def graficar_data(theta, params_fijos, index=0,
dataset_SN=None, dataset_CC=None,
dataset_BAO=None, dataset_AGN=None, dataset_BAO_odintsov=None,
H0_Riess=False, cantidad_zs=int(10**5), model='HS',n=1,
nuisance_2 = False, errores_agrandados=False,close=False,
save_path=None,ebeta=None):
'''Dados los parámetros del modelo devuelve un chi2 para los datos
de supernovas.'''
if save_path==None:
path = os.chdir(path_datos_global+'/Graficos de datos')
else:
path = save_path
[Mabs, omega_m, b, H_0] = all_parameters(theta, params_fijos, index)
params_fisicos = [omega_m,b,H_0]
zs_modelo, Hs_modelo = Hubble_teorico(params_fisicos, n=n, model=model,
z_min=0, z_max=10, cantidad_zs=cantidad_zs)
#Los datos de AGN van hasta z mas altos!
Hs_interpolado = interp1d(zs_modelo, Hs_modelo)
int_inv_Hs = cumtrapz(Hs_modelo**(-1), zs_modelo, initial=0)
int_inv_Hs_interpolado = interp1d(zs_modelo, int_inv_Hs)
if dataset_SN != None:
#Importo los datos
zcmb, zhel, Cinv, mb = dataset_SN
muth = magn_aparente_teorica(int_inv_Hs_interpolado, zcmb, zhel)
muobs = mb - Mabs
plt.figure()
plt.grid()
emu=np.sqrt(np.diag(np.linalg.inv(Cinv)))
plt.title('Supernovas IA ({})'.format(model))
plt.plot(zcmb,muth,'.',label='teorico')
plt.errorbar(zcmb,muobs,emu,fmt='.', label='datos')
plt.legend()
plt.savefig('SN_mabs={}_omega={}_b={}_H0={}_model={}.png'.format(Mabs,omega_m,b,H_0,model))
if close==True:
plt.close()
if dataset_CC != None:
#Importo los datos
z_data, H_data, dH = dataset_CC
H_interp = interp1d(zs_modelo, Hs_modelo)
H_teo = H_interp(z_data)
plt.figure()
plt.grid()
plt.title('Cronómetros Cósmicos ({})'.format(model))
plt.plot(zs_modelo,Hs_modelo,label='teorico')
plt.errorbar(z_data,H_data,dH,fmt='.',label='datos')
plt.legend()
plt.savefig('CC_omega={}_b={}_H0={}_model={}.png'.format(omega_m,b,H_0,model))
if close==True:
plt.close()
if dataset_BAO != None:
num_datasets=5
legends_datasets = ['Da_rd','Dh_rd','Dm_rd','Dv_rd','H*rd']
for i in range(num_datasets): #Para cada tipo de dato
(z_data_BAO, valores_data, errores_data_cuad,wb_fid) = dataset_BAO[i]
if i==0: #Dato de Da
rd = r_drag(omega_m,H_0,wb_fid) #Calculo del rd
distancias_teoricas = Hs_to_Ds(Hs_interpolado, int_inv_Hs_interpolado, z_data_BAO, i)
output_teorico = Ds_to_obs_final(zs_modelo, distancias_teoricas, rd, i)
else: #De lo contrario..
distancias_teoricas = Hs_to_Ds(Hs_interpolado, int_inv_Hs_interpolado, z_data_BAO, i)
output_teorico = np.zeros(len(z_data_BAO))
for j in range(len(z_data_BAO)): #Para cada dato de una especie
rd = r_drag(omega_m,H_0,wb_fid[j]) #Calculo del rd
output_teorico[j] = Ds_to_obs_final(zs_modelo,distancias_teoricas[j],rd,i)
#Calculo el chi2 para cada tipo de dato (i)
plt.figure()
plt.title('{} ({})'.format(legends_datasets[i],model))
plt.grid()
plt.plot(z_data_BAO,output_teorico,'.',label='teorico')
plt.errorbar(z_data_BAO,valores_data,np.sqrt(errores_data_cuad),fmt='.',label='datos')
plt.legend()
plt.savefig('BAO_{}_omega={}_b={}_H0={}_model={}.png'.format(legends_datasets[i],omega_m,b,H_0,model))
if close==True:
plt.close()
if dataset_AGN != None:
#Importo los datos
z_data, logFuv, eFuv, logFx, eFx = dataset_AGN
if nuisance_2 == True:
beta = 8.513
ebeta = 0.437
gamma = 0.622
egamma = 0.014
elif errores_agrandados == True:
beta = 7.735
ebeta = 2.44
gamma = 0.648
egamma = 0.07
else: #Caso Estandar
beta = 7.735
if ebeta == None:
ebeta = 0.244
gamma = 0.648
egamma = 0.007
Es_modelo = Hs_modelo/H_0
# DlH0_teo = zs_2_logDlH0(zs_modelo,Es_modelo,z_data)
# DlH0_obs = np.log10(3.24) - 25 + (logFx - gamma * logFuv - beta) / (2*gamma - 2)
DlH0_teo = zs_2_logDlH0(int_inv_Hs_interpolado(z_data)*H_0,z_data)
