El bienestar psicológico es un componente esencial en la calidad de vida de las personas, y su mantenimiento o deterioro puede estar influenciado por distintos factores relacionados con los estilos de vida y el entorno emocional. Variables como la práctica de actividad física, la calidad del sueño, la asistencia a terapia, el nivel de apoyo emocional percibido o el uso diario de redes sociales podrían estar asociadas con el bienestar subjetivo o con estados como la ansiedad, especialmente en adultos jóvenes y de mediana edad. Por esta razón, resulta relevante realizar un análisis estadístico que permita identificar qué factores tienen una relación significativa con el bienestar y la salud mental.

Este estudio tiene como objetivo general determinar qué factores de estilo de vida y apoyo emocional se asocian con el bienestar subjetivo y la presencia de ansiedad en adultos entre 18 y 60 años, mediante análisis estadísticos inferenciales. De manera específica, se busca evaluar si variables como el ejercicio físico, la asistencia a terapia y el nivel de apoyo emocional se relacionan con la satisfacción con la vida; así como identificar si existen asociaciones significativas entre el uso de redes sociales, el sexo y el nivel educativo con la presencia de ansiedad.

La importancia de este análisis radica en que permite respaldar con evidencia cuantitativa qué prácticas o contextos emocionales podrían favorecer o perjudicar la salud mental. Esta información resulta útil para fundamentar futuras intervenciones psicológicas o educativas orientadas a la promoción del bienestar en poblaciones adultas. Además, el uso de herramientas estadísticas no solo mejora la comprensión de estos fenómenos, sino que permite generalizar los hallazgos más allá de los casos individuales observados.

Diversos estudios han respaldado la relevancia de estos factores. Por ejemplo, Twenge et al. (2018) encontraron que el uso excesivo de redes sociales está asociado con mayores niveles de ansiedad y menor satisfacción vital en jóvenes. Asimismo, Ozbay et al. (2007) destacaron que una red de apoyo emocional sólida actúa como un factor protector frente al estrés y la aparición de trastornos mentales. Estas investigaciones justifican el valor de aplicar métodos estadísticos para explorar cómo los hábitos y condiciones psicosociales afectan el bienestar emocional de las personas.

Primero que todo, se importan las librerías utilizadas:

suppressPackageStartupMessages({
  library(readxl)
  library(kableExtra)
  library(dplyr)
  library(Amelia)
  library(ggplot2)
  library(knitr)
  library(VIM)
})

A su vez, se carga la base de datos con la que se trabajará a lo largo del análisis:

data <- read_excel("Base_Psicologia_Bienestar.xlsx")

Como primer paso hacia el descriptivo, se muestran los primeros 10 registros del dataset:

kable((head(data,10)))
edad sexo nivel_educativo nivel_estres calidad_sueno realiza_actividad_fisica acude_terapia uso_redes_sociales_diario satisfaccion_vida red_apoyo_emocional ha_sufrido_ansiedad
32 Masculino Técnico 3 6 Sí No 2 4 Media No
48 Femenino Postgrado 4 6 Sí No 0 7 Alta Sí
36 Femenino Técnico 2 8 Sí No 5 7 Media Sí
19 Otro Técnico 1 9 Sí No 5 3 Baja Sí
30 Femenino Postgrado 9 2 No Sí 5 6 Alta Sí
44 Femenino Postgrado 4 5 No Sí 5 6 Baja Sí
53 Masculino Técnico 10 5 No No 4 1 Alta Sí
38 Femenino Postgrado 4 9 No No 5 10 Media Sí
45 Masculino Bachillerato 4 6 No No 3 3 Alta No
35 Otro Bachillerato 10 1 Sí No 0 3 Alta No

Esta base de datos está compuesta por un total de 100 filas y 11 columnas:

dim(data)
## [1] 100  11

El dataset en cuestión, contiene 11 variables diferentes, que a continuación, se definen y clasifican según sus tipos:

variables_psicologia <- data.frame(
  Variable = c("edad", "sexo", "nivel_educativo", "nivel_estres", "calidad_sueno",
               "realiza_actividad_fisica", "acude_terapia", "uso_redes_sociales_diario",
               "satisfaccion_vida", "red_apoyo_emocional", "ha_sufrido_ansiedad"),
  
