Os hábitos dos estudantes e como eles se inter-relacionam
Anna Carolina Drummond Correia - Matricula 20162520029
03/05/2021
Introdução
Em “Modernidade Líquida” Zygmunt Bauman, filósofo e sociólogo polonês, expõe a volatilidade dos relacionamentos humanos, em que a rotina cada vez mais acelerada prejudica as necessidades fisiológicas e sociais dos indivíduos contemporâneos. A partir da compreensão dessa teoria, torna-se relevante analisar o tempo destinado às tarefas atuais e como elas se inter-relacionam.
Nesse trabalho irei analisar questionamentos a cerca da rotina dos estudantes. Como por exemplo: O intervalo de descanso, as horas de sono, podem interferir na quantidade de tempo destinada aos estudos e às aulas on-line? A utilização de redes sociais influência na quantidade de horas dormidas pelos alunos, e, assim, interfere indiretamente nos estudos deles?
Essa análise facilitará a compreensão dos hábitos dos estudantes e como eles se inter-relacionam.
Objetivo
Neste projeto, tentaremos responder a algumas dessas questões. Nosso foco se atentará aos seguintes objetivos:
• Trazer uma análise diversificada das variáveis, a partir de um estudo estatístico quantitativo, para verificar as relações e correlações expressas nos dados referentes aos estudantes.
• Examinar se as horas de sono e as horas gastas em redes sociais influenciam no desempenho do aluno.
• Verificar as congruências e divergências das hipóteses a serem testadas, com fim em adquirir análises substanciais do estudo.
Hipóteses
Analisar se as horas de sono influenciam no tempo que o aluno estuda sozinho.
• H1: Quanto mais horas de sono maior o tempo de estudo?
Analisar se as horas de sono influenciam no tempo que o aluno fica na aula online.
• H2: Quanto mais horas de sono maior o tempo de aula online?
Analisar se as redes sociais influenciam no tempo de sono.
• H3: Quanto maior o tempo nas redes sociais menor o tempo de sono?
Analisar se as redes sociais influenciam no tempo de estudo sozinho.
• H4: Quanto maior o tempo nas redes sociais menor o tempo de estudo?
Descrição
• Os dados utilizados serão os dados da Planilha ‘COVID-19 Survey Student Responses’, referente à base de dados sobre uma pesquisa com os estudantes durante a pandemia.
• A base de dados conta com 19 variáveis (colunas) e 1182 dados informativos (linhas).
Descrição detalhada do conjunto de dados:
ID = Número de identificação do estudante
Region.of.residence = Região onde o estudante reside
Age.of.Subject = Idade do estudante
Time.spent.on.Online.Class = Tempo gasto pelo estudante em aulas online
Rating.of.Online.Class.experience = Avaliação da experiência de aula online
Medium.for.online.class = Meio de comunicação usado para assistir aulas online
Time.spent.on.self.study = Quanto tempo o aluno passa estudando sozinho
Time.spent.on.fitness = Quanto tempo eles gastam em exercício fisico
Time.spent.on.sleep = Quantas horas de sono eles têm
Time.spent.on.social.media = Quanto tempo eles gastam nas redes sociais
Time.spent.on.TV = Quanto tempo eles gastam assistindo TV
Number.of.meals.per.day = Número de refeições por dia
Change.in.your.weight = Mudança no peso
Health.issue.during.lockdown = Problema de saúde durante a pandemia
Stress.busters = Atividades escolhidas para diminuir o estresse
Time.utilized = Tempo utilizado
Do.you.find.yourself.more.connected.with.your.family… = Se eles se sentiram mais próximos da família, amigos e parentes nesse período
What.you.miss.the.most = O que mais sentem faltam Metodologia
• Neste trabalho serão utilizados histogramas, diagramas de dispersão com linhas de média, matriz de correlação e diferentes testes de hipótese para refutar ou corroborar com a pesquisa proposta.
