Análisis de Estrés en Estudiantes de Matemática Aplicada
Jose David Solano Conde
2025-11-24
1. Introducción
Este estudio analiza la relación entre los hábitos, responsabilidades y niveles de estrés en estudiantes del programa de Matemática Aplicada de la Universidad Surcolombiana.
2. Metodología
2.1 Diseño de Investigación.
Tipo: Estudio no experimental, transversal y correlacional.
Enfoque: Cuantitativo con análisis estadístico.
Temporalidad: Transversal (datos recolectados en un momento específico).
2.2 Población y Muestra.
La población fue de 62 estudiantes, la muestra es la misma población al ser esta pequeña.
2.3 Instrumento de Recolección
Encuesta estructurada con 18 preguntas.
Secciones: Demográficas, Estrés, Hábitos, Responsabilidades, Impacto Percibido.
Escalas validadas: PSS-4 (Estrés Percibido), PSQI abreviado (Calidad de Sueño).
2.4 Plan de Análisis Estadístico
Fase 1: Estadística Descriptiva.
Fase 2: Análisis Bivariado.
Fase 3: Modelo tentativo.
3. Análisis Descriptivo
datos <- read_excel("C:/Users/Ryuma/OneDrive/Escritorio/Trabajos/R/Base de dato MA.xlsx")
head(datos)## # A tibble: 6 × 18
## `1. ¿Cuál es su edad?` `2. ¿Cuál es su género?` 3. ¿Qué semestre esta cursan…¹
## <chr> <chr> <chr>
## 1 19-22 Masculino 7° en adelante
## 2 19-22 Masculino 4°-6°
## 3 19-22 Masculino 4°-6°
## 4 >22 Masculino 7° en adelante
## 5 19-22 Femenino 7° en adelante
## 6 19-22 Femenino 7° en adelante
## # ℹ abbreviated name: ¹`3. ¿Qué semestre esta cursando actualmente?`
## # ℹ 15 more variables:
## # `4. En una escala del 1 al 10, donde 1 es "nada estresado" y 10 es "Muy estresado". ¿Cómo calificaría su nivel de estrés a lo largo de la carrera?` <dbl>,
## # `5. A lo largo de la carrera, ¿con qué frecuencia se ha sentido nervioso o estresado?` <chr>,
## # `6. ¿Tiene algún certificado médico sobre algún tipo de trastorno? (Ansiedad, estrés crónico, etc)` <chr>,
## # `7. En promedio, ¿cuántas horas duerme por noche?` <dbl>,
## # `8. ¿Con qué frecuencia su sueño se ve interrumpido o tiene dificultad para conciliarlo?` <chr>, …glimpse(datos)## Rows: 62
## Columns: 18
## $ `1. ¿Cuál es su edad?` <chr> …
## $ `2. ¿Cuál es su género?` <chr> …
## $ `3. ¿Qué semestre esta cursando actualmente?` <chr> …
## $ `4. En una escala del 1 al 10, donde 1 es "nada estresado" y 10 es "Muy estresado". ¿Cómo calificaría su nivel de estrés a lo largo de la carrera?` <dbl> …
## $ `5. A lo largo de la carrera, ¿con qué frecuencia se ha sentido nervioso o estresado?` <chr> …
## $ `6. ¿Tiene algún certificado médico sobre algún tipo de trastorno? (Ansiedad, estrés crónico, etc)` <chr> …
## $ `7. En promedio, ¿cuántas horas duerme por noche?` <dbl> …
## $ `8. ¿Con qué frecuencia su sueño se ve interrumpido o tiene dificultad para conciliarlo?` <chr> …
## $ `9. ¿Con qué frecuencia se salta las comidas principales del día?` <chr> …
## $ `10. ¿Cómo calificaría la calidad de su alimentación a lo largo de la semana?` <chr> …
## $ `11. ¿Cuántas horas al día está expuesto a pantallas? (Celular, computador, etc)` <dbl> …
## $ `12. ¿Cuál es la razón principal por la cual pasa más tiempo expuesto a pantallas?