Inférence d un réseau bayésien augmenté visant à confronter :

Dimension: px
Commencer à balayer dès la page:

Download "Inférence d un réseau bayésien augmenté visant à confronter :"

Transcription

1 Inférence d un réseau bayésien augmenté visant à confronter : un modèle complexe d analyse quantitative du risque microbiologique des données de vieillissement Clémence RIGAUX (1) En collaboration avec Sophie Ancelet (1)(2), Frédéric Carlin (3), Christophe Nguyen-Thé (3), Isabelle Albert (1) (1) Unité INRA Paris (2) Laboratoire LEPID, IRSN (3) Unité SQPOV, INRA Avignon Rochebrune, 3 avril

2 Contexte : l analyse du risque microbiologique dans les aliments : les toxi-infections Escherichia coli Germes de blé 2

3 Contexte : l analyse du risque microbiologique dans les aliments Construction de modèles quantitatifs d évaluation du risque (modèles QMRA): prédire le comportement de bactéries pathogènes le long d une chaîne de transformation des aliments calcul du risque de toxi-infection rendre compte des diverses situations par la prise en compte stochastique des sources de variabilité et d incertitudes 3

4 Sommaire 1) But du travail 2) Présentation du modèle de risque microbiologique et des données 3) Mise en place de la méthode 4) Résultats 4

5 Sommaire 1) But du travail 2) Présentation du modèle de risque microbiologique et des données 3) Mise en place de la méthode 4) Résultats 5

6 Cas d étude : Bacillus cereus dans une chaine de fabrication de purée de courgettes Article de Afchain et al., 2008 : analyse du risque par la méthode de simulation de Monte Carlo (1 er ordre) Méthode d approche alternative proposée ici : inférence bayésienne en utilisant un modèle de 2 nd ordre basé sur le modèle d Afchain et al.,

7 But et principe de l inférence bayésienne But : utiliser l information issue de données de contamination dans les paquets de courgettes pour améliorer le modèle Lois a priori sur les paramètres θ du modèle (informatives!!) Données observées de contamination en B.cereus X dans des paquets de courgettes après des tests de vieillissement Inférence bayésienne Lois a posteriori [θ X] sur les paramètres du modèle Calcul de la loi a posteriori par le théorème de Bayes : [ X ] [ ][ X ] [ X ] 7

8 Sommaire 1) But du travail 2) Présentation du modèle de risque microbiologique et des données 3) Mise en place de la méthode 4) Résultats 8

9 La bactérie pathogène Bacillus cereus 3 ème cause en 2008 de toxi-infections alimentaires collectives en France : intoxications émétiques (vomissements) et/ou symptômes diarrhéiques Produit des spores thermorésistantes 7 groupes génétiques + ou - thermorésistants 9

10 Chaîne de fabrication «purée de courgette» Batch de légumes Cuisson Ingrédients Mélange Mixage Partitionnement Intervalle de temps Batch industriel : 300kg de légumes + rajout de 44kg d ingrédients Partitionnement d un batch en 860 paquets de 400g Pasteurisation Conservation au froid en usine Transport réfrigéré Conservation au froid en magasin Transport chez le consommateur Modèle de la «fourche à la fourchette» Conservation dans un réfrigérateur domestique 10

11 Chaîne de fabrication et processus biologiques impactant la contamination en B.cereus Batch de légumes crus Ingrédients Cuisson Mélange Mixage Source de contamination (6 groupes) Inactivation des spores Partitionnement en 860 paquets Intervalle de temps Pasteurisation Conservation au froid en usine Transport réfrigéré Germination des spores Elimination totale des cellules végétatives et inactivation des spores Germination des spores et croissance des cellules végétatives Conservation au froid en magasin Transport chez le consommateur Croissance des cellules végétatives Conservation dans un réfrigérateur domestique 11

12 Modèle d évolution de la concentration en B.cereus le long de la chaine alimentaire : Modèle complexe comprenant 132 variables : 66 inputs 60 variables intermédiaires 6 outputs Approche modulaire (Nauta, 2002) : Un modèle global formé de sous-modèles conditionnellement indépendants 12

13 Sous-modèles d inactivation thermique : Modèle primaire : dit de Weibull (Mafart et al., 2002) : - t est la durée (min) du processus thermique à température constante T - est la concentration (en CFU/g) en bactérie du groupe génétique s au temps t - est la concentration initiale (en CFU/g) en bactérie du groupe s - est le paramètre de forme du modèle pour le groupe s - est le temps en minutes au bout duquel on obtient une réduction décimale (division par 10) de la population bactérienne du groupe s à la température T Modèle secondaire : dit de Bigelow (Couvert et al., 2005) : - T est la température du produit (en C) - est la température de référence, fixée à 90 C - est le temps en minutes au bout duquel on obtient une réduction décimale de la bactérie du groupe s par une exposition à la température de référence - (en C) est l augmentation de température provoquant une réduction décimale en un temps 13

14 Sous-modèles de croissance bactérienne : Modèle primaire : logistique avec retard (Rosso et al., 1995) : t (en h) est la durée de l étape considérée à la température T (en CFU/g) est la concentration en bactérie du groupe s au temps t (en CFU/g) est la concentration initiale en bactérie du groupe s (en CFU/g) est la concentration maximale que la population bactérienne peut atteindre dans le produit est le paramètre de retard (ou latence). On prendra ici 0 comme valeur en l absence d informations disponibles. ( ) est le taux de croissance maximal des bactéries du groupe s. Modèle secondaire : modèle CTMI (Rosso et al., 1993) ( ) est le taux de croissance optimal dans le produit T( C) est la température à l intérieur du produit. ( C) est la température minimale de croissance pour le groupe s ( C) est la température optimale de croissance pour le groupe s ( C) est la température maximale de croissance pour le groupe 14

