SEMANA 2 - GESTIÓN ESTRATÉGICA DE DATOS

Integración de Datos - Var. Climatológicas

Ubicación aproximada:

library(leaflet)

punto <- c(-76.83748, -11.98748)

mapa_lima = leaflet(width = "100%") |>
  setView(lng = punto[1], lat = punto[2], zoom = 8) %>%
  addTiles() 

mapa_lima = addMarkers(mapa_lima, lng = punto[1], lat = punto[2], popup = "ESTACIÓN")

mapa_lima

Contexto

Para este trabajo se recopilaron los datos de variables climatológicas (temperatura promedio mensual, humedad relativa promedio mensual) para la misma ubicación en el territorio nacional, de 2 diferentes fuentes.

Fuente 1: POWER NASA, https://power.larc.nasa.gov/
Fuente 2: SENAMHI, https://www.senamhi.gob.pe/servicios/?p=estaciones

Ambas fuentes nos otorgan valores promedios mensuales para las variables temperatura y humedad relativa, entre otras.

Para los datos de POWER NASA, se consideró:

AÑO: 2020
Departamento: LIMA - Provincia: LIMA - Distrito: LURIGANCHO
Latitud: 11°97’ - Longitud:76°78’

library(readr)
data = read_csv("POWER NASA/clima_est.csv", 
                 skip = 13, show_col_types = FALSE)

temp_nasa = data[1,3:14]
temp_nasa = t(temp_nasa) #TEMPERATURA PROMEDIO POR MES - 2020 - POWER NASA

hum_nasa = data[2,3:14]
hum_nasa = t(hum_nasa) #HUMEDAD RELATIVA PROMEDIO POR MES - 2020 - POWER NASA

meses = c("JAN", "FEB", "MAR", "APR", "MAY", "JUN", "JUL", 
         "AUG", "SEP", "OCT", "NOV", "DEC")

temp_nasa_d = data.frame(month = meses,
                         temp = temp_nasa |> as.numeric())
temp_nasa_d$month = factor(temp_nasa_d$month, 
                           levels = meses)

hum_nasa_d = data.frame(month = meses,
                        hum_rel = hum_nasa |> as.numeric())
hum_nasa_d$month = factor(hum_nasa_d$month, 
                           levels = meses)

temp_nasa_d

##    month  temp
## 1    JAN 20.04
## 2    FEB 20.58
## 3    MAR 20.38
## 4    APR 19.69
## 5    MAY 18.83
## 6    JUN 17.15
## 7    JUL 16.52
## 8    AUG 16.79
## 9    SEP 17.34
## 10   OCT 18.27
## 11   NOV 17.85
## 12   DEC 18.40

Para los datos de SENAMHI, se consideró:

Estación: ÑAÑA - AÑO 2020
Departamento: LIMA - Provincia: LIMA - Distrito: LURIGANCHO
Latitud: 11°59’ - Longitud:76°50’

Debido a que SENAMHI nos proporciona los datos por cada hora, mes a mes, se recopilaron los datos de cada mes, se unieron y se calculó el promedio para las dos variables.

library(dplyr, warn.conflicts = FALSE)
lista_dataframes = list()

for (mes in 1:12) {
  nombre_archivo = paste0("2020-", mes, ".csv")  # Nombre del archivo CSV
  ruta_archivo = paste0("SENAMHI 2020/", nombre_archivo)  # Ruta del archivo CSV
  
  datos_mes = read_csv(ruta_archivo, 
                       skip = 10, show_col_types = FALSE)
  
  lista_dataframes[[mes]] = datos_mes  # Almacenar los datos en la lista
}

data_s = do.call(rbind, lista_dataframes)

#dim(data_s)

data_s$`AÑO / MES / DÍA` = as.Date(data_s$`AÑO / MES / DÍA`)
data_s$`TEMPERATURA (°C)` = as.numeric(data_s$`TEMPERATURA (°C)`)
data_s$`HUMEDAD (%)` = as.numeric(data_s$`HUMEDAD (%)`)

#dim(data_s)
data_s = data_s |> na.omit()
#dim(data_s)

senamhi = data_s |> group_by(MES = format(`AÑO / MES / DÍA`, "%Y-%m")) |>
  summarise(Prom_Temp = mean(`TEMPERATURA (°C)`),
            Prom_Hum = mean(`HUMEDAD (%)`))

# Ver los resultados
senamhi$month = meses
senamhi$month = factor(senamhi$month,
                       levels = meses)

senamhi = senamhi |> select(c(month, Prom_Temp, Prom_Hum))
senamhi

## # A tibble: 12 × 3
##    month Prom_Temp Prom_Hum
##    <fct>     <dbl>    <dbl>
##  1 JAN        22.5     77.5
##  2 FEB        23.7     74.2
##  3 MAR        24.3     67.9
##  4 APR        25.1     63.0
##  5 MAY        24.5     59.8
##  6 JUN        21.0     64.3
##  7 JUL        20.6     62.0
##  8 AUG        21.7     55.7
##  9 SEP        17.5     76.2
## 10 OCT        18.5     75.5
## 11 NOV        18.3     76.4
## 12 DEC        20.0     80.6

Análisis Exploratorio de Datos

Temperatura Promedio Mensual - Año 2020

library(ggplot2)

plot_df = data.frame(month = meses,
                     temp_nasa = temp_nasa_d$temp,
                     temp_senamhi = senamhi$Prom_Temp,
                     hum_nasa = hum_nasa_d$hum_rel,
                     hum_senamhi = senamhi$Prom_Hum)

plot_df$month = factor(plot_df$month,
                       levels = meses)

a = ggplot(plot_df, aes(x = month)) +
  geom_line(aes(y = temp_nasa, color = "NASA"), group = 1) +  
  geom_point(aes(y = temp_nasa, color = "NASA")) +
  
  geom_line(aes(y = temp_senamhi, color = "SENAMHI"), group = 1) +  
  geom_point(aes(y = temp_senamhi, color = "SENAMHI")) +
  
  labs(x = "MESES 2020",
       y = "TEMPERATURA - NASA vs SENAMHI",
       title = "Estación ÑAÑA - Año: 2020\nDepartamento: Lima, Provincia: Lima, Distrito: Lima") + 
  theme_minimal() + 
  scale_color_manual(name = "Fuente de Datos", 
                     values = c("NASA" = "blue", "SENAMHI" = "orange"), 
                     labels = c("NASA", "SENAMHI")) +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        legend.position = "top")

ggsave("Temp.png", plot = a, width = 10, height = 6, dpi = 300)