` <chr> …
## $ `13. Además de estudiar, ¿trabaja o ha tenido que trabajar en algún momento de la carrera? (No importa si es tiempo completo o parcial)` <chr> …
## $ `14. ¿Cuántas horas a la semana dedica en promedio a sus responsabilidades laborales? (Si no ha tenido este tipo de responsabilidades, responda 0)` <chr> …
## $ `15. ¿Cuántas horas a la semana dedica en promedio al estudio y realización de trabajos fuera de clase?` <chr> …
## $ `16. ¿Tiene responsabilidades de cuidado familiar significativas? (Hijos, familiares enfermos, etc)` <chr> …
## $ `17. En su experiencia, ¿qué factor contribuye más a su estrés?` <chr> …
## $ `18. ¿Ha considerado o ha acudido a servicios de apoyo psicológico, orientación universitaria debido al estrés?` <chr> …edad <- datos$`1. ¿Cuál es su edad?`
genero <- datos$`2. ¿Cuál es su género?`
semestre <- datos$`3. ¿Qué semestre esta cursando actualmente?`
nivel_estres <- datos$`4. En una escala del 1 al 10, donde 1 es "nada estresado" y 10 es "Muy estresado". ¿Cómo calificaría su nivel de estrés a lo largo de la carrera?`
frecuencia_estres <- datos$`5. A lo largo de la carrera, ¿con qué frecuencia se ha sentido nervioso o estresado?`
c_medico <- datos$`6. ¿Tiene algún certificado médico sobre algún tipo de trastorno? (Ansiedad, estrés crónico, etc)`
prom_descanso <- datos$`7. En promedio, ¿cuántas horas duerme por noche?`
disturbio_descanso <- datos$`8. ¿Con qué frecuencia su sueño se ve interrumpido o tiene dificultad para conciliarlo?`
alimentacion <- datos$`9. ¿Con qué frecuencia se salta las comidas principales del día?`
calidad_alimentacion <- datos$`10. ¿Cómo calificaría la calidad de su alimentación a lo largo de la semana?`
horas_pantallas <- datos$`11. ¿Cuántas horas al día está expuesto a pantallas? (Celular, computador, etc)`
razon_pantallas <- datos$`12. ¿Cuál es la razón principal por la cual pasa más tiempo expuesto a pantallas?`
trabajo <- datos$`13. Además de estudiar, ¿trabaja o ha tenido que trabajar en algún momento de la carrera? (No importa si es tiempo completo o parcial)`
horas_trabajo <- datos$`14. ¿Cuántas horas a la semana dedica en promedio a sus responsabilidades laborales? (Si no ha tenido este tipo de responsabilidades, responda 0)`
horas_estudio <- datos$`15. ¿Cuántas horas a la semana dedica en promedio al estudio y realización de trabajos fuera de clase?`
responsabilidades <- datos$`16. ¿Tiene responsabilidades de cuidado familiar significativas? (Hijos, familiares enfermos, etc)`
factor_estres <- datos$`17. En su experiencia, ¿qué factor contribuye más a su estrés?`
psicologico <- datos$`18. ¿Ha considerado o ha acudido a servicios de apoyo psicológico, orientación universitaria debido al estrés?`
datos2 <- data.frame(edad, genero, semestre, nivel_estres, frecuencia_estres, c_medico, prom_descanso, disturbio_descanso, alimentacion, calidad_alimentacion, horas_pantallas, razon_pantallas, trabajo, horas_trabajo, responsabilidades, factor_estres, psicologico)3.1 Variables demográficas.
