Resumen

El presente estudio realiza un análisis estadístico descriptivo de una base de datos relacionada con la salud mental de estudiantes universitarios. Se examinan variables como edad, sexo, rendimiento académico (CGPA), horas de estudio, duración del sueño, uso de redes sociales y actividad física.

A través de herramientas como tablas de frecuencia, diagramas de barras, histogramas y medidas de tendencia central y dispersión, se identifican patrones relevantes en la distribución de las variables y su posible relación con la depresión.

Los resultados evidencian la influencia de factores conductuales y académicos en el bienestar mental de los estudiantes, destacando la importancia de hábitos saludables como el sueño adecuado y la actividad física. Este análisis proporciona una base para futuras investigaciones y estrategias de intervención en el ámbito universitario.

Descripción del problema.

La salud mental en estudiantes universitarios se ha convertido en una problemática creciente a nivel global. Factores como la presión académica, el uso excesivo de redes sociales, los hábitos de estudio, el sueño y la actividad física pueden influir significativamente en el bienestar psicológico de los jóvenes.

En particular, la depresión y la ansiedad representan condiciones que no solo afectan el estado emocional, sino también el desempeño académico, las relaciones sociales y la calidad de vida. Sin embargo, en muchos casos, estos factores no son analizados de manera integrada, lo que dificulta la comprensión del fenómeno.

Este estudio busca abordar esta problemática desde un enfoque estadístico, identificando patrones y relaciones entre variables sociodemográficas, académicas y conductuales, con el fin de comprender mejor los factores asociados a la salud mental en estudiantes universitarios.

Introducción.

La salud mental en el contexto universitario constituye un tema de creciente interés debido al impacto que tiene en el desarrollo académico y personal de los estudiantes. La transición a la vida universitaria implica cambios significativos que pueden generar estrés, ansiedad y, en casos más severos, depresión.

Diversos factores como la carga académica, el rendimiento (CGPA), los hábitos de estudio, el uso de redes sociales y la calidad del sueño influyen directamente en el estado emocional de los estudiantes. Comprender estas relaciones resulta fundamental para diseñar estrategias que promuevan el bienestar integral.

En este estudio se emplea un enfoque estadístico descriptivo para analizar una base de datos que contiene información relevante sobre estos factores. A través de gráficos y medidas estadísticas, se busca identificar patrones y tendencias que permitan una mejor comprensión del fenómeno de la salud mental en estudiantes universitarios.

Objetivos.

Objetivo general

Analizar estadísticamente los factores asociados a la salud mental en estudiantes universitarios mediante técnicas descriptivas.

Objetivos especificos

  • Describir la distribución de variables sociodemográficas como edad y sexo.

  • Analizar variables académicas como el CGPA y horas de estudio.

  • Evaluar hábitos conductuales como el sueño, uso de redes sociales y actividad física.

  • Identificar patrones y posibles relaciones entre estas variables.

  • Representar gráficamente la información para facilitar su interpretación.

Definición de las variables

Variables sociodemografias.

  • Edad (Age): variable cuantitativa discreta que representa la edad del estudiante.

  • Sexo (Sex): variable cualitativa nominal (0 = femenino, 1 = masculino).

Variables académicas.

  • CGPA: promedio acumulado del estudiante (variable cuantitativa continua).

  • Study Hours: número de horas dedicadas al estudio (cuantitativa).

  • Department: área académica (cualitativa nominal)

Variables estilo de vida.

  • Sleep Duration: horas de sueño (cuantitativa continua).

  • Social Media Hours: tiempo en redes sociales (cuantitativa).

  • Physical Activity: minutos de actividad física (cuantitativa).

Cargue de libreria de datos.

library(readxl)
library(dplyr)
library(e1071)
library(tidyr)

ruta <- "C:\\Users\\Asus\\Documents\\depresion.csv.xlsx"
matriz <- read_excel(ruta)

Preparacion de los datos.

