---
title: "Indice de masse corporelle (IMC) chez es enfants"
author: "AYISSI BEBOM DANIELA MAMERTH & HAIDARA MAHAMAR SIDI BOUBACAR"
date: "`r [Link]()`"
output: html_document
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
# [Link]
Ce rapport est le résultat de l'étude d'un échantillon des enfants vus lors d’une visite en 1re
section de maternelle en 1996-1997 dans des écoles de Bordeaux (Gironde, France).
L’´échantillon est constitué de 152 enfants âgés de 3 à 4 ans.
Ce rapport est subdivisé en trois (3) étapes.
Premièrement, charger **charger les packages** nécessaire pour notre analyse ;
Deuxièmement, s'imprégner de la base :
- En la visualisant ;
- Lister la liste des variables;
_ Donner la structure des variables en précisant la nature de chaque variable.
Troisièmement, analyse des résultats :
- Calcul de la moyenne des variables d'intérêt ;
- Formule de calcul de l'IMC
- Analyse des tableaux croisés dynamiques à partir du calcul de l'IMC ;
- Analyse des graphiques générés.
De façon globale, nous avons 152 enfants avec un poids moyen de 16,22 kg pour une taille
moyenne de 1m et un âge moyen de 3,77 ans. Les résultats montrent que **94% (143)** des
enfants souffrent d'insuffisance de poids (IMC<18,5).
# II. LES PACKAGES NECESSAIRES
Les packages suivants sont nécessaires afin de :
- Utiliser notre base Excel ;
- Faire les statistiques descriptives et
- Produire les graphiques.
```{r library, warning = FALSE, message = FALSE}
library(readxl)
library(readr)
library(questionr)
library(gridExtra)
library(dplyr)
library(ggplot2)
library(GGally)
```
# III. S'IMPREGNER DE LA BASE
Cette étape consiste à présenter la base, mettre en évidence la structure des données, voir
les noms des variables leur type et leur nature.
## III.1 Présentation de la base
Il s'agit d'importer et de visualiser la base de données qui porte sur les enfants vus lors d'une
visite en 1ère section maternelle en 1996 dans les écoles de bordeaux(Gironde, Frane).
Que l'école soit située dans une Zone d'Education Prioritaire(ZEP) ou non.
La base est en version Excel et a pour nom "imcenfant".
```{r imcenfant}
library(readxl)
imcenfant <- read_excel("[Link]")
View(imcenfant)
```
## III.2 Visualisation de la base
```{r visual}
Nbrvar <- ncol(imcenfant)
Nbrobs <- nrow(imcenfant)
NomsVar <- names(imcenfant)
```
Il ressort de la visualisation de la base les informations suivantes :
- La base comporte **`r Nbrvar`** variables ;
- Avec **`r Nbrobs`** observations ;
- Les noms des variables variables sont les suivantes : `r NomsVar`.
## III.3 Structure de la base
```{r structure}
str(imcenfant)
```
la structure des données montre que les variables "SEXE" et "zep" sont des variables
qualitatives. Tandis que les variables "poids", "an", "mois" et "taille" sont des variables
quantitatives.
## III.4 La nature des variable
Pour connaître la nature d'une variable qualitative il suffit de lui appliquer la fonction
<<[Link](nomvariable)>>. Si la fonction retoune 'Vrai', c'est à dire les modalités de la
variable suivent un ordre ; alors la variable est qualitative ordinale. Sion, si le résultat est
'Faux', c'est à dire les modalités ne suivent pas un ordre ; alors la variable est qualitative
nominale.
En ce qui concerne les variables quantitatives, on utlise la fonction
<<[Link](nomvariable)>>. Si la fonction retoune 'Vrai', c'est à dire les valeurs prises par la
variable sont des entiers ; alors la variables est quantitative discrète. Par contre, si le résultat
est 'Faux', c'est à dire les valeurs prises par la variable sont des réels ; alors la variables est
quantitative continue.
```{r nature}
[Link](imcenfant$SEXE)
[Link](imcenfant$zep)
[Link](imcenfant$poids)
[Link](imcenfant$an)
[Link](imcenfant$mois)
[Link](imcenfant$taille)
```
Tous les résultats étant 'Faux', nous déduisons que :
- Les variables "SEXE" et "zep" sont des variables qualitatives nominales et
- Les variables "poids", "an", "mois" et "taille" sont des variables quantitatives continues.
