1.Introdução

Neste trabalho foram realizadas sessões de entrevistas com três turmas de um curso de psicologia, onde o objetivo era determinar o grau de estresse dos alunos e por conseguinte, a interação desse estresse com algumas variáveis também consideradas. Entretanto, é importante mencionar que para determinar o grau de estresse, foi utilizada uma escala que funciona a partir da realização de 10 perguntas, onde em cada uma existem 5 possíveis respostas com pontuação de 1 a 5. Portanto, a pontuação vai de 10 a 50, um exemplo da dinámica dessa escala é que questionamentos como:“esteve nervoso ou estressado?” serão feitos, então em seguida o aluno deveria responder de 1 a 5, onde 1 seria nunca, 2 quase nunca, 3 às vezes, 4 pouco frequente e por último 5 muito frequente. Tendo em mente isso, fica evidente que a possível pontuação máxima realmente é 50, assim através da pontuação alcançada pelos alunos é possível determinar o nível de estresse dos mesmos. Os possíveis resultados do teste são:

-> 10- estresse muito abaixo da média, o que poderia indicar uma pessoa com pouca energia investida em assuntos cotidianos.

-> 11 a 19- nível de estresse abaixo da média mas com mais normalidade, ou seja, o indivíduo consegue atingir seus objetivos sem muito desgaste emocional.

-> 20 a 29- nível de estresse considerado médio, o que inclusive seria considerado o padrão habitual.

-> 30 a 39- nível de estresse acima do normal, neste patamar já é importante haver uma certa preocupação assim como procurar atividades de lazer a fim de aliviar esse estresse.

-> 40 a 50- alto nível de estresse, é importante procurar uma avaliação com profissional, assim como buscar diminuir suas tensões com mais distrações e lazer para equilibrar com esse alto nível de estresse que pode trazer até mesmo problemas a saúde.

2. Objetivo

O objetivo desse estudo é verificar o impacto de algumas varíaveis coletadas na pesquisa quando são relacionadas com o estresse observado dos alunos entrevistados. Assim tanto variáveis quantitativas quanto qualitativas serão utilizadas para tanto, onde haverá análises de boxplot para ser possível relacionar estresse com o fato de trabalhar ou ser desempregado, como também matriz de correlação para verificar de que forma a varíavel quantitava de horas de estudo afeta também o estresse dos alunos analisados.

3.Metodologia

Todas as etapas relacionadas com os métodos utilizados para realizar essa pesquisa serm abordados neste tópico.Primeiramente, foi selecionada e importada para o RStudio uma base de dados, onde a mesma poderá ser analisada por meio de ferramentas estatísticas eficientes. A base de dados escolhida tem como objetivo analisar o estresse presente na vida dos alunos de um curso de psicologia de uma determinada instituição de ensino superior, através de entrevistas. Nessas entrevistas, foram coletadas diversas informações pessoais dos alunos assim como estatísticas acadêmicas nesse mesmo curso. Essa coleta de dados foi realizada ao longo de três períodos com três diferentes turmas, datando da segunda metade de 2007 e os dois semestres de 2008.

Na tabela a seguir, encontra-se a tabela de dados utilizada ao longo desse trabalho de estudo.

#Carregar biblioteca para incluir tabela
library(kableExtra)

#Carregar base de dados

library(readxl)
Questionario_Estresse <- read_excel("C:/Users/cardi/Base_de_dados-master/Questionario_Estresse.xls", 
                                    sheet = "Dados")
#Transformacao dos dados

Questionario_Estresse$Mora_pais <- ifelse(Questionario_Estresse$Mora_pais==1,"mora com os pais","independente")
Questionario_Estresse$RJ <- ifelse(Questionario_Estresse$RJ==1,"sim","não")
Questionario_Estresse$Namorado_a <-ifelse(Questionario_Estresse$Namorado_a==1,"namora","solteiro")
Questionario_Estresse$Trabalha <- ifelse(Questionario_Estresse$Trabalha==1,"trabalha","desempregado")
Questionario_Estresse$Turma <- as.factor(Questionario_Estresse$Turma)

