Dans cet article nous explorons l'incompletude des donnees dans le cadre de l'apprentissage de concepts propositionnels. Nous suivons l'idee de H. Hirsh qui etend le paradigme de l'espace des versions : dans cette extension une hypothese doit etre compatible (dans un sens a definir au cas par cas) avec toutes les informations relatives aux exemples. Nous proposons une representation de ces informations qui rend non seulement compte de situations ou les donnes sont manquantes mais aussi de situations plus generales d'ambiguite dans lesquelles l'exemple est cache au sein d'un ensemble d'instances virtuelles. Nous presentons un nouvel algorithme, LEa, qui apprend un concept DNF (monotone) existentiel a partir d'un ensemble d'exemples ambigus. Nous comparons LEa a J48 et Naive Bayes sur des problemes usuels rendus incomplets a divers degres. Résumé français : Dans cet article nous explorons l'incompletude des donnees dans le cadre de l'apprentissage de concepts propositionnels. Nous suivons l'idee de H. Hirsh qui etend le paradigme de l'espace des versions : dans cette extension une hypothese doit etre compatible (dans un sens a definir au cas par cas) avec toutes les informations relatives aux exemples. Nous proposons une representation de ces informations qui rend non seulement compte de situations ou les donnes sont manquantes mais aussi de situations plus generales d'ambiguite dans lesquelles l'exemple est cache au sein d'un ensemble d'instances virtuelles. Nous presentons un nouvel algorithme, LEa, qui apprend un concept DNF (monotone) existentiel a partir d'un ensemble d'exemples ambigus. Nous comparons LEa a J48 et Naive Bayes sur des problemes usuels rendus incomplets a divers degres.