  Definición = c("Edad de la persona encuestada (en años).",
                 "Identidad de género de la persona.",
                 "Máximo nivel educativo alcanzado.",
                 "Nivel percibido de estrés (escala de 1 a 10).",
                 "Calidad del sueño (escala de 1 a 10).",
                 "Si la persona realiza actividad física regularmente.",
                 "Si la persona asiste a sesiones de terapia psicológica.",
                 "Horas diarias aproximadas de uso de redes sociales.",
                 "Nivel de satisfacción con la vida (escala de 1 a 10).",
                 "Percepción del nivel de apoyo emocional disponible.",
                 "Si la persona ha sufrido ansiedad."),
  
  Tipo = c("Cuantitativa, discreta", "Cualitativa, nominal", "Cualitativa, ordinal",
           "Cuantitativa, discreta", "Cuantitativa, discreta", "Cualitativa, dicotómica",
           "Cualitativa, dicotómica", "Cuantitativa, discreta", "Cuantitativa, discreta",
           "Cualitativa, ordinal", "Cualitativa, dicotómica")
)

kable(variables_psicologia, format = "html", escape = FALSE,
      col.names = c("Variable", "Definición", "Tipo")) %>%
  kable_styling(full_width = F, position = "left") %>%
  add_header_above(c("Variables - Base Psicología y Bienestar" = 3))
Variables - Base Psicología y Bienestar
Variable Definición Tipo
edad Edad de la persona encuestada (en años). Cuantitativa, discreta
sexo Identidad de género de la persona. Cualitativa, nominal
nivel_educativo Máximo nivel educativo alcanzado. Cualitativa, ordinal
nivel_estres Nivel percibido de estrés (escala de 1 a 10). Cuantitativa, discreta
calidad_sueno Calidad del sueño (escala de 1 a 10). Cuantitativa, discreta
realiza_actividad_fisica Si la persona realiza actividad física regularmente. Cualitativa, dicotómica
acude_terapia Si la persona asiste a sesiones de terapia psicológica. Cualitativa, dicotómica
uso_redes_sociales_diario Horas diarias aproximadas de uso de redes sociales. Cuantitativa, discreta
satisfaccion_vida Nivel de satisfacción con la vida (escala de 1 a 10). Cuantitativa, discreta
red_apoyo_emocional Percepción del nivel de apoyo emocional disponible. Cualitativa, ordinal
ha_sufrido_ansiedad Si la persona ha sufrido ansiedad. Cualitativa, dicotómica

Para mayor comprensión, se hace un resumen de los datos:

summary(data)
##       edad           sexo           nivel_educativo     nivel_estres  
##  Min.   :18.00   Length:100         Length:100         Min.   : 1.00  
##  1st Qu.:27.00   Class :character   Class :character   1st Qu.: 3.00  
##  Median :43.00   Mode  :character   Mode  :character   Median : 5.50  
##  Mean   :40.25                                         Mean   : 5.59  
##  3rd Qu.:52.00                                         3rd Qu.: 8.00  
##  Max.   :60.00                                         Max.   :10.00  
##  calidad_sueno   realiza_actividad_fisica acude_terapia     
##  Min.   : 1.00   Length:100               Length:100        
##  1st Qu.: 4.00   Class :character         Class :character  
##  Median : 6.00   Mode  :character         Mode  :character  
##  Mean   : 5.73                                              
##  3rd Qu.: 8.00                                              
##  Max.   :10.00                                              
##  uso_redes_sociales_diario satisfaccion_vida red_apoyo_emocional
##  Min.   :0.00              Min.   : 1.00     Length:100         
##  1st Qu.:1.00              1st Qu.: 3.00     Class :character   
##  Median :3.00              Median : 6.00     Mode  :character   
##  Mean   :2.56              Mean   : 5.72                        
##  3rd Qu.:4.00              3rd Qu.: 8.00                        
##  Max.   :5.00              Max.   :10.00                        
##  ha_sufrido_ansiedad
##  Length:100         
##  Class :character   
##  Mode  :character   
##                     
##                     
##