15 Les données de contamination en B.cereus Données : De contamination après vieillissement avec des censures à gauches (pour 95.5% des 6*64 concentrations) Paquets prélevés après pasteurisation et stockés à différents temps-températures Data (source) 14 packages coming from the same batch (INRA) 50 packages coming from different batchs (COMPANY) Product Time and temperature of storage Concentration in log CFU/g (detected genetic groups) 5 packages of 800g 21 days at 4 C < 1,7 4 packages of 800g 21 days at 10 C 5 packages of 800g 27 packages of 400g 23 packages of 400g 5 days at C 20 days at 4 C then 10 days at 8 C 10 days at 4 C then 20 days at 8 C 5,5 (VI) 3 (VI) 3,8 (II) 3,1 (II) 6 (IV) 7,2 (II and IV) 6,4 (IV) 6,3 (IV) 6,3 (IV) 3,7 (II) 2,7 (II) 3,7 (II) 5 (II) < 2 for the 23 other packages 5,2 (VI) 4,4 (VI) 4,7 (VI) 15 < 2 for the 20 other packages

16 Sommaire 1) But du travail 2) Présentation du modèle de risque microbiologique et des données 3) Mise en place de la méthode 4) Résultats 16

17 Rappel : simulation de Monte Carlo à 1 ou 2 dimensions Simulation de Monte Carlo à 1 dimension : Utilise un modèle du «1 er ordre» : les distributions sur les variables représentent de la variabilité et/ou de l incertitude Variabilité et incertitude non séparés dans la modélisation 17

18 Rappel : simulation de Monte Carlo à 1 ou 2 dimensions Simulation de Monte Carlo à 2 dimensions : Utilise un modèle du «2 nd ordre» : séparation de la modélisation de la variabilité et de l incertitude Exemple : 1 er ordre 2 nd ordre X N(5; 2) X N(m; s) m N(5;1.4) s LogN(20; 5) X Distribution de variabilité Distributions d incertitude m s X 18

19 Rappel : simulation de Monte Carlo à 1 ou 2 dimensions Propagation de la variabilité taille Nv Simulation de Monte Carlo à 2 dimensions : Propagation séparée des sources de variabilité et d incertitude sur les paramètres, et donc sur les résultats du modèle Propagation de l incertitude taille Nu Hyperparamètre m 5,1 6 4,5 5,2 Variable X 5,2 6,1 4 5,4 5,5 5,5 4,5 4,9 4,8 6,5 4,9 5,7 4,4 6,8 3,9 6 19

20 Préalable à la mise en place de l inférence bayésienne Modèle AQR B.cereus initial du «premier ordre» Pour faire correctement l inférence bayésienne : importance de distinguer la notion de variabilité et d incertitude par des niveaux hiérarchiques dans la modélisation en particulier dans notre cas d étude : l utilisation d un modèle du 2 nd ordre va permettre de tenir compte dans la modélisation des sources de variabilité entre les 64 paquets provenant de 51 différents batchs, lors de l inférence bayésienne construction d un modèle AQR du «second ordre» 20

21 Le modèle de 1er ordre représenté par un réseau bayésien (DAG) Genetic group s =II,,VII I C is Resistance parameters is p is zi C t eq, i C C is ( t, T) B i B C is M C is Milk C is Starch C is Growth parameters min T is opt T is max T is opt,i N max,i PAR TI T i TI PAST t eq, i PAST CS RT RS HT HS Package j =1,,860 ( t, T ) CS ij ( t, T ) RT ij ( t, T ) ( t, T ) (t,t) CS (t,t) RT (t,t) RS (t,t) HT RS ij HT ij ( t, T ) HS ij 21 Batch i =1,,I

22 Construction du modèle du 2 nd ordre A l aide des avis d experts des microbiologistes : 1) On suppose que la distribution initiale des inputs représente soit de l incertitude, soit de la variabilité 2) Pour les inputs dont la distribution représente de l incertitude : on les garde tels-quels 3) Pour les inputs dont la distribution représente de la variabilité : on suppose que les paramètres de la distribution sont soit bien connus, soit incertains 4) Pour les inputs variables dont les paramètres sont supposés incertains : rajout d une distribution d incertitude sur les hyper-paramètres 5) Pour les inputs variables dont les paramètres sont supposés bien connus : on les garde tels-quels (distribution d incertitude sur les hyper-paramètres = Dirac)

23 Construction du modèle du 2 nd ordre Exemple de construction de distributions pour les inputs variables avec paramètres incertains : Contrainte : garder une interprétation biologique Variable X Distribution in the first order model (1)(a) Distributions in the second order model Variability distribution Uncertainty distribution T min opt max is, Tis, Tis I Milk C is, Cis, C, is p is C t eq, i PAS t eq, i Starch is X ~ N(m, s) X ~ N(μ, s 2) μ ~ N(m, s 1) 2 s 2 = s 2 2 /2 s 1 = s 2 /2 X ~ BP(n,ml,x) X ~ BP(n,o,x) o ~ BP((n+ml)/2,ml,(ml+x)/2) X ~ 20 + Exp(1/m) X ~ 20 + Exp(1/μ ) μ ~ N(m, s) X ~ Exp(1/m) X ~ Exp(1/μ ) s = m/4 Variables : représentées par des lettres en gras 23

24 Le modèle du 2 nd ordre représenté par un DAG I o s Milk o s Starch o s z o s p o s opt Nmax Genetic group s =II,,VII C teq I C is is p is Growth microbiological variables C t eq, i ( t, T) B i C C is B C is Thermoresistant microbiological variables min T is opt T is max T is T min s Topt s T max s M C is Milk C is Starch C is PAR PAS teq TI T i TI PAST t eq, i PAST CS RT RS HT HS Batch i =1,,I Package j =1,,J ( t, T ) CS ij ( t, T ) RT ij ( t, T ) RS ij ( t, T ) HT ij ( t, T ) HS ij 24

25 Mise en place de l inférence bayésienne «Augmentation du modèle» Simulation de 64 paquets dans les mêmes conditions de vieillissement que les données, issus de 51 batchs différents Batch n 1 Batch n 2, 3, ou packages Pasteurisation Pasteurisation 1 package per batch Storage at 4, 10 or C Storage at 4 C Measure of B.cereus concentration INRA data Home cold storage Home cold storage Storage at 8 C Measure of B.cereus concentration Company data

