Bootstrap à 1 échantillon
Le bootstrap à 1 échantillon (Bootstrap 1-Sample) estime la distribution d'échantillonnage d'une statistique à partir de milliers de rééchantillons de même taille tirés avec remise. Utilisez-le lorsque les données ne sont pas normales, que les échantillons sont petits ou que la statistique n'a pas de formule simple. Choisissez la moyenne, la médiane, la somme, la variance ou l'écart-type, au moins 1,000 rééchantillons (idéalement 5,000 à 10,000) et la méthode d'intervalle BCa, percentile ou basic. Le résultat est la statistique et son intervalle de confiance.
Dernière révision
Point clé
Le bootstrap à 1 échantillon construit un intervalle de confiance pour une statistique telle que la moyenne, la médiane ou l'écart-type en rééchantillonnant à répétition les données d'origine avec remise, sans supposer de distribution.
Sur cette page
- Qu'est-ce que le bootstrap à 1 échantillon (Bootstrap 1-Sample) ?
- Quand utiliser le bootstrap à 1 échantillon ?
- Recommandations pour bien utiliser le bootstrap à 1 échantillon
- Alternatives : quand ne pas utiliser le bootstrap à 1 échantillon
- Exemple de bootstrap à 1 échantillon
- Comment réaliser un bootstrap à 1 échantillon
Qu'est-ce que le bootstrap à 1 échantillon (Bootstrap 1-Sample) ?
Le bootstrap à 1 échantillon (Bootstrap 1-Sample) est une technique de rééchantillonnage qui estime la distribution d'échantillonnage d'une statistique, telle que la moyenne, la médiane ou l'écart-type, en tirant à répétition des échantillons aléatoires avec remise dans le jeu de données d'origine. Chaque jeu rééchantillonné a la même taille que l'original, et la statistique d'intérêt est recalculée pour chaque rééchantillon, ce qui produit une distribution de cette statistique sur des milliers d'itérations.
Le principal atout du bootstrap est qu'il ne fait aucune hypothèse sur la distribution sous-jacente des données. C'est une alternative puissante lorsque la normalité ne peut pas être supposée et que les tests paramétriques ne conviennent pas.
Définition simple : une technique qui estime la fiabilité d'une statistique calculée (comme une moyenne) en rééchantillonnant vos propres données des milliers de fois, sans aucune hypothèse sur la distribution des données.
Quand utiliser le bootstrap à 1 échantillon ?
- Utilisez-le lorsque les données ne satisfont pas les hypothèses de normalité et que les intervalles de confiance paramétriques peuvent ne pas être valides.
- Utilisez-le lorsque les effectifs d'échantillon sont petits et que les méthodes traditionnelles fondées sur des approximations normales ne sont pas fiables.
- Utilisez-le pour estimer des intervalles de confiance de statistiques sans formule analytique simple , comme la médiane, la moyenne tronquée ou le rapport de deux grandeurs.
- Utilisez-le pour valider les résultats de tests paramétriques en comparant les intervalles de confiance bootstrap aux intervalles calculés de façon traditionnelle.
Recommandations pour bien utiliser le bootstrap à 1 échantillon
- Utilisez un nombre suffisamment élevé de rééchantillons bootstrap : au moins 1,000, et idéalement 5,000 à 10,000 itérations, pour que la distribution bootstrap soit stable et fiable.
- Le bootstrap donne les meilleurs résultats lorsque l' échantillon d'origine est représentatif de la population : un échantillon biaisé ou non représentatif produira des estimations bootstrap biaisées.
- N'utilisez pas le bootstrap pour remplacer la collecte de données suffisantes : il ne peut pas compenser une étude mal conçue ou un effectif d'échantillon insuffisant.
- Les résultats peuvent varier légèrement d'une exécution à l'autre en raison du rééchantillonnage aléatoire : fixer une graine aléatoire garantit la reproductibilité lors de la présentation des résultats.
Alternatives : quand ne pas utiliser le bootstrap à 1 échantillon
- Si les données suivent une distribution normale et que l'effectif de l'échantillon est suffisant, utilisez plutôt les méthodes paramétriques standard comme le test t à un échantillon : elles sont plus efficaces.