#Execução e manipulação da tabela
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following object is masked from 'package:kableExtra':
## 
##     group_rows
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
kable(Questionario_Estresse, row.names = FALSE)%>%
  kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"), 
                 position = "center", fixed_thead = T) %>%
  scroll_box(width = "900px", height = "600px")
Aluno Turma Mora_pais RJ Namorado_a Trabalha Desempenho Estresse Créditos Horas_estudo
1 1 independente não solteiro desempregado 8.89 23 27 27
2 1 mora com os pais sim solteiro desempregado 8.80 24 28 28
3 1 independente não solteiro desempregado 8.00 25 25 25
4 1 independente não namora trabalha 8.80 38 21 30
5 1 independente não solteiro trabalha 8.90 41 18 20
6 1 independente não namora trabalha 8.10 25 29 32
7 1 independente não solteiro desempregado 9.20 41 26 25
8 1 mora com os pais sim namora trabalha 8.50 20 24 25
9 1 mora com os pais sim solteiro trabalha 8.70 26 20 25
10 1 mora com os pais sim solteiro trabalha 8.30 36 49 59
11 1 mora com os pais sim namora trabalha 8.50 37 28 26
12 1 independente não namora trabalha 9.10 26 23 35
13 1 independente não solteiro trabalha 9.03 30 20 35
14 1 mora com os pais não namora desempregado 9.36 31 26 60
15 1 mora com os pais sim solteiro trabalha 8.60 26 30 35
16 1 independente não solteiro trabalha 8.53 31 28 33
17 1 independente não solteiro trabalha 8.00 27 20 25
18 1 independente não solteiro desempregado 9.08 21 27 35
19 1 mora com os pais sim solteiro desempregado 8.50 26 26 30
20 1 mora com os pais sim solteiro trabalha 8.50 25 26 30
21 1 independente não namora desempregado 8.50 27 24 30
22 1 independente não namora desempregado 8.50 17 24 24
23 1 independente não namora desempregado 8.50 20 28 28
24 1 independente não solteiro trabalha 8.80 20 24 24
25 1 mora com os pais sim solteiro trabalha 8.00 21 30 33
26 1 mora com os pais sim solteiro desempregado 7.50 24 24 24
27 1 mora com os pais sim namora desempregado 9.40 29 24 44
28 1 independente não namora desempregado 8.50 38 24 44
29 2 mora com os pais sim namora desempregado 8.10 35 24 30
30 2 mora com os pais não namora desempregado 8.70 38 26 40
31 2 independente não namora trabalha 9.50 39 26 40
32 2 mora com os pais sim solteiro desempregado 7.70 30 30 36
33 2 independente não namora desempregado 8.70 32 30 40
34 2 mora com os pais sim solteiro desempregado 8.94 32 28 36
35 2 independente não namora desempregado 8.96 31 20 35
36 2 mora com os pais sim namora desempregado 9.29 26 28 40
37 2 mora com os pais sim solteiro trabalha 8.79 26 24 30
38 2 independente não namora desempregado 8.55 25 20 29
39 2 independente não solteiro trabalha 5.90 35 20 36
40 2 mora com os pais sim solteiro desempregado 8.50 37 20 30
41 2 mora com os pais sim solteiro desempregado 8.90 26 28 44
42 2 mora com os pais não namora trabalha 9.09 32 24 30
43 2 mora com os pais não solteiro desempregado 7.80 34 23 40
44 2 independente não solteiro desempregado 9.00 29 24 32
45 2 independente não namora desempregado 8.80 35 23 30
46 2 mora com os pais não solteiro desempregado 8.90 19 NA 28
47 2 independente não namora desempregado 9.00 23 25 30
48 2 independente não solteiro desempregado 9.12 28 27 33
49 2 independente não namora desempregado 8.50 30 27 30
50 2 independente não namora trabalha 9.07 24 26 40
51 2 independente não solteiro desempregado 8.89 21 28 40
52 2 independente não namora desempregado 9.33 30 28 33
53 2 independente sim namora desempregado 8.50 33 26 30
54 2 independente não solteiro desempregado 9.20 33 28 30
55 2 independente não namora desempregado 9.29 16 28 30
56 2 mora com os pais sim namora desempregado 9.36 44 26 28
57 2 independente não solteiro desempregado 8.64 25 29 40
58 2 mora com os pais sim solteiro trabalha 8.50 26 19 26
59 2 independente não namora desempregado 8.40 34 27 33
60 2 independente não namora desempregado 8.80 42 27 33
61 3 mora com os pais sim namora trabalha 9.40 25 20 36
62 3 mora com os pais não namora desempregado 9.60 31 24 36
63 3 independente não namora desempregado 9.00 33 28 32
64 3 mora com os pais sim namora desempregado 6.00 24 28 32
65 3 mora com os pais não solteiro trabalha 7.00 40 17 20
66 3 independente sim namora trabalha 7.00 18 26 24
67 3 mora com os pais sim solteiro desempregado 8.80 30 24 24
68 3 mora com os pais sim solteiro desempregado 8.50 42 24 28
69 3 mora com os pais sim solteiro desempregado 8.82 31 24 29
70 3 mora com os pais não solteiro desempregado 6.50 22 23 28
71 3 independente não solteiro desempregado 8.30 13 20 20
72 3 mora com os pais não solteiro desempregado 8.40 21 28 21
73 3 independente não solteiro desempregado 8.80 20 32 30
74 3 independente não namora trabalha 9.00 29 24 30
75 3 mora com os pais sim solteiro trabalha 9.00 28 24 30
76 3 mora com os pais não namora trabalha 8.48 30 23 25
77 3 independente não namora desempregado 8.60 20 23 26
78 3 independente sim namora desempregado 8.80 23 23 30
79 3 mora com os pais sim namora trabalha 5.82 16 24 20
80 3 mora com os pais não solteiro desempregado 6.60 17 20 20
81 3 mora com os pais sim namora desempregado 8.50 33 24 29
82 3 independente não solteiro desempregado 8.00 32 24 29
83 3 independente não solteiro trabalha 8.00 44 20 32
84 3 independente não solteiro desempregado 8.20 37 24 25
85 3 independente não namora trabalha 9.45 33 15 19
86 3 mora com os pais não namora trabalha 9.70 34 27 35
87 3 independente não solteiro trabalha 9.39 21 21 25
88 3 independente não solteiro trabalha 8.70 13 23 20
89 3 independente não solteiro desempregado 8.60 17 24 23
90 3 mora com os pais sim namora trabalha 9.30 15 27 23
91 3 independente não namora trabalha 8.60 22 23 25
92 3 mora com os pais sim solteiro desempregado 9.30 12 27 26
93 3 independente não namora trabalha 9.40 16 27 24
94 3 mora com os pais não namora desempregado 9.44 27 24 36
95 3 mora com os pais não namora desempregado 9.60 29 24 34