DlH0_obs = np.log10(3.24) - 25 + (logFx - gamma * logFuv - beta) / (2*gamma - 2)
df_dgamma = (-logFx+beta+logFuv) / (2*(gamma-1)**2)
eDlH0_cuad = (eFx**2 + gamma**2 * eFuv**2 + ebeta**2)/ (2*gamma - 2)**2 + (df_dgamma)**2 * egamma**2 #El cuadrado de los errores
plt.figure()
plt.grid()
plt.title('AGN ({})'.format(model))
plt.plot(z_data,DlH0_teo,'.',label='teorico')
plt.errorbar(z_data,DlH0_obs,np.sqrt(eDlH0_cuad),fmt='.',label='datos')
plt.savefig('AGN_omega={}_b={}_H0={}_model={}.png'.format(omega_m,b,H_0,model))
plt.legend()
if close==True:
plt.close()
if dataset_BAO_odintsov != None:
#Importo los datos
z_data_BAO, H_data_BAO, dH_BAO, rd_fid = dataset_BAO_odintsov
H_interp = interp1d(zs_modelo, Hs_modelo)
H_teo = H_interp(z_data_BAO)
H_data_BAO_norm = np.zeros(len(H_data_BAO))
for i in range(len(H_data_BAO_norm)):
if rd_fid[i]==1:
factor = 1
else:
rd = r_drag(omega_m,H_0,wb=0.0225) #Calculo del rd, fijo wb!! CHequear que es correcto
factor = rd_fid[i]/rd
H_data_BAO_norm[i] = H_data_BAO[i] * factor
plt.figure()
plt.grid()
plt.title('BAO Odintsov ({})'.format(model))
plt.plot(z_data_BAO,H_teo,'.',label='teorico')
plt.errorbar(z_data_BAO,H_data_BAO_norm,dH_BAO,fmt='.',label='datos')
plt.legend()
plt.savefig('BAO_odintsov_omega={}_b={}_H0={}_model={}.png'.format(omega_m,b,H_0,model))
if close==True:
plt.close()
def params_to_chi2_odintsov(theta,
params_fijos,
index=0,
dataset_SN=None,
dataset_CC=None,
dataset_BAO=None,
dataset_AGN=None,
H0_Riess=False,
cantidad_zs=int(10**5),
model='HS',
n=1,
nuisance_2=False,
errores_agrandados=False):
'''Dados los parámetros del modelo devuelve un chi2 para los datos
de supernovas.'''
# chi2_SN = chi2_CC = chi2_BAO = chi2_AGN = chi2_H0 = 0
chi2_SN = 0
chi2_CC = 0
chi2_BAO = 0
chi2_AGN = 0
chi2_H0 = 0
[Mabs, omega_m, b, H_0] = all_parameters(theta, params_fijos, index)
params_fisicos = [omega_m, b, H_0]
zs_modelo_2, Hs_modelo_2 = Hubble_teorico(params_fisicos,
n=n,
model=model,
z_min=0,
z_max=10,
cantidad_zs=cantidad_zs)
#Los datos de AGN van hasta z mas altos!
#MAL!
#Filtro para z=0 para que no diverja la integral de (1/H)
#mask = zs_modelo_2 > 0.001
zs_modelo = zs_modelo_2
Hs_modelo = Hs_modelo_2
if dataset_SN != None:
#Importo los datos
zcmb, zhel, Cinv, mb = dataset_SN
muth = magn_aparente_teorica(zs_modelo, Hs_modelo, zcmb, zhel)
muobs = mb - Mabs
chi2_SN = chi2_supernovas(muth, muobs, Cinv)
if dataset_CC != None:
#Importo los datos
z_data, H_data, dH = dataset_CC
H_interp = interp1d(zs_modelo, Hs_modelo)
H_teo = H_interp(z_data)
chi2_CC = chi2_sin_cov(H_teo, H_data, dH**2)
if dataset_BAO != None:
z_data_BAO, H_data_BAO, dH_BAO, rd_fid = dataset_BAO
H_interp = interp1d(zs_modelo, Hs_modelo)
H_teo = H_interp(z_data_BAO)
H_data_BAO_norm = np.zeros(len(H_data_BAO))
for i in range(len(H_data_BAO_norm)):
if rd_fid[i] == 1:
factor = 1
else:
rd = r_drag(
omega_m, H_0, wb=0.0225
) #Calculo del rd, fijo wb!! CHequear que es correcto
factor = rd_fid[i] / rd
H_data_BAO_norm[i] = H_data_BAO[i] * factor
chi2_BAO = chi2_sin_cov(H_teo, H_data_BAO_norm, dH_BAO**2)
return chi2_SN + chi2_CC + chi2_BAO
def params_to_chi2(theta,
params_fijos,
index=0,
dataset_SN=None,
dataset_CC=None,
dataset_BAO=None,
dataset_AGN=None,
H0_Riess=False,
cantidad_zs=int(10**5),
model='HS',
n=1,
nuisance_2=False,
errores_agrandados=False,
integrador=1,
all_analytic=False):
'''Dados los parámetros del modelo devuelve un chi2 para los datos
de supernovas.'''