Histograma
• O histograma será utilizado com o objetivo de ilustrar a amostra de dados, dispondo as informações de modo a facilitar a visualização da distribuição dos dados.
Diagrama de Dispersão
• Será utilizado como base para visualização da média e mediana, para que dessa maneira seja possível estabelecer uma relação analítica precisa dos questionamentos propostos.
Matriz de correlação
• Será utilizado para a análise simultânea da associação entre as variáveis.
Testes de Hipóteses
• Pretende-se realizar um teste de hipótese dentro dos parâmetros estabelecidos e retornar o resultado das hipóteses ao p-valor e intervalo de confiança dos parâmetros dados, para um melhor entendimento da parte analítica dos dados quantitativos.
Análise de resultados
Carregando a base de dados
COVID.19.Survey.Student.Responses.csv <- read.csv("~/Desktop/COVID-19 Survey Student Responses.csv.xls")Carregando as Bibliotecas
library(corrplot)## corrplot 0.84 loadedlibrary(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(knitr)Resumo dos dados
summary(COVID.19.Survey.Student.Responses.csv)## ID Region.of.residence Age.of.Subject
## Length:1182 Length:1182 Min. : 7.00
## Class :character Class :character 1st Qu.:17.00
## Mode :character Mode :character Median :20.00
## Mean :20.17
## 3rd Qu.:21.00
## Max. :59.00
## Time.spent.on.Online.Class Rating.of.Online.Class.experience
## Min. : 0.000 Length:1182
## 1st Qu.: 2.000 Class :character
## Median : 3.000 Mode :character
## Mean : 3.209
## 3rd Qu.: 5.000
## Max. :10.000
## Medium.for.online.class Time.spent.on.self.study Time.spent.on.fitness
## Length:1182 Min. : 0.000 Min. :0.0000
## Class :character 1st Qu.: 2.000 1st Qu.:0.0000
## Mode :character Median : 2.000 Median :1.0000
## Mean : 2.912 Mean :0.7658
## 3rd Qu.: 4.000 3rd Qu.:1.0000
## Max. :18.000 Max. :5.0000
## Time.spent.on.sleep Time.spent.on.social.media Prefered.social.media.platform
## Min. : 4.000 Min. : 0.000 Length:1182
## 1st Qu.: 7.000 1st Qu.: 1.000 Class :character
## Median : 8.000 Median : 2.000 Mode :character
## Mean : 7.871 Mean : 2.366
## 3rd Qu.: 9.000 3rd Qu.: 3.000
## Max. :15.000 Max. :10.000
## Time.spent.on.TV Number.of.meals.per.day Change.in.your.weight
## Length:1182 Min. :1.000 Length:1182
## Class :character 1st Qu.:2.000 Class :character
## Mode :character Median :3.000 Mode :character
## Mean :2.918
## 3rd Qu.:3.000
## Max. :8.000
## Health.issue.during.lockdown Stress.busters Time.utilized
## Length:1182 Length:1182 Length:1182
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## Do.you.find.yourself.more.connected.with.your.family..close.friends...relatives...
## Length:1182
## Class :character
## Mode :character
##
##
##
## What.you.miss.the.most
## Length:1182
## Class :character
## Mode :character
##
##
## Histogramas
hist(COVID.19.Survey.Student.Responses.csv$Age.of.Subject,col = '#FFDAB9',
main = 'Idade',
xlab = 'Idade', ylim = c(0,600), xlim = c(10,60))
• Podemos observar que a maior parte dos alunos está concentrada entre 10 e 25 anos. Sendo a média de idade 20 anos.
hist(COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study, col = '#EEE8AA',
main = 'Horas de estudo',
xlab = 'Horas de estudo',ylim = c(0,700), xlim = c(0,20))
• Podemos observar que a grande parte dos alunos não tem uma rotina de estudos maior que 5 horas por dia.