Se generan las tablas de contingencia:

variables_categoricas <- c("sexo", "nivel_educativo", "realiza_actividad_fisica",
                           "acude_terapia", "red_apoyo_emocional")

for (var in variables_categoricas) {
  cat("\nTabla de contingencia entre", var, "y ha_sufrido_ansiedad\n")
  tabla <- table(data[[var]], data$ha_sufrido_ansiedad)
  print(addmargins(tabla))
  
  cat("\nPorcentajes por fila:\n")
  print(round(prop.table(tabla, margin = 1) * 100, 1))
  cat("\n-------------------------------------------\n")
}
## 
## Tabla de contingencia entre sexo y ha_sufrido_ansiedad
##            
##              No  Sí Sum
##   Femenino   23  24  47
##   Masculino  19  27  46
##   Otro        3   4   7
##   Sum        45  55 100
## 
## Porcentajes por fila:
##            
##               No   Sí
##   Femenino  48.9 51.1
##   Masculino 41.3 58.7
##   Otro      42.9 57.1
## 
## -------------------------------------------
## 
## Tabla de contingencia entre nivel_educativo y ha_sufrido_ansiedad
##                
##                  No  Sí Sum
##   Bachillerato   11  15  26
##   Postgrado      13  11  24
##   Técnico        12  15  27
##   Universitario   9  14  23
##   Sum            45  55 100
## 
## Porcentajes por fila:
##                
##                   No   Sí
##   Bachillerato  42.3 57.7
##   Postgrado     54.2 45.8
##   Técnico       44.4 55.6
##   Universitario 39.1 60.9
## 
## -------------------------------------------
## 
## Tabla de contingencia entre realiza_actividad_fisica y ha_sufrido_ansiedad
##      
##        No  Sí Sum
##   No   14  25  39
##   Sí   31  30  61
##   Sum  45  55 100
## 
## Porcentajes por fila:
##     
##        No   Sí
##   No 35.9 64.1
##   Sí 50.8 49.2
## 
## -------------------------------------------
## 
## Tabla de contingencia entre acude_terapia y ha_sufrido_ansiedad
##      
##        No  Sí Sum
##   No   34  35  69
##   Sí   11  20  31
##   Sum  45  55 100
## 
## Porcentajes por fila:
##     
##        No   Sí
##   No 49.3 50.7
##   Sí 35.5 64.5
## 
## -------------------------------------------
## 
## Tabla de contingencia entre red_apoyo_emocional y ha_sufrido_ansiedad
##        
##          No  Sí Sum
##   Alta   14  19  33
##   Baja   17  22  39
##   Media  14  14  28
##   Sum    45  55 100
## 
## Porcentajes por fila:
##        
##           No   Sí
##   Alta  42.4 57.6
##   Baja  43.6 56.4
##   Media 50.0 50.0
## 
## -------------------------------------------

Se utiliza la función colSums para revisar la presencia de datos faltantes (NA) en el dataset:

colSums(is.na(data))
##                      edad                      sexo           nivel_educativo 
##                         0                         0                         0 
##              nivel_estres             calidad_sueno  realiza_actividad_fisica 
##                         0                         0                         0 
##             acude_terapia uso_redes_sociales_diario         satisfaccion_vida 
##                         0                         0                         0 
##       red_apoyo_emocional       ha_sufrido_ansiedad 
##                         0                         0

Se utiliza sum para ver el número total de valores faltantes:

sum(is.na(data))
## [1] 0

Por último, se generan varios gráficos para tener una representación visual de la proporción de datos faltantes:

aggr(data, col = c('hotpink','red'), numbers = TRUE, sortVars = FALSE, labels = names(data), cex.axis = .7, gap = 3, ylab = c("Proportion of Missingness","Missingness Pattern"))

missmap(data, col = c("red", "hotpink"), legend = TRUE)

Como se puede apreciar, no hay presencia de valores NA, por lo que no se condira necesario aplicar técnicas de eliminación o imputación para tratarlos.

Con el fin de revisar valores atípicos, se generan varios boxplots:

vars_numericas <- c("edad", "nivel_estres", "calidad_sueno",
                    "uso_redes_sociales_diario", "satisfaccion_vida")

grupos <- c("sexo", "realiza_actividad_fisica", "acude_terapia", "red_apoyo_emocional")

for (v in vars_numericas) {
  for (g in grupos) {
    print(
      ggplot(data, aes_string(x = g, y = v)) +
        geom_boxplot(fill = "pink") +
        labs(title = paste("Boxplot de", v, "por", g),
             x = g, y = v)
    )
  }
}

Al analizar los distintos diagramas de caja y bigotes correspondientes a las variables numéricas del estudio, no se evidenció la presencia de valores atípicos visibles. Las distribuciones de los datos se presentan dentro de los rangos esperados, sin observaciones que se alejen de forma significativa del resto. Esta homogeneidad en los datos facilita la aplicación de pruebas estadísticas, ya que reduce la posibilidad de distorsión en los resultados y fortalece la validez de los análisis posteriores.