Abaixo, é contemplado o dicionário dos dados presentes nessa tabela de dados. Logo, são abordadas todas as variáveis e uma rápida explicação do que significam e representam. - Namorado_a (aluno namora ou é solteiro)

  • Trabalha ( tal aluno trabalha ou é desempregado)

  • Turma (turma correspodente do aluno)

  • Mora_pais (entrevistados que moram com os pais ou são independentes)

  • Estresse (grau de estresse fornecido por uma escala estabelecida)

  • RJ (natural do Rio de Janeiro ou de outra cidade)

  • Horas_estudo (número médio de horas de estudo semanal)

  • Desempenho (nota média do aluno até o momento)

  • Créditos (número de créditos que está cursando)

As variáveis de interesse abordadas nesse estudo são:

  • Namorado_a
  • Trabalha
  • Turma
  • Mora_pais
  • Estresse
  • RJ
  • Horas_estudo
  • Desempenho

Agora que as varíaveis que seram utilizadas nesse estudo foram expostas, como primeiro passo foram elaborados gráficos do tipo Boxplot entre as variáveis qualitativas Namorado_a, Trabalha e RJ e a variável quantitativa estresse, sendo que para auxiliar foram feitas tabelas mostrando a quantidade dos alunos quando relacionados com as variáveis qualitativas. Depois, foi construída uma matriz de correlação entre as variáveis quantitativas Estresse, Horas_estudo e Desempenho de cada aluno entrevistado. Por fim, como última etapa foi efetuada um histograma relacionando a quantidade total de alunos analisados com a variável estresse.

Além dessa análise com a manipulação dos dados, o estudo também cobriu Testes de Hipóteses.

4.Resultados e discussões

Boxplot

Foram analisadas duas variáveis de natureza qualitativa e quantitativa. Para tanto, foram elaborados gráficos Boxplot que viabilizam esse estudo.

A primeira análise foi com as variáveis Namorado_a e Estresse.

