MEILLEUR RENDEMENT,

MEILLEURS PROCESSUS,
MEILLEUR COMPETITIVITE.
Industriels de l'agroalimentaire, apportez de la
valeur grâce à vos données.
 Les enjeux
La population mondiale de plus de 7,7 milliards de personnes en 2019 a un besoin partagé : la nourriture. Qu'ils soient crus, cuits, amers, sucrés, épicés ou salés

(la liste est longue !), des millions d'aliments sont produits, achetés et consommés chaque jour.

D'ici 2030, la demande alimentaire mondiale devrait augmenter de 35 % en raison de la hausse de la consommation des classes moyennes, classe moyenne en

augmentation de 10 à 40 % dans des pays comme l'Inde et la Chine. Cette demande devrait croître de 56 % d'ici 2050. Citoyens, organisations et entreprises
ont continuellement recherché et trouvé des solutions pour faire face à cette augmentation de la demande alimentaire et à réduire le déficit alimentaire. Bien

qu'aucune solution ne puisse résoudre entièrement le problème, l'une des meilleures propositions consiste à rendre le processus de transformation des
aliments plus efficace afin de réduire les pertes et le gaspillage.

Le World Resources lnstitute (WRI, Institut des ressources mondiales) et l'Organisation des Nations unies pour l'alimentation et l'agriculture (FAO) ont constaté

qu'en réduisant les pertes et le gaspillage de nourriture de 25 % d'ici 2050, le déficit alimentaire diminuerait à lui seul de 12 %. Ils ont également découvert que

près d'un quart des aliments produits pour l'homme ne sont pas consommés et que les particuliers n'en sont pas les seuls responsables : le gaspillage se
produit tout au long de la chaîne alimentaire, dans les fermes, les usines, les magasins et les foyers.

Bonne nouvelle pour les fabricants de produits alimentaires : Minitab Statistical Software est là pour vous aider ! Que vous fassiez partie des anciens ou des

nouveaux venus de l'industrie agro-alimentaire ou de secteurs connexes, laissez-nous vous montrer comment réduire le gaspillage, améliorer la qualité et
réaliser des économies plus efficacement au travers de trois exemples.

Minitab
®

�
CAS D'UTILISATION 2

L'analyse
Une fois l'échantillonnage et la dégustation terminés, les données recueillies sont
Manitab - Guacamole Manufacturer - Taste T estang with T-T ests.mpx
ensuite saisies dans Minitab Statistical Software.
File Edit Data Cale Stat Graph View Help Assistant

., ... 11 .. 00 fx ' Le fabricant peut alors utiliser les tests d'hypothèse de !'Assistant Minitab pour
guider son analyse et expliquer les résultats. Il sait qu'il compare deux
• CH C2 C3 C4 CS C échantillons, mais comme les panélistes ont chacun noté les deux recettes,
Classic New !'Assistant Minitab l'aide à choisir le test t pour données appariées qui est le test
Evan 7 le plus approprié dans ce contexte.
2 Vanessa 5 2
3 Jenn 2
4 Mariana 5 5
5 Silvana 2
6 Daniel 7 5
Assistant - Hypothesls Tests X
7 Josh 3 6
8 Dawn 10 5 Choose a Hypothesis Test
Compare two samples w,th each other
9 Jeff 10 10
10 Agnes 7 9
11 Abbie 10 10

Une fois la nouvelle recette de guacamole créée, le fabricant peut commencer

J 7
What What
a,eyou lire you
à tester le goût des échantillons à l'aide de tests t. Simples mais fiables, comparing comparing

les tests t conviennent parfaitement à tous les scénarios d'échantillonnage, Two rneans Two standard
de'v'iattOos Two % Pe,cents in each
defectÏ\les 0\1tcome
calegory
quelle que soit la taille du fabricant. What
IHê you
measurmg
Afin de comparer avec précision les deux recettes de guacamole, le fabricant
Two different
sets of items �a��
a demandé à 25 panélistes de goûter la recette d'origine et la nouvelle (independenQ set of items
(dependen�

recette, et de noter leur goût sur une échelle de 1 à 10, 10 étant la meilleure
2-S,mpltt Pairtdt 2-S.mplt Chi•Squart
Stanâ;�'o'�t.oon % Oefecti"" Test for A ssoc:iation
note. Le fabricant de produits alimentaires a également mis un masque aux µ,1-*--1 o, 1-*--t P11-*--t
112 1-----+---t 02 1-----+---t � 1-----+---t
panélistes et a changé de manière aléatoire l'ordre dans lequel ils ont goûté
les recettes, de sorte que la moitié du groupe a d'abord goûté la recette Back 11 aose
d'origine, tandis que les autres ont d'abord goûté la nouvelle recette,
afin de limiter les biais ou les idées préconçues.

Minitab
®

�
 Paired t Test for the Mean of Classic and New
Summary Report

Do the mHns differl

Paircd Oifferenccs

l'analyse terminée,
·Paircd
Statistiu Oifferenccs
SampleS.zc 25
Mun -0.16
9511bCI (-1.7617, 1.4417)
The mei.n of Classic is not si,gnifiœl\tly differel"II from the m.e3nof St,nd81d (levi3tion 3.8803
Ntw (p > O.OS).
•Oîfferenœ • Classic • New

lndWidu.al Samples,
Statistics classic New
Mean S.72 S.88
Disuîbu1ion of the Dlffcrences SUnd3td deviation 3A098 2.6508
Where are the dîfferenœs relative to zero?
Comments

• Tt$t Tot,- is 004 tnough evidtne♦ 10 conc:ludt that tht muns

dîffer at the 0.05 level of significance.
• Cl: Quanô fies the uncenalnty associated whh estlmating the
mtan differcnœ from samplc data. Vou can be 95%confident
that the true mean clfferenœ is between -1.7617 and t.4417.
• Oistribvtion of OiffcrcntCs: Con,p.,,c: the locotion fo the
ditferenœs to zero. Loot for unusual differmœs be-fore
interpreting the results of the test

CeJ)endant,

Paired t Test for the Mean of Classic and New

Diagnostic Report

Paircd D,it.a in Worf<shcet Order

I
lrwestigate any pairs with unusual d1ffec-enœs (marked in red).
• • • • • •
•
10.0 e Cb5Sk
■ New

... ...
•

...
7.S
• •
s.o • • �.•• î
•
•
•
•
. I .• •
2.S 1

• •
o.o

What is the chance of detecting a drfferenc:e of 2.S?

60"1i,Po- 90"-� What samp'° sb:e 1$ rtquirtd 10 dttffl a dîffe<enct of
2.S?

Samplesiz� Po�,
14 60'6
17 71m
1.7897 Omtrtt'l<.t 2,6Z27 21 801'
For a .. O.OS and sampi� size .. 25: 28 90'6
If 1he1rue means differed by 2.S, you w01.1ld have a 87.19' chance of
cte100:ing 1he differenœ. Yours.irnple
2S 87.1

Obseived differenœ • -0.16

Po�t is a function of dw sampi@ sitit •nd the> standard devi•tion, t f Ù1t" power is oot satisfacto,y, considitr inc�•SS"l9 the- s.tf1l)l,e, sini.