nécessite la

connaissance des dispersions dans les strates.

Principe
L’allocation de Neyman indique qu’il faut sélectionner un échantillon plus

grand :
dans les grandes strates,
dans les strates présentant une forte dispersion.
L’allocation n’est optimale que pour la variable d’intérêt particulière y : pour

une autre variable d’intérêt, elle peut conduire à des résultats plus imprécis
que l’allocation proportionnelle (voire que le sondage aléatoire simple).

Calcul de l’allocation
L’allocation de Neyman peut conduire à des tailles d’échantillon supérieures

aux tailles de strates, si ces dernières présentent une forte dispersion et/ou
sont de grande taille.
Dans ce cas :
1 on effectue un recensement dans les strates concernées (on fixe nh =
Nh ),
2 on recalcule l’allocation d’échantillon dans les autres strates.

Mise en oeuvre pratique
En pratique, on peut dériver une allocation proche de l’allocation de Neyman :
si on possède un a priori sur la dispersion dans les strates (approche

"métier"),
ou si on peut estimer cette dispersion à l’aide d’une enquête antérieure.
Un problème alternatif peut être d’optimiser la précision sous une contrainte

de coût global C fixé
XH
C0 + Ch nh = C,
h=1
où C0 donne le coût fixe de l’enquête, et Ch le coût associé à une unité de

Uh .

Principe
On résout le problème d’optimisation :

H H
X 1 1 X
min − Nh2 Syh
2
t.q. C0 + Ch nh = C.
nh nh Nh
h=1 h=1
En utilisant une technique de Lagrangien, on obtient :

√
Nh Syh / Ch
nh = [C − C0 ] PH p .
j=1 Cj Nj Syj

Allocation de compromis

Allocation de compromis (1)
Imaginons que l’on souhaite obtenir la même précision dans chaque strate,
par exemple si les strates sont des domaines d’estimation.
On veut obtenir

1 1 2
V (ȳh ) = − Syh = Cste.
nh Nh
Si les strates sont suffisamment grandes, on obtient :

2
Syh
nh = n PH .
2
j=1 Syj

Allocation de compromis (2)
Supposons maintenant que l’on souhaite obtenir une allocation optimale,

sous des contraintes
de taille globale d’échantillon fixée,

de précision dans les strates supérieure à un seuil fixé.
Il s’agit d’un problème réaliste (contraintes imposées par Eurostat dans les
enquêtes).
Il est généralement difficile d’obtenir une solution explicite, mais ce type de

problème peut être résolu (par exemple) à l’aide de la proc NLP de SAS.

Principales questions
1 Comment construire les strates ?

⇒ de façon à ce que la dispersion intra soit minimisée
2 Quelle taille d’échantillon sélectionner dans chaque strate ?
⇒ tirer de plus gros échantillons dans les strates avec une grande dis-
persion
3 Quel plan de sondage utiliser dans chaque strate ?
⇒ le SRS par strate est une bonne stratégie si les unités présentes dans
une même strate sont proches (au sens de la variable d’intérêt)

Méthodes d’échantillonnage Tirage à probabilités inégales
Introduction
Nous avons vu précedemment que la stratification était une méthode simple

permettant de réduire la variance des estimateurs. Si les strates sont homo-
gènes relativement à la variable d’intérêt (dispersion intra faible), le sondage
aléatoire simple stratifié constitue une stratégie efficace d’échantillonnage.
En pratique, il peut subsister une forte hétérogénéité dans les strates. Dans
ce cas, on peut rechercher une stratégie d’échantillonnage plus efficace en
individualisant les probabilités de sélection πk de chacun des individus.
On doit ensuite faire le choix d’un algorithme de tirage, i.e. d’une méthode
pratique de sélection respectant les probabilités d’inclusion choisies.

Algorithmes de tirage
Il existe en pratique des dizaines d’algorithmes de tirage permettant de res-

pecter un jeu de probabilités d’inclusion fixé (voir Tillé, 2006). Nous détaille-
rons deux de ces algorithmes :
le tirage poissonien,
le tirage systématique.
Les différents algorithmes se distinguent par les probabilités d’inclusion d’ordre

2 obtenues, i.e. par la variance des estimateurs. Cependant, il n’existe pas
d’algorithme uniformément préférable en termes de variance.
Le choix de la méthode à utiliser dépend de la connaissance que l’on a de la

base de sondage mais aussi des contraintes pratiques sur l’échantillonnage.

Propriétés d’un algorithme de tirage
Pour un algorithme de tirage, on se posera généralement les questions sui-

vantes :
1 Est-ce que l’algorithme est exact, i.e. permet de respecter exactement
un jeu de probabilités d’inclusion (πk )k∈U fixé ?
2 Est-ce que l’algorithme est de taille fixe, i.e. ne sélectionne que des
échantillons de la taille (moyenne) voulue ?
3 Est-ce que les probabilités πkl sont calculables, et que vaut la variance
du π-estimateur avec cet algorithme ?
4 Est-ce que ces probabilités πkl :
sont > 0 : assure qu’on dispose d’un estimateur sans biais de variance.
vérifient les conditions de Yates-Grundy : assure qu’on dispose d’un
estimateur toujours positif de variance (pour un plan de taille fixe).

Le tirage de Poisson

Principe
C’est une généralisation du tirage de Bernoulli au cas des probabilités in-

égales :
Etape 1 : on génère u1 ∼ U [0, 1]. Si u1 ≤ π1 , l’unité 1 est retenue dans

l’échantillon.
Etape 2 : on génère u2 ∼ U [0, 1] indépendamment de u1 . Si u2 ≤ π2 ,
l’unité 2 est retenue dans l’échantillon.
...
Etape N : on génère uN ∼ U [0, 1] indépendamment de u1 , . . . , uN −1 .
Si uN ≤ πN , l’unité N est retenue dans l’échantillon.
C’est un principe de piles ou faces indépendants, avec une pièce et un lancer
différents pour chaque unité.