#Conversion a variables numericas
matriz$CGPA <- as.numeric(matriz$CGPA)
matriz$Sleep_Duration <- as.numeric(matriz$Sleep_Duration)
matriz$Study_Hours <- as.numeric(matriz$Study_Hours)
matriz$Social_Media_Hours <- as.numeric(matriz$Social_Media_Hours)

Diagramas de torta.

Distribucion por depresión.

tabla_Depresion <- table(matriz$Depression)
addmargins(tabla_Depresion)
## 
##  False   True    Sum 
##  89938  10062 100000
porcentajes <- round(prop.table(tabla_Depresion)*100,1)

pie(tabla_Depresion,
    labels = paste(names(tabla_Depresion), porcentajes, "%"),
    col = c("pink","lightblue"),
    main = "Proporción de estudiantes con depresión")

Interpretación:
El grafico de torta ilustra la cantidad de estudiantes con depresión, se observa que la gran mayoria de los sujetos (89.9) no la presentan sin embargo existe un 10.1 % que si poseen la condicion lo cual nos dice que se deben implementar medidas de apoyo psicologico ya que este porcentaje esta representando 10100 estudiantes.

Distribución por Género.

tabla_genero <- table(matriz$Gender)
addmargins(tabla_genero)
## 
## Female   Male    Sum 
##  49880  50120 100000
porcentaje_genero <- round(prop.table(tabla_genero)*100,1)

pie(tabla_genero,
    labels = paste(names(tabla_genero), porcentaje_genero, "%"),
    col = c("pink","blue"),
    main = "Distribución por género")

Interpretación:
El diagrama de torta nos esta indicando que hay una distribucion casi simetrica de genero siendo la diferencia de 0.1 % mas de hombres que de mujeres.

Grafico de barras.

Distribución por edad.

Age_Freq <-table(matriz$Age)
addmargins(Age_Freq)
## 
##     18     19     20     21     22     23     24    Sum 
##  14197  14263  14193  14207  14462  14285  14393 100000
barplot(table(matriz$Age),
        main = "Distribución por edad.",
        xlab = "edad",
        ylab = "Frecuencia",
        col = "lightblue")

Interpretación:
El diagrama de barras nos indica las edades y la frecuencia con que estas aparecen en la poblacion estudiantil, podemos observar una distribucion casi simetrica siendo las edades mas comunes 22, 23 y 19, aunque no por una gran diferencia.

Distribución por Genero.

table_gender <- table(matriz$Gender)
addmargins(table_gender)
## 
## Female   Male    Sum 
##  49880  50120 100000
barplot(table(matriz$Gender),
        main = "Distribución por genero",
        xlab = "Genero",
        ylab = "Frecuencia",
        col = "pink")

Interpretacion: El grafico de barras nos demuestra que hay cantidades similares respecto al genero de las personas encuentadas, presentandose un total de 49880 integrantes del sexo femenino, y 50120 del genero masculino.

Distribución por Departamento.

table_department <- table(matriz$Department)
addmargins(table_department)
## 
##        Arts    Business Engineering     Medical     Science         Sum 
##       19998       19910       20057       19964       20071      100000
barplot(table(matriz$Department),
        main = "Distribución por departamento",
        ylab = "Frecuencia",
        col = "lightyellow",
        las = 2)

Interpretación:
Se puede concluir a partir de la visualizacion del grafico de barras, que hay una simetria en los datos, sin embargo, detalladamente se alcanza a apreciar que hay una mayor cantidad de estudiantes pertencientes a las areas de ingenieria y ciencias.

Distribución por depresión.

table_depression <- table(matriz$Depression)
addmargins(table_depression)
## 
##  False   True    Sum 
##  89938  10062 100000
barplot(table(matriz$Depression),
        main = "Clasificación por depresión",
        xlab = "Depresión",
        ylab = "Frecuencia",
        col = "black",
        border = "black")

Interpretación: El diagrama de barras nos indica que una gran parte de la poblacion estudiantil no poseen depresion, pero tenemos un porcentaje que aunque es mucho menor por por la cantidad de datos es muy significante lo que nos indica que se deben implementar medidas de prevencion y acompañamiento para todos los que sufren esta enfermedad.