26 Mise en place de l inférence bayésienne Modèle d observation des données [ X ] : Raccordement des données de concentrations en B.cereus (en log 10 ufc/g) aux concentrations simulées via une loi normale censurée : C obs ijs ~ N( C A ijs 2, ) C(; ) j Données Prédictions Censure (uniquement pour les données censurées) Prior large sur σ (log 10 ufc/g): ~ Unif (0,10) i : batch j : paquet s : groupe génétique obs α j = LoD ou log( C jtotal /10)

27 Le réseau bayésien augmenté : raccrochement des données de contamination I o s Milk o s Starch o s z o s p o s σ opt Nmax Genetic group s =II,,VII I C is is p is Growth variables C teq C t eq, i ( t, T) B i C C is B C is Resistance variables min T is opt T is max T is T min s Topt s T max s M C is Milk C is Starch C is PAR ijs obs TI T i TI A PAS teq PAST t eq, i PAST CS RT RS HT HS Batch i =1,,51 ( t, T) Package j =1,..,14 or j=1 A ij ( t, T ) CS ij ( t, T ) RT ij ( t, T ) RS ij ( t, T ) HT ij ( t, T ) HS ij 27

28 Calcul des lois a posteriori Méthode de calcul par simulation : méthode MCMC (Markov Chain Monte Carlo): construction de chaînes de Markov convergeant vers la loi a posteriori Logiciel Jags Simulation de 2 chaînes de Markov indépendantes, période de chauffe de 1 million d itérations, puis itérations avec un pas de 200 soit 4000 valeurs pour déterminer les distributions a posteriori de chaque paramètre Temps de calcul : 6.5 jours (!) 28

29 Calcul des concentrations en B.cereus dans la chaine alimentaire, a priori et a posteriori Concentrations obtenues par le modèle du 2 nd ordre en utilisant une méthode de simulation de Monte Carlo à 2 dimensions : soit avec les lois a priori sur les paramètres soit avec les lois posteriori sur les paramètres Nu=200 tirages dans la dimension incertitude, et Nv=200 tirages dans la dimension variabilité (ie 200 batchs différents par itérations) Seulement 10 paquets simulés par batch au lieu de 860 D où Nu.Nv= batchs simulés et 10.Nu.Nv= paquets simulés, avec 6 groupes génétiques à chaque fois Limitation en espace et en temps de calcul 29

30 Sommaire 1) But du travail 2) Présentation du modèle de risque microbiologique et des données 3) Mise en place de la méthode 4) Résultats 30

31 Convergence Convergence atteinte pour la majorité des paramètres mais lente pour 2 ou 3 : grosse autocorrélation Statistique de Gelman-Rubin : très proche de 1.00 pour tous les paramètres, sauf un paramètre : proche de 1.3 log 10 Nmax 31

32 Comparaison des lois a priori (--) et des lois a posteriori ( ) sur les principaux paramètres modifiés Environ 25% des paramètres principaux réellement mis à jour, en particulier : Concentration initiale la + vraisemblable, groupe VI I o VI Concentration maximale atteignable log N 10 max Temps équivalent de cuisson moyen C teq Paramètre de résistance thermique z Temps de réduction décimal le + vraisemblable, groupe VI o VI Erreur du modèle

33 Comparaison des prévalences en B.cereus a priori et a posteriori dans la chaine alimentaire Augmentation des prévalences après cuisson, et de la prévalence finale en groupes IV et VI Prior pre va le nce (%) Ge ne tic Group Initia l Afte r cooking Afte r mixing with ingre die nts a nd pa rtitioning Afte r pa ste uriza tion Afte r home cold stora ge II III IV V VI V II T ota l Poste rior pre va le nce (%) II III IV V VI V II T ota l

34 Comparaison des concentrations en B.cereus a priori et a posteriori dans la chaine alimentaire, dans les batchs/paquets contenant au moins 1 spore CI95% comparables, sauf en fin de chaine pour les groupes II à VI : Ge ne tic Group Initia l 95% pre dictive prior CI Afte r mixing with Afte r ingre die nts a nd Cooking pa rtitioning Afte r pa ste urisa tion Afte r home cold stora ge II [-1.7; 0.1] [-5.3; -0.9] [-2.6; -0.9] [-2.6; -1.0] [-2.4; 4.8] III [-4.1; -2.3] [-5.4; -2.8] [-2.6; -0.9] [-2.6; -0.9] [-2.5; -0.2] IV [-4.1; -2.3] [-5.4; -3.0] [-2.3; -0.3] [-2.5; -0.5] [-2.5; 0.1] V [-4.1; -2.3] [-5.4; -3.6] [-2.6; -2.3] [-2.6; -2.2] [-2.6; 3.1] VI [-1.7; 0.1] [-5.4; -2.2] [-2.6; -2.3] [-2.6; -2.3] [-2.6; 4.3] VII [-4.1; -2.3] [-5.4; -2.8] [-2.6; -2.3] [-2.4; -2.0] [-2.4; -2.0] T ota l [-1.1; 0.3] [-5.3; -1.0] [-1.9; -0.3] [-2.5; -0.4] [-2.5; 1.6] 95% pre dictive poste rior CI II [-1.7; 0.1] [-5.3; -1.0] [-2.6; -1.0] [-2.5; -1.0] [-2.3; 5.2] III [-4.1; -2.3] [-5.4; -2.8] [-2.6; -1.0] [-2.6; -1.0] [-2.5; -0.5] IV [-4.1; -2.3] [-5.4; -3.0] [-2.1; -0.2] [-2.5; -0.4] [-2.5; -0.2] V [-4.1; -2.3] [-5.4; -3.6] [-2.6; -2.3] [-2.6; -2.2] [-2.5; 1.8] VI [-1.6; 0.2] [-5.4; -2.0] [-2.6; -2.1] [-2.6; -2.1] [-2.5; 6.3] VII [-4.1; -2.3] [-5.4; -2.8] [-2.6; -2.3] [-2.4; -2.0] [-2.3; -2.0] T ota l [-1.0; 0.3] [-5.2; -1.1] [-1.9; -0.2] [-2.5; -0.4] [-2.5; 1.6] 34