Estimation de Horvitz-Thompson
En utilisant les propriétés d’une loi U [0, 1], on a :
P(k ∈ S) = P(uk ≤ πk ) = FU (πk ) = πk .
Du fait de l’indépendance dans la sélection des unités :
πkl = πk πl si k 6= l.
Le plan de sondage peut être entièrement spécifié. Pour une partie quel-
conque s = {i1 , . . . , ip } de U , on a :
Y Y
P(S = s) = πk (1 − πk ).
k∈s k∈u\s

Application
Dans la population ci-dessous, utiliser les nombres aléatoires pour sélection-

ner un échantillon selon un tirage de Poisson, et en déduire une estimation
de ty .
Unité 1 2 3 4 5 6 7 8
πk 0.1 0.1 0.1 0.1 0.4 0.4 0.4 0.4
uk 0.07 0.44 0.52 0.19 0.95 0.24 0.54 0.07
yk 0 0 1 2 2 2 2 4
Tirage
Quelle est la taille moyenne d’échantillon attendue ? Quelle est la taille

d’échantillon effectivement obtenue ?
Comparer t̂yπ et ty , et commenter la différence observée. Comparer avec le
tirage de Bernoulli.

La variance s’obtient à partir de l’expression générale de Horvitz-Thompson :
X yk 2
Vpois t̂yπ = πk (1 − πk ), (8)
πk
k∈U
que l’on estime sans biais par
X yk 2
v t̂yπ = (1 − πk ).
πk
k∈S
En particulier, cela implique que la taille d’échantillon est aléatoire :

X
Vpois [n(S)] = πk (1 − πk ).
k∈U

Estimateur par le ratio

Si la taille de la population N est connue, on préfère à l’estimateur de
Horvitz-Thompson l’estimateur par le ratio
N
t̂yR = t̂yπ .
N̂π
Sa variance est approximativement donnée par
X Ek 2
Vpois t̂yR ' πk (1 − πk ) (9)
πk
k∈U
avec Ek = yk − µy . On peut utiliser l’estimateur de variance
X ek 2
v t̂yR = (1 − πk ) (10)
πk
k∈S
t̂yπ
avec ek = yk − .
N̂π
Estimateur par le ratio (2)
Pour l’estimation de la moyenne µy , on peut utiliser l’estimateur par substi-

t̂yπ
tution µ̃y = , de variance (approximative)
N̂π
1 X Ek 2

Vpois [µ̃y ] ' πk (1 − πk ). (11)
N2 πk
k∈U
On peut utiliser l’estimateur de variance
1 X ek 2

v [µ̃y ] = (1 − πk ). (12)
N̂π2 πk
k∈S
L’estimateur par substitution µ̃y peut être calculé même si la taille de la

population est inconnue.

Utilisation
Le tirage poissonien est rarement utilisé pour un tirage d’échantillon, en

raison de sa grande variance. On trouve cependant des applications dans le
cas d’échantillonnage forestier (Schreuder et al., 1993).
Le tirage poissonien est également utilisé dans un contexte de non-réponse.

On parle de non-réponse totale quand certains individus échantillonnés ne
peuvent finalement pas être enquêtés. Pour exploiter l’échantillon de répon-
dants, noté Sr , il est généralement nécessaire de modéliser le mécanisme de
réponse.
Une modélisation classique consiste à supposer que l’échantillon Sr est ob-

tenu par sous-échantillonnage dans l’échantillon S d’origine. Plus de détails
dans le cours sur les Données Manquantes (Attachés).

Le tirage systématique

Principe
C’est une méthode simple et très rapide permettant de sélectionner un échan-

tillon à probabilités inégales et de taille fixe.
Principe :
Pk
On pose Vk = l=1 πl pour k ∈ U , avec la convention V0 = 0.
On tire une variable aléatoire u selon une loi uniforme U [0, 1].
On sélectionne toutes les unités k telles que, pour un entier i ∈ {1, . . . , n} :
Vk−1 ≤ u + (i − 1) < Vk .

Exemple
Population U de taille N = 14 avec n = 4 :
π1 = π2 = π5 = π6 = π7 = π8 = π12 = 1/7,
π3 = π4 = π9 = π10 = π11 = π13 = π14 = 3/7.
0 1 2 3 4
? ? ? ?
V0 V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11V12 V13 V14
u = 0.82 ∈ [V3 , V4 ] ⇒ l’unité 4 est sélectionnée,

1 + u = 1.82 ∈ [V8 , V9 ] ⇒ l’unité 9 est sélectionnée,
3 + u = 3.82 ∈ [V13 , V14 ] ⇒ l’unité 14 est sélectionnée.

Probabilités d’inclusion
Les probabilités πk sont exactement respectées. En effet :
P(k ∈ S) = P(Vk−1 ≤ u + (i − 1) < Vk )

= Vk − Vk−1 = πk .
Les probabilités d’inclusion d’ordre deux sont plus difficiles à calculer (Tillé,
2006, p. 126).
Beaucoup d’unités présentent des probabilités d’inclusion doubles égales à 0

(méthode très peu aléatoire)
⇒ il n’existe pas d’estimateur sans biais de variance pour l’estimateur de
Horvitz-Thompson.

Applications du tirage systématique
Exemple 1 : sélection pour contrôle d’un sous-échantillon de questionnaires,

arrivant à flux tendu.
Exemple 2 : enquête auprès des clients entrant dans un magasin.
Exemple 3 : tirage de logements dans un pâté de maison lors d’une enquête

ménage.

