Technique de rééchantillonnage qui estime la distribution d'une statistique (moyenne, médiane, corrélation, AUC) en générant de nombreux pseudo-échantillons par tirage avec remise depuis l'échantillon original. On tire B fois (typiquement 1000-10000) un échantillon de même taille que l'original, calcule la statistique sur chaque bootstrap sample, et obtient une distribution empirique. Cette distribution permet de calculer des intervalles de confiance sans hypothèses de normalité ('IC bootstrap percentile' : les 2.5ème et 97.5ème percentiles de la distribution bootstrap). Avantages : fonctionne pour n'importe quelle statistique (même sans formule analytique), robust aux distributions non normales, et applicable sur de petits échantillons. Utilisé en ML pour l'estimation des intervalles de confiance des métriques modèle, et comme base de l'algorithme bagging.