35 Conclusion Inférence bayésienne sur un réseau QMRA : Technique puissante permettant de faire remonter l information apportée par les données le long de la chaîne de production : - Convergence lente à atteindre, car forte auto-corrélation +/- : Nécessité d utiliser un modèle du 2 ème ordre + Mise à jour et/ou réduction d incertitude sur certains paramètres + Cohérence des résultats avec les données, qui nous amènent à modifier certaines conclusions de l évaluation des risques dans la purée de courgettes + Eventuelle remise en question de certains aspects du modèle 35

36 Merci de votre attention! Quelques références : Afchain, A.L., Carlin, F., Nguyen-the, C., Albert, I., Improving quantitative exposure assessment by considering genetic diversity of B. cereus in cooked, pasteurised and chilled foods. International Journal of Food Microbiology, 128, Albert, I., Grenier, E., Denis, J.B., Rousseau, J., Quantitative Risk Assessment from Farm to Fork and Beyond: a global Bayesian Approach Concerning Food-Borne Diseases. Risk Analysis, 28, Delignette-Muller, M.L., Cornu, M., Pouillot, R., Denis, J.B., Use of Bayesian modelling in risk assessment: application to growth of Listeria monocytogenes and food flora in cold-smoked salmon. International Journal of Food Microbiology,106,

Incertitude et variabilité : la nécessité de les intégrer dans les modèles

Incertitude et variabilité : la nécessité de les intégrer dans les modèles Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre

Plus en détail

Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques

Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques Objectifs de la microbiologie prévisionnelle conditions de vie du produit micro-organisme

Plus en détail

Optimisation de la formulation et du procédé pour atteindre une durée de vie : Bacillus cereus pour un nouveau produit

Optimisation de la formulation et du procédé pour atteindre une durée de vie : Bacillus cereus pour un nouveau produit Optimisation de la formulation et du procédé pour atteindre une durée de vie : Bacillus cereus pour un nouveau produit Catherine DENIS ADRIA Normandie Dominique THUAULT ADRIA Développement Bacillus cereus

Plus en détail

Comment identifier les étapes sensibles pour la maîtrise des dangers?

Comment identifier les étapes sensibles pour la maîtrise des dangers? Comment identifier les étapes sensibles pour la maîtrise des dangers? Le cas de Listeria monocytogenes dans les fromages à pâte molle et croûte lavée au lait pasteurisé Fanny TENENHAUS-AZIZA Colloque Quant

Plus en détail

ETUDES. Quelques réflexions sur la conduite de la cuisson : aspects microbiologiques et valeur pasteurisatrice

ETUDES. Quelques réflexions sur la conduite de la cuisson : aspects microbiologiques et valeur pasteurisatrice ETUDES Quelques réflexions sur la conduite de la cuisson : aspects microbiologiques et valeur pasteurisatrice Leïla MEKHTICHE et Jean-Luc MARTIN (CTSCCV) RESUME De nombreuses questions posées au CTSCCV

Plus en détail

22/12/11. Plan de la présentation

22/12/11. Plan de la présentation http://www.dda.ulg.ac.be L appréciation quantitative du risque microbiologique et la microbiologie prévisionnelle pour les entreprises. La microbiologie prévisionnelle Deux exemples simples L appréciation

Plus en détail

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Génia Babykina 1 & Simon Cauchemez 2 1 Université de Lille, Faculté Ingénierie

Plus en détail

Méthodologie d analyse des dangers microbiologiques : cas concret sur des terrines de viande G. POUMEYROL AFSSA LERQAP

Méthodologie d analyse des dangers microbiologiques : cas concret sur des terrines de viande G. POUMEYROL AFSSA LERQAP Méthodologie d analyse des dangers microbiologiques : cas concret sur des terrines de viande G. POUMEYROL AFSSA LERQAP Importance de l analyse des dangers Connaissance de l évolution des dangers au cours

Plus en détail

Présentation et objectifs du projet ANR Quant HACCP

Présentation et objectifs du projet ANR Quant HACCP Présentation et objectifs du projet ANR Quant HACCP Gérard Poumeyrol Laboratoire de sécurité des aliments de Maisons Alfort Besoins scientifiques et contexte réglementaire de la sécurité sanitaire des

Plus en détail

Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques. Historique. Niveaux de modélisation

Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques. Historique. Niveaux de modélisation Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques Objectifs de la microbiologie prévisionnelle micro-organisme pathogène ou d altération produit

Plus en détail

L analyse des dangers Une étape clef de la méthode HACCP

L analyse des dangers Une étape clef de la méthode HACCP L analyse des dangers Une étape clef de la méthode HACCP Quelques rappels de base Analyse des dangers : - Caractéristiques - Méthodologie Conclusion Un exemple : Procédé «Terrine de viande» 2 Quelques

Plus en détail

Appui scientifique et technique concernant l étude de l évolution de Listeria monocytogenes dans les fromages de type cantal

Appui scientifique et technique concernant l étude de l évolution de Listeria monocytogenes dans les fromages de type cantal Le directeur général Maisons-Alfort, le 22 mai 2015 Appui scientifique et technique concernant l étude de l évolution de Listeria monocytogenes dans les fromages de type cantal L Anses a été saisie le

Plus en détail

Sommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique

Sommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique ARC EPS Eco-microbiologie Prévisionnelle Statistique 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation LES OBJECTIFS

Plus en détail

L. monocytogenes. dans les produits réfrigérés

L. monocytogenes. dans les produits réfrigérés Novembre 2006 Construction d une démarche interdisciplinaire de description du processus sanitaire modulant l exposition au danger L. monocytogenes dans les produits réfrigérés RAPPORT DE RECHERCHE Construction

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

Modélisation des traitements thermiques : application à la réingénierie des procédés

Modélisation des traitements thermiques : application à la réingénierie des procédés Modélisation des traitements thermiques : application à la réingénierie des procédés J. Guilpart, E. Derens-Bertheau, Cemagref I. Trezzani -Harbelot, Agroparistech E. Morelli, V. Noël, S. Jaloustre, ANSES