Cas des probabilités égales
On suppose dans la suite de cette section que les probabilités d’inclusion

sont égales (πk = n/N ), et que le pas de tirage p = N/n est entier.
Dans ce cas, l’algorithme peut être simplifié de la façon suivante :

On tire un individu i au hasard parmi les p premiers.
On sélectionne les individus i, i + p, . . . , i + (n − 1)p.
On a en particulier

n/N si k ≡ l [p],
πkl =
0 sinon.
Il n’existe pas d’estimateur sans biais de variance, et les conditions de Yates-

Grundy ne sont pas vérifiées.

Exemple
Sélection d’un échantillon de taille 3 dans une population de taille 12 selon

un tirage systématique à probabilités égales (πk = 41 ).
0 1 2 3
? ? ?
V0 V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12
u = 0.82 ∈ [V3 , V4 ] ⇒ l’unité 4 est sélectionnée,

2 + u = 2.82 ∈ [V11 , V12 ] ⇒ l’unité 12 est sélectionnée.
Seuls 4 échantillons sont sélectionnables, chacun avec une probabilité de

0.25 :
{1, 5, 9} {2, 6, 10} {3, 7, 11} {4, 8, 12}

Précision du tirage systématique
Dans le cas précédent (probabilités égales, pas de tirage entier), le tirage

est équivalent à un tirage par grappes de taille m = 1 dans la population
Ug = {u1 , . . . , up }, avec
ui = {i, i + p, . . . , i + (n − 1)p}.
Principe du tirage par grappes :

1 on tire un échantillon SI de grappes (ici, de taille m = 1),
2 tous les individus contenus dans les grappes de sI sont retenus dans
l’échantillon s finalement enquêté.
Pour plus de détails : cours de Méthodologie d’Enquête (Attachés).

Précision du tirage systématique (2)
Le π-estimateur peut se réécrire sous la forme

N X
t̂yπ = Yi ,
n
ui ∈SI
P
avec Yi = k∈ui yk le total sur la grappe ui . En utilisant les résultats du
SRS, on obtient
1 − f SY2
Vsys t̂yπ = N 2

n n
avec
X ty 2

1
SY2 = Yi − .
p−1 p
ui ∈Ug

Comparaison avec le SRS

On appelle design-effect (ou effet de plan)

Vp t̂yπ
DEFFp (y) =
VSRS t̂yπ
le rapport entre la variance associée à un plan de sondage, et la variance
associée au SRS de même taille. On a ici :
SY2 /n
DEFFsys (y) = .
Sy2
D’autre part, en utilisant une décomposition de la variance :
p
n−1 X 2 (p − 1) 2
Sy2 = Syi + S (13)
N −1 n(N − 1) Y
i=1
p
1X 2 1 2
' Syi + S /n .
p n Y
i=1

Comparaison avec le SRS (2)
Le tirage systématique sera donc efficace par rapport au SRS si dans l’équa-
tion (13), le terme de dispersion intra est grand, autrement dit si les grappes
sont hétérogènes en intra. Ce sera par exemple le cas si la population est
triée avant le tirage selon une variable auxiliaire xk corrélée avec la variable
d’intérêt.
Le tirage systématique peut au contraire être très inefficace si les grappes

sont homogènes en intra : c’est une difficulté et une situation habituelle
dans le cas d’un tirage par grappes.
Le cas le plus défavorable est celui où la variable d’intérêt présente une

périodicité + le pas de tirage p = N/n est proportionnel à cette périodicité.

Exemple
Considérons une population U de taille 12 sur laquelle on relève trois carac-

téristiques y1 , y2 , y3 (valeur moyenne 40) :
Unité 1 2 3 4 5 6 7 8 9 10 11 12
y1 10 10 10 15 45 45 50 50 60 60 60 65
y2 10 45 60 15 50 65 10 50 60 10 45 60
y3 15 45 10 60 60 50 45 65 10 50 10 60
On sélectionne un échantillon de taille 2 selon un tirage systématique

⇒ 6 échantillons possibles.

Exemple
On obtient comme valeurs échantillonnées possibles pour y1
{10, 50} {10, 50} {10, 60} {15, 60} {45, 60} {45, 65},
pour y2
{10, 10} {45, 50} {60, 60} {15, 10} {50, 45} {65, 60},
et pour y3
{15, 45} {45, 65} {10, 10} {60, 50} {60, 10} {50, 60}.
On obtient également :
y1 y2 y3
DEFFp (y) 0.50 2.18 1.39

Méthodes de redressement

Principe
Nous revenons au cas de l’estimation d’un total. On suppose qu’un échan-

tillon S a été sélectionné selon un plan de sondage p(·). Un estimateur direct
est donné par : X yk X
t̂yπ = = dk yk .
πk
k∈S k∈S
Dans cet estimateur, les poids de sondage dk dépendent de l’information

auxiliaire mobilisée au moment de l’échantillonnage :
SRS ⇒ dk = N/n
SRS stratifié ⇒ dk = Nh /nh pour k ∈ Uh

Principe
Il se peut qu’une partie de l’information auxiliaire n’ait pas été utilisée au

moment de la sélection de l’échantillon, ou qu’elle n’ait pas été disponible.
Si cette information est explicative de la variable d’intérêt, il va être néan-

moins intéressant de l’utiliser. On peut le faire au stade de l’estimation, en
redressant l’estimateur de Horvitz-Thompson.
Poids de sondage dk ⇒ Poids redressés wk

Principe
On dit que l’on redresse l’échantillon lorsque l’on modifie le système de

pondérations associé à S afin de respecter un certain nombre d’informations
auxiliaires.
On parle d’information auxiliaire lorsque l’on dispose d’une information connue

sur l’ensemble de la population.
Exemples :
Chiffre d’affaire total des entreprises d’un secteur d’activité,

Répartition par sexe et par âge d’une population d’individus.