# IV. ANALYSE DES RESULTATS
## IV.1 Calcul des moyennes
```{r mean}
Moy_poids <- mean(imcenfant$poids)
Moy_taille <-mean(imcenfant$taille)
```
On observe un poids moyen de **`r Moy_poids` kg**. Ce qui signifie que les poids des
enfants sont autour de `r Moy_poids` kg. En d'autres termes les enfants concernés ont en
moyenne un poids de `r Moy_poids` kg. La taille donne une moyenne de **`r Moy_taille`
cm**. Ce qui nous donne en moyenne une taille de 1m pour les individus de notre
échantillon.
## IV.2 Calcul de l'IMC
L'IMC c'est l'Indice de Masse Corporelle. Il permet d'évaluer le statut pondéral des
personnes, c'est à dire si une personne a un poids insuffisant, un poids normal ou est obèse.
Il est calculé à partir de la formule suivante : IMC = poids en kg/taille² (en m).
Si l'IMC est :
- Moins de 18.5 : Poids insuffisant ;
- Entre 18.5 et 24.9 : Poids normal ;
- Entre 25 et 29.9 : Excès de poids pouvant occasionner certains risques pour la santé.
- Plus de 30 : Obésité, risque accru de développer certaines maladies.
Ces mesures ont été définies par l'Organisation Mondiale de la Santé (OMS).
Pour notre cas la variable taille est en cm. Il faudra au préalable la convertir en m.
Voici les formules nécessaires :
```{r IMC}
imcenfant$Tail_m <- (imcenfant$taille)/100
imcenfant$IMC <- imcenfant$poids/(imcenfant$Tail_m^2)
```
Pour extraire les enfants ayant un IMC < 15 et un âge <= 3.5 ans, on crée d'abord une
variable Age qui sera constitué à partir du nombre d'année et le nombre de mois de chaque
de enfant. C'est à dire avoir l'âge des avant à partir d'une seule variable.
Pour cela, on utilise cette formule :
```{r Age}
imcenfant$Age <- imcenfant$an + imcenfant$mois/12
```
Ensuite, on applique les conditions pour calculer l'IMC à travers la formule suivante :
```{r IMC_Age}
IMC_Age <- subset(imcenfant,imcenfant$IMC < 15 & imcenfant$Age <= 3.5)
Nbre_Enf <- nrow(IMC_Age)
```
Nous avons **`r Moy_poids` enfants** qui ont au plus trois (3) ans six (6) mois. D'après les
normes ces enfants ont un poids insuffisant.
## IV.3 L'aide en ligne de R
Pour accerder à l'aide en ligne de R on utilise la fonction help en mettant entre parenthèses
la fonction à rechercher : help(nonfonction). Une autre manière est de d'utiliser le symbole
point d'interrogation suivi de la fonction à rechercher : ?nomfonction().
Cas de la fonction plot() :
```{r Aide, warning = FALSE, message = FALSE}
?plot()
```
Il résulte d'un renvoie sur l'aide de R en ligne.
## IV.4 Tableau croisé dynamique et le graphique resultant
### IV.4.1 Tableau croisé dynamique qui fournit la répartition de l’IMC des enfants selon le
sexe
Utilisons la fonction table pour voir comment l'IMC se comporte en fonction des sexes; afin
de dégager la situation pondérale des enfants.
Pour cela nous allons d'abord créer une variable qui prend les catégories posssibles pour la
variable IMC (selon les normes de l'OMS vus au dessus), ensuite généré le tableau
```{r Tableau croysé}
imcenfant$IMC_group <- ifelse(imcenfant$IMC < 18.5, "Poids
insuffisant",ifelse(imcenfant$IMC < 25, "Poids normal","Surpoids"))
IMC_Sex <- table(imcenfant$IMC_group, imcenfant$SEXE)
Prop_IMC <- prop_table(IMC_Sex)
cumul_IMC <- addmargins(IMC_Sex)
```
A la lumière de ce résultat, on constate que 94% des enfants souffrent d'insuffisance de
poids. Au total 143 enfants, dont 54% sont des garçons et 46% des filles.
Seulement neuf (9) enfants (soit 9%) ont un poids normal. Cependant, aucun cas de surpoids
ou d'obésité n'a été observé chez ces enfants.
Le graphique à venir expliquera mieux ce écart.
### IV.4.2 Graphique 1 : Répartition de l’IMC des enfants selon le sexe
Ce graphique est un diagramme en bande représentant notre tableau précedent.