Plus en détail

AMBASSADE DE FRANCE AUX ÉTATS-UNIS SERVICE ÉCONOMIQUE REGIONAL DE WASHINGTON

AMBASSADE DE FRANCE AUX ÉTATS-UNIS SERVICE ÉCONOMIQUE REGIONAL DE WASHINGTON Washington, le 5 février 2014 Objet : Mise en application de la loi de modernisation de sécurité sanitaire des aliments (FSMA - Food Safety Modernization Act) Détermination des aliments considérés à haut

Plus en détail

Approche bayésienne des modèles à équations structurelles

Approche bayésienne des modèles à équations structurelles Manuscrit auteur, publié dans "42èmes Journées de Statistique (2010)" Approche bayésienne des modèles à équations structurelles Séverine Demeyer 1,2 & Nicolas Fischer 1 & Gilbert Saporta 2 1 LNE, Laboratoire

Plus en détail

Science et technique. Qualité, DLC et challenges tests. Viande hachée artisanale

Science et technique. Qualité, DLC et challenges tests. Viande hachée artisanale CHRISTIEANS.qxd 15/11/2005 10:44 Page 163 Qualité, DLC et challenges tests Durant les trois dernières décennies, l industrie de la viande fraîche a beaucoup changé ainsi que le comportement des consommateurs.

Plus en détail

AVIS 1 / 6. Afssa Saisine n 2008-SA-0359 Saisine liée n 2007-SA-0174 et 2006-SA-0215. Maisons-Alfort, le 10 avril 2009

AVIS 1 / 6. Afssa Saisine n 2008-SA-0359 Saisine liée n 2007-SA-0174 et 2006-SA-0215. Maisons-Alfort, le 10 avril 2009 Maisons-Alfort, le 10 avril 2009 AVIS LA DIRECTRICE GÉNÉRALE de l Agence française de sécurité sanitaire des aliments relatif à la demande d'avis complémentaire concernant les références applicables aux

Plus en détail

Niveau d assurance de stérilité (NAS) Hôpital Neuchâtelois Sylvie Schneider Novembre 2007

Niveau d assurance de stérilité (NAS) Hôpital Neuchâtelois Sylvie Schneider Novembre 2007 Niveau d assurance de stérilité (NAS) Hôpital Neuchâtelois Sylvie Schneider Novembre 2007 Plan Objectif de la stérilisation Rappel théorique Niveau d Assurance Stérilité Conséquence Destruction des micro-organismes

Plus en détail

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens.

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Adrien Perrard. UMR 7205, MNHN Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Partition et mélanges gaussiens Partition et mélanges gaussiens Partition et mélanges gaussiens

Plus en détail

Lieu du prélèvement. Si non satisfaisant ---> Impropre à la consommation Rappel Retrait

Lieu du prélèvement. Si non satisfaisant ---> Impropre à la consommation Rappel Retrait Code Client : Z132 Raphaéle MORIN - LA Paupiette de Veau Four Date de fabrication 19/06/2014 Température à réception ( C) 3.1 Température à cœur ( C) 74.0 D.L.C. 23/06/2014 Paramètres Hygiène des procédés

Plus en détail

Introduction aux Méthodes de Monte Carlo

Introduction aux Méthodes de Monte Carlo Méthodes de Monte Carlo pour la Modélisation et le Calcul Intensif Applications à la Physique Numérique et à la Biologie Séminaire CIMENT GRID Introduction aux Méthodes de Monte Carlo Olivier François

Plus en détail

Hygiène des Denrées et des Préparations Culinaires

Hygiène des Denrées et des Préparations Culinaires Hygiène des Denrées et des Préparations Culinaires Objectifs : Citer les traitements thermiques et de conservation, leurs caractéristiques et leurs effets sur la flore microbienne Justifier les modes de

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

Mots-clés : appréciation des risques, microbiologie prévisionnelle, Listeria monocytogenes.

Mots-clés : appréciation des risques, microbiologie prévisionnelle, Listeria monocytogenes. Intérêt de la microbiologie prévisionnelle dans l appréciation de l'exposition alimentaire à Listeria monocytogenes. Significance of predictive microbiology for the assessment of the exposure of food to

Plus en détail

TD sur les modèles non linéaires

TD sur les modèles non linéaires TD sur les modèles non linéaires David Makowski, INRA 3octobre2014 1 TD1 : Modèles linéaires et non linéaires pour optimiser la dose d engrais 1.1 Objectif L objectif est d estimer les paramètres de trois

Plus en détail

Procédé en cours de validation dans l industrie pharmaceutique.

Procédé en cours de validation dans l industrie pharmaceutique. 5/ Autres méthodes : 5.1. L énergie lumineuse pulsée : Procédé Pure Bright (brevet) : Environ 20 000 fois plus énergétique que la lumière solaire, la répétition (1 à 10) de flashes pulsés de lumière (450

Plus en détail

Draft. Introduction à la Plateforme Dynare. Jean-Paul K. Tsasa Vangu. Mars 2, 2012; updated

Draft. Introduction à la Plateforme Dynare. Jean-Paul K. Tsasa Vangu. Mars 2, 2012; updated Jean-Paul K. Tsasa Vangu Laboratoire d analyse-recherche en économie quantitative (Atelier Laréq) Mars 2, 2012; updated Qu est-ce que Dynare? Dynare est un logiciel qui permet de simuler et d estimer les

Plus en détail

ANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION

ANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION ANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION QUAND LE GESTIONNAIRE DE LA SECURITE ALIMENTAIRE A-T-IL BESOIN D UTILISER UNE APPROCHE ANALYSE DE RISQUE? En concertation avec le groupe de

Plus en détail

Réglementation et analyses des aliments

Réglementation et analyses des aliments Réglementation et analyses des aliments Christian Delagoutte, Docteur vétérinaire HACCP Octobre 2009 Dans votre activité, vous êtes amenés à réaliser ou faire réaliser des prélèvements en vue d'analyses

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Promold study. Reduce weight of material with the simulation. Consulting Services. Customer

Promold study. Reduce weight of material with the simulation. Consulting Services. Customer Promold study Consulting Services Customer Reduce weight of material with the simulation By Dr. LUYE jean- François (Imug Presentation) www.promold.fr 1 Goal Reduce cost of material Minimal weight =? Initial

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

LE RISQUE MICROBIEN DANS LES I.A.A.