hist(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep, col = '#E6E6FA',
main = 'Horas de sono',
xlab = 'Horas de sono', ylim = c(0,500), xlim = c(4,16))
• Podemos observar que boa parte dos alunos têm entre 4 e 8 horas de sono.
hist(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media, col = '#FFFACD',
main = 'Tempo gasto em redes sociais',
xlab = 'Horas', ylim = c(0,500), xlim = c(0,10))
• Podemos observar que a média de tempo dos alunos em redes sociais é de 2 horas.
hist(COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class, col = '#D8BFD8',
main = 'Horas de aula online',
xlab = 'Horas', ylim = c(0,300), xlim = c(0,10))
• É possível observar que muitos alunos não estão assistindo a aula online.Sendo a média de 3 horas.
Diagramas de dispersão
par(bg='#FFFFF0')
plot(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep,COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study,pch=17, col='#8B008B',
main='Horas de Estudo Sozinho x Horas de Sono',
xlab='Horas de sono',
ylab='Horas de estudo sozinho')
abline(lsfit(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep,COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study), col='blue')
• Correlação Negativa e Forte: Há uma concentração dos pontos em tendência decrescente (demonstrada pela linha diagonal azul) e os pontos não estão muito dispersos.
par(bg='#FFFFF0')
plot(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media,COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study,pch=17, col='orange',
main='Horas de Estudo Sozinho x Horas nas Redes Sociais',
xlab='Horas nas redes sociais',
ylab='Horas de estudo sozinho')
abline(lsfit(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media,COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study), col='blue')
• Apresenta o mesmo resultado do primeiro gráfico, ou seja, correlação Negativa e Forte: Há uma concentração dos pontos em tendência decrescente (demonstrada pela linha diagonal azul) e os pontos não estão muito dispersos.
par(bg='#FFFFF0')
plot(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep,COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class,pch=17, col='#2F4F4F',
main='Horas de Aula Online x Horas de Sono',
xlab='Horas de sono',
ylab='Horas de aula online')
abline(lsfit(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep,COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class), col='blue')
• Correlação negativa e fraca: Há uma concentração dos pontos em tendência decrescente (demonstrada pela linha diagonal azul) e os pontos estão dispersos.
par(bg='#FFFFF0')
plot(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media,COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class,pch=17, col='#FF6347',
main='Horas de Aula Online x Horas nas Redes Sociais',
xlab='Horas nas redes sociais',
ylab='Horas de aula online')
abline(lsfit(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media,COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class), col='blue')
• Assim como o terceiro gráfico, apresenta uma correlação negativa e fraca: Há uma concentração dos pontos em tendência decrescente (demonstrada pela linha diagonal azul) e os pontos estão dispersos.
Correlação entre variáveis
Horas de sono x Horas de estudo sozinho
• Relação Negativa: quanto maior o horário dispendido para dormir, menor será o tempo de estudo.
cor(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep,COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study)## [1] -0.2185728Horas de redes sociais x Horas de estudo sozinho
• Relação Negativa: caso aumente o horário gastos nas redes sociais, menor será o tempo de estudo.
cor(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media,COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study) ## [1] -0.1626125Horas de sono x Horas de aula online
• Relação Negativa: se aumentar as horas de sono, menor será o tempo dedicado para a aula online
cor(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep,COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class)## [1] -0.1777823Horas de redes sociais x Horas de aula online
• Relação negativa: caso aumente as horas de acesso as redes sociais, menor será a carga horária disponibilizada para a aula online.
cor(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media,COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class)## [1] -0.1171212Idade x Horas de estudo sozinho
• Relação positiva: quanto maior a idade, maior será o tempo dedicado às horas de estudo
cor(COVID.19.Survey.Student.Responses.csv$Age.of.Subject,COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study)## [1] 0.008599576Idade x Horas de redes sociais
• Relação positiva: quanto maior a idade maior, maior será o tempo gasto nas redes sociais.