# chi2_SN = chi2_CC = chi2_BAO = chi2_AGN = chi2_H0 = 0
chi2_SN = 0
chi2_CC = 0
chi2_BAO = 0
chi2_AGN = 0
chi2_H0 = 0
[Mabs, omega_m, b, H_0] = all_parameters(theta, params_fijos, index)
params_fisicos = [omega_m, b, H_0]
if integrador == 0:
zs_modelo, Hs_modelo = Hubble_teorico(params_fisicos,
n=n,
model=model,
z_min=0,
z_max=10,
cantidad_zs=cantidad_zs,
all_analytic=all_analytic)
#Los datos de AGN van hasta 7 y pico
elif integrador == 1:
zs_modelo, Hs_modelo = Hubble_teorico_1(params_fisicos,
n=n,
model=model,
z_min=0,
z_max=10,
cantidad_zs=cantidad_zs,
all_analytic=all_analytic)
#Los datos de AGN van hasta 7 y pico
elif integrador == 2:
zs_modelo, Hs_modelo = Hubble_teorico_2(params_fisicos,
n=n,
model=model,
z_min=0,
z_max=10,
cantidad_zs=cantidad_zs,
all_analytic=all_analytic)
#Los datos de AGN van van hasta 7 y pico
if (dataset_CC != None or dataset_BAO != None or dataset_AGN != None):
Hs_interpolado = interp1d(zs_modelo, Hs_modelo)
if (dataset_SN != None or dataset_BAO != None or dataset_AGN != None):
int_inv_Hs = cumtrapz(Hs_modelo**(-1), zs_modelo, initial=0)
int_inv_Hs_interpolado = interp1d(zs_modelo, int_inv_Hs)
if dataset_SN != None:
#Importo los datos
zcmb, zhel, Cinv, mb = dataset_SN
muth = magn_aparente_teorica(int_inv_Hs_interpolado, zcmb, zhel)
muobs = mb - Mabs
chi2_SN = chi2_supernovas(muth, muobs, Cinv)
if dataset_CC != None:
#Importo los datos
z_data, H_data, dH = dataset_CC
H_teo = Hs_interpolado(z_data)
chi2_CC = chi2_sin_cov(H_teo, H_data, dH**2)
if dataset_BAO != None:
num_datasets = 5
chies_BAO = np.zeros(num_datasets)
for i in range(num_datasets): #Para cada tipo de dato
(z_data_BAO, valores_data, errores_data_cuad,
wb_fid) = dataset_BAO[i]
if i == 0: #Dato de Da
rd = r_drag(omega_m, H_0, wb_fid) #Calculo del rd
distancias_teoricas = Hs_to_Ds(Hs_interpolado,
int_inv_Hs_interpolado,
z_data_BAO, i)
output_teorico = Ds_to_obs_final(zs_modelo,
distancias_teoricas, rd, i)
else: #De lo contrario..
distancias_teoricas = Hs_to_Ds(Hs_interpolado,
int_inv_Hs_interpolado,
z_data_BAO, i)
output_teorico = np.zeros(len(z_data_BAO))
for j in range(
len(z_data_BAO)): #Para cada dato de una especie
rd = r_drag(omega_m, H_0, wb_fid[j]) #Calculo del rd
output_teorico[j] = Ds_to_obs_final(
zs_modelo, distancias_teoricas[j], rd, i)
#Calculo el chi2 para cada tipo de dato (i)
chies_BAO[i] = chi2_sin_cov(output_teorico, valores_data,
errores_data_cuad)
if np.isnan(sum(chies_BAO)) == True:
print('Hay errores!')
print(omega_m, H_0, rd)
chi2_BAO = np.sum(chies_BAO)
if dataset_AGN != None:
#Importo los datos
z_data, logFuv, eFuv, logFx, eFx = dataset_AGN
if nuisance_2 == True: #Deprecated
beta = 8.513
ebeta = 0.437
gamma = 0.622
egamma = 0.014
elif errores_agrandados == True:
beta = 7.735
ebeta = 0.6
gamma = 0.648
egamma = 0.007
else: #Caso Estandar
beta = 7.735
ebeta = 0.244
gamma = 0.648
egamma = 0.007
DlH0_teo = zs_2_logDlH0(int_inv_Hs_interpolado(z_data) * H_0, z_data)
DlH0_obs = np.log10(3.24) - 25 + (logFx - gamma * logFuv -
beta) / (2 * gamma - 2)
df_dgamma = (-logFx + beta + logFuv) / (2 * (gamma - 1)**2)
eDlH0_cuad = (eFx**2 + gamma**2 * eFuv**2 + ebeta**2) / (
2 * gamma -
2)**2 + (df_dgamma)**2 * egamma**2 #El cuadrado de los errores
chi2_AGN = chi2_sin_cov(DlH0_teo, DlH0_obs, eDlH0_cuad)
if H0_Riess == True:
chi2_H0 = ((Hs_modelo[0] - 73.48) / 1.66)**2
return chi2_SN + chi2_CC + chi2_AGN + chi2_BAO + chi2_H0