Humedad Relativa Promedio Mensual - Año 2020

b = ggplot(plot_df, aes(x = month)) +
  geom_line(aes(y = hum_nasa, color = "NASA"), group = 1) +  
  geom_point(aes(y = hum_nasa, color = "NASA")) +
  
  geom_line(aes(y = hum_senamhi, color = "SENAMHI"), group = 1) +  
  geom_point(aes(y = hum_senamhi, color = "SENAMHI")) +
  
  labs(x = "MESES 2020",
       y = "HUMEDAD RELATIVA - NASA vs SENAMHI",
       title = "Estación ÑAÑA - Año: 2020\nDepartamento: Lima, Provincia: Lima, Distrito: Lima") + 
  theme_minimal() + 
  scale_color_manual(name = "Fuente de Datos", 
                     values = c("NASA" = "blue", "SENAMHI" = "orange"), 
                     labels = c("NASA", "SENAMHI"))+
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        legend.position = "top")


ggsave("Hum.png", plot = b, width = 10, height = 6, dpi = 300)

Error en la variable Temperatura:

Podemos observar que al comparar la temperatura promedio por mes, los datos obtenidos de la web de la NASA subestiman la temperatura real (captada por las estaciones climatológicas de SENAMHI). Sin embargo podemos observar que las observaciones no son tan alejadas de la realidad.

plot_df$error_temp = abs(plot_df$temp_nasa-plot_df$temp_senamhi)/plot_df$temp_senamhi
plot_df |> select(c(month, temp_nasa, temp_senamhi, error_temp))

##    month temp_nasa temp_senamhi  error_temp
## 1    JAN     20.04     22.54207 0.110995570
## 2    FEB     20.58     23.69181 0.131345402
## 3    MAR     20.38     24.29900 0.161282529
## 4    APR     19.69     25.06909 0.214570641
## 5    MAY     18.83     24.49444 0.231254253
## 6    JUN     17.15     20.96604 0.182010439
## 7    JUL     16.52     20.56667 0.196758509
## 8    AUG     16.79     21.69000 0.225910558
## 9    SEP     17.34     17.50379 0.009357282
## 10   OCT     18.27     18.51157 0.013049927
## 11   NOV     17.85     18.33394 0.026395643
## 12   DEC     18.40     20.04180 0.081918839

plot_df$error_temp |> mean()

## [1] 0.1320708

Realizamos el cálculo de los errores promedio. Valor absoluto de la desviación dividido entre el dato observado, y sacamos el promedio de los errores, obteniendo así 0.13. Podemos concluir que los datos experimentales tienen una desviacion promedio del 13% con respecto a los datos observados.

Error en la variable Humedad Relativa:

Con respecto a la Humedad Relativa, se puede apreciar graficamente una mayor presición y similitud de los datos. No podemos decir que los datos del modelo de la NASA subestiman o sobrestiman los datos captados por las estaciones climatológicas de SENAMHI debido a que las desviaciones son variadas a lo largo del año.

plot_df$error_hum = abs(plot_df$hum_nasa-plot_df$hum_senamhi)/plot_df$hum_senamhi
plot_df |> select(c(month, hum_nasa, hum_senamhi, error_hum))

##    month hum_nasa hum_senamhi  error_hum
## 1    JAN    74.06    77.52554 0.04470188
## 2    FEB    76.88    74.19684 0.03616274
## 3    MAR    75.69    67.87231 0.11518240
## 4    APR    70.25    63.03636 0.11443611
## 5    MAY    64.06    59.77778 0.07163569
## 6    JUN    65.44    64.30189 0.01769953
## 7    JUL    61.12    62.01235 0.01438981
## 8    AUG    58.56    55.70000 0.05134650
## 9    SEP    59.31    76.15909 0.22123545
## 10   OCT    60.25    75.49394 0.20192273
## 11   NOV    61.31    76.37274 0.19722665
## 12   DEC    72.31    80.64919 0.10340083

plot_df$error_hum |> mean()

## [1] 0.09911169

Podemos concluir que los datos experimentales tienen una desviacion promedio del 9% con respecto a los datos observados. Podemos decir que el modelo utilizado por la NASA tiene una presición mayor a lo que esperábamos para este punto de la región.

Análisis de los Errores

c = ggplot(plot_df, aes(x = month)) +
  geom_bar(aes(y = temp_nasa, fill = "NASA"), stat = "identity", 
           width = 0.5, color = "black") + 
  geom_line(aes(y = temp_senamhi, color = "SENAMHI"), 
            group = 1, size = 1) +
  labs(x = "MESES 2020",
       y = "Temperatura °C - NASA",
       title = "Estación ÑAÑA\nDepartamento: Lima, Provincia: Lima, Distrito: Lima") + 
  scale_fill_manual(values = "#A2CD5A", name = "") +  # Asignar nombre a la leyenda de barras
  scale_color_manual(values = "red", name = "") +   # Asignar nombre a la leyenda de líneas
  scale_y_continuous(limits = c(0, 35), breaks = seq(0, 30, by = 10),
                     sec.axis = sec_axis(~.*1, name = "Temperatura °C - SENAMHI")) +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        legend.position = "top")

ggsave("c.png", plot = c, width = 10, height = 6, dpi = 300)

Podemos observar claramente que, con respecto a la temperatura promedio, los meses de SEPTIEMBRE y OCTUBRE son los que presentan un error muy pequeño mientras que los meses de ABRIL y MAYO presentan un mayor error.

d = ggplot(plot_df, aes(x = month)) +
  geom_bar(aes(y = hum_nasa, fill = "NASA"), stat = "identity", 
           width = 0.5, color = "black") + 
  geom_line(aes(y = hum_senamhi, color = "SENAMHI"), 
            group = 1, size = 1) +
  labs(x = "MESES 2020",
       y = "Humedad Relativa - NASA",
       title = "Estación ÑAÑA\nDepartamento: Lima, Provincia: Lima, Distrito: Lima") + 
  scale_fill_manual(values = "#A2CD5A", name = "") +  # Asignar nombre a la leyenda de barras
  scale_color_manual(values = "red", name = "") +   # Asignar nombre a la leyenda de líneas
  scale_y_continuous(limits = c(0, 120), breaks = seq(0, 120, by = 20),
                     sec.axis = sec_axis(~.*1, name = "Humedad Relativa - SENAMHI")) +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        legend.position = "top")

ggsave("d.png", plot = d, width = 10, height = 6, dpi = 300)

Con respecto a la Humedad Relativa, los meses de SEPTIEMBRE, OCTUBRE y NOVIEMBRE son los que presentan un mayor error, mientras que los meses de JUNIO y JULIO presentan un error practicamente nulo.

