L'Approximation Stochastique est une procédure itérative pour le calcul d'un zero θ d'une fonction non explicite mais définie comme une espérance. C'est par exemple un outil numérique pour le calcul du maximum de vraisemblance dans des modèlesà données latentes "réguliers". Si la définition du modèle statistique est entachée d'une incertitude τ , dont on ne connaît qu'un a priori dπ(τ), alors les zeros dépendent de τ et la question naturelle est d'explorer leur distribution lorsque τ ∼ dπ. Dans ce papier, nous proposons un algorithme itératif basé sur un schéma d'Approximation Stochastique qui,à la limite, calcule θ (τ) pour tout τ et produit une caractérisation de sa distribution; et nousénonçons des conditions suffisantes pour la convergence de cet algorithme. Abstract-Stochastic Approximation is an iterative procedure for the computation of a root θ of a non explicit function defined as an expectation. It is for example a numerical tool for the computation of the Maximum Likelihood in "regular" latent variable models. When the definition of the statistical model is uncertain, depending on a quantity τ for which only a prior π(dτ) is known, then the roots also depend on τ ; a natural question is to explore their distribution when τ ∼ dπ. In this paper, we propose a Stochastic Approximation-based algorithm which, in its limiting behavior, provides a computation of θ (τ) for any τ and a characterization of its distribution; we also state sufficient conditions for the convergence of this algorithm.