Distribución por nivel de estres.

table_estres <- table(matriz$Stress_Level)
addmargins(table_estres)
## 
##      2      3      4      5      6      7      8      9     10    Sum 
##  13591  22666  23326  24525  11653   2255   1506    474      4 100000
barplot(table(matriz$Stress_Level),
        main = "Clasifición por nivel de estres",
        xlab = "Nivel de estres",
        ylab ="Frecuencia",
        col = "lightgreen")

Interpretación:

El diagrama de barras muetra el nivel de estres en los estudiantes esta grafica indicca un comportamiento asimetrico positivo con una moda de 5, se observa que los niveles severos presetan una frecuencia mucho menor, si bien el grupo que presenta severos niveles de estres es reducido no puede ser ignorado y se deben implementar estrategias que ayuden a los estudiantes que estan con un estres altisimo.

Histogramas.

CGPA.

hist(matriz$CGPA,
     main = "Distribución del CGPA",
     xlab = "CGPA",
     col = "red",
     breaks = 5)

Interpretación:
El histograma del CGPA revela una población académica con un desempeño satisfactorio, concentrándose entre los valores de 2.0 y 3.5, aunque son pocos los estudiantes que presentan un promedio bajo se deben implementar metdos para que estos estudiantes suban su promedio academico.

Horas de sueño.

matriz$Sleep_Duration <- as.numeric(matriz$Sleep_Duration)
hist(matriz$Sleep_Duration,
     main = "Distribucion por horas de sueño",
     xlab = "Horas de sueño",
     ylab = "Frecuencia",
     col = c("lightgray"),
     breaks = 5)

Interpretacion:

El histograma de la distribución de las horas de sueño en la población estudiantil es aproximadamente simétrico, centrado en el intervalo de 6 a 8 horas, Esto sugiere que la mayoría de los estudiantes mantiene hábitos de descanso dentro de los parámetros estándar, No obstante hay un volumen significativo de individuos en el intervalo de 4 a 6 horas, lo que indica que pueden ser vulnerables por las pocas horas de sueño.

Horas de Estudio.

hist(matriz$Study_Hours,
     main = "Distribución de horas de estudio",
     xlab = "Horas de estudio",
     col = "pink",
     breaks = 5)

Interpretación:
El histograma de horas de estudio es casi simetrico, donde la mayor parte de la población estudiantil dedica entre 2 y 6 horas diarias a sus actividades académicas, el intervalo de 4 a 6 horas se posiciona como la moda, reflejando el estándar de comportamiento del grupo. Se observa una disminución progresiva en las frecuencias a medida que el tiempo de estudio aumenta, siendo excepcionales los casos que superan las 8 horas diarias.

Uso de Redes Sociales.

hist(matriz$Social_Media_Hours,
     main = "Uso de redes sociales",
     xlab = "Horas",
     col = "gray",
     breaks = 10)

Interpretación:
El histograma de uso de redes sociales en la muestra presenta una distribución casi simetrica y unimodal centrada en el intervalo de 3 a 4 Horas diarias, el comportamiento de los estudiantes es relativamente homogéneo, concentrándose el grueso de la población entre las 2 y 5 horas de consumo. Se observa que el uso excesivo se presenta en una muy poca parte de los estudiantes.

Horas de Actividad Fisica.

hist(matriz$Physical_Activity,
     main = "Distribucion por minutos de actividad fisica",
     xlab = "Minutos de actividad fisica a la semana",
     ylab = "Frecuecia",
     col = "red",
     breaks = 4)

interpretación: El histograma de la distribución de la actividad física semanal presenta un comportamiento uniforme dentro del rango de 0 a 150 minutos, A diferencia de otras variables analizadas, no se observa una tendencia central, lo que indica una dispersión equitativa de la población entre los diferentes niveles de intensidad física.

Tablas Cruzadas.