Integración de Datos:

Debido a que los datos obtenidos de SENAMHI están por horas, se realizó la agrupación, obteniendo el promedio mensual de la temperatura, y humedad relativa, obteniendo así el promedio mensual para estos valores, y así poder realizar las comparaciones respectivas. A continuación se presentará la tabla obtenida de la integración de datos.

library(knitr)
library(kableExtra)

## 
## Attaching package: 'kableExtra'

## The following object is masked from 'package:dplyr':
## 
##     group_rows

kable(plot_df) |> kable_styling(full_width = TRUE, 
                                bootstrap_options = "striped")

month	temp_nasa	temp_senamhi	hum_nasa	hum_senamhi	error_temp	error_hum
JAN	20.04	22.54207	74.06	77.52554	0.1109956	0.0447019
FEB	20.58	23.69181	76.88	74.19684	0.1313454	0.0361627
MAR	20.38	24.29901	75.69	67.87231	0.1612825	0.1151824
APR	19.69	25.06909	70.25	63.03636	0.2145706	0.1144361
MAY	18.83	24.49444	64.06	59.77778	0.2312543	0.0716357
JUN	17.15	20.96604	65.44	64.30189	0.1820104	0.0176995
JUL	16.52	20.56667	61.12	62.01235	0.1967585	0.0143898
AUG	16.79	21.69000	58.56	55.70000	0.2259106	0.0513465
SEP	17.34	17.50379	59.31	76.15909	0.0093573	0.2212355
OCT	18.27	18.51157	60.25	75.49394	0.0130499	0.2019227
NOV	17.85	18.33394	61.31	76.37274	0.0263956	0.1972267
DEC	18.40	20.04180	72.31	80.64919	0.0819188	0.1034008

Análisis por Años - 2000 - 2010

data_h_senamhi = read.table("SENAMHI 2020/hist_senamhi.txt")

colnames(data_h_senamhi) = c("AÑO", "MES","DIA", 
                             "H.Relativa", "Temp.Max", "Temp.Min")

data_h_senamhi = data_h_senamhi = data_h_senamhi |> 
  filter(AÑO >= 2000 & AÑO <= 2010)

data_h_senamhi |> head(5)

##    AÑO MES DIA H.Relativa Temp.Max Temp.Min
## 1 2000   1   1          0     25.4     17.2
## 2 2000   1   2          0     25.0     16.8
## 3 2000   1   3          0     24.8     17.4
## 4 2000   1   4          0     25.6     17.6
## 5 2000   1   5          0     25.8     17.6

library(tidyr)

data_h_nasa = read_csv("POWER NASA/años.csv", 
                       skip = 10, show_col_types = FALSE)

data_h_nasa = pivot_longer(data_h_nasa, cols = -c(PARAMETER, YEAR), 
                           names_to = "MES", values_to = "VALOR")

data_h_nasa = pivot_wider(data_h_nasa, names_from = PARAMETER, 
                          values_from = VALOR)

colnames(data_h_nasa) = c("AÑO", "MES", "Temp.Max", "Temp.Min")

data_h_nasa = data_h_nasa |> filter(MES != "ANN")

data_h_nasa |> head()

## # A tibble: 6 × 4
##     AÑO MES   Temp.Max Temp.Min
##   <dbl> <chr>    <dbl>    <dbl>
## 1  2000 JAN       23.6     14.6
## 2  2000 FEB       24.2     15.6
## 3  2000 MAR       24.7     15.4
## 4  2000 APR       25.2     14.6
## 5  2000 MAY       23.8     12.6
## 6  2000 JUN       22.6     11.7

Podemos observar que los datos históricos obtenidos de SENAMHI presentan una estructura diferente. Estos datos a diferencia de los obtenidos de la web de la NASA, se encuentran en dias, meses y años. A continuación vamos a promediar la temperatura maxima y mínima para que los dos conjuntos de datos estén en un formato similar.

data_h_senamhi = data_h_senamhi |> group_by(AÑO,MES) |>
  summarize(P_Temp_Max = mean(Temp.Max),
            P_Temp_Min = mean(Temp.Min))

## `summarise()` has grouped output by 'AÑO'. You can override using the `.groups`
## argument.

data_h_senamhi$MES.n = data_h_senamhi$MES

data_h_senamhi$MES = factor(data_h_senamhi$MES, labels = month.abb)

data_h_senamhi |> head()

## # A tibble: 6 × 5
## # Groups:   AÑO [1]
##     AÑO MES   P_Temp_Max P_Temp_Min MES.n
##   <int> <fct>      <dbl>      <dbl> <int>
## 1  2000 Jan         26.2       6.54     1
## 2  2000 Feb         27.1      18.1      2
## 3  2000 Mar         26.9       6.03     3
## 4  2000 Apr         22.2      13.2      4
## 5  2000 May         25        15.8      5
## 6  2000 Jun         22.3      12.1      6

A continuación procedemos a realizar la integración de los datos históricos de las diferentes fuentes.

Debido a que existen fechas que por errores en la recolección de los datos figuran como valores negativos, serán remplazados por el promedio estimado por el modelo de la NASA.

data_historica = data.frame(AÑO = data_h_nasa$AÑO,
                            MES = data_h_nasa$MES,
                            MES.n = data_h_senamhi$MES.n,
                            Temp.Max.Nasa = data_h_nasa$Temp.Max,
                            Temp.Min.Nasa = data_h_nasa$Temp.Min,
                            Temp.Max.Senamhi = data_h_senamhi$P_Temp_Max,
                            Temp.Min.Senamhi = data_h_senamhi$P_Temp_Min)

data_historica$Temp.Max.Senamhi = ifelse(data_historica$Temp.Max.Senamhi < 10, 
                                         mean(data_historica$Temp.Max.Nasa), 
                                         data_historica$Temp.Max.Senamhi)

data_historica$Temp.Min.Senamhi = ifelse(data_historica$Temp.Min.Senamhi < 10, 
                                         mean(data_historica$Temp.Min.Nasa), 
                                         data_historica$Temp.Min.Senamhi)

data_historica |> kable() |> 
  kable_styling(full_width = TRUE, bootstrap_options = "striped")