Méthodes de redressement Estimateur par calage
Estimateur par calage

Principe
On suppose ici que l’on dispose d’un vecteur xk = [x1k , . . . , xpk ]> de va-
riables auxiliaires, dont les totaux tx = [tx1 , . . . , txp ]> sur la population sont
connus.
Avant calage, on a pour toute variable y l’estimateur sans biais du total :

X
t̂yπ = dk yk ,
k∈S

Ep t̂yπ = ty ,
et en particulier pour les variables de calage :

Ep t̂xπ = tx .

Modification des poids
On cherche de nouveaux poids wk qui

1 restent proches des poids de départ dk ,
2 vérifient les équations de calage
X
wk xk = tx .
k∈S
Plus formellement, on résoud le problème suivant :

X wk X
min dk G s.c. wk xk = tx
wk dk
k∈s k∈s
où G désigne une fonction de distance.

Modification des poids
On cherche à réduire la variance de l’estimation à l’aide du calage sur les

totaux connus. La variance est nulle pour les variables auxiliaires ; elle sera
faible pour les variables d’intérêt bien expliquées par les variables auxiliaires.
Pour respecter les totaux de variables auxiliaires, on accepte de biaiser lé-

gèrement l’estimation. Ce biais sera généralement négligeable car on assure
que les poids calés restent proches des poids d’origine.

Solution théorique
On choisit une fonction de distance G telle que G(wk /dk ) mesure la distance
entre le poids initial dk et le poids final wk . Nous supposons que
G(1) = 0,
G est positive et convexe (i.e, plus wk /dk s’éloigne de 1, plus G(wk /dk )
est grand)
Le Lagrangien s’écrit
!
X X
L= dk G(wk /dk ) − λ> wk x k − t x
k∈s k∈s
où λ = [λ1 , . . . , λp ]> est un vecteur de multiplicateurs de Lagrange.

Solution théorique (2)
La résolution du problème d’optimisation conduit à :
wk = dk F [λ> xk ]
avec F la fonction inverse de G0 .
Le vecteur λ peut être déterminé en résolvant le système (non-linéaire)

constitué par les équations de calage
X
dk F [λ> xk ]xk = tx ,
k∈s
par exemple à l’aide de la méthode itérative de Newton-Raphson.

Fonctions de distance usuelles : la méthode linéaire
G(r) = 21 (r − 1)2 et F (u) = 1 + u. La convergence est obtenue à l’étape

2 de l’algorithme de Newton, et on obtient l’estimateur par la régression
généralisée
X
t̂y,greg = wk y k
k∈s
= t̂yπ + b̂>

π tx − t̂xπ
avec
" #−1
X xk x> X xk yk
k
b̂π = .
πk πk
k∈S k∈S
Cette méthode de calage peut conduire à des poids finaux wk négatifs.

Les fonctions de distance usuelles (2)
La méthode raking ratio

G(r) = r log(r) − r + 1 et F (u) = exp(u). Cette méthode permet d’assurer
que les poids finaux wk sont > 0.
Les méthodes bornées

Elles peuvent être vues comme des versions "tronquées" des deux méthodes
précédentes. Ces deux méthodes permettent de spécifier explicitement des
bornes LO et U P pour les rapports de poids, i.e. d’assurer que pour tout
individu k ∈ S
wk
LO ≤ ≤ U P.
dk

Estimation après calage
Après calage, on a pour toute variable y l’estimateur calé :

X
t̂yw = wk yk .
k∈s
L’estimation est exacte pour les totaux de variables auxiliaires :
t̂xw = tx .
Elle est approximativement sans biais pour les autres variables d’intérêt :

Ep t̂yw ' ty .

Méthodes de redressement Estimateur par la régression généralisée
Estimateur par la régression

généralisée

Motivation de l’estimateur par la régression

L’estimateur par la régression généralisée est obtenu par calage avec la mé-
thode linéaire. Il est motivé par le modèle
yk = β > xk + k avec Vm [k ] = σk2 . (14)
Si on dispose des données sur toute la population, le meilleur estimateur de

β s’obtient par les MCG :
" #−1
X xk x> X x k yk
b= 2
k
et Ek = yk − b> xk .
σk σk2
k∈U k∈U
On les remplace par leurs estimateurs b̂π et ek = yk − b̂>

π xk pour obtenir
l’estimateur par la régression :
t̂y,greg = b̂> t + t̂eπ .

| π{z x} |{z}
prédiction du total estimation de l’erreur totale

On peut réécrire l’estimateur GREG sous la forme :
t̂y,greg = t̂yπ + b̂>

π tx − t̂xπ .
En utilisant l’approximation t̂y,greg ' t̂yπ + b> tx − t̂xπ , on obtient :

h i
Ep t̂y,greg ' Ep t̂yπ + b> {tx − t̂xπ }

= ty ,
h i
' Vp t̂yπ − b> t̂xπ

Vp t̂y,greg

= Vp t̂Eπ .
L’estimateur GREG est donc approximativement sans biais, et sa variance

est approximativement donnée par les résidus de la régression de la variable
yk sur les variables auxiliaires xk .