cor(COVID.19.Survey.Student.Responses.csv$Age.of.Subject,COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media)## [1] 0.06993806Matriz de correlação
est_quanti <- COVID.19.Survey.Student.Responses.csv %>% select(Age.of.Subject, Time.spent.on.Online.Class, Time.spent.on.self.study, Time.spent.on.sleep, Time.spent.on.social.media)
est_quanti <- na.omit(est_quanti)
cor(est_quanti)## Age.of.Subject Time.spent.on.Online.Class
## Age.of.Subject 1.000000000 -0.1718003
## Time.spent.on.Online.Class -0.171800301 1.0000000
## Time.spent.on.self.study 0.008599576 0.1193179
## Time.spent.on.sleep -0.116710171 -0.1777823
## Time.spent.on.social.media 0.069938059 -0.1171212
## Time.spent.on.self.study Time.spent.on.sleep
## Age.of.Subject 0.008599576 -0.11671017
## Time.spent.on.Online.Class 0.119317895 -0.17778234
## Time.spent.on.self.study 1.000000000 -0.21857284
## Time.spent.on.sleep -0.218572835 1.00000000
## Time.spent.on.social.media -0.162612511 0.08566708
## Time.spent.on.social.media
## Age.of.Subject 0.06993806
## Time.spent.on.Online.Class -0.11712120
## Time.spent.on.self.study -0.16261251
## Time.spent.on.sleep 0.08566708
## Time.spent.on.social.media 1.00000000library(corrplot)
Mcorr <- cor(est_quanti)
corrplot(Mcorr)
Idade do sujeito (Age.of.Subject) - tem uma relação negativa considerável com tempo gasto em aulas online (Time.spent.on.Online.Class) e tempo gasto de sono (Time.spent.on.sleep); e, positiva com tempo gasto nas redes sociais (Time.spent.on.social.media). Os resultados indicam quanto maior a idade do sujeito menor será o tempo gastos em aulas e de sono. Por outra, quanto maior a idade maior será o tempo de dispêndio nas redes sociais nesta amostra. Cabe ressaltar que a relação com Tempo gasto em aulas online (Time.spent.on.Online.Class) não ficou evidente.
Tempo gasto em aulas online (Time.spent.on.Online.Class) - apresenta uma forte relação positiva com tempo gasto em estudo individual (Time.spent.on.self.study), mas uma relação negativa com as outras váriaveis [Idade do sujeito (Age.of.Subject), tempo gasto de sono (Time.spent.on.sleep), tempo gasto nas redes sociais (Time.spent.on.social.media)]. Isto indica que o aumento do tempo dispendido em aulas online só vai aumentar o tempo gasto nos estudos. Em relação às outras variáveis, um aumento no tempo em aulas online representa que: menor será a idade do sujeito e menor será o tempo gastos dormindo e nas redes sociais.
Tempo gasto em estudo individual (Time.spent.on.self.study) – possui uma evidente relação positiva com tempo gasto em aulas online (Time.spent.on.Online.Class), e uma relação negativa com tempo gasto de sono (Time.spent.on.sleep) e tempo gasto nas redes sociais (Time.spent.on.social.media). Estes resultados demonstraram que um aumento nas horas de estudos individual aumenta o tempo gasto em aulas online, ao mesmo tempo que, diminui as horas despendidas com sono e nas redes sociais. Destaca-se também, a falta de uma relação clara com a idade do sujeito (Age.of.Subject).
Tempo gasto de sono (Time.spent.on.sleep) – tem uma forte relação negativa com a idade do sujeito (Age.of.Subject), com o tempo gasto em aulas online (Time.spent.on.Online.Class) e com tempo gasto em estudo individual (Time.spent.on.self.study); e, apenas tempo gasto nas redes sociais (Time.spent.on.social.media) tem uma relação positiva. Os resultados indicam que um aumento no tempo despendido com o sono aumenta as horas gastas nas redes sociais, já em relação às outras variáveis, um aumento no tempo em aulas online representa que: menor será a idade do sujeito e menor será o tempo gastos dormindo e em aulas online.