Género vs Depresión.

tabla <- table(matriz$Gender, matriz$Depression)
addmargins(tabla)
##         
##           False   True    Sum
##   Female  44929   4951  49880
##   Male    45009   5111  50120
##   Sum     89938  10062 100000
barplot(tabla,
        beside = TRUE,
        legend = TRUE,
        col = c("lightblue","pink"),
        main = "Género vs Depresión")

Interpretación:
El análisis de la tabla entre Género y Depresión revela una distribución notablemente homogénea entre ambos grupos, Mediante la tabla cruzada de 100,000 individuos, se observa que la depresión en hombres (10.19%) es superior a la de las mujeres (9.92%). No obstante, la diferencia de apenas 0.27 % esto nos dice que el género no actúa como un factor de riesgo diferenciador.

Departamento - Depresión.

deparment_depression <- table(matriz$Department,matriz$Depression)
addmargins(deparment_depression)
##              
##                False   True    Sum
##   Arts         17968   2030  19998
##   Business     17882   2028  19910
##   Engineering  18037   2020  20057
##   Medical      17977   1987  19964
##   Science      18074   1997  20071
##   Sum          89938  10062 100000
barplot(table(matriz$Department, matriz$Depression),
        beside = TRUE,
        main = "Tabla cruzada Departamento vs Depresion",
        col = c("lightblue","lightgreen"),
        legend = TRUE,
        las =2)

Interpretación: La tabla cruzada nos permite visualizar que hay una mayor cantidad de estudiantes que no presenta depresion a lols que si, igualmente, entre estas dos categorias hay una simetria considerable.

Estres-Departamento.

tabla_departamento_estres <- table(matriz$Department,matriz$Stress_Level)
addmargins(tabla_departamento_estres)
##              
##                    2      3      4      5      6      7      8      9     10
##   Arts          2755   4490   4734   4816   2336    478    299     90      0
##   Business      2731   4526   4587   4844   2363    462    297     99      1
##   Engineering   2750   4545   4681   4916   2317    450    308     90      0
##   Medical       2703   4618   4629   4862   2308    440    313     91      0
##   Science       2652   4487   4695   5087   2329    425    289    104      3
##   Sum          13591  22666  23326  24525  11653   2255   1506    474      4
##              
##                  Sum
##   Arts         19998
##   Business     19910
##   Engineering  20057
##   Medical      19964
##   Science      20071
##   Sum         100000
barplot(tabla_departamento_estres,
        main = "Tabla cruzada - Estres vs Departamento",
        col = c("black","gray","lightblue","lightgreen","pink"),
        legend = TRUE,
        beside = TRUE,
        )

Interpretación:

Esta tabla cruzada evaluativa sobre las variable de estres, relacionadas con el departamento pertenciente a la carrera del estudiante, no permite ver que la mayor cantidad de datos se concentra en un nivel de estres de entre 3 y 5 nivel, donde a su vez, la evaluacionpor cada nivel de estres, la diferencia entre departamentos no es muy diferente.

Medidas de Tendencia Central.

Compilado de medidas de tendencia central:

resumen <- data.frame(
  Variable = c("Edad", "CGPA", "Sueño", "Estudio", "Redes", "Actividad física"),
  
  Media = c(
    mean(matriz$Age, na.rm = TRUE),
    mean(matriz$CGPA, na.rm = TRUE),
    mean(matriz$Sleep_Duration, na.rm = TRUE),
    mean(matriz$Study_Hours, na.rm = TRUE),
    mean(matriz$Social_Media_Hours, na.rm = TRUE),
    mean(matriz$Physical_Activity, na.rm = TRUE)
  ),
  
  Mediana = c(
    median(matriz$Age, na.rm = TRUE),
    median(matriz$CGPA, na.rm = TRUE),
    median(matriz$Sleep_Duration, na.rm = TRUE),
    median(matriz$Study_Hours, na.rm = TRUE),
    median(matriz$Social_Media_Hours, na.rm = TRUE),
    median(matriz$Physical_Activity, na.rm = TRUE)
  ),
  