AÑO	MES	MES.n	Temp.Max.Nasa	Temp.Min.Nasa	Temp.Max.Senamhi	Temp.Min.Senamhi
2000	JAN	1	23.59	14.58	26.21935	13.41417
2000	FEB	2	24.23	15.55	27.10345	18.12414
2000	MAR	3	24.72	15.37	26.85161	13.41417
2000	APR	4	25.24	14.61	22.19667	13.17000
2000	MAY	5	23.78	12.55	25.00000	15.80000
2000	JUN	6	22.63	11.72	22.33333	12.07333
2000	JUL	7	22.30	11.26	21.39355	12.06452
2000	AUG	8	23.15	11.94	20.76774	12.58710
2000	SEP	9	23.10	12.10	23.95621	12.44000
2000	OCT	10	23.55	12.99	24.28387	12.97419
2000	NOV	11	24.31	11.93	25.11333	13.40000
2000	DEC	12	24.38	14.33	25.38065	15.19355
2001	JAN	1	23.42	15.50	26.90323	13.41417
2001	FEB	2	25.84	16.01	28.55000	18.53571
2001	MAR	3	25.36	16.33	29.17419	19.56129
2001	APR	4	25.42	14.56	26.61333	17.00667
2001	MAY	5	23.68	12.26	25.03871	13.66452
2001	JUN	6	23.34	11.65	20.33333	13.41417
2001	JUL	7	22.66	11.45	12.41290	11.05161
2001	AUG	8	23.69	11.30	17.39677	11.08387
2001	SEP	9	22.08	11.24	18.93667	12.52000
2001	OCT	10	22.80	12.53	22.76129	12.69032
2001	NOV	11	22.49	12.37	20.85667	15.21333
2001	DEC	12	24.08	13.08	25.46452	15.83871
2002	JAN	1	25.08	14.49	26.88387	16.76129
2002	FEB	2	25.05	16.37	17.75714	17.26429
2002	MAR	3	25.92	16.52	26.98710	18.54194
2002	APR	4	25.62	14.13	25.98667	16.40000
2002	MAY	5	25.31	14.09	25.40645	14.47742
2002	JUN	6	23.26	11.91	23.54667	12.82000
2002	JUL	7	21.83	10.77	23.95621	13.41417
2002	AUG	8	23.40	11.93	23.95621	13.41417
2002	SEP	9	23.76	13.01	23.95621	13.41417
2002	OCT	10	23.73	13.31	23.95621	13.41417
2002	NOV	11	23.76	13.57	23.95621	13.41417
2002	DEC	12	24.73	15.06	23.95621	13.41417
2003	JAN	1	25.93	15.47	23.95621	13.41417
2003	FEB	2	25.91	16.50	27.55000	19.27857
2003	MAR	3	25.15	16.64	26.92581	18.75484
2003	APR	4	25.08	14.44	26.20667	16.37333
2003	MAY	5	24.80	13.29	25.30323	14.76129
2003	JUN	6	23.40	11.82	23.95621	13.41417
2003	JUL	7	23.06	11.53	22.60000	12.90323
2003	AUG	8	23.16	11.89	23.96129	12.16129
2003	SEP	9	22.90	11.62	23.90000	12.69333
2003	OCT	10	23.18	12.52	24.89032	13.41417
2003	NOV	11	24.10	13.08	25.29333	14.82667
2003	DEC	12	24.21	15.33	25.73548	13.41417
2004	JAN	1	24.96	14.65	26.69677	17.27742
2004	FEB	2	25.21	16.43	27.70000	18.21379
2004	MAR	3	27.21	16.28	27.50323	18.81935
2004	APR	4	25.97	13.37	26.13333	16.40000
2004	MAY	5	23.91	12.19	24.19355	13.41417
2004	JUN	6	22.87	11.93	14.82000	11.63333
2004	JUL	7	22.27	11.33	23.32258	11.63226
2004	AUG	8	22.98	10.39	23.24516	12.29032
2004	SEP	9	23.60	12.90	22.60000	13.07333
2004	OCT	10	22.91	13.00	23.78710	13.60645
2004	NOV	11	23.49	13.90	24.57333	14.12667
2004	DEC	12	23.53	15.08	25.69677	15.35484
2005	JAN	1	25.20	15.65	27.24516	17.27097
2005	FEB	2	25.72	16.08	27.38571	13.41417
2005	MAR	3	24.75	16.40	26.61290	18.77419
2005	APR	4	26.40	14.59	26.34000	17.73333
2005	MAY	5	24.84	12.30	24.68387	10.36452
2005	JUN	6	23.28	11.69	23.64667	12.16000
2005	JUL	7	22.92	11.15	22.58710	11.51613
2005	AUG	8	23.37	11.47	23.01290	11.50968
2005	SEP	9	23.05	12.06	22.66000	12.50000
2005	OCT	10	22.25	12.21	24.05161	13.33548
2005	NOV	11	23.66	12.03	24.79333	14.24000
2005	DEC	12	23.68	13.67	21.26129	15.60000
2006	JAN	1	24.34	14.80	26.53548	17.58065
2006	FEB	2	25.90	16.73	27.10357	18.76429
2006	MAR	3	25.05	16.45	27.04516	18.41290
2006	APR	4	24.26	14.58	26.57333	17.55333
2006	MAY	5	24.17	11.69	25.23871	16.49677
2006	JUN	6	23.00	12.15	25.03667	15.77333
2006	JUL	7	24.14	10.98	23.64516	13.97419
2006	AUG	8	23.56	12.40	24.10968	13.32258
2006	SEP	9	22.83	12.61	23.95621	13.61333
2006	OCT	10	23.28	12.80	24.89032	14.29032
2006	NOV	11	23.69	13.65	25.31333	14.98000
2006	DEC	12	23.39	14.63	25.71613	15.66452
2007	JAN	1	25.04	16.23	27.31613	17.65806
2007	FEB	2	25.17	15.66	27.29286	18.38571
2007	MAR	3	25.19	16.21	26.65806	18.10968
2007	APR	4	25.31	15.17	25.84667	16.86667
2007	MAY	5	23.65	12.37	24.94839	14.60645
2007	JUN	6	22.78	11.34	23.39333	12.21333
2007	JUL	7	22.58	11.54	24.30968	12.58710
2007	AUG	8	22.19	10.25	23.63871	12.69032
2007	SEP	9	22.57	12.04	23.95333	13.16000
2007	OCT	10	22.36	11.31	24.47742	14.05806
2007	NOV	11	23.00	12.55	24.88667	14.46000
2007	DEC	12	24.01	12.71	25.54194	15.25161
2008	JAN	1	24.22	15.46	26.42581	17.20000
2008	FEB	2	24.83	15.58	27.20000	18.48966
2008	MAR	3	25.25	15.52	26.46452	18.36129
2008	APR	4	24.36	14.37	25.99333	17.50000
2008	MAY	5	23.38	11.41	25.09032	15.97419
2008	JUN	6	22.68	11.84	23.68000	12.85333
2008	JUL	7	22.82	11.47	22.84516	12.05806
2008	AUG	8	22.61	11.87	21.57419	11.79355
2008	SEP	9	22.80	12.05	22.32667	12.78000
2008	OCT	10	23.14	12.00	22.75484	13.39355
2008	NOV	11	23.83	13.34	24.35667	15.02000
2008	DEC	12	23.33	13.88	24.91613	16.18065
2009	JAN	1	24.25	15.03	25.83226	17.25161
2009	FEB	2	24.70	15.48	21.45357	18.22143
2009	MAR	3	24.61	15.77	25.56774	18.59355
2009	APR	4	25.26	14.06	25.76000	17.18667
2009	MAY	5	24.21	13.98	24.33548	15.09032
2009	JUN	6	23.26	11.18	23.06667	12.10667
2009	JUL	7	23.14	12.33	14.55484	12.45806
2009	AUG	8	23.27	11.84	22.91613	12.49032
2009	SEP	9	23.93	12.58	23.46000	13.09333
2009	OCT	10	23.01	12.63	24.13871	13.98065
2009	NOV	11	24.52	13.34	24.63333	14.63333
2009	DEC	12	24.18	15.04	24.89032	15.10968
2010	JAN	1	25.37	15.82	25.63226	16.27097
2010	FEB	2	25.70	16.95	26.73571	17.68571
2010	MAR	3	27.26	16.33	26.34839	17.59355
2010	APR	4	24.95	15.47	25.72000	16.10667
2010	MAY	5	25.29	13.24	23.75484	14.60000
2010	JUN	6	23.55	12.05	22.06667	12.19333
2010	JUL	7	22.62	10.70	22.12903	10.95484
2010	AUG	8	22.71	10.90	22.33226	10.33548
2010	SEP	9	23.76	11.62	19.24333	12.16667
2010	OCT	10	22.60	12.02	23.49677	13.50968
2010	NOV	11	22.02	11.94	23.28000	14.24000
2010	DEC	12	23.14	13.48	24.64516	14.82581