Tempo gasto nas redes sociais (Time.spent.on.social.media) – apresenta uma forte relação positiva com a idade do sujeito (Age.of.Subject) e tempo gasto de sono (Time.spent.on.sleep), mas uma relação negativa com o tempo gasto em aulas online (Time.spent.on.Online.Class) e com tempo gasto em estudo individual (Time.spent.on.self.study). Isto indica que um aumento do tempo dispendido nas redes sociais vai aumentar o tempo gasto de sono e indica que maior será a idade do sujeito. Por outro lado, se aumentar o tempo gastos nas redes sociais representa que menor tempo de estudo e aulas online.
Teste de normalidade
Para sabermos se uma variável possui relação com outra, precisamos antes de tudo, executar o teste de normalidade para indicar se elas são normais ou não. A partir do resultado do teste, é verificado o p-value, que se for menor que o valor de alfa (0,05), rejeita-se H0 e a variável não é normal. Se ao invés de menor, o p-value for maior, não rejeita-se H0 e a variável é normal.
options(scipen = 999)
shapiro.test(COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class)##
## Shapiro-Wilk normality test
##
## data: COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class
## W = 0.95756, p-value < 0.00000000000000022p-value < 0.00000000000000022
p-valor< 0,05 = Os dados não seguem uma distribuição normal.
options(scipen = 999)
shapiro.test(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep)##
## Shapiro-Wilk normality test
##
## data: COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep
## W = 0.93043, p-value < 0.00000000000000022p-value < 0.00000000000000022
p-valor< 0,05 = os dados não seguem uma distribuição normal.
options(scipen = 999)
shapiro.test(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media)##
## Shapiro-Wilk normality test
##
## data: COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media
## W = 0.83366, p-value < 0.00000000000000022p-valor< 0,05 = os dados não seguem uma distribuição normal.
options(scipen = 999)
shapiro.test(COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study)##
## Shapiro-Wilk normality test
##
## data: COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study
## W = 0.86023, p-value < 0.00000000000000022p-valor< 0,05 = os dados não seguem uma distribuição normal.
Análise: O teste de normalidade de Shapiro-Wilk apresentou o resultado do p-valor = < 0.00000000000000022. O resultado do teste rejeita a hipótese nula, ou seja, a hipótese de normalidade dos erros (os dados não seguem uma distribuição normal).
Teste de correlação de Spearman
H0: rho = 0
H1: rho ≠ 0
se pvalor for menor que 0,05 rej H0
se pvalor for maior que 0,05 nao rej H0
Correlação entre Horas de sono e Horas nas redes sociais:
rho = 0.08829335
O valor da correlação de spearman (igual a aproximadamente 0,0883) indica que existe uma relação positiva entre as duas variáveis. Um aumento nas horas de sono aumenta o tempo de acesso as redes sociais, a situação inversa também é válida.
cor.test(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep,COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media,method = 'spearman')## Warning in cor.test.default(COVID.
## 19.Survey.Student.Responses.csv$Time.spent.on.sleep, : Cannot compute exact p-
## value with ties##
## Spearman's rank correlation rho
##
## data: COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep and COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media
## S = 250931968, p-value = 0.002379
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.08829335Correlação entre horas de sono e horas de estudo sozinho:
rho = -0.2078702
A correlação de spearman com valor de -0.2078702, representa a existência de uma relação negativa entre as horas de sono e de estudo sozinho. O aumento nas horas de sono diminui o tempo de estudo ou ao contrário, o aumento das horas de estudo diminui as horas de sono.
cor.test(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep,COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study,method = 'spearman')## Warning in cor.test.default(COVID.
