burnin = int(2 * np.max(tau)) thin = int(0.5 * np.min(tau)) samples = reader.get_chain(discard=burnin, flat=True, thin=thin) print(tau) #%% %matplotlib qt5 graficar_cadenas(reader, labels = ['omega_m','b','H0']) #%% burnin=50 graficar_contornos(reader,params_truths=sol,discard=burnin,#thin=thin, labels = ['omega_m','b','H0']) #%% #Ojo, siempre muestra que convergio, aun cuando no plt.figure() graficar_taus_vs_n(reader,num_param=0,threshold=1000) graficar_taus_vs_n(reader,num_param=1,threshold=1000) #%% Printeo los valores! from IPython.display import display, Math samples = reader.get_chain(discard=burnin, flat=True, thin=thin) labels = ['omega_m','b','H0'] len_chain,nwalkers,ndim=reader.get_chain().shape print(len_chain) for i in range(ndim): mcmc = np.percentile(samples[:, i], [16, 50, 84]) mcmc[1]=sol[i] #Correción de mati: En vez de percentil 50 poner el mu q = np.diff(mcmc) txt = "\mathrm{{{3}}} = {0:.3f}_{{-{1:.3f}}}^{{{2:.3f}}}" txt = txt.format(mcmc[1], q[0], q[1], labels[i]) display(Math(txt))
os.chdir(path_git) sys.path.append('./Software/Funcionales/') from funciones_analisis_cadenas import graficar_cadenas,graficar_contornos,graficar_taus_vs_n #%% os.chdir(path_git+'/Software/EstadÃstica/Resultados_simulaciones/') with np.load('valores_medios_supernovas_4params.npz') as data: sol = data['sol'] #%% os.chdir(path_datos_global+'/Resultados_cadenas/') filename = 'sample_supernovas_4params.h5' reader = emcee.backends.HDFBackend(filename) # Algunos valores tau = reader.get_autocorr_time() burnin = int(2 * np.max(tau)) thin = int(0.5 * np.min(tau)) samples = reader.get_chain(discard=burnin, flat=True, thin=thin) print(tau) #%% %matplotlib qt5 graficar_cadenas(reader,labels = ['M_abs','omega_m','b', 'H0']) #%% burnin=120 graficar_contornos(reader,params_truths=sol,discard=burnin, labels= ['M_abs','omega_m','b','H0']) #%% plt.figure() graficar_taus_vs_n(reader,num_param=0) graficar_taus_vs_n(reader,num_param=1) graficar_taus_vs_n(reader,num_param=2) graficar_taus_vs_n(reader,num_param=3)