Application : régression simple
On se place dans le cas d’un SRS(n). On suppose que l’on utilise les variables
auxiliaires xk = [1, xk ]> , de totaux connus. Le modèle de régression sous-
jacent est :
yk = a + b xk + Ek .
On obtient
P
(x −µx )(yk −µy ) Sxy
b= P k
k∈U
2 = a = µy − b µ x
k∈U (xk −µx ) Sx2
P
(x −x̄)(yk −ȳ) sxy
b̂ = P k
k∈S
2 = â = ȳ − b̂ x̄
k∈S (xk −x̄) s2x
Sxy
En notant ρ = Sx Sy le coefficient de corrélation linéaire, on a :
1−f 2
Vsrs t̂y,greg ' N 2 Sy (1 − ρ2 ).

n
Méthodes de redressement Variance d’un estimateur calé
Variance d’un estimateur calé

Variance d’un estimateur calé
Quelle que soit la fonction de distance utilisée, la variance de l’estimateur

calé t̂yw est approximativement celle de l’estimateur par la régression.
La variance de l’estimateur calé t̂yw est donc approximativement égale à

X Ek El
Vp t̂yw ' ∆kl
πk πl
k,l∈U
où Ek = yk − b> xk donne les résidus de la régression de y sur le vecteur de

variables auxiliaires xk dans la population U .

Deux estimateurs de variance peuvent être utilisés :

X ek el ∆kl
v1 t̂yw =
πk πl πkl
k,l∈S
X gk ek gl el ∆kl
v2 t̂yw = ,
πk πl πkl
k,l∈S
où gk = wk /dk , et ek = yk − b̂Tπ xk donne les résidus estimés.
Le second estimateur est généralement (légèrement) préférable.

Un logiciel classique d’estimation de variance pour l’estimation de totaux t̂yπ

peut être utilisé pour l’estimation de variance d’estimateurs calés t̂yw de la
façon suivante :
Effectuer sur l’échantillon S la régression pondérée (par les poids dk )
de la variable y sur les variables auxiliaires x1 , . . . , xp ,
Prendre les résidus ek de la régression et calculer les gk = wk /dk ,
Utiliser le logiciel en remplaçant les yk par les ek (estimateur de variance
v1 ) ou par les gk ek (estimateur de variance v2 ).

Exemple
Echantillon de taille n = 5 tiré selon un SRS dans une population de taille
N = 100. On suppose connu le total tx = 320.
x0k x1k yk
1 1 3
1 3 1
1 2 8
1 5 15
1 4 3
1−f 2
t̂xπ = 300 t̂yπ = 600 v(t̂yπ ) = N 2 s = 6.08 104
n y

Exemple
x0k x1k yk ek = yk − â − b̂ x1k

1 1 3 0.8
1 3 1 -5
1 2 8 3.9
1 5 15 5.2
1 4 3 -4.9
1−f 2
t̂xπ = 300 t̂yπ = 600 v(t̂yπ ) = N 2 s = 6.08 104
n y
â = 0.3 b̂ = 1.9
1−f 2
t̂yw = 638 v(t̂yw ) = N 2 s = 4.365 104
n e
Application des méthodes de redressement
Application des méthodes de

redressement

Application des méthodes de redressement Estimateur par le ratio
Estimateur par le ratio

L’estimateur par le ratio
On suppose connu le total tx d’une seule variable auxiliaire (positive) xk .

L’estimateur par le ratio est défini par
tx X
t̂yR = t̂yπ × = wk y k
t̂xπ k∈S
tx
avec wk = dk × t̂xπ
.
Exemple : enquête auprès d’entreprises, avec redressement sur la variable

d’effectif salarié.

Motivation
L’estimateur par le ratio est motivé par le modèle
yk = β xk + k avec Vm [k ] = σ 2 xk .
C’est un cas particulier de l’estimateur par la régression généralisée, obtenu

avec xk = xk et σk2 = σ 2 xk . On a :
" #−1
X xk x> X xk yk
k
b̂π =
σk2 πk σk2 πk
k∈S k∈S
t̂yπ
≡ = R̂π ,
t̂xπ
et
X yk − b̂> xk X yk − R̂π xk
π
t̂eπ = ≡ = 0.
πk πk
k∈S k∈S

Exemple de données
y y/x
4
●● ●
●● ● ●
● ●●●●●
100
●● ● ●
●
●●● ●
●●
●
●
●
●● ●
●●●
● ●●●●●
●
● ●
●●●● ●
●●●●●●●●●
●●
3
●●●
●●●●●
●●
● ●
●
●●●●●●●● ●●
● ●
●●●● ●
●●
●●
●●●●●
● ●● ●
●●●●●
●●
●
●●
●●●
●●
●
●
●
●●●● ●
● ●
●●
● ●●●●●●
●
●●
●●
●●●
●●
● ●●●●●●●●
●● ●●● ●
60
● ●●
●●● ●●
●●● ●
●●●● ● ●
2
●●●
●●
●●● ●●●
●●●●
●
● ●
● ●
●● ● ● ●●
● ●●●
●
●●●
●
●●
●
●●●
●
●
●●●●
●
●
●
●
● ●●
●●● ● ●● ●
● ●
● ●● ●●
●●
●●
●●
●●●
●●●
● ●●●●●
●●
●●●●●●
● ● ●
●●●
● ●
●●●
●●●
● ●●● ●
●
●●●●●
●
●●●
●●●
●● ●
● ●●●●
●● ● ●●●●●●●
● ●● ●●
●● ●● ● ●
● ●●
●●●●
●
●
●
● ●●
●●
●●
●●●●●
●●
● ●● ●●
●●●
●●
●●
●
●● ● ●●●
●
●●
●●●
●●
●●
●
●●
●
●
●●
●●
●●
●
●●●
●
●
●●●●
●
●●
●
●●●
●
●
●● ●
●●●●● ●
●●
●● ●●
●●●
●●●
●●
●
●●
●
●
●●
● ●●
●●
●
● ●● ●●
●
● ●●
●●●
●
●●
● ●● ●●●● ●
● ●
●●
●●
● ●
● ●●●● ●
● ●●●
● ●●●
● ●●●
●●
●● ●●
●●●● ●
●●● ●
●●●
●●●
1
●
● ●
●● ● ● ● ● ● ●●● ●
● ●
●● ●
●●
●
● ●
● ● ●● ●●
●●●● ●
●●●
●●
●●
●
●●● ●●
●● ●
●
●
●●
●● ●
●
●
●
●●●● ●●●●● ●●●
●
● ●
●
● ●●●●●
●●●
● ●
●●
● ●
●●
●
●●
●
●
●
●
● ●●
●●
●
●●
● ●
●
●●
●●●
●●
●
●
●●●
●
● ●
●
●●
●●
●
●
●●
●●
●●
●●
●●●
●●
●
●●●
●
●●●●
●●●
● ●●●
●●
●● ● ●● ●●● ● ● ● ●
0 20
●
●●●
●●
●
●●
●●●
● ● ● ●● ● ● ● ● ●
●
●●
● ●
●●
●●●
●
●
● ● ●● ●
●●● ●
● ●
●●
● ●
●● ●
●
●
●
●
●
●●
●
●●
●
●●●
●●●
●
●
●●
●
●●
●●
●●
●●
● ●●
●●● ●
● ●
●
●●
●
●●●●●●
●
●
0 20 40 60 80 100 120 0 0 20 40 60 80 100 120
x x