  Moda = c(
    names(sort(table(matriz$Age), decreasing = TRUE))[1],
    names(sort(table(matriz$CGPA), decreasing = TRUE))[1],
    names(sort(table(matriz$Sleep_Duration), decreasing = TRUE))[1],
    names(sort(table(matriz$Study_Hours), decreasing = TRUE))[1],
    names(sort(table(matriz$Social_Media_Hours), decreasing = TRUE))[1],
    names(sort(table(matriz$Physical_Activity), decreasing = TRUE))[1]
  )
)

resumen
##           Variable     Media Mediana Moda
## 1             Edad 21.009010    21.0   22
## 2             CGPA  2.898316     2.9 2.74
## 3            Sueño  6.996425     7.0    7
## 4          Estudio  4.509517     4.5  4.6
## 5            Redes  3.503288     3.5  3.3
## 6 Actividad física 74.353180    74.0   53

Interpretación:
Las medidas de tendencia central evidencia que las variables analizadas presentan una alta simetria entre meida mediana y moda:

  • En la variable Edad, la media (≈21), mediana (21) y moda (22) son muy cercanas, indicando una población homogénea.

  • El CGPA presenta valores muy próximos (media ≈2.9, mediana ≈2.9), lo que sugiere un rendimiento académico estable en la población.

  • En Sueño, la media (~7 horas) coincide con la mediana y la moda, lo que indica un patrón regular de descanso.

  • En Actividad física, aunque la media y mediana son cercanas (~74), la moda (53) es más baja, lo que sugiere la presencia de subgrupos con menor actividad.

Se puede concluir que las variables presentan distribuciones relativamente equilibradas, lo que valida el uso de la media como medida representativa.

Medidas de Dispersión.

Compilado de medidas de dispersión:

resumen_total <- data.frame(
  Variable = c("Edad", "CGPA", "Sueño", "Estudio", "Redes", "Actividad física"),
  
  #Tendencia central
  Media = c(
    mean(matriz$Age, na.rm = TRUE),
    mean(matriz$CGPA, na.rm = TRUE),
    mean(matriz$Sleep_Duration, na.rm = TRUE),
    mean(matriz$Study_Hours, na.rm = TRUE),
    mean(matriz$Social_Media_Hours, na.rm = TRUE),
    mean(matriz$Physical_Activity, na.rm = TRUE)
  ),
  
  Mediana = c(
    median(matriz$Age, na.rm = TRUE),
    median(matriz$CGPA, na.rm = TRUE),
    median(matriz$Sleep_Duration, na.rm = TRUE),
    median(matriz$Study_Hours, na.rm = TRUE),
    median(matriz$Social_Media_Hours, na.rm = TRUE),
    median(matriz$Physical_Activity, na.rm = TRUE)
  ),
  
  #Dispersión
  Varianza = c(
    var(matriz$Age, na.rm = TRUE),
    var(matriz$CGPA, na.rm = TRUE),
    var(matriz$Sleep_Duration, na.rm = TRUE),
    var(matriz$Study_Hours, na.rm = TRUE),
    var(matriz$Social_Media_Hours, na.rm = TRUE),
    var(matriz$Physical_Activity, na.rm = TRUE)
  ),
  
  Desv_Estandar = c(
    sd(matriz$Age, na.rm = TRUE),
    sd(matriz$CGPA, na.rm = TRUE),
    sd(matriz$Sleep_Duration, na.rm = TRUE),
    sd(matriz$Study_Hours, na.rm = TRUE),
    sd(matriz$Social_Media_Hours, na.rm = TRUE),
    sd(matriz$Physical_Activity, na.rm = TRUE)
  ),
  
  Coef_Variacion = c(
    sd(matriz$Age, na.rm = TRUE) / mean(matriz$Age, na.rm = TRUE) * 100,
    sd(matriz$CGPA, na.rm = TRUE) / mean(matriz$CGPA, na.rm = TRUE) * 100,
    sd(matriz$Sleep_Duration, na.rm = TRUE) / mean(matriz$Sleep_Duration, na.rm = TRUE) * 100,
    sd(matriz$Study_Hours, na.rm = TRUE) / mean(matriz$Study_Hours, na.rm = TRUE) * 100,
    sd(matriz$Social_Media_Hours, na.rm = TRUE) / mean(matriz$Social_Media_Hours, na.rm = TRUE) * 100,
    sd(matriz$Physical_Activity, na.rm = TRUE) / mean(matriz$Physical_Activity, na.rm = TRUE) * 100
  ),
  
