-
Notifications
You must be signed in to change notification settings - Fork 0
/
main_microlens.m
650 lines (549 loc) · 19.4 KB
/
main_microlens.m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
% Programme de micro-lentilles gravitationnelles (bulbe et disque)
clear
global vlimit
vlimit = 1000e3;
%----------------------
% Nombre de simulations
%----------------------
n = 30*1e5;
% n = 5000;
nbsimul=1; %a augmenter pour meilleure stat
%----------------------------------------------------------------------
% Param�tres de la fonction de distribution de la distance de la source
%----------------------------------------------------------------------
global dsup dinf
dsup = 20000.;
dinf = 800.;
%distance en parsec
%-------
% soleil
%-------
global Ro elev
Ro = 8000; % distance Sun-GC en pc
elev = 26 ; % elevation au dessus du plan du disque
Lkpc=Ro/1000; % distance Sun-GC en kpc
%----------------------------
%rayon de corotation (en pc)
%----------------------------
global Rcoro
Rcoro = 3500;
%---------------------------------------
% param�tres du calcul de microlentilles
%---------------------------------------
global l b
% definition de la fenetre de Baade dans la majeure partie des articles : l = 1 et b = -4
% A priori c'est cette definition qui est juste.
l = 0.1 *pi/180; % direction d'observation en radian
b = 0*pi/180;
% definition de la fenetre de Baade dans les theses de Mera et Alibert : l = 4 et b = -1
% l = -2.2 *pi/180; % direction d'observation en radian
% b = -2.8 *pi/180;
uT = 1; % Seuil de d�tection en param�tre d'impact
AT = 3/sqrt(5); % Seuil de d�tection en amplification
%-----------------------------------
% Param�tres de la fonction de masse
%-----------------------------------
global minf msup
minf=0.01;
msup=100;
%----------------------------------------
% Param�tres de la fonction de luminosité pour le blending (Alibert et al.)
%----------------------------------------
global Vinf Vsup
Vinf = 22; % magnitudes limites des étoiles observées.
Vsup = 16;
%-------------------
% Monte-Carlo
%-------------------
tic
main
toc
%%
%----------------------------------------
% recuperation des evenements selectionnes
%----------------------------------------
load evenements.txt
x=evenements(:,1);
ds=evenements(:,2);
v=evenements(:,3);
m=evenements(:,4);
te=evenements(:,5);
star_pop = evenements(:,6);
x=x';
ds=ds';
v=v';
m=m';
te=te';
star_pop = star_pop';
disp(' ')
close all
mmean = mean(m_tot_pdmf);
%------------------
%Test pour la PDMF
%--------------
figure(40)
hold on
[Y, edges] = histcounts(m_tot_pdmf, 1000, 'BinLimits',[0,5]);
[Y_bon, edges] = histcounts(m, 1000, 'BinLimits',[0,5]);
M = length(Y);
plot(edges(sort([1:M 2:M+1])), Y(sort([1:M 1:M]))/length(m_tot_pdmf))
plot(edges(sort([1:M 2:M+1])), Y(sort([1:M 1:M]))/length(m_tot_pdmf).*sqrt(edges(sort([1:M 1:M])))*2.2)
plot(edges(sort([1:M 2:M+1])), Y_bon(sort([1:M 1:M]))/length(m))
legend('PDMF', 'Distribution théorique','Distribution obtenue par MC')
xlabel('mass (M_sol)')
ylabel('distribution de masse')
% title("PDMF")
set(gca, 'YScale', 'log')
% set(gca, 'XScale', 'log')
% axis([0 10 1e-2 1e3])
disp(['fraction de rémanents en nombre (BD, MS, WD, NS, BH) ', num2str(mean(frac_N_tot))])
disp(['fraction de rémanents en masse (BD, MS, WD, NS, BH) ', num2str(mean(frac_M_tot))])
disp(['fraction d evenements (BD, MS, WD, NS, BH) ', num2str(mean(frac_eve_tot))])
%-------------
%test distrib vitesse
%------------------
% figure(41)
% hold on
% [v_bu_bu, edges] = histcounts(v_tot(intersect(ibul, ibus)), 500);
