Dans une enquête par sondage, l’estimation de la variance pour des quantiles de population finie peut être ardue puisque les méthodes par bootstrap standard sont souvent inefficaces. Pour remédier à ce problème, cet article présente une méthodologie par bootstrap efficace pour la quantification de l’incertitude. Dans un contexte i.i.d., il a été démontré que le rééchantillonnage à partir d’une estimation lisse de la fonction de répartition au lieu de la fonction de répartition empirique peut améliorer le taux de convergence de l’estimateur de la variance par bootsrap d’un quantile échantillonnal. Nous proposons des méthodes de bootstrap par pseudo-population lisse pour des plans d’enquête à haute entropie, tels que EASSR, l’échantillonnage de Poisson et l’échantillonnage de Rao-Sampford. En tenant compte d’un noyau et d’un paramètre de lissage, il s’agit de lisser la pseudo-population à partir de laquelle les échantillons bootstrap sont tirés suivant le plan d’échantillonnage original. Comme l’algorithme proposé nécessite la spécification d’un paramètre de lissage, nous développons une méthode de sélection par injection ainsi qu’une méthode de sélection par recherche de grille basée sur une estimation par bootstrap de l’erreur quadratique moyenne. Les résultats suggèrent une amélioration de la précision pour l’estimation de la variance et la construction d’intervalles de confiance dans les plans d’enquête complexes.