- Si vous devez comparer deux groupes, utilisez le test t à deux échantillons ou le test de Mann-Whitney
- Si l'objectif principal est l' ajustement d'une distribution plutôt que l'estimation par intervalle, utilisez l' identification de la distribution individuelle
Exemple de bootstrap à 1 échantillon
Un chimiste d'une entreprise pharmaceutique veut déterminer le temps de réaction d'un antiacide nouvellement mis au point. Il réalise le test selon les étapes suivantes :
- Les données nécessaires ont été recueillies.

- Analysez ensuite les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
- Pour trouver Bootstrap 1-Sample, choisissez Statistical module> Hypothesis Test> Bootstrap 1-Sample.
- Dans l'outil, saisissez les données ainsi que les autres paramètres comme suit :

5. Après exécution de l'outil, les résultats obtenus sont les suivants :



Comment réaliser un bootstrap à 1 échantillon
La marche à suivre est la suivante :
- Connectez-vous à Zometric Statistical Software à l'adresse https://statsai.zometric.com/
- Sur la page d'accueil, choisissez Statistical Tool> Hypothesis Test >Bootstrap 1-Sample .
- Ensuite, saisissez les données manuellement, ou copiez (Ctrl+C) l'ensemble des données d'une feuille Excel et collez-les (Ctrl+V) ici.
- Renseignez les options requises.
- Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.
Dans le tableau de bord de Bootstrap 1-Sample, la fenêtre est divisée en deux parties.

La partie gauche contient le Data Pane (volet de données). Dans le Data Pane, chaque ligne constitue un sous-groupe. Les données peuvent être saisies manuellement, ou vous pouvez copier (Ctrl+C) l'ensemble des données d'une feuille Excel et les coller (Ctrl+V) ici.
Load example : des données d'exemple sont chargées.
Load File : permet de charger directement les données Excel.
La partie droite contient de nombreuses options, décrites ci-dessous :
- Sample : sélectionnez la colonne contenant les données brutes que vous voulez analyser. Il s'agit du jeu de données d'origine dans lequel les rééchantillons bootstrap seront tirés à répétition avec remise. La qualité et la représentativité de cette colonne déterminent directement la fiabilité des estimations bootstrap : un échantillon biaisé ou non représentatif produira des résultats bootstrap biaisés. Ce champ est obligatoire.
- Statistic : sélectionnez la mesure statistique que vous voulez estimer et autour de laquelle construire un intervalle de confiance. Cinq options sont proposées :
- Mean : estime la valeur moyenne de la population et construit un intervalle de confiance autour d'elle. C'est l'option la plus courante pour l'analyse générale d'un procédé.
- Median : estime la valeur centrale de la population. Plus appropriée que la moyenne lorsque les données sont asymétriques ou contiennent des valeurs aberrantes, car la médiane est moins sensible aux valeurs extrêmes.
- Sum : estime la somme totale de toutes les valeurs de la population. Utile lorsque le total cumulé est la grandeur d'intérêt pratique.
- Variance : estime la dispersion de la population exprimée par le carré de l'écart-type. Utile lorsque la compréhension de la variabilité totale est l'objectif principal.
- Standard Deviation : estime la dispersion typique des valeurs individuelles autour de la moyenne. Plus facile à interpréter que la variance, car elle s'exprime dans les unités de mesure d'origine.
- Number of Resamples : saisissez le nombre de fois où l'outil rééchantillonnera aléatoirement vos données avec remise pour construire la distribution bootstrap. Ce champ est obligatoire. Un minimum de 1,000 rééchantillons est recommandé pour les analyses de base, et 5,000 à 10,000 est préférable pour des estimations d'intervalle de confiance plus précises et plus stables. Plus de rééchantillons donnent des résultats plus lisses et plus fiables, mais demandent un peu plus de temps de calcul.
- Confidence Level : définit le niveau de certitude de l'intervalle de confiance bootstrap. La valeur par défaut standard est 95%, ce qui signifie que vous êtes confiant à 95 % que la vraie statistique de la population se situe dans l'intervalle calculé. L'augmenter à 99 % produit un intervalle plus large avec plus de certitude ; le réduire à 90 % produit un intervalle plus étroit avec moins de certitude.
