background image
Olivier Vitrac et Catherine Joly
44
70
4 Evaluation probabiliste du risque de contamination
4.1 Notions d'analyse du risque

Les scénarios pessimistes envisagent une combinaison de situations extrêmes (cas pires) sans
pondérer chaque surestimation en fonction de sa fréquence de réalisation. La contamination
est donc calculée avec une marge de sécurité que l'on croit généralement importante, mais qui
reste inconnue. L'objectif de la modélisation probabiliste est d'évaluer le risque que la valeur
« vraie » de la contamination dépasse la valeur prédite. Dans ce contexte, un surestimateur est
un estimateur dont le risque de sous-estimer la valeur « vraie » est inférieur à 50%. Un sous-
estimateur présente par contre un risque supérieur à 50%.
Le risque de contamination désigne la probabilité d'obtenir une valeur de la contamination
d'un aliment supérieure à un certain seuil. Il est calculable quand les phénomènes physiques
responsables de la contamination sont connus et quand les distributions des propriétés qui les
contrôlent peuvent être approchées par des distributions continues.
L'approche probabiliste affine les réponses obtenues par les approches par intervalles (voir
partie 3) en quantifiant les effets combinés de l'incertitude (ex. sur les propriétés) et de la
variabilité (ex. formulation, temps de contact entre
P et F). La méthode décrite repose sur une
technique pseudo-Monte Carlo initialement proposée par Vitrac et Hayert [
27
] pour les
matériaux monocouches. Elle a conduit au développement de deux applications MIGRARISK
et EXPORISK. Elles ont été utilisées pour évaluer respectivement la contamination de 12
aliments emballés par des additifs ubiquitaires [
28
] et l'exposition du consommateur au
styrène issu des pots de yaourt [
29
].
4.2 Principe
4.2.1 Décomposition des grandeurs physiques
Les grandeurs physiques indépendantes contrôlant la contamination,
i
q
, (géométrie, temps de
contact, propriétés physico-chimiques) sont décrites comme le produit d'une grandeur
d'échelle,
i
q
, et d'une grandeur aléatoire d'espérance unitaire,
( )
*
qi
i s
q
:
( )
*
qi
i
i
i s
q
q q
=
(40)
i
q
s
est le paramètre de forme de la distribution.

Les lois de distribution des grandeurs aléatoire normalisées,
( )
*
qi
i s
q
, sont choisies parmi les lois
continues les plus adaptées aux phénomènes décrits (dires d'experts) (Tableau 4-1).