LE RISQUE MICROBIEN DANS LES I.A.A. LE RISQUE MICROBIEN DANS LES I.A.A. 1. LES MICROORGANISMES DANS LES IAA 2. COMMENT MAÎTRISER CE RISQUE TD 1. LES TOXI-INFECTIONS D ORIGINE BACTERIENNE TD 2. LES RISQUES LIES AUX MOISISSURES 1. LES MICROORGANISMES

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

Plus en détail

Profils temps-température tout au long de la chaîne. Intérêt de ces historiques pour définir une date limite de consommation

Profils temps-température tout au long de la chaîne. Intérêt de ces historiques pour définir une date limite de consommation Profils temps-température tout au long de la chaîne. Intérêt de ces historiques pour définir une date limite de consommation Evelyne Derens-Bertheau Laurence Fournaison Unité Génie des procédés frigorifiques

Plus en détail

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

La survie nette actuelle à long terme Qualités de sept méthodes d estimation La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg

Plus en détail

Formation Durée de vie microbiologique 24 mars Travaux dirigés n 2 : Exploitation des résultats d un test de croissance

Formation Durée de vie microbiologique 24 mars Travaux dirigés n 2 : Exploitation des résultats d un test de croissance Formation Durée de vie microbiologique 24 mars 2010 Travaux dirigés n 2 : Exploitation des résultats d un test de croissance Remarque : les données chiffrées sont fictives et ne sont pas en lien avec les

Plus en détail

Modélisation coalescente pour la détection précoce d un cancer

Modélisation coalescente pour la détection précoce d un cancer Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1 Introduction

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

NOMENCLATURE POUR LES ÉTUDES DE TRAITEMENT THERMIQUE

NOMENCLATURE POUR LES ÉTUDES DE TRAITEMENT THERMIQUE Institute for Thermal Processing Specialists NOMENCLATURE POUR LES ÉTUDES DE TRAITEMENT THERMIQUE Différents symboles ont été employés pour représenter les variables mesurées et dérivées qui sont utilisées

Plus en détail

Chauffe-eau solaire collectif-cesc

Chauffe-eau solaire collectif-cesc Chauffe-eau solaire collectif-cesc Fiche d intégration dans le logiciel RT2012 : U22win de PERRENOUD Version du 06/02/2015 Présentation La présente fiche décrit le principe et la saisie d un chauffe-eau

Plus en détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

OPTIONS DE GESTION DU RISQUE Listeria monocytogenes ET STRATEGIES DE REDUCTION. Situation actuelle des critères microbiologiques au niveau européen

OPTIONS DE GESTION DU RISQUE Listeria monocytogenes ET STRATEGIES DE REDUCTION. Situation actuelle des critères microbiologiques au niveau européen ASEPT, 5 ème Conférence Internationale, 17-18 mars 2004, Laval OPTIONS DE GESTION DU RISQUE Listeria monocytogenes ET STRATEGIES DE REDUCTION Situation actuelle des critères microbiologiques au niveau

Plus en détail

La validation de barème des produits appertisés

La validation de barème des produits appertisés La validation de barème des produits appertisés Animée par Fabien AUPY Expert PCAM ( du CTCPA Centre Technique de la Conservation des Produits agricoles) UTICA, le 12 novembre 2013 Programme financé par

Plus en détail

Simulation avancée du procédé d injection

Simulation avancée du procédé d injection Simulation avancée du procédé d injection JT «Conception et optimisation numérique en plasturgie» Jeudi 30 juin Ronan Le Goff Sommaire Introduction Modèle numérique Cas d étude Paramètres rhéo Stratégies

Plus en détail

Mathématiques et Applications 57. Modèles aléatoires. Applications aux sciences de l'ingénieur et du vivant

Mathématiques et Applications 57. Modèles aléatoires. Applications aux sciences de l'ingénieur et du vivant Mathématiques et Applications 57 Modèles aléatoires Applications aux sciences de l'ingénieur et du vivant Bearbeitet von Jean-François Delmas, Benjamin Jourdain 1. Auflage 2006. Taschenbuch. xxv, 431 S.

Plus en détail

Les probabilités de dépassement de seuil pour diagnostiquer l exposition aux contaminants chimiques en milieu de travail

Les probabilités de dépassement de seuil pour diagnostiquer l exposition aux contaminants chimiques en milieu de travail Cette présentation a été effectuée le 26 novembre 2014 au cours de la journée «Les probabilités de dépassement de seuil pour diagnostiquer l exposition aux contaminants chimiques en milieu de travail»

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

Estimation bayésienne des paramètres d un modèle de culture implémenté sous VLE

Estimation bayésienne des paramètres d un modèle de culture implémenté sous VLE Estimation bayésienne des paramètres d un modèle de culture implémenté sous VLE Arnaud Bensadoun François Brun (ACTA), Philippe Debaeke (INRA), Daniel Wallach (INRA), Luc Champolivier (CETIOM), Emmanuelle

Plus en détail

Les Traitements Thermiques Pasteurisation et Stérilisation

Les Traitements Thermiques Pasteurisation et Stérilisation Les Traitements Thermiques Pasteurisation et Stérilisation Ce sont les opérations unitaires les plus répandues en agroalimentaire. Il y a deux objectifs: assure la qualité hygiénique du produit et préserver

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

0674-0009A : MAGIC Temper. Document technique. MAGIC Temper

0674-0009A : MAGIC Temper. Document technique. MAGIC Temper Document technique STATICE MAGIC Temper Tempérez facilement vos : Masses de chocolats Couvertures Pralinés Ganaches Le tempérage sur marbre devient redondant (plus de nettoyages pour éviter les contaminations

