#%%
# Definimos la distribucion del prior
def log_prior(theta):
M, omega_m, H0 = theta
if (-22 < M < -18 and 0.01 < omega_m < 0.4 and 60 < H0 < 80):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-4 * np.random.randn(20, 3)
MCMC_sampler(log_probability,
pos,
filename="sample_LCDM_CC+SN+BAO+AGN_3params.h5",
witness_file='witness_15.txt',
witness_freq=5,
max_samples=100000)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
M, omega_m, b, H0 = theta
if (-22 < M < -18 and 0.01 < omega_m < 0.5 and 0 < b < 5 and 60 < H0 < 80):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-4 * np.random.randn(12, 4)
MCMC_sampler(log_probability,
pos,
filename="sample_EXP_CC+SN+AGN_4params_v2.h5",
witness_file='witness_332.txt',
witness_freq=5,
max_samples=2000000)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
omega_m, b = theta
if (0.2 < omega_m < 0.6 and 0 < b < 3):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-2 * np.random.randn(12, 2)
MCMC_sampler(log_probability,
pos,
filename="sample_EXP_AGN_2params.h5",
witness_file='witness_31.txt',
witness_freq=20,
max_samples=40000)
log_likelihood = lambda theta: -0.5 * params_to_chi2_AGN_nuisance(theta,H0_true,
data_agn, model='LCDM',less_z=True)
#%% Definimos la distribucion del prior
def log_prior(theta):
omega_m, beta, gamma, delta = theta
if not (5 < beta < 15 and 0.1 < gamma < 0.8 and 0 < delta < 0.5):
return -np.inf
#gaussian prior on a
mu = 0.298
sigma = 0.022
return np.log(1.0/(np.sqrt(2*np.pi)*sigma))-0.5*(omega_m-mu)**2/sigma**2
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp):
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-2 * np.random.randn(12, 4)
MCMC_sampler(log_probability,pos,
filename = "sample_LCDM_AGN_4params_nuisance_3.h5",
witness_file = 'witness_123.txt',
witness_freq = 5,
max_samples = 1000000)
model='HS')
#%%
# Definimos la distribucion del prior
def log_prior(theta):
M, omega_m, b, H0 = theta
if (-22 < M < -18 and 0.01 < omega_m < 0.5 and 0 < b < 3 and 60 < H0 < 80):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol * (1 + 0.01 * np.random.randn(20, 4))
MCMC_sampler(log_probability,
pos,
filename="sample_HS_CC+SN_4params_augusto.h5",
witness_file='witness_26_augusto.txt',
witness_freq=100,
max_samples=2000000)
integrador=1)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
M, omega_m, b, H0 = theta
if (-22 < M < -18 and 0.01 < omega_m < 0.5 and 0 < b < 3 and 60 < H0 < 80):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol * (1 + 0.01 * np.random.randn(12, 4))
MCMC_sampler(log_probability,
pos,
filename="sample_HS_CC+SN_4params_int1.h5",
witness_file='witness_261.txt',
witness_freq=5,
max_samples=2000000)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
M, omega_m, b, H0 = theta
if (-22 < M < -18 and 0.01 < omega_m < 0.5 and 0 < b < 1 and 60 < H0 < 80):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-4 * np.random.randn(20, 4)
MCMC_sampler(log_probability,
pos,
filename="sample_HS_CC+SN+AGN_4params_v2_nuevo.h5",
witness_file='witness_232-nuevo.txt',
witness_freq=20,
max_samples=2000000)
#%% Definimos la distribucion del prior
def log_prior(theta):
omega_m, b, beta, gamma, delta = theta
if (0.1 < omega_m < 0.99 and 0 < b < 0.2 and 5 < beta < 15
and 0.1 < gamma < 0.8 and 0 < delta < 0.5):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp):
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-2 * np.random.randn(12, 5)
MCMC_sampler(log_probability,
pos,
filename="sample_HS_AGN_5params_nuisance_less_z.h5",
witness_file='witness_22.txt',
witness_freq=5,
max_samples=1000000)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
omega_m = theta
if 0.1 < omega_m < 0.5:
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-2 * np.random.randn(20, 1)
MCMC_sampler(log_probability,
pos,
filename="sample_LCDM_AGN_1params.h5",
witness_file='witness_11.txt',
witness_freq=5,
max_samples=100000)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
M, omega_m, H0 = theta
if (-22 < M < -18 and 0.01 < omega_m < 0.5 and 60 < H0 < 80):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
#pos = sol + 1e-4 * np.random.randn(12, 3)
pos = sol * (1 + 0.01 * np.random.randn(12, 3))
MCMC_sampler(log_probability,
pos,
filename="sample_LCDM_CC+H0_3params.h5",
witness_file='witness_162.txt',
witness_freq=5,
max_samples=2000000)
#dataset_BAO = ds_BAO,
dataset_AGN = ds_AGN,
#H0_Riess = True,
model = 'HS'
)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
omega_m, b = theta
if (0.2 < omega_m < 0.6 and 0 < b < 4):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-4 * np.random.randn(20, 2)
MCMC_sampler(log_probability,pos,
filename = "sample_HS_AGN_2params.h5",
witness_file = 'witness_21.txt',
witness_freq = 5,
max_samples = 2000000)
dataset_BAO = ds_BAO,
#dataset_AGN = ds_AGN,
#H0_Riess = True,
model = 'EXP'
)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
M, omega_m, b, H0 = theta
if (-22 < M < -18 and 0.01 < omega_m < 0.5 and 0 < b < 3 and 60 < H0 < 80):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-4 * np.random.randn(12, 4)
MCMC_sampler(log_probability,pos,
filename = "sample_EXP_CC+SN+BAO_4params_odintsov.h5",
witness_file = 'witness_34_odintsov.txt',
witness_freq = 5,
max_samples = 2000000)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
M, omega_m, b, H0 = theta
if (-22 < M < -18 and 0.01 < omega_m < 0.4 and 0 < b < 4 and 60 < H0 < 80):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp): #Este if creo que está de más..
return -np.inf
return lp + log_likelihood(theta)
#%%
#Defino los valores iniciales de cada cadena a partir de los valores
#de los parametros que corresponden al minimo del chi2.
pos = sol + 1e-4 * np.random.randn(20, 4)
MCMC_sampler(log_probability,
pos,
filename="sample_HS_CC+SN+BAO+AGN_4params.h5",
witness_file='witness_25.txt',
witness_freq=5,
max_samples=2000000)
with np.load('valores_medios_LCDM_AGN_4params_nuisance.npz') as data:
sol = data['sol']
sol = 0.6
log_likelihood = lambda theta: -0.5 * params_to_chi2_AGN_nuisance(
theta, params_fijos, data_agn, model='LCDM')
#%% Definimos las funciones de prior y el posterior
def log_prior(theta):
omega_m = theta
if (0.5 < omega_m < 0.99):
return 0.0
return -np.inf
def log_probability(theta):
lp = log_prior(theta)
if not np.isfinite(lp):
return -np.inf
return lp + log_likelihood(theta)
pos = sol * (1 + 0.01 * np.random.randn(20, 1))
MCMC_sampler(log_probability,
pos,
filename="sample_LCDM_AGN_4params_nuisance_72.h5",
witness_file='witness_67.txt',
witness_freq=10,
max_samples=200000)