freq(genero, style = "rmarkdown")## ### Frequencies
## #### genero
## **Type:** Character
##
## | | Freq | % Valid | % Valid Cum. | % Total | % Total Cum. |
## |--------------:|-----:|--------:|-------------:|--------:|-------------:|
## | **Femenino** | 21 | 33.87 | 33.87 | 33.87 | 33.87 |
## | **Masculino** | 41 | 66.13 | 100.00 | 66.13 | 100.00 |
## | **\<NA\>** | 0 | | | 0.00 | 100.00 |
## | **Total** | 62 | 100.00 | 100.00 | 100.00 | 100.00 |freq(semestre, style = "rmarkdown")## ### Frequencies
## #### semestre
## **Type:** Character
##
## | | Freq | % Valid | % Valid Cum. | % Total | % Total Cum. |
## |-------------------:|-----:|--------:|-------------:|--------:|-------------:|
## | **1°-3°** | 23 | 37.10 | 37.10 | 37.10 | 37.10 |
## | **4°-6°** | 22 | 35.48 | 72.58 | 35.48 | 72.58 |
## | **7° en adelante** | 17 | 27.42 | 100.00 | 27.42 | 100.00 |
## | **\<NA\>** | 0 | | | 0.00 | 100.00 |
## | **Total** | 62 | 100.00 | 100.00 | 100.00 | 100.00 |freq(edad, style = "rmarkdown")## ### Frequencies
## #### edad
## **Type:** Character
##
## | | Freq | % Valid | % Valid Cum. | % Total | % Total Cum. |
## |-----------:|-----:|--------:|-------------:|--------:|-------------:|
## | **>22** | 10 | 16.13 | 16.13 | 16.13 | 16.13 |
## | **15-18** | 21 | 33.87 | 50.00 | 33.87 | 50.00 |
## | **19-22** | 31 | 50.00 | 100.00 | 50.00 | 100.00 |
## | **\<NA\>** | 0 | | | 0.00 | 100.00 |
## | **Total** | 62 | 100.00 | 100.00 | 100.00 | 100.00 |# Gráficos para demográficas
ggplot(datos, aes(x = genero)) +
geom_bar(fill = "skyblue") +
labs(title = "Distribución por género") +
theme_minimal()
ggplot(datos, aes(x = semestre)) +
geom_bar(fill = "lightgreen") +
labs(title = "Distribución por semestre") +
theme_minimal()
ggplot(datos, aes(x = edad)) +
geom_bar(fill = "red") +
labs(title = "Distribución por edad") +
theme_minimal()
Distribución por Género:
La muestra está compuesta predominantemente por estudiantes masculinos (66.13%, n=41) frente a femeninos (33.87%, n=21). Esta distribución refleja una sobrerrepresentación masculina característica de programas de matemáticas y ciencias aplicadas.
Distribución por Semestre:
La población se distribuye de manera relativamente equilibrada entre los diferentes niveles académicos:
Primeros semestres (1°-3°): 37.10% (n=23)
Semestres intermedios (4°-6°): 35.48% (n=22)
Semestres avanzados (7° en adelante): 27.42% (n=17)
Esta distribución permite analizar la evolución del estrés a lo largo de la carrera.
Distribución por Edad
La mayoría de los estudiantes se concentra en el rango de 19-22 años (50.00%, n=31), seguido por 15-18 años (33.87%, n=21) y mayores de 22 años (16.13%, n=10). Esta distribución refleja una población universitaria típica con predominio de adultos jóvenes.
3.2 Niveles de estres.
describe(nivel_estres)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 62 6.35 2.91 7 6.56 2.97 1 10 9 -0.66 -0.86 0.37summary(nivel_estres)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 4.250 7.000 6.355 8.000 10.000# Histograma de niveles de estrés
ggplot(datos, aes(x = nivel_estres)) +
geom_histogram(binwidth = 1, fill = "coral", alpha = 0.7) +
labs(title = "Distribución de niveles de estrés",
x = "Nivel de estrés (1-10)",
y = "Frecuencia") +
theme_minimal()
# Boxplot por género
ggplot(datos, aes(x = genero, y = nivel_estres, fill = genero)) +
geom_boxplot() +
labs(title = "Nivel de estrés por género") +
theme_minimal()
El nivel de estrés reportado presenta una media de 6.35 en una escala de 1 a 10, con una desviación estándar de 2.91. La distribución es ligeramente asimétrica hacia la izquierda (skew = -0.66), indicando que hay más estudiantes con niveles de estrés altos que bajos.
Mediana: 7.0
Rango intercuartílico: 4.25-8.00
Rango total: 1-10
Estos resultados sugieren que los estudiantes de Matemática Aplicada experimentan niveles de estrés moderadamente altos, con más de la mitad reportando niveles superiores a 7.