- Type of Interval : définit la forme et la direction de l'intervalle de confiance. Trois options sont proposées :
- Two-Sided : produit une borne inférieure et une borne supérieure, formant un intervalle complet autour de la statistique. À utiliser lorsque vous voulez savoir jusqu'où la vraie valeur peut s'écarter dans les deux sens ; c'est la valeur par défaut standard pour la plupart des analyses.
- Lower Bound : produit uniquement une borne inférieure, pour tester si la vraie statistique est supérieure à une certaine valeur. À utiliser lorsque seul un seuil minimal compte, par exemple pour confirmer que la moyenne d'un procédé est au moins égale à une valeur donnée.
- Upper Bound : produit uniquement une borne supérieure, pour tester si la vraie statistique est inférieure à une certaine valeur. À utiliser lorsque seul un seuil maximal compte, par exemple pour confirmer que la variabilité ne dépasse pas un niveau acceptable.
- Method : définit l'approche mathématique utilisée pour calculer l'intervalle de confiance bootstrap à partir de la distribution rééchantillonnée. Trois options sont proposées :
- Bias-Corrected-Accelerated (BCa) : la méthode la plus précise et recommandée dans la plupart des situations. Elle corrige automatiquement le biais (erreur systématique de l'estimation bootstrap) et l'asymétrie de la distribution bootstrap, et produit l'intervalle de confiance le plus fiable, surtout lorsque la distribution de la statistique n'est pas symétrique.
- Percentile : utilise directement les percentiles de la distribution bootstrap pour fixer les bornes de l'intervalle. Simple et intuitive, mais elle ne corrige ni le biais ni l'asymétrie ; elle convient lorsque la distribution bootstrap est à peu près symétrique et sans biais.
- Basic : aussi appelée méthode du percentile réfléchi, elle inverse les bornes des percentiles pour corriger simplement le biais. Plus fiable que la méthode du percentile simple lorsque la distribution bootstrap présente une légère asymétrie.
- Download as Excel : exporte les résultats du bootstrap, y compris la statistique observée et son intervalle de confiance bootstrap, dans un fichier Excel pour établir un rapport, le partager avec des collègues ou conserver une trace formelle de l'analyse.
Questions fréquentes
Qu'est-ce qu'un bootstrap à un échantillon ?
Un bootstrap à un échantillon estime la distribution d'échantillonnage d'une statistique, telle que la moyenne, la médiane ou l'écart-type, en tirant à répétition des échantillons aléatoires avec remise dans les données d'origine. Chaque rééchantillon a la même taille que l'original, et la statistique est recalculée pour chacun, ce qui donne une distribution servant à construire un intervalle de confiance sans supposer de distribution des données.
Quand utiliser le bootstrap plutôt qu'un test t ?
Utilisez le bootstrap lorsque les données ne satisfont pas les hypothèses de normalité, lorsque les échantillons sont petits et que les approximations normales ne sont pas fiables, ou lorsque vous avez besoin d'un intervalle pour une statistique sans formule simple, comme la médiane. Si les données suivent une distribution normale et que l'effectif de l'échantillon est suffisant, un test t à un échantillon est plus efficace.
De combien de rééchantillons bootstrap avez-vous besoin ?
Utilisez au moins 1,000 rééchantillons pour les analyses de base, et idéalement 5,000 à 10,000 pour des intervalles de confiance stables et précis. Plus de rééchantillons donnent des résultats plus lisses mais prennent un peu plus de temps. Les résultats peuvent varier légèrement d'une exécution à l'autre en raison du rééchantillonnage aléatoire ; fixer une graine aléatoire rend donc les résultats présentés reproductibles.
Quelle méthode d'intervalle de confiance bootstrap choisir ?
Bias-Corrected-Accelerated (BCa) est recommandée dans la plupart des situations, car elle corrige le biais et l'asymétrie de la distribution bootstrap. La méthode Percentile utilise directement les percentiles de la distribution et convient aux cas à peu près symétriques et sans biais. La méthode Basic, ou du percentile réfléchi, corrige simplement le biais et gère mieux une légère asymétrie que la méthode du percentile simple.
