# archivos_BAO = ['datos_BAO_da.txt','datos_BAO_dh.txt','datos_BAO_dm.txt',
# 'datos_BAO_dv.txt','datos_BAO_H.txt']
# for i in range(5):
# aux = leer_data_BAO(archivos_BAO[i])
# ds_BAO.append(aux)
# AGN
os.chdir(path_git + '/Software/Estadística/Datos/Datos_AGN')
ds_AGN = leer_data_AGN('table3.dat')
#%% Parametros a ajustar
nll = lambda theta: params_to_chi2(
theta,
params_fijos,
index=4,
dataset_SN=ds_SN,
dataset_CC=ds_CC,
#dataset_BAO = ds_BAO,
dataset_AGN=ds_AGN,
#H0_Riess = True,
model='HS')
initial = np.array([M_true, omega_m_true, b_true, H0_true])
soln = minimize(nll,
initial,
options={'eps': 0.01},
bounds=((-25, -18), (0.1, 0.5), (0, 3), (68, 75)))
M_ml, omega_m_ml, b_ml, H0_ml = soln.x
print(M_ml, omega_m_ml, b_ml, H0_ml)
os.chdir(path_git + '/Software/Estadística/Resultados_simulaciones')
# 'datos_BAO_dv.txt','datos_BAO_H.txt']
# for i in range(5):
# aux = leer_data_BAO(archivos_BAO[i])
# ds_BAO.append(aux)
# AGN
os.chdir(path_git + '/Software/Estadística/Datos/Datos_AGN')
ds_AGN = leer_data_AGN('table3.dat')
#%% Parametros a ajustar
nll = lambda theta: params_to_chi2(
theta,
params_fijos,
index=4,
dataset_SN=ds_SN,
dataset_CC=ds_CC,
#dataset_BAO = ds_BAO,
dataset_AGN=ds_AGN,
#H0_Riess = True,
model='EXP',
errores_agrandados=True)
initial = np.array([M_true, omega_m_true, b_true, H0_true])
soln = minimize(nll,
initial,
options={'eps': 0.01},
bounds=((-25, -18), (0.1, 0.5), (0, 3), (68, 75)))
M_ml, omega_m_ml, b_ml, H0_ml = soln.x
print(M_ml, omega_m_ml, b_ml, H0_ml)
#os.chdir(path_git+'/Software/Estadística/Datos/Datos_AGN')
#ds_AGN = leer_data_AGN('table3.dat')
os.chdir(path_git + '/Software/Estadística/Resultados_simulaciones/')
with np.load('valores_medios_LCDM_CC+SN_4params.npz') as data:
sol = data['sol']
print(sol)
#Parametros fijos
params_fijos = 0
log_likelihood = lambda theta: -0.5 * params_to_chi2(
theta,
params_fijos,
index=32,
dataset_SN=ds_SN,
dataset_CC=ds_CC,
#dataset_BAO = ds_BAO,
#dataset_AGN = ds_AGN,
#H0_Riess = True,
model='LCDM')
#%%
# 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
#%%
bs = np.linspace(0.01,7,40)
Hs = np.arange(67,71)
chies = np.zeros((len(bs),len(Hs)))
omega_m=0.3
for (i,b) in enumerate(bs):
print(i,b)
for (j,H0) in enumerate(Hs):
chies[i,j] = params_to_chi2([-19.41, omega_m, b, H0], _, index=4,
dataset_SN = ds_SN,
dataset_CC = ds_CC,
dataset_BAO = ds_BAO,
dataset_AGN = ds_AGN,
#H0_Riess = True,
model = 'EXP',
integrador=int
)
#1077.8293845284927/(1048+20+len(ds_CC[0])-4)
#%%
%matplotlib qt5
plt.figure()
plt.title('EXP: CC+SN+BAO+AGN, omega_m=0.3, M=-19.41')
plt.grid(True)
#for k in range(0,6):
#for k in range(7,len(chies[0,:])):
for k in range(len(chies[0,:])):
plt.plot(bs,chies[:,k],label='H0={}'.format(Hs[k]))
from funciones_data import leer_data_AGN
from funciones_alternativos import params_to_chi2
#ORDEN DE PRESENTACION DE LOS PARAMETROS: omega_m,b,H_0,l,n,beta,n_agn