#Construção da tabela auxiliar

tabela_namorado_a <- table(Questionario_Estresse$Namorado_a)

#Construção do gráfico Boxplot
boxplot(Estresse~Namorado_a, data=Questionario_Estresse, col=c("green","blue"), main="Bloxpot 1 \n % de estresse por alunos que namoram ou são solteiros \n")

Olhando esse Boxplot fica perceptível a inexistência de qualquer outlier tanto na relação dos alunos que namoram quanto nos que são solteiros. Além disso, é possível concluir que o fato do aluno namorar ou ser solteiro não modifica muito o relacionamento com a variável estresse, ou seja, há um nível considerável de igualdade entre a dispersão dos dados, o que ajuda a concluir que realmente a variável Namorado_a não é um indicador muito eficaz como agravante para o estresse dos estudantes, mas ainda sim dá para afirmar que os alunos entrevistados que namoram possuem um pouco mais de estresse em relação aos solteiros. Outro ponto é que em ambas análises 50% dos dados se encontram entre 30 e 10 na escala de estresse, o que pode ser um bom sinal revelando que uma boa quantidade dos alunos entrevistados que possuem um nível padrão de estresse, sem ser nocivo a saúde ou necessário muita mudança na rotina. Entretanto, mesmo assim também existe um percentual significtativo de alunos acima do 30, o que pode ser no mínimo um alerta para algumas medidas. A mediana de ambos é bem próxima também o máximo atingido é bem similar.

A segunda análise foi entre as variáveis Trabalha e Estresse.

#Construção da tabela auxiliar

tabela_trabalha <- table(Questionario_Estresse$Trabalha)

#Construção do gráfico Boxplot

boxplot(Estresse~Trabalha, data=Questionario_Estresse, col=c("yellow","red"), main="Bloxpot 2 \n % de estresse por alunos que trabalham ou são desempregados \n")

Novamente é visível a inexistência de outliers tanto para os alunos que trabalham quanto desempregados. Aprofudando-se mais na leitura desse gráfico fica evidente uma harmonia de distribuição de dados em ambos grupos também, o que indica que a variável trabalha também não é um indicativo forte como causador de estresse nos alunos. A amplitude interquatil flutua entre as taxas de 20 e 29 e 30 e 39 da escala de estresse. A mediana do grupo desempregado está um pouco acima em relação ao grupo que trabalha, logo dá para afimar um nível um pouco maior de estresse para quem não trabalha, mas é quase insignificante.

A terceira e última análise boxplot foi feita com as variáveis Mora_pais e Estresse.

# Construção da tabela auxiliar

tabela_mora_pais <- table(Questionario_Estresse$Mora_pais)

#Construção do gráfico Boxplot

boxplot(Estresse~Mora_pais, data=Questionario_Estresse, col=c("pink","blue"), main="Bloxpot 3 \n % de estresse por alunos que moram com os pais ou são independentes \n")

Neste Boxplot também não há outliers, agora analisando bem esse boxplot também fica claro um equilíbrio entre as duas categorias. Portanto, a variável Mora_pais também não é um fator forte que determine um maior estresse nos alunos.

#Matriz de correlação

A proxíma etapa para a análise do estresse desses entrevistados foi a elaboração de uma matriz de correlação entre a própria variável estresse e as variáveis quantitativas desempenho e horas_estudo.

#Carregar biblioteca que viabilize a elaboração da matriz de correlação

library(corrplot)
## corrplot 0.92 loaded
#Construção da matriz de correlação

selecao<-c("Estresse","Desempenho","Horas_estudo")
cor_Questionario<-cor(Questionario_Estresse[,selecao])
par(cex=1.6)
corrplot(cor_Questionario)

Analisando essa matriz fica evidente um fraco grau de associação entre as variáveis estresse e desempenho.Ou seja, mesmo os alunos com elevedo desempenho acadêmico, não é um fator interessante para explicar o alto nível de estresse segundo a escala. Agora, quando analisado o grau de associação entre as variáveis horas_estudo e estresse, percebe-se um nível de associação moderado, sendo possível concluir que alguns alunos com estresse elevado pode ter relação com a quantidade de horas de estudo. O que inclusive pode ser um sinal para o aluno diminuir o ritmo de estudo e descansar mais.

