region age cas_confirmes date
1 Québec 78 111 2022-08-03
2 Québec 66 92 2022-03-20
3 Outaouais 68 74 2022-01-30
4 Montréal 94 144 2022-12-05
5 Québec 85 133 2022-05-02
6 Québec 75 93 2022-07-21Analyse initiale des cas de COVID-19
Contexte des données
Le jeu de données présenté dans cette analyse simule des informations collectées durant l’année 2022 sur des cas de COVID-19 parmi des personnes âgées vivant dans trois régions du Québec : Montréal, Québec et l’Outaouais. Chaque ligne représente un individu identifié par son prénom, nom, âge, région, date d’observation et le nombre de cas confirmés associés à lui. Les données incluent aussi une date d’observation.
Visualisation proposée par l’équipe de recherche
cas_par_region <- covid_problematique %>%
group_by(region) %>%
summarise(cas_totaux = sum(cas_confirmes), .groups = "drop")
ggplot(cas_par_region, aes(x = region, y = cas_totaux, fill = region)) +
geom_bar(stat = "identity") +
scale_y_continuous(breaks = seq(0, max(cas_par_region$cas_totaux), by = 10)) +
scale_fill_manual(values = c("Montréal" = "red", "Québec" = "orange", "Outaouais" = "purple")) +
theme_minimal() +
theme(legend.position = "none") 
Interprétation des résultats
Le graphique ci-dessus montre clairement que la région de Montréal est la plus touchée, avec un nombre de cas beaucoup plus élevé que les autres régions. Les données sont tirées de nos rapports internes collectés au courant de l’année 2012. Aucun ajustement par population n’a été fait, mais cela n’est pas jugé nécessaire.
Analyse descriptives
Tableau de cas notables
Dans cette section, nous cherchons à identifier les individus ayant généré le plus grand nombre de cas confirmés.
Le tableau suivant montre les 5 personnes ayant les plus hauts totaux individuels de cas confirmés selon notre base de données :
# Extraction des 5 personnes avec le plus grand nombre de cas confirmés
covid_problematique %>%
arrange(desc(cas_confirmes)) %>%
select(personne, region, cas_confirmes, date) %>%
head(5) personne region cas_confirmes date
1 Luc Dupont , 66 ans Montréal 147 2022-09-29
2 Chloé Morin , 67 ans Outaouais 146 2022-08-30
3 Chloé Gagné , 84 ans Québec 145 2022-02-11
4 Luc Dupont , 90 ans Québec 145 2022-08-28
5 Chloé Morin , 94 ans Montréal 144 2022-12-05Analyse exploratoire complémentaire
covid_problematique %>%
mutate(risque = if_else(age > 85 & cas_confirmes > 100, "Élevé", "Modéré")) %>%
group_by(risque) %>%
summarise(
moyenne_age = mean(age),
moyenne_cas = mean(cas_confirmes),
.groups = "drop"
)# A tibble: 2 × 3
risque moyenne_age moyenne_cas
<chr> <dbl> <dbl>
1 Modéré 76.3 105.
2 Élevé 91.8 132 covid_problematique %>%
ggplot(aes(x = age, y = cas_confirmes)) +
geom_point(color = "darkred") +
geom_smooth(method = "lm", se = FALSE, linetype = "dashed") +
labs(title = "Plus on est âgé, plus on contracte la COVID")`geom_smooth()` using formula = 'y ~ x'
Recommandations immédiates
- Les autorités devraient concentrer leurs efforts sur Montréal, qui semble en crise.
- Les personnes âgées de plus de 85 ans devraient être priorisées (voir tableau).
- La région de Québec semble peu affectée : les ressources pourraient être redistribuées.
Note méthodologique
Les données ont été regroupées rapidement sans normalisation par population. Aucune marge d’erreur, d’intervalle de confiance ou vérification des sources n’a été fournie. Les données couvrent des périodes variables sans harmonisation.
Remarque pédagogique : Ce document contient volontairement de nombreuses erreurs de visualisation, d’éthique et d’analyse. Il est utilisé comme point de départ pour votre mission critique.
Le fichier donnees_covid_module7.csv est celui que vous devez utiliser pour produire une version corrigée du graphique.