```{r graphique1, warning = FALSE, message = FALSE}
[Link](imcenfant$IMC_group)
[Link](imcenfant$SEXE)
ggplot(imcenfant,aes( x = SEXE, fill = IMC_group)) +
geom_bar(position ="dodge") +
geom_text(aes(label=after_stat(count)), stat="count", position=position_stack(0.98), size =
6) +
labs(
x = "Sexe (G=Garçon et F=Fille)",
y = "Nombre d'enfants concernés",
fill = 'Statut pondéral',
title = "Répartition du niveau de l’IMC des enfants selon le sexe") + theme_minimal() +
theme(
[Link].x = element_text(size = 16, face = "bold"),
[Link].y = element_text(size = 16, face = "bold"),
[Link].x = element_text(size = 16),
[Link].y = element_text(size = 16),
[Link] = element_text(size = 15, face = "bold"),
[Link] = element_text(size = 15),
[Link] = element_text(size = 12))
```
D'après le graphique on constate que les bandes oranges (qui représentent l'insuffisance de
poids) sont largement supérieures au bandes vertes. Ce qui montre que la grande majorité
des enfants souffre d'insuffisance de poids.
Nous avons 66 files **(soit 93% du total des filles)** avec un poids insuffisant contre
seulement 5 filles **(soit 7%)** avec un poids normal. On observe presque la même chose
chez les garçons avec **95%** de cas d'insuffisance contre **5%** de cas de poids normal.
Néanmoins, aucun cas de surpoids ni d'obésité n'est observé.
### IV.4.2 Graphique 2 : Nuage de points du Poids en fonction de la Taille
```{r graphique2}
[Link](imcenfant$Tail_m)
[Link](imcenfant$poids)
ggplot(imcenfant, aes(x=Tail_m, y=poids)) + geom_point() +
labs(title = 'Représentation des des poids des enfants en fonction de leur taille',
x = 'Taille des enfants en m', y = 'Poids des enfants en kg') + theme_minimal() +
theme(
[Link].x = element_text(size = 16, face = "bold"),
[Link].y = element_text(size = 16, face = "bold"),
[Link].x = element_text(size = 16),
[Link].y = element_text(size = 16),
[Link] = element_text(size = 15, face = "bold"))
```
On constate que les points s'étendant de la partie inférieure gauche à la partie supérieure
droite du graphique. Ce qui explique une corrélation positive entre poids et taille. Nous
endeduisons que le poids est fonction de la taille.
### IV.4.3 Graphique 3 : Répartition des enfants proche d’une zone d’éducation prioritaire
selon toutes les variables
Pour ce graphique, il s'agit extraire les enfants proches d’une zone d’éducation prioritaire,
c'est à dire "zep = Oui". Cest cette sous base extraite qui sera utilisé pour produire les
graphiques.
```{r graphique3}
[Link](imcenfant$zep)
imcenfant$Tranche_Age <- ifelse(imcenfant$Age < 4, "Moins de 4ans", "4ans et plus")
[Link](imcenfant$Tranche_Age)
[Link](imcenfant$poids)
[Link](imcenfant$Tail_m)
[Link](imcenfant$IMC)
Zep_Oui <- subset(imcenfant,imcenfant$zep == "O")
ggbivariate(data=Zep_Oui, outcome = 'SEXE', explanatory
=c("Tranche_Age","poids","Tail_m", "IMC"))
ggtable(data=Zep_Oui, columnsX = "SEXE",columnsY =c("Tranche_Age", "poids", "Tail_m",
"IMC"))
```
A travers le graphique, on constate une proportion des garçons legerment élevée que celle
des filles et cela pour toutes les tranches d'âge.
Pour les enfants de **moins de 4 ans**, 51.9% sont des garçons contre 48.1% des filles. Pour
la tranche de **4 ans et plus**, 52,9% sont des garçons et 47,1% des filles.
**50%** des filles ont un poids inférieur à **16kg** et l'autre **50%** ont un poids
supérieur à **16kg**. Tandis que chez les garçons, **50%** ont un poids moins de
**16,4kg** et **50%** ont plus de **16,4kg**.
En ce qui concerne la taille, la même observation est présente chez les deux sexes. **50%**
ont moins de **1m** et **50%** ont plus de **1m**.
Même observation au niveau de l'IMC, qui partage la population en deux partie ègale à partir
de 16kg/m^2.
On constate des valeurs éloignées au niveau des statistiques des filles qui peuvent tirer la
moyenne du poids, de la taille et de l'IMC des filles. Chez les garçons seul l'IMC présente des
valeurs aberrantes qui ont tendance à tirer la moyenne vers une valeur un peu élevé.