Gráfico histograma relacionando Estresse com quantidade total de alunos

hist(Questionario_Estresse$Estresse, col = "green",border = "black",main = "Gráfico- Histograma de Estresse dos alunos",labels = TRUE,ylim = c(0,100), xlab ="Estresse",ylab = "Quantidade de alunos"  )

Com este histograma percebe-se um gráfico unimodal onde o maior número de alunos se encontra justamente entre 20 a 30, o que significa uma incidência maior de entrevistados com um nível padrão de estresse. Outro fato interessante é que se trata de um gráfico simétrico onde há medida que os dados vão para esquerda ou direita em relação ao centro (unimodal)há uma diminuição contínua, o que comprova o que é dito na escala em relação a grau de estresse abaixo de 20 que configura grau de estresse abaixo da média e consequentemente, grau de estresse acima de 30 configurando acima da média. O ideal é que os alunos se concentrem mais entre a escala 11 e 19 ou 20 e 29, considerando uma visão de saúde. Entretanto, conforme o prórpio histograma dentre esses 95 alunos 35 estão acima da média o que é preocupante.

Testes de Hipótese

Foi realizado um teste de hipótese entre as variável quantitativa Estresse e qualitativa Mora_pais.Assim, o primeiro passo foi fazer um teste de shapiro para verificar se a variável Estresse possui ou não uma distribuição normal.

#H0: os dados seguem uma distribuição normal
#H1: os dados NÃO seguem uma distribuição normal
#alpha = 0.05


modelo1 <- aov(Estresse~Mora_pais,data = Questionario_Estresse)
residuos1 <- residuals(modelo1)
shapiro.test(residuos1)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos1
## W = 0.98904, p-value = 0.6237

Para a variável estresse, pvalor>0,05. Portanto não rejeita-se a hipótese nula H0, assim estresse possui uma distribuição normal.

Já que o pressuposto de normalidade foi atendido, agora é necessário descobrir se os dois grupos (Mora com os pais ou Independente) possuem ou não uma igualdade de variância. Para tanto, será utilizado o teste Bartlett.

#H0:sigma2M = sigma2IN 
#H1:sigma2M != sigma2IN
#alpha = 0.05

bartlett.test(residuos1 ~ Questionario_Estresse$Mora_pais)
## 
##  Bartlett test of homogeneity of variances
## 
## data:  residuos1 by Questionario_Estresse$Mora_pais
## Bartlett's K-squared = 0.45683, df = 1, p-value = 0.4991

Como o pvalor>0,05, logo não rejeita-se a teoria nula H0. Portanto, há uma igualdade de variâncias entre os grupos testados.

Assim pressuposto de igualdade de variâncias atendido. Sendo assim, o procedimento final será a realização de um teste anova.

#H0:média_estresse_MP = média_estresse_IN 
#H1:média_estresse_MP!= média_estresse_IN
#alpha = 0.05
  
summary(modelo1)
##             Df Sum Sq Mean Sq F value Pr(>F)
## Mora_pais    1      7    7.02   0.122  0.727
## Residuals   93   5337   57.39

O pvalor>0,05 nos mostra que a hipótese nula H0 não pode ser rejeitada. Então, pode-se concluir que a variável Mora_pais não tem impacto no Estresse dos entrevistados.Confirmando assim o que foi afirmado pela análise da Boxplot.

Próximo Teste de hipótese foi realizado entre as variáveis Trabalho e Estresse. Para começar, é importante determinar se a variável Estresse possui uma distribuição normal através do teste de Shapiro Wilk.

#H0: os dados seguem uma distribuição normal
#H1: os dados NÃO seguem uma distribuição normal
#alpha = 0.05

modelo2 <- aov(Estresse~Trabalha,data = Questionario_Estresse)
residuos2 <- residuals(modelo2)
shapiro.test(residuos2)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos2
## W = 0.98879, p-value = 0.6048

Através do pvalor>0,05, é pertinente dizer que a hipótese nula H0 não pode ser rejeitada. Logo, a variável estresse possui distribuição normal.

Como o pressuposto de normalidade foi atendido, agora é preciso verificar se os dois grupos analisados (trabalha e desempregado) possuem ou não igualdade de variância. Teste utilizado será de Bartlett.

#H0:sigma2M = sigma2IN 
#H1:sigma2M != sigma2IN
#alpha = 0.05

bartlett.test(residuos2 ~ Questionario_Estresse$Trabalha)
## 
##  Bartlett test of homogeneity of variances
## 
## data:  residuos2 by Questionario_Estresse$Trabalha
## Bartlett's K-squared = 0.19864, df = 1, p-value = 0.6558

Como o pvalor>0,05, por consequência não se rejeita a teoria nula H0, confirmando assim a existência de uma igualdade de variâncias entre os dois grupos.