Propriétés de l’estimateur par le ratio
L’estimateur par le ratio est approximativement non biaisé pour le total ty .

On a

Vp t̂yR ' Vp t̂Eπ
avec Ek = yk − b> xk ≡ yk − R xk . La variance est donc réduite si les

variables yk et xk sont approximativement proportionnelles.
L’estimateur par le ratio est calé sur le total tx :
t̂xR = tx .

Cas du sondage aléatoire simple

Application au sondage aléatoire simple
Dans le cas d’un SRS(n), on obtient :
1−f 2
Vp t̂yR ' N 2

SE .
n
On peut l’estimer par
1−f 2
ṽ t̂yR = N 2

sE ,
n
mais Ek = yk − R xk n’est pas calculable sur l’échantillon. On la remplace
par la variable donnant les résidus estimés ek = yk − R̂π xk pour obtenir
l’estimateur de variance final :
1−f 2
v t̂yR = N 2

se .
n

Exemple

xk yk t̂xπ = 300
1 3 t̂yπ = 600 v(t̂yπ ) = N 2 1−f
n sy
2
= 6.08 10 4
3 1
2 8
5 15
4 3

Exemple

xk yk ek = yk − R̂π xk t̂xπ = 300

1 3 1 t̂yπ = 600 v(t̂yπ ) = N 2 1−f
n sy
2
= 6.08 10 4
3 1 -5
2 8 4
5 15 5 R̂π = 2
4 3 -5 t̂yR = 640 v(t̂yR ) = N 2 1−f
n se
2
= 4.37 10 4

Efficacité de l’estimateur par le ratio
Dans le cas du SRS, l’estimateur par le ratio est préférable à l’estimateur

direct si
Sy2 − 2RSxy + Sx2

Vp t̂yR
≤1 ⇔ ≤1
Vp t̂yπ Sy2
1 cvx
⇔ ρ≥
2 cvy
p q
avec cvx = Sx2 /µx et cvy = Sy2 /µy .
Même si les variables x et y sont corrélées positivement, l’estimateur direct

peut être plus efficace. Si la corrélation est négative, l’estimateur direct est
toujours plus efficace.

Efficacité de l’estimateur par le ratio (2)
On peut également montrer que
Sx 2

21 − f 2

Vsrs t̂yR − Vsrs t̂y,greg ' N Sy ρ − R ,
n Sy
avec t̂y,greg l’estimateur par la régression simple obtenu avec le vecteur xk =

(1, xk )> .
L’estimateur par la régression simple est donc toujours meilleur (asympto-

tiquement) que l’estimateur par le ratio dans le cas d’un sondage aléatoire
simple.


stratifié

Application au sondage aléatoire simple stratifié
Si le total tx sur l’ensemble de la population est connu, on obtient l’estimateur

par le ratio combiné
PH
t̂yπ h=1 Nh ȳh
t̂y,RC = tx = tx PH
t̂xπ h=1 Nh x̄h
et sa variance est approximativement égale à

Vp t̂y,RC ' Vp t̂Eπ
H
X 1 − fh 2
= Nh2 SEh .
nh
h=1
avec Ek = yk −R xk . La variance est donc réduite si les variables y et x sont

approximativement proportionnelles sur l’ensemble de la population.

Application au sondage aléatoire simple stratifié (2)

Cette variance peut être estimée par
H
X 1 − fh 2
Nh2

v t̂y,RC = s ,
nh eh
h=1
avec ek = yk − R̂π xk .
D’un autre côté, si les totaux par strate txh sont connus, on peut appliquer
un redressement par le ratio strate par strate.
On obtient l’estimateur par le ratio séparé

H H
X t̂y X ȳh
t̂y,RS = txh h = txh .
t̂xh x̄h
h=1 h=1

Cas d’un sondage aléatoire simple stratifié

Sa variance est approximativement donnée par
H
X 1 − fh 2
Nh2

Vp t̂y,RS ' SEh
nh
h=1
avec Ek = yk − Rh xk pour k ∈ Uh , et Rh = tyh /txh . La variance est donc

réduite si les variables y et x sont approximativement proportionnelles
dans les strates.
Cette variance peut être estimée par

H
X 1 − fh 2
Nh2

v t̂y,RS = s ,
nh eh
h=1
avec ek = yk − R̂h xk et R̂h = t̂yh /t̂xh .