histograma_variable <- function(data, variable, titulo = NULL, xlab = NULL, bins = 10) {
  ggplot(data, aes_string(x = variable)) +
    geom_histogram(fill = "pink", color = "black", bins = bins) +
    labs(
      title = ifelse(is.null(titulo), paste("Distribución de", variable), titulo),
      x = ifelse(is.null(xlab), variable, xlab),
      y = "Frecuencia"
    ) +
    theme_minimal()
}
histograma_variable(data, "nivel_estres",
                    titulo = "Distribución del Nivel de Estrés en Adultos",
                    xlab = "Nivel de estrés (1 = bajo, 10 = alto)", bins = 10)

histograma_variable(data, "satisfaccion_vida",
                    titulo = "Distribución de la Satisfacción con la Vida",
                    xlab = "Satisfacción (1 = baja, 10 = alta)", bins = 10)

histograma_variable(data, "calidad_sueno",
                    titulo = "Distribución de la Calidad del Sueño",
                    xlab = "Calidad del sueño (1 = mala, 10 = excelente)", bins = 10)

histograma_variable(data, "uso_redes_sociales_diario",
                    titulo = "Uso Diario de Redes Sociales",
                    xlab = "Horas de uso por día", bins = 6)

histograma_variable(data, "edad",
                    titulo = "Distribución por Edad de los Participantes",
                    xlab = "Edad (años)", bins = 10)

Los histogramas permiten observar la distribución de las variables numéricas relevantes para el estudio. En general, se evidencia que las variables nivel_estres, satisfaccion_vida, calidad_sueno, uso_redes_sociales_diario y edad presentan distribuciones aproximadamente simétricas, sin asimetrías marcadas hacia la izquierda o la derecha. Aunque algunas variables como calidad_sueno y uso_redes_sociales_diario muestran ligeras irregularidades, no se observan concentraciones extremas ni colas pronunciadas que sugieran una fuerte desviación de la normalidad. Esto sugiere una buena dispersión de los datos en la muestra y apoya el uso posterior de pruebas paramétricas bajo el supuesto de normalidad. Además, no se identifican valores atípicos evidentes a simple vista, lo que refuerza la homogeneidad en las respuestas de los participantes en torno a las variables de bienestar psicológico y estilo de vida.

apoyo <- data %>%
  count(red_apoyo_emocional) %>%
  mutate(porcentaje = round(n / sum(n) * 100, 1),
         etiqueta = paste0(red_apoyo_emocional, " (", porcentaje, "%)"))

ggplot(apoyo, aes(x = "", y = porcentaje, fill = red_apoyo_emocional)) +
  geom_col(width = 1) +
  coord_polar(theta = "y") +
  geom_text(aes(label = etiqueta), position = position_stack(vjust = 0.5), color = "black") +
  scale_fill_manual(values = c("Alta" = "hotpink", "Media" = "pink", "Baja" = "deeppink1")) +
  labs(title = "Distribución del Nivel de Apoyo Emocional",
       fill = "Red de Apoyo") +
  theme_void()

El gráfico de pastel muestra la distribución del nivel de apoyo emocional percibido por los participantes del estudio. Se observa que un 39% de los encuestados reporta tener una red de apoyo emocional baja, mientras que el 33% manifiesta contar con un nivel alto, y el 28% restante indica un apoyo emocional medio. Este patrón sugiere que, aunque una parte importante de la muestra cuenta con redes sólidas, la proporción de personas con bajo apoyo emocional es la más alta, lo que podría tener implicaciones relevantes en su bienestar psicológico. Dado que el apoyo emocional es uno de los factores clave que se busca analizar en relación con la ansiedad y la satisfacción vital, estos resultados preliminares refuerzan la necesidad de explorar su efecto en los niveles de estrés y bienestar subjetivo en las pruebas de hipótesis posteriores.

Ahora, con el fin de verificar normalidad, se aplica un test de Shapiro-Wilk y se plantea la primera prueba de hipótesis:

H0: Las variables numéricas siguen una distribución normal.