Plus en détail

Effet de la réduction du taux de sel sur la qualité du jambon cuit supérieur

Effet de la réduction du taux de sel sur la qualité du jambon cuit supérieur Effet de la réduction du taux de sel sur la qualité du jambon cuit supérieur Adhésion entre muscles et rendement cuisson Laure Bombrun Thèse CIFRE Encadrement : Martine Carlier, Alain Kondjoyan et Philippe

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail

Atelier Eco Activités

Atelier Eco Activités Atelier Eco Activités Christophe Lecante Novembre 2009 Rappel des objectifs Rappel des objectifs Présentation des notes de marchés sur le thème des éco activités à partir des 4 bulletins de veille émis

Plus en détail

Les modèles de croissance en microbiologie prévisionnelle pour la maitrise de la sécurité des aliments (synthèse bibliographique)

Les modèles de croissance en microbiologie prévisionnelle pour la maitrise de la sécurité des aliments (synthèse bibliographique) B A S E Biotechnol. Agron. Soc. Environ. 2012 16(3), 369-381 Le Point sur : Les modèles de croissance en microbiologie prévisionnelle pour la maitrise de la sécurité des aliments (synthèse bibliographique)

Plus en détail

Validation probabiliste d un Système de Prévision d Ensemble

Validation probabiliste d un Système de Prévision d Ensemble Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

!-.!#- $'( 1&) &) (,' &*- %,!

!-.!#- $'( 1&) &) (,' &*- %,! 0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets

Plus en détail

Microbiologie 2 CAP APR MME LAGRANGE PLP DU BUGEY - BELLEY janvier 2012. les toxi-infection alimentaires collectives

Microbiologie 2 CAP APR MME LAGRANGE PLP DU BUGEY - BELLEY janvier 2012. les toxi-infection alimentaires collectives les toxi-infection alimentaires collectives Objectif : Etre capable de caractériser les TIAC afin d être un acteur efficace de leur prévention 1. Analyse d une situation : Drame à Avignon L affaire a commencé

Plus en détail

CATALOGUE DE FORMATIONS PROFESSIONNELLES

CATALOGUE DE FORMATIONS PROFESSIONNELLES CATALOGUE DE FORMATIONS PROFESSIONNELLES Etablissement Public Local d Enseignement et de Formation Professionnelle Agricole de Lyon Saint-Genis Laval 4, chemin des Grabelières 69230 Saint-Genis Laval 04.78.56.75.75

Plus en détail

Type d aliments Conditions particulières Microbes potentiels ou altérations

Type d aliments Conditions particulières Microbes potentiels ou altérations ++ FA1 CHARCUTERIES RISQUES POTENTIELS Conditions particulières Microbes potentiels ou 1.1. Charcuteries fraîches - Pâtés - Jambons cuits - Saucisses Toutes charcuteries humides et peu salées : toutes

Plus en détail

La congélation des produits modifie-t-elle les résultats d analyses microbiologiques?

La congélation des produits modifie-t-elle les résultats d analyses microbiologiques? ÉTUDES La congélation des produits modifie-t-elle les résultats d analyses microbiologiques? PASCAL GARRY CTSCCV, 7 avenue du Général de Gaulle, 94704 Maisons-Alfort Cedex Laboratoire de microbiologie

Plus en détail

Fiche d application : Saisie des systèmes solaires thermiques

Fiche d application : Saisie des systèmes solaires thermiques Fiche d application : Saisie des systèmes solaires thermiques Historique des versions : Date Contenu de la mise à jour Version 10 mars 2008 1 Préambule : Cette fiche d application présente les différents

Plus en détail

FORMATION CONTINUE SOMMAIRE

FORMATION CONTINUE SOMMAIRE SOMMAIRE De la théorie... T1 : Bonnes Pratiques d Hygiène et de Fabrication en transformation de végétaux T2 : Aspects réglementaires de la transformation : analyse des dangers T3 : Connaissance des végétaux

Plus en détail

SOMMAIRE. REVILLON CHOCOLATIER Le Coteau (42) Analyse comparative production Chaufferie Vapeur

SOMMAIRE. REVILLON CHOCOLATIER Le Coteau (42) Analyse comparative production Chaufferie Vapeur SOMMAIRE 11... IINSSTALLATIIONSS ACTUELLESS... 2 22... PERFORMANCESS ACTUELLESS... 11 22...11. Ennrreeggi iisst trreemeennt tss... 11 22...22. Reennddeemeennt tss eet t vvaal lleeuurrss ccaarraacct téérri

Plus en détail

Doctorat ParisTech T H È S E. L Institut des Sciences et Industries du Vivant et de l Environnement (AgroParisTech)

Doctorat ParisTech T H È S E. L Institut des Sciences et Industries du Vivant et de l Environnement (AgroParisTech) Doctorat ParisTech T H È S E pour obtenir le grade de docteur délivré par L Institut des Sciences et Industries du Vivant et de l Environnement (AgroParisTech) Spécialité : Biostatistique présentée et

Plus en détail

Stérilisation-Décontamination

Stérilisation-Décontamination Objectifs : Etudier les performances de différentes sources plasmas vis-à-vis de la décontamination biologique, la cible pouvant être aussi bien des microorganismes pathogènes (à l état planctonique ou

Plus en détail

I Les annexes 1 et 2 de l ordonnance du 26 juin 1995 sur l hygiène 1 sont remplacées par les versions ci-jointes.