#%% Predeterminados:
omega_m_true = 0.3
H0_true = 73.48 #Unidades de (km/seg)/Mpc
params_fijos = [_, _, H0_true]
#Datos de AGN
os.chdir(path_git + '/Software/Estadística/Datos/Datos_AGN')
data_agn = leer_data_AGN('table3.dat')
#%% Parametros a ajustar
nll = lambda theta: params_to_chi2(
theta, params_fijos, dataset_AGN=data_agn, index=1, model='LCDM')
initial = omega_m_true
soln = minimize(nll, initial, options={'eps': 0.01})
omega_m_ml = soln.x
print(omega_m_ml)
os.chdir(path_git + '/Software/Estadística/Resultados_simulaciones')
np.savez('valores_medios_LCDM_AGN_1params', sol=soln.x)
soln.fun / (len(data_agn[0]) - 1)
#%%
os.chdir(path_git + '/Software/Estadística/Resultados_simulaciones/')
with np.load('valores_medios_LCDM_AGN_1params.npz') as data:
sol = data['sol']
#ORDEN DE PRESENTACION DE LOS PARAMETROS: omega_m,b,H_0,l,n,beta,n_agn
#%% Predeterminados:
omega_m_true = 0.3
b_true = 0.1
H0_true = 73.48 #Unidades de (km/seg)/Mpc
params_fijos = [_, H0_true]
#Datos de AGN
os.chdir(path_git + '/Software/Estadística/Datos/Datos_AGN')
data_agn = leer_data_AGN('table3.dat')
#%% Parametros a ajustar
nll = lambda theta: params_to_chi2(
theta, params_fijos, dataset_AGN=data_agn, index=21)
initial = np.array([omega_m_true, b_true])
soln = minimize(nll,
initial,
options={'eps': 0.01},
bounds=((0.1, 0.7), (0, 0.5)))
omega_m_ml, b_ml = soln.x
print(omega_m_ml, b_ml)
os.chdir(path_git + '/Software/Estadística/Resultados_simulaciones')
np.savez('valores_medios_HS_AGN_2params', sol=soln.x)
soln.fun / (len(data_agn[0]) - 2)
#%%
os.chdir(path_git + '/Software/Estadística/Resultados_simulaciones/')
#ds_AGN = leer_data_AGN('table3.dat')
os.chdir(path_git+'/Software/Estadística/Resultados_simulaciones/')
with np.load('valores_medios_HS_CC+SN_4params_taylor.npz') as data:
sol = data['sol']
print(sol)
#Parametros fijos
params_fijos = 0
log_likelihood = lambda theta: -0.5 * params_to_chi2(theta, params_fijos, index=4,
dataset_SN = ds_SN,
dataset_CC = ds_CC,
#dataset_BAO = ds_BAO,
#dataset_AGN = ds_AGN,
#H0_Riess = True,
model = 'HS',
all_analytic=True
)
#%%
# Definimos la distribucion del prior
def log_prior(theta):
M, omega_m, b, H0 = theta
if (-22 < M < -19 and 0.1 < omega_m < 0.5 and 0 < b < 4 and 55 < H0 < 80):
return 0.0
return -np.inf
# Definimos la distribución del posterior
def log_probability(theta):
lp = log_prior(theta)
ds_AGN = leer_data_AGN('table3.dat')
os.chdir(path_git + '/Software/Estadística/Resultados_simulaciones/')
with np.load('valores_medios_HS_CC+SN+BAO+AGN_4params_v2.npz') as data:
sol = data['sol']
print(sol)
#Parametros fijos
params_fijos = 0
log_likelihood = lambda theta: -0.5 * params_to_chi2(
theta,
params_fijos,
index=4,
dataset_SN=ds_SN,
dataset_CC=ds_CC,
dataset_BAO=ds_BAO,
dataset_AGN=ds_AGN,
#H0_Riess = True,
model='HS',
errores_agrandados=True)
#%%
# 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