Application des méthodes de redressement Estimateur post-stratifié
Estimateur post-stratifié

Principe
On suppose que l’on connaît après le tirage de l’échantillon une parti-

tion de la population en H groupes notés U1 , . . . , UH . On parle de post-
stratification.
Les effectifs des post-strates, notés N1 , . . . , NH , sont supposés connus.
Le π-estimateur peut se réécrire

H X
X yk
t̂yπ =
πk
h=1 k∈Sh
H
X
= t̂yh
h=1
avec Sh l’intersection de S et de Uh .
Principe de post-stratification
L’estimateur post-stratifié est défini par

H
X
t̂ypost = Nh µ̃yh ,
h=1
avec
P yk
k∈Sh πk t̂yh
µ̃yh = P 1 =
k∈Sh πk N̂h
l’estimateur par substitution de la moyenne µyh dans la post-strate Uh .
Chaque post-strate peut être vue comme un domaine, non pris en compte
lors de l’échantillonnage. L’estimateur post-stratifié s’obtient à l’aide d’un
redressement par le ratio dans chaque post-strate.

Motivation
L’estimateur post-stratifié est motivé par le modèle
yk = βh + k et Vm (k ) = σh2 dans chaque strate Uh .
C’est un cas particulier de l’estimateur par la régression généralisée, obtenu

avec xk = [1(k ∈ U1 ), . . . , 1(k ∈ UH )]T et σk2 = σh2 pour k ∈ Uh . On a :
" #−1
X xk x> X xk yk
k
b̂π =
σk2 πk σk2 πk
k∈S k∈S
T
≡ [µ̃y1 , . . . , µ̃yH ] ,
et
ek = yk − b̂>
π xk ≡ yk − µ̃yh pour k ∈ Uh .

Propriétés de l’estimateur post-stratifié

L’estimateur par le ratio est approximativement non biaisé pour le total ty .
On a

Vp t̂y,post ' Vp t̂Eπ
avec Ek = yk − b> xk ≡ yk − µyh . La variance est donc réduite si la variable

y est peu dispersée dans chaque post-strate.
L’estimateur post-stratifié est calé sur les effectifs des post-strates :
N̂hpost = Nh ∀h = 1, . . . , H.
On obtient un estimateur de variance :

en prenant l’estimateur v[t̂Eπ ] associé au pds p(·),
en remplaçant les résidus inconnus Ek par les résidus estimés ek =
yk − µ̃yh pour k ∈ Sh .

L’estimateur post-stratifié se réécrit :
H
X 1 X
t̂ypost = Nh × ȳh avec ȳh = yk .
nh
h=1 k∈Sh
Sa variance vaut approximativement

H
1−f 2 1 − f X Nh − 1 2
Vp t̂ypost ' N 2 SE = N 2

S ,
n n N − 1 yh
|h=1 {z }
Sy,intra2
et peut être estimée par

H
1−f 2 1 − f X nh − 1 2
v t̂ypost = N 2 Se = N 2

s .
n n n − 1 yh
h=1

Mise en oeuvre pratique d’un calage

Comment choisir les variables de calage ?
Les variables auxiliaires les plus explicatives doivent être utilisées pour
le calage (sélection avec une PROC GLM, par exemple).
Les variables utilisées pour concevoir le plan de sondage doivent être
utilisées pour le calage (ex : variables de stratification).
Si le calage est utilisé pour compenser de la non-réponse, les variables
explicatives de la probabilité de réponse devraient être incluses dans le
calage.

Est-ce que toute l’information auxiliaire doit être utilisée

dans le calage ?
En principe, plus on utilise de variables de calage, plus les résidus sont faibles
et donc plus la variance de l’estimateur calé diminue. En pratique :
le nombre de variables de calage doit rester faible devant la taille de
l’échantillon,
les variables les plus explicatives sont généralement suffisantes pour
obtenir une forte diminution de la variance.

Peut-on utiliser plusieurs niveaux d’information auxiliaire ?
C’est possible avec la macro CALMAR 2, qui permet d’utiliser jusqu’à trois
niveaux d’information auxiliaire. Par exemple, pour une enquête auprès des
ménages :
information auxiliaire sur les unités primaires (ex : les communes),

information auxiliaire sur les ménages,
information auxiliaire sur les individus.

Mise en oeuvre pratique d’un calage La macro SAS CALMAR2
La macro SAS CALMAR2

Paramètres pour les tables SAS en entrée
DATAMEN = nom de la table contenant les données de l’échantillon

Observations : unités échantillonnées,
Variables : variables de calage, variable identifiante, poids initial.
MARMEN = nom de la table contenant l’information auxiliaire
Observations : variables de calage,
Variables : nom de variable, nombre de modalités, marges associées.

POIDS = variable
Variable numérique donnant les poids initiaux des individus de l’échantillon.
PONDQK = variable
Variable numérique de pondération pour les individus de l’échantillon, diffé-

rente de POIDS (utilisée si le modèle (14) est supposé hétéroscédastique).
IDENT = variable
Variable identifiante pour les unités échantillonnées.

PCT = OUI or NON
Si PCT=OUI, les marges pour les variables catégorielles de la table DATA-

MAR sont données en pourcentage.
EFFTOT = valeur
Nombre total d’unités dans la population (à renseigner si PCT=OUI).

Paramètres pour la méthode de calage
M = 1,2,3 or 4
Fonction de distance :
1 Méthode linéaire
2 Méthode Raking Ratio
3 Méthode Logit
4 méthode linéaire tronquée
LO = valeur
Borne Inférieure pour les rapports de poids (à spécifier si M=3 ou 4).

Paramètres pour la méthode de calage
UP = valeur
Borne Supérieure pour les rapports de poids (à spécifier si M=3 ou 4).
SEUIL = valeur
Seuil déterminant l’arrêt de l’algorithme de Newton (optionnel).
MAXITER = valeur entière
Nombre maximum d’itérations de l’algorithme de Newton (optionnel).