Análisis Exploratorio

Temperatura Máxima

data_historica$AÑO_MES = as.Date(paste(data_historica$AÑO, 
                                       data_historica$MES.n, "01", sep = "-"))

ggplot(data_historica, aes(x = AÑO_MES)) +
  geom_line(aes(y = Temp.Max.Nasa, color = "NASA"), group = 1) +  
  geom_point(aes(y = Temp.Max.Nasa, color = "NASA")) +
  
  geom_line(aes(y = Temp.Max.Senamhi, color = "SENAMHI"), group = 1) +  
  geom_point(aes(y = Temp.Max.Senamhi, color = "SENAMHI")) +
  
  labs(x = "",
       y = "Temperatura Máxima",
       title = "Estación ÑAÑA - Años: 2000 - 2010\nDepartamento: Lima, Provincia: Lima, Distrito: Lima") + 
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        legend.position = "top")

Podemos observar graficamente que, para la temperatura máxima, los valores obtenidos por el modelo utilizado por la NASA se aproxima bastante bien a los valores obtenidos por las mediciones realizadas por las estaciones de control de SENAMHI.

Podemos mencionar que los datos obtenidos del modelo de la NASA son más uniformes en el tiempo que los datos medidos por SENAMHI. Se sospecha que se debe a errores humanos de medición ya que se registraron temperaturas poco usuales en esta región del país. Se necesita un análisis mas profundo de estos valores atípicos.

data_historica$Error.Temp.Max = 100*abs(data_historica$Temp.Max.Nasa - 
  data_historica$Temp.Max.Senamhi)/data_historica$Temp.Max.Senamhi

data_historica$Error.Temp.Max |> mean()

## [1] 7.066962

Existe en promedio 7% de error en los datos obtenidos por el modelo de la NASA frente a los datos medidos por la estación meteorológica de SENAMHI.

data_historica |> filter(Error.Temp.Max > 20) |> kable() |> 
  kable_styling(full_width = TRUE, bootstrap_options = "striped")

AÑO	MES	MES.n	Temp.Max.Nasa	Temp.Min.Nasa	Temp.Max.Senamhi	Temp.Min.Senamhi	AÑO_MES	Error.Temp.Max
2001	JUL	7	22.66	11.45	12.41290	11.05161	2001-07-01	82.55198
2001	AUG	8	23.69	11.30	17.39677	11.08387	2001-08-01	36.17467
2002	FEB	2	25.05	16.37	17.75714	17.26429	2002-02-01	41.06999
2004	JUN	6	22.87	11.93	14.82000	11.63333	2004-06-01	54.31849
2009	JUL	7	23.14	12.33	14.55484	12.45806	2009-07-01	58.98493
2010	SEP	9	23.76	11.62	19.24333	12.16667	2010-09-01	23.47133

Podemos observar que los errores mas grandes los tenemos al comparar los datos y las mediciones hechas para Julio del 2001, Junio del 204, y Julio del 2007.

Temperatura Mínima

ggplot(data_historica, aes(x = AÑO_MES)) +
  geom_line(aes(y = Temp.Min.Nasa, color = "NASA"), group = 1) +  
  geom_point(aes(y = Temp.Min.Nasa, color = "NASA")) +
  
  geom_line(aes(y = Temp.Min.Senamhi, color = "SENAMHI"), group = 1) +  
  geom_point(aes(y = Temp.Min.Senamhi, color = "SENAMHI")) +
  
  labs(x = "",
       y = "Temperatura Mínima",
       title = "Estación ÑAÑA - Años: 2000 - 2010\nDepartamento: Lima, Provincia: Lima, Distrito: Lima") + 
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        legend.position = "top")

Podemos observar graficamente que, para la temperatura mínima, los valores obtenidos por el modelo utilizado por la NASA se aproxima bastante bien a los valores obtenidos por las mediciones realizadas por las estaciones de control de SENAMHI.