3.3 Hábitos.
# Para variables numéricas (horas de sueño)
describe(prom_descanso)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 62 6.21 1.6 6 6.2 1.48 3 10 7 0.09 -0.75 0.2summary(prom_descanso)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.00 5.00 6.00 6.21 7.00 10.00# Histograma de horas de sueño
ggplot(datos, aes(x = prom_descanso)) +
geom_histogram(binwidth = 0.5, fill = "purple", alpha = 0.7) +
labs(title = "Distribución de horas de sueño") +
theme_minimal()
# Para variables categóricas (calidad de alimentación)
freq(calidad_alimentacion, style = "rmarkdown")## ### Frequencies
## #### calidad_alimentacion
## **Type:** Character
##
## | | Freq | % Valid | % Valid Cum. | % Total | % Total Cum. |
## |--------------:|-----:|--------:|-------------:|--------:|-------------:|
## | **Buena** | 19 | 30.65 | 30.65 | 30.65 | 30.65 |
## | **Excelente** | 12 | 19.35 | 50.00 | 19.35 | 50.00 |
## | **Mala** | 6 | 9.68 | 59.68 | 9.68 | 59.68 |
## | **Muy mala** | 6 | 9.68 | 69.35 | 9.68 | 69.35 |
## | **Regular** | 19 | 30.65 | 100.00 | 30.65 | 100.00 |
## | **\<NA\>** | 0 | | | 0.00 | 100.00 |
## | **Total** | 62 | 100.00 | 100.00 | 100.00 | 100.00 |# Gráfico de calidad de alimentación
ggplot(datos, aes(x = calidad_alimentacion)) +
geom_bar(fill = "goldenrod") +
labs(title = "Calidad de alimentación") +
theme_minimal()
describe(horas_pantallas)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 62 7.18 2.2 7 7.04 1.48 3 14 11 0.75 0.64 0.28# Histograma de horas expuesto a pantallas
ggplot(datos, aes(x = horas_pantallas)) +
geom_histogram(binwidth = 1, fill = "blue", alpha = 0.7, color = "white") +
labs(title = "Distribución de horas expuesto a pantallas al día",
x = "Horas expuesto a pantallas al día",
y = "Frecuencia") +
theme_minimal()
Sueño:
Los estudiantes reportan un promedio de 6.21 horas de sueño por noche (DE=1.6), por debajo de las 7-9 horas recomendadas para adultos jóvenes. La distribución es aproximadamente normal con rango de 3 a 10 horas, donde el 25% duerme 5 horas o menos, indicando posibles problemas de privación de sueño.
Alimentación:
La calidad de alimentación presenta una distribución polarizada:
Excelente/Buena: 50.00% (n=31)
Regular: 30.65% (n=19)
Mala/Muy mala: 19.36% (n=12)
Esto revela que aproximadamente la mitad de los estudiantes mantiene hábitos alimenticios adecuados, mientras que la otra mitad presenta deficiencias.
Exposición a Pantallas:
El tiempo promedio de exposición a pantallas es de 7.18 horas diarias (DE=2.2), con un rango de 3 a 14 horas. Esta alta exposición podría estar relacionada con actividades académicas y de ocio, representando una característica distintiva de la generación actual de estudiantes.
