Proyecto 2do mes

Proyecto 2do mes#

Para continuar el proceso de evaluación de conocimientos, se propone a continuación un problema que pretende evaluar, de manera individual, lo aprendido hasta el momento.

Así, se espera que se sigan los pasos descritos y se entregue un link de Github donde reposará la solución del proyecto.

La evaluación de este proyecto se dividirá en 50% (códigos) y 50% (análisis de resultados).

La fecha máxima de entrega será el día lunes 27 de abril a las 23:59. La entrega se deberá realizar enviando un link de su repositorio de Github a través del siguiente link: Link

Proyecto 1: Arqueología Galáctica y el Misterio de Omega Centauri#

Omega Centauri no es un cúmulo globular ordinario. Muchos astrónomos creen que es el núcleo remanente de una galaxia enana que fue devorada por nuestra Vía Láctea hace miles de millones de años. Para probar esto, debemos separar las estrellas que pertenecen al cúmulo de las estrellas de la Vía Láctea que simplemente se cruzan visualmente frente a él. Lo haremos usando “Cinemática” (su movimiento en el cielo).

Parte 1

  1. Abre la interfaz web de SIMBAD.

  2. Busca “Omega Centauri” (o NGC 5139).

  3. Anota en tu README.md sus coordenadas precisas (Ascensión Recta y Declinación en grados decimales, no en horas/minutos).

Parte 2

  1. Crea un script llamado 1_descarga_omega.sh.

  2. Escribe una consulta ADQL para el catálogo Gaia DR3 en VizieR.

  3. Haz un CIRCLE search (CONTAINS) centrado en las coordenadas que encontraste en SIMBAD, con un radio de 0.5 grados.

  4. Extrae las columnas: Source, RA_ICRS, DE_ICRS, pmRA, pmDE, Gmag, BPmag, RPmag.

  5. Usa wget en el script para descargar el archivo y guárdalo como omega_bruto.csv.

Parte 3

  1. Crea un script 2_crear_db.py.

  2. Usa Pandas para leer el CSV y limpiar cualquier fila que tenga valores nulos (NaN) en los movimientos propios (pmRA, pmDE) o fotometría.

  3. Usa la librería sqlite3 para crear una base de datos local llamada arqueologia.db.

  4. Transfiere el DataFrame limpio a una tabla SQL llamada estrellas.

Parte 4

  1. Crea un script 3_analisis.py.

  2. Conéctate a arqueologia.db y extrae los datos.

  3. Gráfica 1: Grafica el movimiento propio (pmRA en el eje X, pmDE en el eje Y) usando un Scatter Plot. Notarás una nube dispersa centrada en el origen (0,0) que es la Vía Láctea, y un “racimo” muy denso desplazado a un lado. ¡Ese racimo es Omega Centauri moviéndose como un enjambre!

  4. Filtro SQL Avanzado: Identifica a ojo (en tu gráfica) las coordenadas de ese “racimo” de movimiento propio. Modifica tu consulta para extraer únicamente las estrellas que pertenecen al racimo.

  5. Gráfica 2 (El Diagrama HR): Con las estrellas filtradas cinemáticamente, calcula el índice de color (\(BP - RP\)) y grafica el Diagrama Color-Magnitud (\(Color\) vs \(Gmag\) invertido).

  6. Guarda ambas gráficas y súbelas al repositorio. Discute en el README.md cómo el diagrama HR se ve mucho más limpio al remover las estrellas “intrusas” usando SQL.

Proyecto 2: Arquitectura Planetaria y la Búsqueda de “Tierra 2.0”#

No todos los planetas orbitan estrellas como nuestro Sol. Muchos orbitan enanas rojas frías o estrellas gigantes calientes. Queremos descubrir qué tipos de telescopios y métodos de descubrimiento son más eficientes para encontrar exoplanetas pequeños (rocosos) que existan en zonas donde el agua podría ser líquida.

Parte 1:

  1. Abre la interfaz web de la NASA Exoplanet Archive (Tabla PS).

  2. Usa la interfaz visual para encontrar cómo se llama internamente la columna “Equilibrium Temperature” (Temperatura de Equilibrio del planeta).

  3. Investiga cuántos planetas descubrió el telescopio terrestre “TRAPPIST-South” usando la barra de búsqueda de la GUI.

Parte 2:

  1. Crea un script 1_descarga_exoplanetas.sh.

  2. Escribe una consulta SQL para enviarla al endpoint TAP de la NASA.

  3. Extrae: pl_name (Nombre), discoverymethod (Método), disc_facility (Telescopio), pl_rade (Radio Terrestre), pl_eqt (Temperatura de Equilibrio), st_teff (Temperatura de la Estrella).

  4. Asegurarte que pl_rade y pl_eqt no sean nulos.

  5. Descarga el archivo como exoplanetas_bruto.csv.

Parte 3:

  1. Crea un script 2_crear_db.py.

  2. Lee el CSV con Pandas, crea la base de datos sistemas_planetarios.db.

  3. Guarda los datos en una tabla llamada planetas.

Parte 4:

  1. Crea un script 3_analisis.py.

  2. Cálculo Estadístico: Escribe una consulta SQL que use agrupe discoverymethod y calcule el valor promedio de el Radio Promedio de los planetas descubiertos por cada método. Imprime el resultado en la consola.

  3. El Filtro de Habitabilidad: Haz una segunda consulta. Extrae todos los datos, pero aisla lo que consideraremos “Mundos Rocosos Templados”: Temperatura de equilibrio (pl_eqt) entre 200 K y 320 K, y Radio (pl_rade) menor a 2.5 radios terrestres.

  4. Gráfica 1: Grafica Temperatura de la Estrella (st_teff en el eje X) vs Temperatura del Planeta (pl_eqt en el eje Y). Pinta de gris todos los planetas de la base de datos general, y superpón en color Azul brillante los planetas filtrados que cumplen la condición de habitabilidad.

  5. Sube todo a GitHub. En tu README.md, analiza la gráfica: ¿La mayoría de los planetas “habitables” que hemos encontrado orbitan estrellas como el Sol (~5800K) o estrellas Enanas Rojas más frías (<4000K)? Explica por qué crees que ocurre este sesgo observacional.

Contents