En este caso, pareciera que existe un error promedio bajo. A diferencia del análisis de la temperatura máxima, en este caso no se observan datos tan atípicos o extraños que alteren los ciclos uniformes de temperatura.

data_historica$Error.Temp.Min = 100*abs(data_historica$Temp.Min.Nasa - 
  data_historica$Temp.Min.Senamhi)/data_historica$Temp.Min.Senamhi

data_historica$Error.Temp.Min |> mean()

## [1] 10.12069

A pesar de que, graficamente pareciera que existe un error promedio mejor al obtenido de la variable Temperatura Máxima, en este caso, existe un mayor en aproximadamente 3%. El error promedio para los datos obtenidos por el modelo de la NASA ftrente a los medidos por SENAMHI, considerando la temperatura mínima, es del 10.12%.

data_historica |> filter(Error.Temp.Min > 15) |> kable() |> 
  kable_styling(full_width = TRUE, bootstrap_options = "striped")

AÑO	MES	MES.n	Temp.Max.Nasa	Temp.Min.Nasa	Temp.Max.Senamhi	Temp.Min.Senamhi	AÑO_MES	Error.Temp.Max	Error.Temp.Min
2000	MAY	5	23.78	12.55	25.00000	15.80000	2000-05-01	4.8800000	20.56962
2001	JAN	1	23.42	15.50	26.90323	13.41417	2001-01-01	12.9472422	15.54948
2001	MAR	3	25.36	16.33	29.17419	19.56129	2001-03-01	13.0738611	16.51880
2001	NOV	11	22.49	12.37	20.85667	15.21333	2001-11-01	7.8312290	18.68975
2001	DEC	12	24.08	13.08	25.46452	15.83871	2001-12-01	5.4370408	17.41752
2002	JUL	7	21.83	10.77	23.95621	13.41417	2002-07-01	8.8754103	19.71175
2003	JAN	1	25.93	15.47	23.95621	13.41417	2003-01-01	8.2391484	15.32584
2004	JAN	1	24.96	14.65	26.69677	17.27742	2004-01-01	6.5055582	15.20724
2004	APR	4	25.97	13.37	26.13333	16.40000	2004-04-01	0.6250000	18.47561
2004	AUG	8	22.98	10.39	23.24516	12.29032	2004-08-01	1.1407161	15.46194
2005	FEB	2	25.72	16.08	27.38571	13.41417	2005-02-01	6.0824204	19.87327
2005	APR	4	26.40	14.59	26.34000	17.73333	2005-04-01	0.2277904	17.72556
2005	MAY	5	24.84	12.30	24.68387	10.36452	2005-05-01	0.6325144	18.67414
2005	NOV	11	23.66	12.03	24.79333	14.24000	2005-11-01	4.5711213	15.51966
2006	JAN	1	24.34	14.80	26.53548	17.58065	2006-01-01	8.2737661	15.81651
2006	APR	4	24.26	14.58	26.57333	17.55333	2006-04-01	8.7054691	16.93885
2006	MAY	5	24.17	11.69	25.23871	16.49677	2006-05-01	4.2344070	29.13766
2006	JUN	6	23.00	12.15	25.03667	15.77333	2006-06-01	8.1347357	22.97126
2006	JUL	7	24.14	10.98	23.64516	13.97419	2006-07-01	2.0927694	21.42659
2007	MAY	5	23.65	12.37	24.94839	14.60645	2007-05-01	5.2042927	15.31140
2007	AUG	8	22.19	10.25	23.63871	12.69032	2007-08-01	6.1285480	19.22979
2007	OCT	10	22.36	11.31	24.47742	14.05806	2007-10-01	8.6505008	19.54796
2007	DEC	12	24.01	12.71	25.54194	15.25161	2007-12-01	5.9977267	16.66455
2008	FEB	2	24.83	15.58	27.20000	18.48966	2008-02-01	8.7132353	15.73667
2008	MAR	3	25.25	15.52	26.46452	18.36129	2008-03-01	4.5892248	15.47435
2008	APR	4	24.36	14.37	25.99333	17.50000	2008-04-01	6.2836625	17.88571
2008	MAY	5	23.38	11.41	25.09032	15.97419	2008-05-01	6.8166624	28.57229
2009	FEB	2	24.70	15.48	21.45357	18.22143	2009-02-01	15.1323456	15.04508
2009	MAR	3	24.61	15.77	25.56774	18.59355	2009-03-01	3.7458996	15.18563
2009	APR	4	25.26	14.06	25.76000	17.18667	2009-04-01	1.9409938	18.19240
2010	NOV	11	22.02	11.94	23.28000	14.24000	2010-11-01	5.4123711	16.15169

En este caso los errores parecen ser bastante uniformes a lo largo de todas las mediciones y comparaciones. No podemos mencionar una fecha donde exista un mayor error debido a que es muy uniforme a lo largo de los 10 años utilizados para este análisis.

Integración de Datos

Para finalizar este trabajo, se realizó la exportación de los datos finales obtenidos, transformados y estructurados adecuadamente con el que se hizo el análisis, con la intención de resguardarlos, y utilizarlos posteriormente para otro análisis en este u otro software.

write.csv(data_historica, 
          "Integración_SENAMHI_NASA_2000-2010.csv", 
          row.names = FALSE)

kable(data_historica) |> kable_styling(full_width = TRUE, 
                                bootstrap_options = "striped")