3.4 Responsabilidades varias
# Tabla de frecuencia situación laboral
freq(trabajo, style = "rmarkdown")## ### Frequencies
## #### trabajo
## **Type:** Character
##
## | | Freq | % Valid | % Valid Cum. | % Total | % Total Cum. |
## |-----------:|-----:|--------:|-------------:|--------:|-------------:|
## | **No** | 26 | 41.94 | 41.94 | 41.94 | 41.94 |
## | **Si** | 36 | 58.06 | 100.00 | 58.06 | 100.00 |
## | **\<NA\>** | 0 | | | 0.00 | 100.00 |
## | **Total** | 62 | 100.00 | 100.00 | 100.00 | 100.00 |# Gráfico de situación laboral
ggplot(datos, aes(x = trabajo, fill = trabajo)) +
geom_bar(alpha = 0.8) +
labs(title = "Distribución de situación laboral",
x = "Situación laboral",
y = "Cantidad de estudiantes") +
theme_minimal() +
scale_fill_brewer(palette = "Set2") +
geom_text(stat = 'count', aes(label = ..count..), vjust = -0.5)
# Tabla de frecuencia responsabilidades de cuidado
freq(responsabilidades, style = "rmarkdown")## ### Frequencies
## #### responsabilidades
## **Type:** Character
##
## | | Freq | % Valid | % Valid Cum. | % Total | % Total Cum. |
## |-----------:|-----:|--------:|-------------:|--------:|-------------:|
## | **No** | 44 | 70.97 | 70.97 | 70.97 | 70.97 |
## | **Si** | 18 | 29.03 | 100.00 | 29.03 | 100.00 |
## | **\<NA\>** | 0 | | | 0.00 | 100.00 |
## | **Total** | 62 | 100.00 | 100.00 | 100.00 | 100.00 |# Gráfico de responsabilidades de cuidado
ggplot(datos, aes(x = responsabilidades, fill = responsabilidades)) +
geom_bar(alpha = 0.8) +
labs(title = "Responsabilidades de cuidado familiar",
x = "Tiene responsabilidades de cuidado",
y = "Cantidad de estudiantes") +
theme_minimal() +
scale_fill_brewer(palette = "Pastel1") +
geom_text(stat = 'count', aes(label = ..count..), vjust = -0.5)
# Estadísticas de horas de estudio
cat("Horas de estudio semanal\n")## Horas de estudio semanalhoras_estudio <- as.numeric(horas_estudio)
describe(horas_estudio)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 62 12.48 10.12 10 11.47 10.38 0 40 40 0.74 -0.58 1.29# Histograma de horas de estudio
ggplot(datos, aes(x = horas_estudio)) +
geom_histogram(binwidth = 5, fill = "darkgreen", alpha = 0.7, color = "white") +
labs(title = "Distribución de horas de estudio semanal",
x = "Horas de estudio por semana",
y = "Frecuencia") +
theme_minimal()
# Boxplot de horas de estudio
ggplot(datos, aes(y = horas_estudio)) +
geom_boxplot(fill = "lightgreen", alpha = 0.7) +
labs(title = "Distribución de horas de estudio semanal",
y = "Horas de estudio") +
theme_minimal()
Situación Laboral:
El 58.06% (n=36) de los estudiantes trabaja o ha trabajado durante la carrera, mientras que el 41.94% (n=26) no tiene experiencia laboral. Esta alta proporción de estudiantes trabajadores refleja realidades económicas contemporáneas.
Responsabilidades de Cuidado Familiar:
Solo el 29.03% (n=18) reporta tener responsabilidades significativas de cuidado familiar, mientras que el 70.97% (n=44) no las tiene. Esto sugiere que la mayoría de los estudiantes tiene una estructura familiar que les permite dedicarse principalmente a sus estudios.
Horas de Estudio:
Los estudiantes dedican en promedio 12.48 horas semanales (DE=10.12) al estudio fuera de clase, con una amplia variabilidad (rango: 0-40 horas). La distribución es asimétrica positiva (skew=0.74), indicando que mientras algunos estudiantes dedican pocas horas, otros invierten tiempo considerable.
3.5 Impacto percibido.
# Tablas de frecuencia
freq(factor_estres, style = "rmarkdown")## ### Frequencies
## #### factor_estres
## **Type:** Character
##
## | | Freq | % Valid | % Valid Cum. | % Total | % Total Cum. |
## |-----------------------------:|-----:|--------:|-------------:|--------:|-------------:|
## | **Hábitos personales** | 19 | 30.65 | 30.65 | 30.65 | 30.65 |
## | **Responsabilidades varias** | 43 | 69.35 | 100.00 | 69.35 | 100.00 |
## | **\<NA\>** | 0 | | | 0.00 | 100.00 |
## | **Total** | 62 | 100.00 | 100.00 | 100.00 | 100.00 |freq(psicologico, style = "rmarkdown")## ### Frequencies
## #### psicologico
## **Type:** Character
##
## | | Freq | % Valid | % Valid Cum. | % Total | % Total Cum. |
## |-----------:|-----:|--------:|-------------:|--------:|-------------:|
## | **No** | 39 | 62.90 | 62.90 | 62.90 | 62.90 |
## | **Si** | 23 | 37.10 | 100.00 | 37.10 | 100.00 |
## | **\<NA\>** | 0 | | | 0.00 | 100.00 |
## | **Total** | 62 | 100.00 | 100.00 | 100.00 | 100.00 |# Gráfico de factores de estrés
ggplot(datos, aes(x = factor_estres)) +
geom_bar(fill = "steelblue") +
labs(title = "Factores que más contribuyen al estrés") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Factores de Estrés Los estudiantes identifican principalmente las responsabilidades varias (69.35%, n=43) como el factor que más contribuye a su estrés, frente a los hábitos personales (30.65%, n=19). Esto sugiere que las demandas externas son percibidas como más estresantes que los factores internos.