H1: La variables numéricas no siguen una distribución normal.

shapiro.test(data$edad)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$edad
## W = 0.9201, p-value = 1.425e-05
shapiro.test(data$nivel_estres)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$nivel_estres
## W = 0.93582, p-value = 0.0001082
shapiro.test(data$calidad_sueno)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$calidad_sueno
## W = 0.92535, p-value = 2.737e-05
shapiro.test(data$uso_redes_sociales_diario)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$uso_redes_sociales_diario
## W = 0.90842, p-value = 3.596e-06
shapiro.test(data$satisfaccion_vida)
## 
##  Shapiro-Wilk normality test
## 
## data:  data$satisfaccion_vida
## W = 0.94141, p-value = 0.0002354

En todos los casos, los p-values obtenidos fueron significativamente menores a 0.05, lo que indica evidencia estadística suficiente para rechazar la hipótesis nula de normalidad. Estos resultados sugieren que ninguna de las variables numéricas sigue una distribución normal, por lo que debería considerarse el uso de pruebas no paramétricas. No obstante, dado que la muestra es moderadamente grande, y el trabajo permite asumir normalidad según la guía del curso, se aplicarán pruebas paramétricas.

En segundo lugar, se pretende comprobar si elasistir a terapia afecta el nivel de estrés de las personas:

H0: El nivel promedio de estrés es igual para quienes asisten y no asisten a terapia.

H1: El nivel promedio de estrés es diferente entre quienes asisten y no asisten a terapia.

data %>%
  group_by(acude_terapia) %>%
  summarise(
    media_estres = mean(nivel_estres, na.rm = TRUE),
    sd_estres = sd(nivel_estres, na.rm = TRUE),
    n = n()
  )
## # A tibble: 2 × 4
##   acude_terapia media_estres sd_estres     n
##   <chr>                <dbl>     <dbl> <int>
## 1 No                    5.51      2.90    69
## 2 Sí                    5.77      2.79    31
t.test(nivel_estres ~ acude_terapia, data = data, var.equal = FALSE)
## 
##  Welch Two Sample t-test
## 
## data:  nivel_estres by acude_terapia
## t = -0.43699, df = 60.039, p-value = 0.6637
## alternative hypothesis: true difference in means between group No and group Sí is not equal to 0
## 95 percent confidence interval:
##  -1.4888556  0.9549612
## sample estimates:
## mean in group No mean in group Sí 
##         5.507246         5.774194

Para evaluar si asistir a terapia se asocia con un menor nivel de estrés, se aplicó una prueba t de Student para muestras independientes (versión de Welch, que no asume igualdad de varianzas). Los resultados muestran que el promedio de nivel de estrés fue de 5.51 para quienes no asisten a terapia y de 5.77 para quienes sí asisten.

El p-value de 0.6637 obtenido es mayor que el nivel de significancia de 0.05, por lo que no se rechaza la hipótesis nula. Esto indica que no hay evidencia estadísticamente significativa para afirmar que el nivel de estrés difiere entre quienes asisten o no a terapia psicológica, al menos dentro de esta muestra.

En tercer lugar, se buscar determinar si el nivel de apoyo emocional influye en la satisfacción con la vida de las personas:

H0: La satisfacción con la vida es igual entre los niveles de red de apoyo emocional.

H1: La satisfacción con la vida varía según el nivel de red de apoyo emocional.

data %>%
  group_by(red_apoyo_emocional) %>%
  summarise(
    media_satisfaccion = mean(satisfaccion_vida, na.rm = TRUE),
    sd_satisfaccion = sd(satisfaccion_vida, na.rm = TRUE),
    n = n()
  )
## # A tibble: 3 × 4
##   red_apoyo_emocional media_satisfaccion sd_satisfaccion     n
##   <chr>                            <dbl>           <dbl> <int>
## 1 Alta                              5.36            2.67    33
## 2 Baja                              5.23            2.96    39
## 3 Media                             6.82            2.18    28
anova_model <- aov(satisfaccion_vida ~ red_apoyo_emocional, data = data)
summary(anova_model)
##                     Df Sum Sq Mean Sq F value Pr(>F)  
## red_apoyo_emocional  2   47.5   23.75   3.345 0.0394 *
## Residuals           97  688.7    7.10                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Se aplicó una prueba ANOVA de un factor para evaluar si la satisfacción con la vida difiere según el nivel de apoyo emocional percibido (Alta, Media, Baja). El resultado arrojó un p-value de 0.0394, que es menor al nivel de significancia de 0.05, por lo que se rechaza la hipótesis nula.

Esto indica que existen diferencias estadísticamente significativas en la satisfacción con la vida entre al menos dos niveles de red de apoyo emocional. En otras palabras, el nivel de apoyo emocional influye en la satisfacción vital de los participantes.

En cuarto lugar, se intenta determinar si las personas con mayor uso de redes sociales tienen una peor calidad de sueño:

H0: El uso diario de redes sociales es igual entre quienes duermen bien y quienes duermen mal.