Paramètres pour les tables SAS en sortie
DATAPOI = nom de la table SAS contenant les poids finaux

observations : unités échantillonnées non supprimées,
variables : variable identifiante, poids final.
MISAJOUR = OUI ou NON

Spécifie le traitement de variables en sortie :
Si MISAJOUR=OUI, la variable donnant les poids calés est ajoutée à
la table DATAPOI,
Si MISAJOUR=NON, une nouvelle table SAS est créée. L’ancienne
table SAS est détruite.

Paramètres pour les tables SAS en sortie
POIDSFIN = variable
Nom de la variable donnant les poids calés.
LABELPOI = label
Label associé à la variable donnant les poids calés.
OBSELI = OUI ou NON

Si OBSELI=OUI, crée une table SAS OBSELI avec, pour chaque unité
supprimée de l’échantillon d’origine, la variable identifiante, les variables de
calage et les poids initiaux.

Un petit exemple














Bibliographie
Ardilly, P. (2005). Panorama des principales méthodes d’estimation sur petits do-
maines. Actes des Journées de Méthodologie Statistique, Insee.
Ardilly, P. (2006), Les Techniques de Sondage, Technip, Paris.
Ardilly, P., et Tillé, Y. (2003), Exercices corrigés de méthodes de sondage Sondage,
Technip, Paris.
Cochran, W.G (1977), Sampling Techniques, Wiley, New-York.
De Peretti, P. et al (2006). L’enquête sans-domicile 2001. Insee Méthodes, 116,
Paris.
Deville, J-C. (1991). Une théorie des enquêtes par quotas. Techniques d’Enquête,
17, 177-195.
Hajek, J. (1964). Asymptotic theory of rejective sampling with varying probabilities
from a finite population. Annals of Mathematical Statistics, 35, 1491-1523.

Bibliographie
Loonis, V. (2009). La construction du nouvel échantillon de l’Enquête Emploi en

Continu à partir des fichiers de la Taxe d’Habitation. Actes des Journées de Métho-
dologie Statistique, Paris.
Rao, J.N.K (2003). Small Area Estimation. New-York, Wiley.
Särndal, C.-E., and Swensson, B., and Wretman, J.H. (1992), Model Assisted Survey
Sampling, Springer-Verlag, New-York.
Sautory, O., et Le Guennec, J. (2003). La macro CALMAR2 : Redressement d’un
échantillon par calage sur marges, Insee.
Schreuder, H.T., and Gregoire, T.G., and Wood, G.B. (1993). Sampling Methods
for Multiresource Forest Inventry, Wiley, New-York.
Tillé, Y. (2006). Sampling algorithms, Springer, New-York.

CoursSondagesReunion PDF

Transféré par

Droits d'auteur :

Formats disponibles

CoursSondagesReunion PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

CoursSondagesReunion PDF

Transféré par

Droits d'auteur :

Formats disponibles

Méthodes de sondage

École Nationale de la Statistique et de l’Analyse de l’Information

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 1 / 198

1 Echantillonnage en population finie

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 2 / 198

Présenter les méthodes d’inférence dans le cas d’une population finie

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 3 / 198

Echantillonnage en population finie

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 4 / 198

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 5 / 198

On se place dans le cadre d’une population finie U d’individus ou unités

où N désigne la taille de la population U .

On s’intéresse à une variable d’intérêt y (éventuellement vectorielle), qui

On souhaite disposer d’indicateurs pour la population U (totaux, moyennes,

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 6 / 198

Essentiellement pour des considérations pratiques, la variable d’intérêt n’est

effectuer un recensement coûte cher, et suppose de disposer d’une base

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 8 / 198

Exemple 1 : Les enquêtes-ménages de l’Insee visent à décrire les condi-

Exemple 2 : Les enquêtes-entreprises sont réalisées à l’aide d’une base de

Exemple 3 : Enquête auprès d’un échantillon de personnes pour connaître

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 9 / 198

On s’intéresse à un paramètre d’intérêt de la forme

Un estimateur de ce paramètre sera de la forme

où S désigne l’échantillon aléatoire finalement observé.

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 10 / 198

On peut s’intéresser au total

d’une variable quantitative sur la population, ou encore à sa valeur moyenne

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 11 / 198

Un cas particulier important est celui de l’estimation sur une sous-population

avec Nd la taille du domaine.

Il peut s’agir d’un domaine au sens géographique (habitants d’une région),

Savoir estimer un total permet de traiter le cas de très nombreux paramètres

Ces paramètres sont estimés par substitution, en remplaçant chaque total

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 14 / 198

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 15 / 198

La sélection de l’échantillon aléatoire S se fait à l’aide d’un plan de sondage

On note S l’échantillon aléatoire, et on distinguera

On appelle algorithme d’échantillonnage une méthode pratique permettant

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 16 / 198

p({1, 2}) = 0.2 p({1, 4}) = 0.1 p({3, 4}) = 0.3

La variable aléatoire S prend ses valeurs dans

P(S = {1, 2}) = p({1, 2}) = 0.2

A la différence des lois de probabilités classiques (normale, exponentielle,

Comparaison avec une variable aléatoire réelle

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 18 / 198

L’espérance d’un estimateur θ̂(S) se définit de façon analogue :

Le biais d’un estimateur θ̂(S) correspond à son erreur moyenne :

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 19 / 198

On s’intéressera également à la Variance

et à l’Erreur Quadratique Moyenne (EQM)

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 20 / 198

Pour illustrer la notion de biais et de variance, on considère l’exemple d’une

Dans cette population, un échantillon de taille n = 50 est sélectionné et

On s’intéresse à l’estimation du poids moyen et de la taille moyenne (carré

Guillaume Chauvet (ENSAI) Echantillonnage 27 avril 2015 21 / 198

poids poids poids

poids poids poids

50 60 70 80 90 100 50 60 70 80 90 100 50 60 70 80 90 100