Tests statistiques et estimation robuste avec très peu de données – STRESS

Au cœur des études scientifiques expérimentales se trouve la question de la vérification d'une hypothèse : un nouveau traitement médical est-il meilleur qu'un placebo ? Un nouvel algorithme est-il plus efficace que l'état de l'art ?
En raison des fluctuations aléatoires, il est nécessaire de répéter plusieurs fois une expérience (pour rassembler plusieurs échantillons) avant de prendre une décision.
Pour ces applications, nous avons besoin de méthodes statistiques pour les tests d'hypothèses qui s'accompagnent de garanties formelles sur leur probabilité d'erreur.
Ces méthodes doivent également permettre de réaliser des tests avec le moins d'échantillons possible afin d'être applicables à des domaines dans lesquels la collecte d'échantillons est longue ou coûteuse.
L'objectif de STRESS est d'obtenir un contrôle précis de la taille d'échantillon minimale nécessaire pour prendre une décision ou faire une prédiction. STRESS répondra à un problème courant dans les méthodes séquentielles : avoir un contrôle pratique sur le moment où l'algorithme arrêtera de collecter des données.