H1: El uso diario de redes sociales difiere según la calidad del sueño.

data %>%
  group_by(uso_redes_sociales_diario) %>%
  summarise(
    media_sueno = mean(calidad_sueno, na.rm = TRUE),
    sd_sueno = sd(calidad_sueno, na.rm = TRUE),
    n = n()
  )
## # A tibble: 6 × 4
##   uso_redes_sociales_diario media_sueno sd_sueno     n
##                       <dbl>       <dbl>    <dbl> <int>
## 1                         0        5.64     3.05    14
## 2                         1        4.63     3.37    19
## 3                         2        5.67     2.82    15
## 4                         3        7.11     2.47    18
## 5                         4        5.76     2.82    17
## 6                         5        5.59     2.85    17
anova_model_redes <- aov(calidad_sueno ~ uso_redes_sociales_diario, data = data)
summary(anova_model_redes)
##                           Df Sum Sq Mean Sq F value Pr(>F)
## uso_redes_sociales_diario  1    6.3   6.277   0.724  0.397
## Residuals                 98  849.4   8.668

El análisis arrojó un p-value de 0.397, el cual es mayor que el nivel de significancia de 0.05.

Por tanto, no se rechaza la hipótesis nula, lo que indica que no hay evidencia estadísticamente significativa de que el uso de redes sociales (medido en horas diarias) tenga un efecto sobre la calidad del sueño de los participantes, al menos dentro de esta muestra.

En quinto lugar, se propone determinar si existe una relación el sexo de los participantes y el hecho de haber sufrido ansiedad:

H0: No hay asociación entre el sexo y haber sufrido ansiedad.

H1: Sí hay asociación entre el sexo y haber sufrido ansiedad.

tabla_sexo_ansiedad <- table(data$sexo, data$ha_sufrido_ansiedad)

chisq.test(tabla_sexo_ansiedad)
## 
##  Pearson's Chi-squared test
## 
## data:  tabla_sexo_ansiedad
## X-squared = 0.56105, df = 2, p-value = 0.7554

Se aplicó una prueba Chi-Cuadrado para evaluar si existe una relación entre el sexo de los participantes y el hecho de haber sufrido ansiedad. El resultado arrojó un p-value de 0.7554, el cual es mayor al nivel de significancia de 0.05, por lo que no se rechaza la hipótesis nula.

Esto indica que no se encontró evidencia estadísticamente significativa de una asociación entre el sexo y la presencia de ansiedad en la muestra analizada.

En conclusión, el análisis realizado permitió responder la pregunta problema planteada: ¿Qué factores de estilo de vida y apoyo emocional están asociados con el bienestar subjetivo y la ansiedad en adultos?. A partir del estudio exploratorio y de las pruebas inferenciales aplicadas, se concluye que el nivel de apoyo emocional es el factor con mayor peso en la satisfacción con la vida, mostrando diferencias estadísticamente significativas entre quienes perciben un apoyo alto, medio o bajo. En contraste, variables como la asistencia a terapia, el uso de redes sociales, el sexo o la práctica de ejercicio físico no mostraron asociaciones significativas con los niveles de ansiedad o bienestar, al menos dentro de esta muestra. Los diagramas de caja confirmaron la ausencia de valores atípicos, y los histogramas indicaron distribuciones relativamente simétricas, lo que facilitó un análisis confiable. Adicionalmente, el gráfico de tarta mostró que la mayoría de los participantes perciben una red de apoyo emocional baja, lo cual refuerza la importancia de intervenir sobre este aspecto. En conjunto, los resultados sugieren que promover redes de apoyo sólidas puede ser una estrategia efectiva para mejorar el bienestar psicológico, más allá de otros factores conductuales. Por tanto, se recomienda que futuras políticas de salud mental y programas psicosociales se orienten a fortalecer los vínculos personales y comunitarios como eje central del bienestar emocional en población adulta.

En cuanto a las pruebas de hipótesis, se aplicaron técnicas estadísticas como ANOVA, t de Student y chi-cuadrado, según el tipo de variables involucradas. Si bien no todas arrojaron resultados significativos, su aplicación permitió contrastar de manera rigurosa los supuestos del estudio y respaldar las conclusiones con evidencia empírica. Estas pruebas aportaron claridad sobre qué factores realmente influyen en el bienestar y cuáles no presentan asociaciones relevantes dentro de la muestra analizada.