I Les annexes 1 et 2 de l ordonnance du 26 juin 1995 sur l hygiène 1 sont remplacées par les versions ci-jointes. Ordonnance du DFI sur les exigences d ordre hygiénique et microbiologique concernant les denrées alimentaires, les objets usuels, les locaux, les installations et le personnel (Ordonnance sur l hygiène,

Plus en détail

A. Chambaz, L. Meyer, P. Tubert-Bitter. 22 juin 2010

A. Chambaz, L. Meyer, P. Tubert-Bitter. 22 juin 2010 Présentation du parcours Biostatistique de la spécialité Recherche en santé publique du Master 2 Santé Publique de l université Paris-Sud, cohabilité Paris Descartes A. Chambaz, L. Meyer, P. Tubert-Bitter

Plus en détail

Estimation indirecte en sciences humaines : une méthode bayésienne

Estimation indirecte en sciences humaines : une méthode bayésienne Estimation indirecte en sciences humaines : une méthode bayésienne Henri Caussinus, Institut de Mathématiques de Toulouse, en collaboration avec Daniel Courgeau, INED Isabelle Séguy, INED Luc Buchet, CNRS

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Procédure M ICROBIOLOGIE - ESTIMATION DE L INCERTITUDE DE MESURE. Mise en application 15/12/2008

Procédure M ICROBIOLOGIE - ESTIMATION DE L INCERTITUDE DE MESURE. Mise en application 15/12/2008 Agence fédérale pour la Sécurité de la Chaîne alimentaire Procédure M ICROBIOLOGIE - ESTIMATION DE L INCERTITUDE DE MESURE Mise en application 15/12/2008 Administration compétente Service responsable Destinataires

Plus en détail

Les bactéries. de recycler la matière Participent dans la fabrication d aliments et de médicaments

Les bactéries. de recycler la matière Participent dans la fabrication d aliments et de médicaments Les bactéries Apparues il y a 3,5 milliards d années, les bactéries sont les organismes vivants les plus diversifiés et les plus répandus sur Terre. Appartenant au monde des microbes, elles mesurent en

Plus en détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Chapitre 9. L analyse de risque. Page 1. L analyse de risque. 1. Généralités. Définition : l analyse de risque

Chapitre 9. L analyse de risque. Page 1. L analyse de risque. 1. Généralités. Définition : l analyse de risque Chapitre 9 L analyse de risque 17/04/2006 Claude Saegerman 1 L analyse de risque L analyse de risque organiser les informations disponibles sur un sujet donné les traduire en probabilités en déduire logiquement

Plus en détail

Activités en FIabilité et MAintenance au sein de l équipe FIGAL du Laboratoire Jean Kuntzmann

Activités en FIabilité et MAintenance au sein de l équipe FIGAL du Laboratoire Jean Kuntzmann Activités en FIabilité et MAintenance au sein de l équipe FIGAL du Laboratoire Jean Kuntzmann Laurent Doyen Laboratoire Jean Kuntzmann (LJK) Département probabilités et statistique Equipe FIGAL LJK - Grenoble

Plus en détail

Le Guide d aide à la VALIDATION des MESURES de MAITRISE des dangers bactériologiques ACTION QUALITE

Le Guide d aide à la VALIDATION des MESURES de MAITRISE des dangers bactériologiques ACTION QUALITE Le Guide d aide à la VALIDATION des MESURES de MAITRISE des dangers bactériologiques ACTION QUALITE Logo CERVIA Parce que l enjeu alimentaire est plus que jamais un défi pour demain, le CERVIA PARIS Ilede-France,

Plus en détail

Chaudière à condensation + CESC

Chaudière à condensation + CESC Fiche d intégration dans le logiciel RT2012 : ClimaWin de BBS Slama Version du 01/07/2015 Chaudière à condensation + CESC Présentation La présente fiche décrit le principe et la saisie d un chauffe-eau

Plus en détail

UM-CRT : Un modèle de canal semidéterministe

UM-CRT : Un modèle de canal semidéterministe Hervé BOEGLEN, Jonathan LEDY, Benoît HILT, Anne-Marie POUSSARD, Rodolphe VAUZELLE UM-CRT : Un modèle de canal semidéterministe pour les VANETs Laboratoire MIPS/GRTC Université de Haute Alsace, France Laboratoire

Plus en détail

QUANTIFICATION DU RISQUE

QUANTIFICATION DU RISQUE QUANTIFICATION DU RISQUE Journées d études de Deauville, le 16 septembre 2011 OPÉRATIONNEL 1.Solvabilité 2 et le Risque Opérationnel 2.La gestion du Risque Opérationnel 3.Les méthodes de quantification

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Etude de l utilisation de la thermographie infrarouge résolue spectralement pour la détermination des populations de températures

Etude de l utilisation de la thermographie infrarouge résolue spectralement pour la détermination des populations de températures Etude de l utilisation de la thermographie infrarouge résolue spectralement pour la détermination des populations de températures Sébastien FOUGEROLLE 1, Roger REICHLE 1, Jean-Laurent GARDAREIN 1, Christophe

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Supplément théorique Inférence dans les réseaux bayésiens. Rappel théorique. Les processus aléatoires. Les réseaux bayésiens

Supplément théorique Inférence dans les réseaux bayésiens. Rappel théorique. Les processus aléatoires. Les réseaux bayésiens DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2011 Supplément théorique Inférence dans les réseaux bayésiens Rappel théorique Les processus aléatoires La plupart des processus

Plus en détail

Modélisation d incertitudes et de variabilités en microbiologie quantitative des aliments

Modélisation d incertitudes et de variabilités en microbiologie quantitative des aliments Modélisation d incertitudes et de variabilités en microbiologie quantitative des aliments Marie Cornu To cite this version: Marie Cornu. Modélisation d incertitudes et de variabilités en microbiologie

Plus en détail

Gènes Diffusion - EPIC 2010

Gènes Diffusion - EPIC 2010 Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses

Plus en détail

Morningstar Investment Conference France

Morningstar Investment Conference France Morningstar Investment Conference France Comment transformer votre risque en allié? TANGUY DE LAUZON MORNINGSTAR INVESTMENT CONSULTING 5 JUIN 2013 2013 Morningstar. All rights reserved. Sommaire 1.

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

La nouvelle planification de l échantillonnage

La nouvelle planification de l échantillonnage La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage

Plus en détail

Raisonnement probabiliste

Raisonnement probabiliste Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte

Plus en détail

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MOBILE Gaël Crochet 1 & Gilles Santini 2 1 Médiamétrie, 70 rue Rivay, 92532 Levallois-Perret, France, gcrochet@mediametrie.fr 2 Vintco SARL, 8 rue Jean

Plus en détail