AÑO	MES	MES.n	Temp.Max.Nasa	Temp.Min.Nasa	Temp.Max.Senamhi	Temp.Min.Senamhi	AÑO_MES	Error.Temp.Max	Error.Temp.Min
2000	JAN	1	23.59	14.58	26.21935	13.41417	2000-01-01	10.0282972	8.6910604
2000	FEB	2	24.23	15.55	27.10345	18.12414	2000-02-01	10.6017812	14.2028158
2000	MAR	3	24.72	15.37	26.85161	13.41417	2000-03-01	7.9384911	14.5803566
2000	APR	4	25.24	14.61	22.19667	13.17000	2000-04-01	13.7107674	10.9339408
2000	MAY	5	23.78	12.55	25.00000	15.80000	2000-05-01	4.8800000	20.5696203
2000	JUN	6	22.63	11.72	22.33333	12.07333	2000-06-01	1.3283582	2.9265599
2000	JUL	7	22.30	11.26	21.39355	12.06452	2000-07-01	4.2370326	6.6684492
2000	AUG	8	23.15	11.94	20.76774	12.58710	2000-08-01	11.4709537	5.1409534
2000	SEP	9	23.10	12.10	23.95621	12.44000	2000-09-01	3.5740714	2.7331190
2000	OCT	10	23.55	12.99	24.28387	12.97419	2000-10-01	3.0220510	0.1218299
2000	NOV	11	24.31	11.93	25.11333	13.40000	2000-11-01	3.1988320	10.9701493
2000	DEC	12	24.38	14.33	25.38065	15.19355	2000-12-01	3.9425521	5.6836518
2001	JAN	1	23.42	15.50	26.90323	13.41417	2001-01-01	12.9472422	15.5494813
2001	FEB	2	25.84	16.01	28.55000	18.53571	2001-02-01	9.4921191	13.6262042
2001	MAR	3	25.36	16.33	29.17419	19.56129	2001-03-01	13.0738611	16.5187995
2001	APR	4	25.42	14.56	26.61333	17.00667	2001-04-01	4.4839679	14.3865151
2001	MAY	5	23.68	12.26	25.03871	13.66452	2001-05-01	5.4264365	10.2785647
2001	JUN	6	23.34	11.65	20.33333	13.41417	2001-06-01	14.7868852	13.1515189
2001	JUL	7	22.66	11.45	12.41290	11.05161	2001-07-01	82.5519751	3.6047869
2001	AUG	8	23.69	11.30	17.39677	11.08387	2001-08-01	36.1746709	1.9499418
2001	SEP	9	22.08	11.24	18.93667	12.52000	2001-09-01	16.5991903	10.2236422
2001	OCT	10	22.80	12.53	22.76129	12.69032	2001-10-01	0.1700680	1.2633452
2001	NOV	11	22.49	12.37	20.85667	15.21333	2001-11-01	7.8312290	18.6897458
2001	DEC	12	24.08	13.08	25.46452	15.83871	2001-12-01	5.4370408	17.4175153
2002	JAN	1	25.08	14.49	26.88387	16.76129	2002-01-01	6.7098632	13.5508083
2002	FEB	2	25.05	16.37	17.75714	17.26429	2002-02-01	41.0699920	5.1799752
2002	MAR	3	25.92	16.52	26.98710	18.54194	2002-03-01	3.9540999	10.9046625
2002	APR	4	25.62	14.13	25.98667	16.40000	2002-04-01	1.4109800	13.8414634
2002	MAY	5	25.31	14.09	25.40645	14.47742	2002-05-01	0.3796343	2.6760250
2002	JUN	6	23.26	11.91	23.54667	12.82000	2002-06-01	1.2174405	7.0982839
2002	JUL	7	21.83	10.77	23.95621	13.41417	2002-07-01	8.8754103	19.7117475
2002	AUG	8	23.40	11.93	23.95621	13.41417	2002-08-01	2.3217866	11.0641734
2002	SEP	9	23.76	13.01	23.95621	13.41417	2002-09-01	0.8190448	3.0129838
2002	OCT	10	23.73	13.31	23.95621	13.41417	2002-10-01	0.9442733	0.7765422
2002	NOV	11	23.76	13.57	23.95621	13.41417	2002-11-01	0.8190448	1.1617072
2002	DEC	12	24.73	15.06	23.95621	13.41417	2002-12-01	3.2300093	12.2693670
2003	JAN	1	25.93	15.47	23.95621	13.41417	2003-01-01	8.2391484	15.3258371
2003	FEB	2	25.91	16.50	27.55000	19.27857	2003-02-01	5.9528131	14.4127455
2003	MAR	3	25.15	16.64	26.92581	18.75484	2003-03-01	6.5951839	11.2762298
2003	APR	4	25.08	14.44	26.20667	16.37333	2003-04-01	4.2991605	11.8078176
2003	MAY	5	24.80	13.29	25.30323	14.76129	2003-05-01	1.9887812	9.9672203
2003	JUN	6	23.40	11.82	23.95621	13.41417	2003-06-01	2.3217866	11.8842020
2003	JUL	7	23.06	11.53	22.60000	12.90323	2003-07-01	2.0353982	10.6425000
2003	AUG	8	23.16	11.89	23.96129	12.16129	2003-08-01	3.3441034	2.2307692
2003	SEP	9	22.90	11.62	23.90000	12.69333	2003-09-01	4.1841004	8.4558824
2003	OCT	10	23.18	12.52	24.89032	13.41417	2003-10-01	6.8714360	6.6658384
2003	NOV	11	24.10	13.08	25.29333	14.82667	2003-11-01	4.7179758	11.7805755
2003	DEC	12	24.21	15.33	25.73548	13.41417	2003-12-01	5.9275508	14.2821644
2004	JAN	1	24.96	14.65	26.69677	17.27742	2004-01-01	6.5055582	15.2072442
2004	FEB	2	25.21	16.43	27.70000	18.21379	2004-02-01	8.9891697	9.7936388
2004	MAR	3	27.21	16.28	27.50323	18.81935	2004-03-01	1.0661506	13.4933150
2004	APR	4	25.97	13.37	26.13333	16.40000	2004-04-01	0.6250000	18.4756098
2004	MAY	5	23.91	12.19	24.19355	13.41417	2004-05-01	1.1720000	9.1259241
2004	JUN	6	22.87	11.93	14.82000	11.63333	2004-06-01	54.3184885	2.5501433
2004	JUL	7	22.27	11.33	23.32258	11.63226	2004-07-01	4.5131397	2.5984470
2004	AUG	8	22.98	10.39	23.24516	12.29032	2004-08-01	1.1407161	15.4619423
2004	SEP	9	23.60	12.90	22.60000	13.07333	2004-09-01	4.4247788	1.3258542
2004	OCT	10	22.91	13.00	23.78710	13.60645	2004-10-01	3.6872796	4.4570887
2004	NOV	11	23.49	13.90	24.57333	14.12667	2004-11-01	4.4085730	1.6045304
2004	DEC	12	23.53	15.08	25.69677	15.35484	2004-12-01	8.4320864	1.7899160
2005	JAN	1	25.20	15.65	27.24516	17.27097	2005-01-01	7.5065120	9.3855062
2005	FEB	2	25.72	16.08	27.38571	13.41417	2005-02-01	6.0824204	19.8732683
2005	MAR	3	24.75	16.40	26.61290	18.77419	2005-03-01	7.0000000	12.6460481
2005	APR	4	26.40	14.59	26.34000	17.73333	2005-04-01	0.2277904	17.7255639
2005	MAY	5	24.84	12.30	24.68387	10.36452	2005-05-01	0.6325144	18.6741363