## 19.Survey.Student.Responses.csv$Time.spent.on.sleep, : Cannot compute exact p-
## value with ties##
## Spearman's rank correlation rho
##
## data: COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep and COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study
## S = 332446025, p-value = 0.0000000000005274
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## -0.2078702Correlação entre horas de sono e horas na aula online:
rho = -0.1623309
O resultado da correlação de spearman negativa ⎯ igual a -0,1623309 ⎯ demonstra que o aumento nas horas de sono diminui o tempo em aula online. O mesmo ocorre para o contrário, se aumentar o tempo nas horas online diminui as horas de sono.
cor.test(COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep,COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class,method = 'spearman')## Warning in cor.test.default(COVID.
## 19.Survey.Student.Responses.csv$Time.spent.on.sleep, : Cannot compute exact p-
## value with ties##
## Spearman's rank correlation rho
##
## data: COVID.19.Survey.Student.Responses.csv$Time.spent.on.sleep and COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class
## S = 319912084, p-value = 0.00000001996
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## -0.1623309Correlação entre horas nas redes sociais e horas na aula online:
rho = -0.1404563
O valor da correlação de spearman de aproximadamente -0.1404, indica que as horas nas redes sociais tem uma relação negativa com as horas na aula online. O aumento de uma variável prejudica o tempo alocado a outra. Se aumentar o tempo de acesso nas redes sociais diminui o tempo em aula, o mesmo ocorre para o inverso.
cor.test(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media,COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class,method = 'spearman')## Warning in cor.test.default(COVID.
## 19.Survey.Student.Responses.csv$Time.spent.on.social.media, : Cannot compute
## exact p-value with ties##
## Spearman's rank correlation rho
##
## data: COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media and COVID.19.Survey.Student.Responses.csv$Time.spent.on.Online.Class
## S = 313891479, p-value = 0.000001248
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## -0.1404563Correlação entre horas nas redes sociais e horas de estudo sozinho:
rho = -0.1520185
O resultado da correlação de spearman negativa ⎯ igual a -0,152 ⎯ demonstra que a relação entre horas nas redes sociais e horas de estudo é negativa, ou seja, aumentar o número de horas nas redes representa um menor tempo direcionado para os estudos (isto também vale para o inverso, aumentar o tempo de estudo diminui as horas de acesso às redes sociais).
cor.test(COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media,COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study,method = 'spearman')## Warning in cor.test.default(COVID.
## 19.Survey.Student.Responses.csv$Time.spent.on.social.media, : Cannot compute
## exact p-value with ties##
## Spearman's rank correlation rho
##
## data: COVID.19.Survey.Student.Responses.csv$Time.spent.on.social.media and COVID.19.Survey.Student.Responses.csv$Time.spent.on.self.study
## S = 317073772, p-value = 0.0000001509
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## -0.1520185Conclusão
• H1: Quanto mais horas de sono maior o tempo de estudo?
A hipótese é falsa, os resultados do diagrama de dispersão, correlação entre as variáveis, do teste de correlação de Spearman e da matriz de correlação rejeitam tal afirmação.
• H2: Quanto mais horas de sono maior o tempo de aula online?
A hipótese é falsa: por meio dos resultados do diagrama de dispersão, correlação entre as variáveis, do teste de correlação de Spearman e da matriz de correlação encontramos outra evidencia. Quanto mais horas de sono menor será o tempo dedicado para aula online.
• H3: Quanto maior o tempo nas redes sociais menor o tempo de sono?
A hipótese é falsa: as evidências do teste de correlação de Spearman e da matriz de correlação indicam o contrário. Existe uma relação positiva entre o tempo nas redes sociais e o tempo de sono.
• H4: Quanto maior o tempo nas redes sociais menor o tempo de estudo?
A hipótese é verdadeira: os resultados do diagrama de dispersão, correlação entre as variáveis, do teste de correlação de Spearman e da matriz de correlação confirmam está hipótese.