  # MEDA 
  MEDA = c(
    mad(matriz$Age, constant = 1, na.rm = TRUE),
    mad(matriz$CGPA, constant = 1, na.rm = TRUE),
    mad(matriz$Sleep_Duration, constant = 1, na.rm = TRUE),
    mad(matriz$Study_Hours, constant = 1, na.rm = TRUE),
    mad(matriz$Social_Media_Hours, constant = 1, na.rm = TRUE),
    mad(matriz$Physical_Activity, constant = 1, na.rm = TRUE)
  ),
  
  # MAD respecto a la media 
  MAD_media = c(
    mean(abs(matriz$Age - mean(matriz$Age, na.rm = TRUE)), na.rm = TRUE),
    mean(abs(matriz$CGPA - mean(matriz$CGPA, na.rm = TRUE)), na.rm = TRUE),
    mean(abs(matriz$Sleep_Duration - mean(matriz$Sleep_Duration, na.rm = TRUE)), na.rm = TRUE),
    mean(abs(matriz$Study_Hours - mean(matriz$Study_Hours, na.rm = TRUE)), na.rm = TRUE),
    mean(abs(matriz$Social_Media_Hours - mean(matriz$Social_Media_Hours, na.rm = TRUE)), na.rm = TRUE),
    mean(abs(matriz$Physical_Activity - mean(matriz$Physical_Activity, na.rm = TRUE)), na.rm = TRUE)
  )
)

resumen_total
##           Variable     Media Mediana     Varianza Desv_Estandar Coef_Variacion
## 1             Edad 21.009010    21.0    4.0015288     2.0003822       9.521544
## 2             CGPA  2.898316     2.9    0.2832797     0.5322402      18.363777
## 3            Sueño  6.996425     7.0    2.2460470     1.4986817      21.420679
## 4          Estudio  4.509517     4.5    3.9048758     1.9760759      43.820122
## 5            Redes  3.503288     3.5    2.2107285     1.4868519      42.441611
## 6 Actividad física 74.353180    74.0 1880.6934508    43.3669627      58.325633
##    MEDA  MAD_media
## 1  2.00  1.7164462
## 2  0.45  0.4574184
## 3  1.00  1.1975947
## 4  1.30  1.5838991
## 5  1.00  1.1921662
## 6 38.00 37.5978600

Interpretación:
En este apartado las medidas de dispersión nos permiten analizar la variabilidad de los datos:

  • La Edad presenta baja variabilidad (CV ≈ 9.5%), lo que indica homogeneidad en la población.

  • El CGPA tiene una variabilidad moderada (CV ≈ 18%), lo que refleja diferencias en el rendimiento académico.

  • La variable Sueño presenta una variabilidad moderada (≈21%), indicando diferencias en los hábitos de descanso.

  • Estudio y Redes sociales muestran alta variabilidad (≈43% y ≈42%), lo que indica comportamientos muy heterogéneos entre estudiantes.

  • La Actividad física presenta la mayor variabilidad (≈58%), evidenciando una gran dispersión en los niveles de actividad.

  • La MEDA y la MAD respecto a la media son bastante cercanas en la mayoría de variables, lo que sugiere ausencia de valores extremos severos.

Se puede concluir que Las variables relacionadas con estilo de vida (actividad física, redes, estudio) son las más heterogéneas, lo que indica diferencias marcadas en los hábitos de los estudiantes.