2005	JUN	6	23.28	11.69	23.64667	12.16000	2005-06-01	1.5506061	3.8651316
2005	JUL	7	22.92	11.15	22.58710	11.51613	2005-07-01	1.4738646	3.1792717
2005	AUG	8	23.37	11.47	23.01290	11.50968	2005-08-01	1.5517241	0.3447309
2005	SEP	9	23.05	12.06	22.66000	12.50000	2005-09-01	1.7210944	3.5200000
2005	OCT	10	22.25	12.21	24.05161	13.33548	2005-10-01	7.4906116	8.4397678
2005	NOV	11	23.66	12.03	24.79333	14.24000	2005-11-01	4.5711213	15.5196629
2005	DEC	12	23.68	13.67	21.26129	15.60000	2005-12-01	11.3761190	12.3717949
2006	JAN	1	24.34	14.80	26.53548	17.58065	2006-01-01	8.2737661	15.8165138
2006	FEB	2	25.90	16.73	27.10357	18.76429	2006-02-01	4.4406378	10.8412638
2006	MAR	3	25.05	16.45	27.04516	18.41290	2006-03-01	7.3771469	10.6604765
2006	APR	4	24.26	14.58	26.57333	17.55333	2006-04-01	8.7054691	16.9388530
2006	MAY	5	24.17	11.69	25.23871	16.49677	2006-05-01	4.2344070	29.1376613
2006	JUN	6	23.00	12.15	25.03667	15.77333	2006-06-01	8.1347357	22.9712595
2006	JUL	7	24.14	10.98	23.64516	13.97419	2006-07-01	2.0927694	21.4265928
2006	AUG	8	23.56	12.40	24.10968	13.32258	2006-08-01	2.2799037	6.9249395
2006	SEP	9	22.83	12.61	23.95621	13.61333	2006-09-01	4.7011277	7.3702253
2006	OCT	10	23.28	12.80	24.89032	14.29032	2006-10-01	6.4696734	10.4288939
2006	NOV	11	23.69	13.65	25.31333	14.98000	2006-11-01	6.4129576	8.8785047
2006	DEC	12	23.39	14.63	25.71613	15.66452	2006-12-01	9.0454089	6.6042010
2007	JAN	1	25.04	16.23	27.31613	17.65806	2007-01-01	8.3325461	8.0873219
2007	FEB	2	25.17	15.66	27.29286	18.38571	2007-02-01	7.7780686	14.8251748
2007	MAR	3	25.19	16.21	26.65806	18.10968	2007-03-01	5.5070184	10.4898468
2007	APR	4	25.31	15.17	25.84667	16.86667	2007-04-01	2.0763477	10.0592885
2007	MAY	5	23.65	12.37	24.94839	14.60645	2007-05-01	5.2042927	15.3113958
2007	JUN	6	22.78	11.34	23.39333	12.21333	2007-06-01	2.6218296	7.1506550
2007	JUL	7	22.58	11.54	24.30968	12.58710	2007-07-01	7.1151805	8.3188109
2007	AUG	8	22.19	10.25	23.63871	12.69032	2007-08-01	6.1285480	19.2297916
2007	SEP	9	22.57	12.04	23.95333	13.16000	2007-09-01	5.7751183	8.5106383
2007	OCT	10	22.36	11.31	24.47742	14.05806	2007-10-01	8.6505008	19.5479578
2007	NOV	11	23.00	12.55	24.88667	14.46000	2007-11-01	7.5810340	13.2088520
2007	DEC	12	24.01	12.71	25.54194	15.25161	2007-12-01	5.9977267	16.6645516
2008	JAN	1	24.22	15.46	26.42581	17.20000	2008-01-01	8.3471680	10.1162791
2008	FEB	2	24.83	15.58	27.20000	18.48966	2008-02-01	8.7132353	15.7366654
2008	MAR	3	25.25	15.52	26.46452	18.36129	2008-03-01	4.5892248	15.4743500
2008	APR	4	24.36	14.37	25.99333	17.50000	2008-04-01	6.2836625	17.8857143
2008	MAY	5	23.38	11.41	25.09032	15.97419	2008-05-01	6.8166624	28.5722940
2008	JUN	6	22.68	11.84	23.68000	12.85333	2008-06-01	4.2229730	7.8838174
2008	JUL	7	22.82	11.47	22.84516	12.05806	2008-07-01	0.1101384	4.8769395
2008	AUG	8	22.61	11.87	21.57419	11.79355	2008-08-01	4.8011364	0.6482495
2008	SEP	9	22.80	12.05	22.32667	12.78000	2008-09-01	2.1200358	5.7120501
2008	OCT	10	23.14	12.00	22.75484	13.39355	2008-10-01	1.6926566	10.4046243
2008	NOV	11	23.83	13.34	24.35667	15.02000	2008-11-01	2.1623101	11.1850866
2008	DEC	12	23.33	13.88	24.91613	16.18065	2008-12-01	6.3658726	14.2185008
2009	JAN	1	24.25	15.03	25.83226	17.25161	2009-01-01	6.1251249	12.8777113
2009	FEB	2	24.70	15.48	21.45357	18.22143	2009-02-01	15.1323456	15.0450804
2009	MAR	3	24.61	15.77	25.56774	18.59355	2009-03-01	3.7458996	15.1856350
2009	APR	4	25.26	14.06	25.76000	17.18667	2009-04-01	1.9409938	18.1923972
2009	MAY	5	24.21	13.98	24.33548	15.09032	2009-05-01	0.5156416	7.3578452
2009	JUN	6	23.26	11.18	23.06667	12.10667	2009-06-01	0.8381503	7.6541850
2009	JUL	7	23.14	12.33	14.55484	12.45806	2009-07-01	58.9849291	1.0279648
2009	AUG	8	23.27	11.84	22.91613	12.49032	2009-08-01	1.5442005	5.2066116
2009	SEP	9	23.93	12.58	23.46000	13.09333	2009-09-01	2.0034101	3.9205703
2009	OCT	10	23.01	12.63	24.13871	13.98065	2009-10-01	4.6759321	9.6608214
2009	NOV	11	24.52	13.34	24.63333	14.63333	2009-11-01	0.4600812	8.8382688
2009	DEC	12	24.18	15.04	24.89032	15.10968	2009-12-01	2.8538103	0.4611443
2010	JAN	1	25.37	15.82	25.63226	16.27097	2010-01-01	1.0231563	2.7716098
2010	FEB	2	25.70	16.95	26.73571	17.68571	2010-02-01	3.8738979	4.1599354
2010	MAR	3	27.26	16.33	26.34839	17.59355	2010-03-01	3.4598433	7.1818849
2010	APR	4	24.95	15.47	25.72000	16.10667	2010-04-01	2.9937792	3.9528146
2010	MAY	5	25.29	13.24	23.75484	14.60000	2010-05-01	6.4625204	9.3150685
2010	JUN	6	23.55	12.05	22.06667	12.19333	2010-06-01	6.7220544	1.1755057
2010	JUL	7	22.62	10.70	22.12903	10.95484	2010-07-01	2.2186589	2.3262662
2010	AUG	8	22.71	10.90	22.33226	10.33548	2010-08-01	1.6914632	5.4619226
2010	SEP	9	23.76	11.62	19.24333	12.16667	2010-09-01	23.4713321	4.4931507
2010	OCT	10	22.60	12.02	23.49677	13.50968	2010-10-01	3.8165843	11.0267431
2010	NOV	11	22.02	11.94	23.28000	14.24000	2010-11-01	5.4123711	16.1516854
2010	DEC	12	23.14	13.48	24.64516	14.82581	2010-12-01	6.1073298	9.0774587