Búsqueda de Apoyo Psicológico Solo el 37.10% (n=23) ha considerado o acudido a servicios de apoyo psicológico, mientras que el 62.90% (n=39) no lo ha hecho. Esta baja utilización de recursos de apoyo podría indicar barreras de acceso, estigma, o subestimación de la severidad del estrés experimentado.
4. Análisis bivariado
4.1 Correlaciones
nivel_estres <- as.numeric(nivel_estres)
horas_estudio <- as.numeric(horas_estudio)
prom_descanso <- as.numeric(prom_descanso)
horas_estudio <- as.numeric(horas_estudio)
# Correlación Estrés vs. Sueño
cor_descanso <- cor.test(nivel_estres, prom_descanso, method = "spearman")
cat("Correlación Estrés-Sueño:\n")## Correlación Estrés-Sueño:cat("rho =", round(cor_descanso$estimate, 3), "| p =", round(cor_descanso$p.value, 4), "\n")## rho = -0.721 | p = 0if(cor_descanso$p.value < 0.05) {
cat("→ Correlación significativa\n")
} else {
cat("→ Sin correlación significativa\n")
}## → Correlación significativa# Correlación Estrés vs. Estudio
cor_estudio <- cor.test(nivel_estres, horas_estudio, method = "spearman")
cat("\nCorrelación Estrés-Estudio:\n")##
## Correlación Estrés-Estudio:cat("rho =", round(cor_estudio$estimate, 3), "| p =", round(cor_estudio$p.value, 4), "\n")## rho = 0.388 | p = 0.0018if(cor_estudio$p.value < 0.05) {
cat("→ Correlación significativa\n")
}## → Correlación significativa# Correlación Estrés vs. Exposición a pantallas
cor_pantallas <- cor.test(nivel_estres, horas_pantallas, method = "spearman")
cat("\nCorrelación Estrés-Exposición a pantallas:\n")##
## Correlación Estrés-Exposición a pantallas:cat("rho =", round(cor_pantallas$estimate, 3), "| p =", round(cor_pantallas$p.value, 4), "\n")## rho = 0.135 | p = 0.2959if(cor_pantallas$p.value < 0.05) {
cat("→ Correlación significativa\n")
}De esto podemos concluir que:
El análisis de correlación de Spearman reveló una relación negativa significativa entre las horas de sueño y los niveles de estrés (rho = -0.721 | p = 0 ). Esto indica que, en general, a medida que los estudiantes duermen menos horas, reportan niveles de estrés más altos. La fuerza de esta relación es moderada, sugiriendo que el sueño es un factor importante en la experiencia del estrés académico.
Por otro lado, se encontró una correlación positiva significativa entre las horas de estudio semanal y los niveles de estrés (rho = 0.388 | p = 0.0018 ). Este resultado sugiere que los estudiantes que dedican más tiempo al estudio tienden a experimentar mayores niveles de estrés. La relación, aunque significativa, es de intensidad moderada, lo que indica que el tiempo de estudio es uno entre varios factores que influyen en el estrés.
Ya por último, se mostró que no hay una correlacipon significativa entre el tiempo de exposición a pantallas y los niveles de estrés(rho = 0.135 | p = 0.2959 ). Esto nos puede decir que, a diferencia de lo esperado, realmente no influye mucho la exposición a diferentes tipos de dispositivos a los diferentes niveles de estrés.
