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/Estadística/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)