Introduction
Evaluation du risque alimentaire : approches statiques
Puis un estimateur empirique de la probabilité que l'exposition au polluant dépasse une dose donnée d > 0. LP devient grand) est rédigé, proposant une décomposition de sa variance, via la décomposition de Hoeding, ainsi que montrant la validité de la construction de intervalles de conance par bootstrap, [10]. FQ[P], peut être adapté au cas de données censurées en remplaçant les fonctions de distribution empiriques par les estimateurs non paramétriques de Kaplan-Meier de la fonction de distribution pour chaque variable censurée.
Des hypothèses sur la forme de la queue de la distribution des expositions permettent alors de quantifier ces soi-disant risques. Premièrement, l’exposition est obtenue comme un produit croisé de la consommation et de la contamination et peut donc prendre des valeurs arbitrairement élevées avec une forte probabilité. En déterminant la forme de la fonction variant lentement (voir par exemple [5, 28]), nous pouvons corriger le biais de cet estimateur.
La figure 2 illustre l'effet de la correction sur un exemple où le nombre optimal de valeurs extrêmes est ensuite déterminé de manière standard par arbitrage de biais, voir [32]. En revanche, on obtient un nouvel estimateur de l'indice de Pareto qui prend en compte les différentes composantes du mélange et une estimation non paramétrique.
L'exposition vue comme un processus stochastique
L’accumulation alimentaire est décrite par un processus exact noté (Tn, Un)n∈N, où Tn désigne la date de la nième absorption et Un la quantité correspondante de polluant ingéré. Les quantités de polluant ingérées {Un}n∈N doivent former une séquence de variables aléatoires i.i.d., de loi FU(dx) =fU(x)dx, indépendante de la série temporelle {Tn}. Les sauts du processus d'exposition sont donc les mêmes que les sauts du processus de trajectoires, c'est-à-dire des refus.
Ces hypothèses ne sont pas trop restrictives d'un point de vue modélisation et facilement vérifiables en pratique, d'autant que des familles de lois paramétriques sont choisies pour les distributions G et FU. Grâce à la loi forte des grands nombres, elle permet de décrire le comportement asymptotique de moyennes temporelles, calculées sur des intervalles de temps très longs : lorsque T → ∞, on a Cependant, des simulations peuvent être effectuées pour estimer empiriquement la vitesse de convergence pour une quantité donnée, voir la figure 4 pour une approximation du temps nécessaire pour atteindre l'état stationnaire dans le cas de l'estimation de la moyenne du processus.
Elle est construite comme la limite du processus d'exposition déterministe correspondant à une ingestion hebdomadaire d'une quantité de polluant égale à DHTP:Xref = limn→∞xn,me. Pour étudier le comportement extrême du processus d'exposition, il convient de noter que par construction. Le choix de la loi auxiliaire eP est difficile en pratique et soulève d’importants problèmes de stabilité [30].
La méthode multiniveau ou « Multilevel Partitioning » apparaît comme une bonne alternative qui ne nécessite pas de transformation de la loi de processus originale. Cette seconde approche, dite « non intrusive », repose sur la représentation de la probabilité étudiée sous la forme de la mesure de Feynman-Kac, cf. On se référera à [7] pour une description de cette procédure appliquée au problème de l'estimation de P{τXref ≤T} dans le cas du processus KDEM.
Le méthylmercure est principalement présent dans les coquillages et les poissons. Figure 6, alors que l'utilisation d'un domaine de loi d'attraction pour le maximum de Fréchet de FU(Burr ou "EmpPareto") modifie significativement l'estimation de la probabilité de dépassement d'un seuil Xref = 6,4 µg/kgpc à l'état d'équilibre, le seuil en tant que résultat d’un DHTP de 0,7. Estimation de la probabilité d'atteindre 100 répétitions).
En fait, nous préférons manipuler en pratique des lois paramétriques parcimonieuses, afin de pouvoir estimer l'impact du changement de certains paramètres sur les résultats obtenus, en choisissant un taux de chance croissant plutôt que constant pour les durées de « l'entreprise ». pour être plus réaliste (choix de la loi Gamma pour G) et une courbe à queue grasse pour la répartition des apports alimentaires, afin de ne pas sous-estimer la probabilité d'apparition de. Ensuite, la figure 8 présente les résultats obtenus pour l'estimation de la probabilité de réalisation
Discussion et perspectives de recherche
Un autre axe de recherche, impliquant une étroite collaboration avec des toxicologues, concerne la détermination de la charge corporelle tolérable. Nous proposons ici une définition basée sur le DHTP, une dose hebdomadaire tolérable dérivée du modèle pharmacocinétique qui relie la quantité de polluants présents dans l'organisme et le processus d'élimination. Il serait sans doute plus robuste de déterminer directement la charge corporelle tolérable (in vivo, chez l'animal) que d'appliquer (à deux reprises) le modèle pharmacocinétique qui, comme tout modèle, n'est qu'une approximation de la réalité.
Le fait que l'exposition soit décrite par un processus et non par une variable aléatoire incite à développer des modèles épidémiologiques, par exemple de type Cox, de nature fonctionnelle : la variable explicative peut être la densité de la distribution stationnaire µ de l'exposition. ou courbe d'exposition moyenne7→E[X(t)] par exemple. 15] Enquête Inca CREDOC-AFSSA-DGAL (individuelle et nationale sur la consommation alimentaire), TEC&DOC éd., Lavoisier, Paris, 1999, (coordinateur : J.L. Volatier). Tressou utilise la probabilité empirique pour le regroupement de données : application à l'évaluation des risques alimentaires, Biométrie no.
Leblanc Management options to reduce exposure to methylmercury through the consumption of sh and shery products by the French population, Regul. Clarkson Longitudinal neurodevelopmental study of Seychellois children following in utero exposure to mehg from maternal intake: Outcomes at 19-29 months, Neurotoxicology p. Younes Hazard characterization of chemicals in food and diet: dose response, mechanisms and extrapolation issues, Food Chem.
27], Evaluation of certain food additives and contaminants for methylmercury, Sixtieth Report of the Joint FAO/WHO Expert Committee on Food Additives, Technical Report Series, WHO, Geneva, Switzerland, 2003. Perrier Pharmacokinetics, Drugs and the Pharmaceutical Sciences : a series of textbooks and monographs, Marcel Dekker, New York, 1982, second edition. 34] IFREMER Result of the national observation of the quality of the environment of the molluscs (RNO.
38] MAAPAR Résultats des plans de surveillance des produits de la mer, Ministère de l'Agriculture, de l'Alimentation, de la Pêche et des Zones rurales, 1998-2002. 50], Modélisation non paramétrique censurée à gauche de données analytiques dans l'évaluation des risques alimentaires liés à l'exposition, J. Clémençon Intégration du temps comme paramètre de description dans la caractérisation des risques : application au méthylmercure, Regul.