4.2 Comparación de grupos (Prueba T)
# Estrés vs. Trabajo
t_trabajo <- t.test(nivel_estres ~ trabajo, data = datos2)
cat("Diferencia de estrés por situación laboral:\n")## Diferencia de estrés por situación laboral:cat("p-value =", round(t_trabajo$p.value, 4), "\n")## p-value = 0.0157if(t_trabajo$p.value < 0.05) {
medias <- datos2 %>% group_by(trabajo) %>% summarise(media = mean(nivel_estres, na.rm = TRUE))
cat("→ Diferencia significativa: Trabajan =", round(medias$media[1], 2),
"vs No trabajan =", round(medias$media[2], 2), "\n")
}## → Diferencia significativa: Trabajan = 5.27 vs No trabajan = 7.14# Estrés vs. Cuidados familiares
t_cuidados <- t.test(nivel_estres ~ responsabilidades, data = datos2)
cat("\nDiferencia de estrés por cuidados familiares u otro tipo de responsabilidades:\n")##
## Diferencia de estrés por cuidados familiares u otro tipo de responsabilidades:cat("p-value =", round(t_cuidados$p.value, 4), "\n")## p-value = 0.2186if(t_cuidados$p.value < 0.05) {
cat("→ diferencia significativa\n")
}En este apartado, para la parte de el estres vs el trabajo, podemos decir que:
Contrariamente a las expectativas teóricas, el análisis reveló que los estudiantes que no trabajan reportaron niveles de estrés significativamente mayores (M = 7.14) que aquellos que sí trabajan (M = 5.27). Esta diferencia fue estadísticamente significativa (0.0157 ), desafiando la hipótesis convencional de que la carga laboral incrementa el estrés académico.
Este hallazgo paradójico podría explicarse por varios factores. Los estudiantes que trabajan podrían haber desarrollado mejores estrategias de afrontamiento y habilidades de gestión del tiempo debido a la necesidad de balancear múltiples responsabilidades. Alternativamente, el trabajo podría proporcionar beneficios psicológicos como independencia económica, sentido de propósito o distracción saludable de las presiones académicas.
Otra posible explicación reside en que los estudiantes que no trabajan podrían estar experimentando mayores presiones académicas internas o dedicar más tiempo a actividades académicas intensivas, resultando en mayores niveles de estrés. El trabajo, en este contexto, podría estar funcionando como un factor protector o modulador del estrés académico. También puede influir la variable de la cantidad de horas que se trabaja vs la cantidad de horas que se le dedica al estudio.
Por otro lado, para el estrés vs los distintos tipos de responsabilidades familiares, podemos concluir que:
Contrariamente a lo esperado, no se encontró una diferencia estadísticamente significativa en los niveles de estrés entre estudiantes con y sin responsabilidades de cuidado familiar (0.2186). Esto sugiere que, en esta muestra, las responsabilidades de cuidado no constituyen un factor diferenciador en la experiencia del estrés académico. Es posible que otros factores moderen esta relación, o que los estudiantes hayan desarrollado estrategias efectivas de afrontamiento para manejar estas responsabilidades adicionales.