Medidas de Forma.

resumen_forma <- matriz %>%
  summarise(
    across(where(is.numeric),
           list(
             asimetria = ~skewness(.x, na.rm = TRUE),
             curtosis  = ~kurtosis(.x, na.rm = TRUE)
           ))
  )
resumen_forma_largo <- resumen_forma %>%
  pivot_longer(
    cols = everything(),
    names_to = c("variable", "medida"),
    names_pattern = "(.+)_(asimetria|curtosis)",
    values_to = "valor"
  )
resumen_forma_largo
## # A tibble: 16 × 3
##    variable           medida       valor
##    <chr>              <chr>        <dbl>
##  1 Student_ID         asimetria  0      
##  2 Student_ID         curtosis  -1.20   
##  3 Age                asimetria -0.00635
##  4 Age                curtosis  -1.25   
##  5 CGPA               asimetria  0.00363
##  6 CGPA               curtosis  -1.09   
##  7 Sleep_Duration     asimetria  0.0279 
##  8 Sleep_Duration     curtosis  -0.0945 
##  9 Study_Hours        asimetria  0.0785 
## 10 Study_Hours        curtosis  -0.165  
## 11 Social_Media_Hours asimetria  0.0628 
## 12 Social_Media_Hours curtosis  -0.161  
## 13 Physical_Activity  asimetria  0.00601
## 14 Physical_Activity  curtosis  -1.21   
## 15 Stress_Level       asimetria  0.427  
## 16 Stress_Level       curtosis   0.00127

Interpretación:
En esta seccioón las medidas de forma nos permiten entender la estructura de las distribuciones:

Asimetria

  • La mayoría de las variables presentan valores cercanos a 0, lo que indica distribuciones aproximadamente simétricas.

  • Variables como Study Hours, Social Media y Stress Level tienen ligera asimetría positiva, lo que sugiere una cola hacia valores altos.

  • La Edad tiene asimetría prácticamente nula, confirmando su equilibrio.

Curtosis

  • La mayoría de variables tienen curtosis negativa, lo que indica distribuciones platicúrticas.

  • Esto sugiere menor concentración de datos alrededor de la media y mayor dispersión general.

Las distribucion son en us mayoria simetricas y poco concentradas, lo que refuerza el comportamiento de variabilidad en los datos

Conclusiones a partir del analisis de las medidas: El análisis conjunto de las medidas de tendencia central, dispersión y forma evidencia que la población estudiada presenta características relativamente homogéneas en variables básicas como la edad y el rendimiento académico, pero una alta heterogeneidad en hábitos de vida como el estudio, el uso de redes sociales y la actividad física.

Las distribuciones mayormente simétricas y con baja presencia de valores extremos permiten una interpretación confiable de los promedios. Sin embargo, la alta variabilidad en ciertas variables sugiere que los estilos de vida de los estudiantes son diversos, lo cual puede tener implicaciones importantes en su bienestar y salud mental.

Conclusiones.

El análisis estadístico realizado permite evidenciar que la salud mental en estudiantes universitarios no es un fenómeno aislado, sino el resultado de la interacción de múltiples factores académicos, conductuales y sociales. A partir de las gráficas y medidas descriptivas, se observa que variables como las horas de estudio, la calidad del sueño, el uso de redes sociales y la actividad física presentan patrones que pueden influir directamente en el bienestar emocional de los estudiantes.

Las distribuciones analizadas muestran que, aunque algunos comportamientos se mantienen relativamente homogéneos, existen tendencias importantes: por ejemplo, una posible relación entre altos niveles de uso de redes sociales y menor equilibrio en hábitos saludables, así como la influencia del sueño y la actividad física en la estabilidad general. Estas relaciones, aunque descriptivas, sugieren que los estilos de vida desempeñan un papel clave en la salud mental.

A nivel global, estos hallazgos se alinean con la creciente evidencia de que la depresión, la ansiedad y el estrés académico han aumentado significativamente en la población universitaria. Factores como la hiperconectividad digital, la presión por el rendimiento y los cambios en los estilos de vida han contribuido a que la salud mental se convierta en un desafío de salud pública. En este contexto, los estudiantes universitarios representan un grupo especialmente vulnerable.

En conclusión, este estudio no solo permite comprender mejor la distribución y comportamiento de las variables analizadas, sino que también refuerza la necesidad de promover estrategias integrales orientadas al bienestar estudiantil. La implementación de programas que fomenten hábitos saludables, el equilibrio entre estudio y descanso, y el uso consciente de la tecnología resulta fundamental para mitigar los riesgos asociados a la salud mental en el ámbito universitario.