% [v_dm_bu, edges] = histcounts(v_tot(intersect([idml, idel], ibus)), 500);
% [v_dm_dm, edges] = histcounts(v_tot(intersect([idml, idel], [idms, ides])), 500);
%
% v_dm = v_tot(intersect([idml, idel], [idms, ides]));
% v_test = v_dm(find(ds(intersect([idml, idel], [idms, ides]))>8e3));
% [v_dm_dm_1, edges_1] = histcounts(v_test, 500);
%
% [v_retenu, edges] = histcounts(v, 500);
%
% M = length(Y);
% plot(edges(sort([1:M 2:M+1])), v_bu_bu(sort([1:M 1:M])))
% plot(edges(sort([1:M 2:M+1])), v_dm_bu(sort([1:M 1:M])))
% plot(edges(sort([1:M 2:M+1])), v_dm_dm(sort([1:M 1:M])))
% % plot(edges_1(sort([1:M 2:M+1])), v_dm_dm_1(sort([1:M 1:M])))
% % plot(edges(sort([1:M 2:M+1])), v_retenu(sort([1:M 1:M])))
% legend('bulbe/bulbe', 'bulbe/disque', 'disque/disque')
% title("vitesse")
% set(gca, 'YScale', 'log')
% % axis([2e3 10e3 0 3e6])
%-------------
%test distrib L
%------------------
% figure(42)
% hold on
% [Y, edges] = histcounts(L_tot, 500);
% M = length(Y);
% plot(edges(sort([1:M 2:M+1])), Y(sort([1:M 1:M]))/length(m))
% title("Distance source")
% set(gca, 'YScale', 'log')
%---------------
%calcul de gamma
%---------------
gamma=tau/uT*2/pi/mean(te)*1e6*365.25;
disp(['gamma (calcule par le te moyen) = ' num2str(gamma)]);
gam1=4*sqrt(GMsol)/c*uT/sqrt(pc*pc*pc)*length(te)/(n*nbsimul)*86400*365.25*1e6/mmean;
gam=gam1*Gammax;
disp(['gamma (integre par MC) = ' num2str(gam)]);
ttobs=tau/(gam/1e6/365.25);
disp(['<tobs> (en jours) = ' num2str(ttobs)]);
taur=gam*pi/2*uT*mean(te)/365.25/1e6;
taur=real(taur);
disp(['tau (avec gamma integré par MC) = ' num2str(taur)]);
%------------------------
% Application du blending
%------------------------
% Param�tre pour le blending
% f = 0.05; %fraction des évenements unblendé f = P(1)
% nbar = 4.51; % P(n) = fonction(nbar) = f avec P(n) la proba d'avoir n étoiles dans DeltaS
f = 0.5;
nbar = 1.257;
% f = 0.2;
% nbar = 2.6;
% f = 1;
% nbra = 0;
%%
%retourn teblend (histogramme corrigé) et taurblend (profondeur optique corrigée)
script_blending
%-----------
%Choix de l'expérience à analyser
%donne teff : tet des observations et eff : efficacité
%------------
temax = 100;
nbre_bin = temax/5;
% exp_ogle_2006
% teff_ogle = teff;
% [hist_ogle, edges] = histcounts(teff, nbre_bin, 'BinLimits',[0,temax]);
%
%
% exp_macho_2005
% [hist_macho, edges] = histcounts(teff, nbre_bin, 'BinLimits',[0,temax]);
% sort(teff)
% figure(1)
% bar(edges(1:end-1),hist_macho)
% exp_eros_2006
% % teff_eros = teff;
% [hist_eros, edges] = histcounts(teff, nbre_bin, 'BinLimits',[0,temax]);
%
% figure(1)
% bar(edges(1:end-1),[hist_ogle; hist_macho; hist_eros]')
% legend('OGLE', 'MACHO', 'EROS')
% exp_ogle_IV_2019
% exp_MOA_2016
exp_ogle_III_2015
% exp_ogle_II_2006
%---------------
%calcul de gamma
%---------------
disp('Grandeurs avec intervention de l''efficacite experimentale :')
%------------------------------------------------------------------------------------------------
% on ne peut pas calculer le gamma par la formule avec le tobs, car le tau ne prend pas en compte
% l'efficacite. Par contre, on peut deduire tau experimental a partir du gamma calcule par MC
%------------------------------------------------------------------------------------------------
gamobs = gam/length(te)*length(teobs);
disp(['gamma (integre par MC) = ' num2str(gamobs)]);
%
tauobs=gamobs*pi/2*uT*mean(teobs)/365.25/1e6;
disp(['tau obs (calcule par le te moyen) = ' num2str(tauobs)]);
%
% tauobsblend=tauobs * gmean * (nbar/(1-exp(-nbar)));