4.3 Comparación de medias (ANOVA)
anova_alimentacion <- aov(nivel_estres ~ calidad_alimentacion, data = datos2)
cat("ANOVA - Estrés por Calidad de Alimentación:\n")## ANOVA - Estrés por Calidad de Alimentación:print(summary(anova_alimentacion))## Df Sum Sq Mean Sq F value Pr(>F)
## calidad_alimentacion 4 56.5 14.13 1.744 0.153
## Residuals 57 461.7 8.10# Si el ANOVA es significativo, ver diferencias específicas
TukeyHSD(anova_alimentacion)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = nivel_estres ~ calidad_alimentacion, data = datos2)
##
## $calidad_alimentacion
## diff lwr upr p adj
## Excelente-Buena -2.530702e+00 -5.4869380 0.4255345 0.1270219
## Mala-Buena -2.807018e-01 -4.0351255 3.4737220 0.9995486
## Muy mala-Buena -2.807018e-01 -4.0351255 3.4737220 0.9995486
## Regular-Buena -1.578947e-01 -2.7590358 2.4432463 0.9998024
## Mala-Excelente 2.250000e+00 -1.7586276 6.2586276 0.5153822
## Muy mala-Excelente 2.250000e+00 -1.7586276 6.2586276 0.5153822
## Regular-Excelente 2.372807e+00 -0.5834292 5.3290432 0.1727990
## Muy mala-Mala 8.881784e-16 -4.6287645 4.6287645 1.0000000
## Regular-Mala 1.228070e-01 -3.6316167 3.8772308 0.9999832
## Regular-Muy mala 1.228070e-01 -3.6316167 3.8772308 0.9999832# Gráfico de boxplot
ggplot(datos, aes(x = calidad_alimentacion, y = nivel_estres, fill = calidad_alimentacion)) +
geom_boxplot(alpha = 0.7) +
geom_jitter(width = 0.2, alpha = 0.4) +
labs(title = "Nivel de Estrés según Calidad de Alimentación",
x = "Calidad de Alimentación",
y = "Nivel de Estrés") +
scale_fill_brewer(palette = "YlGnBu") +
theme_minimal() +
stat_compare_means(method = "anova", label = "p.format")
Ya que el p = 0.15, entonces, no hay evidencia estadística suficiente para afirmar que el nivel de estrés varía significativamente según la calidad de alimentación.
4.4 Asociaciones (CHI-CUADRADO)
# Trabajo vs. Cuidados familiares
tabla <- table(trabajo, responsabilidades)
chi <- chisq.test(tabla)
cat("Asociación entre Trabajo y Cuidados Familiares:\n")## Asociación entre Trabajo y Cuidados Familiares:cat("p-value =", round(chi$p.value, 4), "\n")## p-value = 0.2455if(chi$p.value < 0.05) {
cat("→ Asociación significativa\n")
}En un inicio se pensó que una posibilidad del porqué el estudiante ha tenido que trabajar es debido a situaciones itrafamiliares, sin emgargo, ya que p = 0.2455 > 0.05 decimos que no hay una asociación significativa entre estos casos (no hay evidencia estadística para afirmar lo contrario).
5 Modelo tentativo
# Modelo de regresión
modelo_final <- lm(nivel_estres ~ prom_descanso + trabajo + horas_estudio +
responsabilidades, data = datos2)
cat("Resumen del modelo de regresión:\n")## Resumen del modelo de regresión:print(summary(modelo_final))##
## Call:
## lm(formula = nivel_estres ~ prom_descanso + trabajo + horas_estudio +
## responsabilidades, data = datos2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.5701 -1.1286 0.1011 1.2115 4.5623
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 11.91890 1.15158 10.350 1.05e-14 ***
## prom_descanso -1.16543 0.15489 -7.524 4.26e-10 ***
## trabajoSi 0.71683 0.50613 1.416 0.162130
## horas_estudio 0.08522 0.02388 3.569 0.000735 ***
## responsabilidadesSi 0.66626 0.53372 1.248 0.217018
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.875 on 57 degrees of freedom
## Multiple R-squared: 0.6132, Adjusted R-squared: 0.5861
## F-statistic: 22.59 on 4 and 57 DF, p-value: 3.227e-11# Coeficientes significativos
coeficientes <- summary(modelo_final)$coefficients
significativos <- coeficientes[coeficientes[,4] < 0.05, ]
cat("\nVariables predictoras SIGNIFICATIVAS del estrés:\n")##
## Variables predictoras SIGNIFICATIVAS del estrés:print(significativos)## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 11.91889542 1.15157819 10.350053 1.049457e-14
## prom_descanso -1.16542591 0.15489240 -7.524100 4.256583e-10
## horas_estudio 0.08522185 0.02387645 3.569285 7.347137e-04# Poder predictivo del modelo
cat("\nEl modelo explica el", round(summary(modelo_final)$r.squared * 100, 1),
"% de la variabilidad del estrés\n")##
## El modelo explica el 61.3 % de la variabilidad del estrésYa que el \(r^2 = 0.613\), podemos decir que tiene un poder predictivo óptimo pero, aún tiene un gran margen de error.