Agora que mais um pressuposto foi atendido, como último passo para o teste de hipótese entre essas duas variáveis será realizado o teste anova.

#H0:média_estresse_T = média_estresse_NT 
#H1:média_estresse_T!= média_estresse_NT
#alpha = 0.05

summary(modelo2)
##             Df Sum Sq Mean Sq F value Pr(>F)
## Trabalha     1      2    1.92   0.033  0.855
## Residuals   93   5342   57.44

Sabendo que o pvalor>0,05, a hipótese nula não deve ser rejeitada. Portanto, há uma igualdade entre as médias dos dois grupos estudados, logo a variável trabalho não tem impacto sobre o estresse dos alunos. Conforme foi visto na análise Boxplot.

Foi realizado um teste de hipótese entre as variáveis quantitativas estresse e horas_estudo. Esse teste poderá revelar se existe ou não correlação entre essas mesmas variáveis.

#H0: rho = 0
#H1: rho!= 0
# Alpha: 0,05

cor.test(Questionario_Estresse$Estresse, Questionario_Estresse$Horas_estudo, method = "pearson", conf.level = 0.95)
## 
##  Pearson's product-moment correlation
## 
## data:  Questionario_Estresse$Estresse and Questionario_Estresse$Horas_estudo
## t = 3.0764, df = 93, p-value = 0.002752
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.1090538 0.4762863
## sample estimates:
##      cor 
## 0.303917

Como pvalor<0,05, é pertinente rejeitar a teoria nula H0 em favor da teoria alternativa H1. Então, a correlação entre essas duas variáveis é diferente de zero.

5.Conclusão

Conforme todos os resultados obtidos, é possível concluir que nessas turmas entrevistadas o nível de estresse dos alunos não é muito influenciado pelas variáveis qualitativas, embora ainda assim seja possível por exemplo na análise de boxplot notar uma certa diferença no nível da mediana em alguns dos gráficos, indicando um sutil efeito de estresse superior em relação ao outro grupo analisado. Entretanto, em geral o impacto das variáveis qualitativas sobre o estresse é praticamente nulo conforme foi comprovado pelos testes de hipótese.

Agora seguindo para as variáveis quantitativas, foi possível perceber um certo grau de correlação entre horas de estudo dos alunos e o estresse dos mesmos. Assim, não seria um equívico afirmar que o nível de estresse dos entrevistados pode ter alguma conexão com o tempo de estudos médio semanal de cada estudante, o que inclusive poderia ser um indicador que o aluno analisado com alto estresse, poderia estar pegando muito pesado na carga de horário de estudo e por sua vez deveria tentar diminuir o ritmo e encontrar uma estratégia de estudo melhor. Inclusive, como forma de fortalecer essa correlação entre estresse e hora de estudo foi realizado um teste de hipótese que confirma existência de alguma correlação. Correlação essa que segundo a matriz de correlação é fraca/moderada.

O histograma realizado, serviu para mostrar como o nível de estresse se comporta relacionado a quantidade total de alunos participantes dessa entrevista. Dentre os 95 alunos, foi possível observar que 35(significativo percentual de alunos) deles estão acima do nível 30 de estresse, o que significa que esses alunos estão com um grau de estresse acima do padrão, o que pode afetar o seu cotidiano e no pior dos casos a prórpia saúde. Portanto, essa Instituição de Ensino Superior onde esses alunos estudam, deveria buscar formas e métodos para que seus estudantes consigam manter uma melhor saúde emocional como estimular prática de meditação ou até mesmo revisar a carga horária desses alunos e realizar umas adpatações a fim de dar um suporte.

Referências Bibliográficas

Escala de estresse medida através de dez perguntas. Disponível em: https://www.contioutra.com/teste-de-10-perguntas-para-detectar-ansiedadeestresse. Acesso em: 8 de Fevereiro de 2022

Livro com esquemas explicativos dos Testes de Hipótese. Disponível em:https://livro.metodosquantitativos.com/docs/qual-teste-de-hip%C3%B3teses-deve-ser-utilizado.html#quantitativa-vs-quantitativa. Acesso em: 12 de Fevereiro

Guia sobre gerenciamento de estresse na faculdade. Disponível em:https://www.freeletics.com/pt/blog/posts/o-guia-para-gerenciamento-de-estresse-na-faculdade/. Acesso em: 14 de Fevereiro