library(readr) install.packages(“ggplot2”) library(ggplot2)

###2. Análisis univariado de las variables cuantitativas

#Histograma Edad hist(CSE_student_performances\(Age, col="skyblue",main="Edad",freq=TRUE, xlab="Edad", ylab = "Freecuencia") ##boxplothorasdesueño boxplot(CSE_student_performances\)SleepPerDayHours, main = “Boxplot de horas de sueño”) ##boxplonumero de amigos boxplot(CSE_student_performances\(NumberOfFriend, main = "Numero de amigos") ###3. Analisis de dos variables ggplot(CSE_student_performances, aes(x = CSE_student_performances\)AcademicPerformance, y = CSE_student_performances\(SleepPerDayHours), xlab= "Academic performance",ylab= "Sleep Day Hours") + geom_boxplot() + geom_jitter(width = 0.2, color = "blue", alpha = 0.5) ##4. Relacion entre las variables cuantitativas ggplot(CSE_student_performances, aes(x = Age, y = SleepPerDayHours)) + geom_point(color = "blue") + labs(title = "Edad vs. Horas de Sueño por Día", x = "Edad", y = "Horas de Sueño por Día") + theme_minimal() ggplot(CSE_student_performances, aes(x = Age, y = NumberOfFriend)) + geom_point() + labs(title = "Relación entre edad y número de amigos", x = "edad", y = "Número de amigos") + theme_minimal() # Correlación de Pearson correlacion <- cor(CSE_student_performances\)SleepPerDayHours, CSE_student_performances$Age, method = “pearson”) print(correlacion)

#5 Otros analisis # Prueba de normalidad shapiro.test(CSE_student_performances\(SleepPerDayHours) shapiro.test(CSE_student_performances\)Age) # Regresión lineal modelo <- lm(Age ~ SleepPerDayHours, data = CSE_student_performances) summary(modelo) ggplot(CSE_student_performances, aes(x = SleepPerDayHours, y = Age)) + geom_point() + geom_smooth(method = “lm”, se = FALSE) + labs(title = “Regresión Lineal entre SleepPerDayHours y Age”, x = “SleepPerDayHours”, y = “Age”) + theme_minimal()

1 y 6

#objetivo 1 #Analizar la relación entre la cantidad de horas de sueño y el rendimiento académico de los estudiantes universitarios # Histograma de Edad hist(CSE_student_performances$Age, col=“skyblue”, main=“Edad”, freq=TRUE, xlab=“Edad”, ylab=“Frecuencia”) #rendimiento academico ggplot(CSE_student_performances, aes(x = AcademicPerformance)) + geom_bar(fill = “skyblue”) +labs(title = “Distribución del Rendimiento Académico”, x = “Rendimiento Académico”,y = “Frecuencia”) + theme_minimal()

#horas de sueño en funcion del rendimiento academico ggplot(CSE_student_performances, aes(x = AcademicPerformance, y = SleepPerDayHours, fill = AcademicPerformance)) +geom_boxplot() +labs(title = “Comparación de Horas de Sueño por Día según el Rendimiento Académico”,x = “Rendimiento Académico”,y = “Horas de Sueño por Día”) + theme_minimal()

#objetivo 2 #Evaluar cómo el estado de depresión afecta el desempeño académico de los estudiantes #estado de depresion ggplot(CSE_student_performances, aes(x = DepressionStatus)) + geom_bar(fill = “lightcoral”) + labs(title = “Distribución del Estado de Depresión”,x = “Estado de Depresión”,y = “Frecuencia”) + theme_minimal() #depresion como afecta el desempeño academico ggplot(CSE_student_performances, aes(x = AcademicPerformance, fill = DepressionStatus)) + geom_bar(position = “fill”) + scale_y_continuous(labels =scales::percent) + labs(title = “Relación entre Estado de Depresión y Desempeño Académico”,x = “Desempeño Académico”,y = “Proporción”, fill = “Estado de Depresión”) + theme_minimal()

#objetivo 3 #Identificar diferencias significativas en el rendimiento académico entre hombres y mujeres #Rendimiento academico segun genero ggplot(CSE_student_performances, aes(x = AcademicPerformance, fill = Gender)) + geom_bar(position = “dodge”) + labs(title = “Distribución del Rendimiento Académico según Género”, x = “Rendimiento Académico”, y = “Frecuencia”, fill = “Género”) + theme_minimal()

tabla_contingencia <- table(CSE_student_performances\(Gender, CSE_student_performances\)AcademicPerformance) fisher.test(tabla_contingencia)

La relación entre el estado de depresión y el desempeño académico de los estudiantes revela un patrón preocupante: todos los estudiantes con calificaciones más bajas presentan algún grado de depresión. Este hallazgo sugiere que la depresión puede actuar como un factor determinante que afecta negativamente el rendimiento académico. A través del análisis detallado realizado, observamos que los estudiantes en estado depresivo tienden a obtener peores resultados académicos, lo que resalta la importancia de la salud mental en la educación.Además, para profundizar en esta relación, se aplicó la prueba de Fisher para evaluar si existen diferencias significativas en el desempeño académico entre hombres y mujeres. Los resultados de este test indican que los hombres, en promedio, obtienen mejores calificaciones que las mujeres, y esta diferencia no es atribuible al azar. Este análisis destaca la existencia de una brecha de género en el rendimiento académico, lo que plantea la necesidad de explorar más a fondo los factores subyacentes que podrían influir en esta disparidad, como las expectativas sociales, el acceso a recursos educativos, y el bienestar emocional.