% tauobsblend=real(tauobsblend);
% % disp(['tau observé avec blending (Alibert 2005) = ' num2str(tauobsblend)]);
%
gamobsb = gam/length(te)*length(teobsblend);
disp(['gamma avec blending (integre par MC) = ' num2str(gamobsb)]);
%
tauobsb=gamobsb*pi/2*uT*mean(teobsblend)/365.25/1e6;
disp(['tau obs avec blending (calcule par le te moyen) = ' num2str(tauobsb)]);
%
% disp(['rapport tau_blend/tau_obs_théorique = ' num2str(tauobsb/tauobs)]);
%------------------------
% affichage des resultats
%------------------------
%telechargement de la courbe du modèle
load ../graph/modif_FM/evenements_1.txt
te_model = evenements_1(:,5);
%Paramètre graph
bin_max = 100;
nbre_bin = bin_max/2;
%Trace la distribde te pour le modèle et la courbe stockée localement
[hist_local, edges] = histcounts(te, nbre_bin, 'BinLimits',[0,bin_max], 'Normalization', 'probability');
[hist_model, edges] = histcounts(te_model, nbre_bin, 'BinLimits',[0,bin_max], 'Normalization', 'probability');
%Selon la pop d'étoiles
[hist_BD, edges] = histcounts(te(star_pop == 1), nbre_bin, 'BinLimits',[0,bin_max]);
[hist_MS, edges] = histcounts(te(star_pop == 2), nbre_bin, 'BinLimits',[0,bin_max]);
[hist_WD, edges] = histcounts(te(star_pop == 3), nbre_bin, 'BinLimits',[0,bin_max]);
[hist_NS, edges] = histcounts(te(star_pop == 4), nbre_bin, 'BinLimits',[0,bin_max]);
[hist_BH, edges] = histcounts(te(star_pop == 5), nbre_bin, 'BinLimits',[0,bin_max]);
%tracé distribution avec blending uniquement la courbe stockée localement
[histb, edges] = histcounts(teblend, nbre_bin, 'BinLimits',[0,bin_max], 'Normalization', 'probability');
%Courbe expérimentale (avec l'efficacité) :
[hist_obs, edges] = histcounts(teobs, nbre_bin, 'BinLimits',[0,bin_max], 'Normalization', 'probability');
[hist_obs_b, edges] = histcounts(teobsblend, nbre_bin, 'BinLimits',[0,bin_max], 'Normalization', 'probability');
%courbe de l'expérience
[hist_exp_err, edges] = histcounts(teff, nbre_bin, 'BinLimits',[0,bin_max], 'Normalization', 'probability');
% [hist_exp_BW, edges] = histcounts(teff, nbre_bin, 'BinLimits',[0,bin_max], 'Normalization', 'probability');
centre = zeros(size(edges)-[0,1]);
for j =1:length(centre);
centre(j)=(edges(j)+edges(j+1))/2;
end
%Graph normalisé
figure(16)
hold on;
plot(centre, hist_local, 'black');
plot(centre, hist_model, 'red');
% plot(centre, hist_exp_err)
% plot(centre, hist_obs);
% plot(centre, hist_BD/length(find(star_pop == 1)));
% plot(centre, hist_MS/length(find(star_pop == 2)));
% plot(centre, hist_WD/length(find(star_pop == 3)));
% plot(centre, hist_NS/length(find(star_pop == 4)));
% plot(centre, hist_BH/length(find(star_pop == 5)));
title('comparaison local et modèle')
legend('local', 'model', 'expérience', 'te obs')
xlabel('t_{e}')
ylabel('Nombre d''évènements par unité de t_{e}')
% set(gca, 'XScale', 'log')
%graph en fonction de l'exposition
exposure = 10;
figure(17)
hold on;
plot(centre, hist_local/length(te)*gamobs*exposure, 'red');
% plot(centre, hist_obs_b*gamobsb*exposure, 'black');
% plot(centre, (hist_BD+hist_WD+hist_MS)/length(te)*gamobs*exposure);
plot(centre, hist_BD/length(te)*gamobs*exposure);
plot(centre, hist_MS/length(te)*gamobs*exposure);
plot(centre, hist_WD/length(te)*gamobs*exposure);
plot(centre, hist_NS/length(te)*gamobs*exposure);
plot(centre, hist_BH/length(te)*gamobs*exposure);
set(gca, 'XScale', 'log')
set(gca, 'YScale', 'log')
legend('hist modèle', 'BD', 'MS', 'WD', 'NS', 'BH')
xlabel('t_{e}')
ylabel('Nombre d''évènements par unité de t_{e}')
%graph logx
figure(22)
hold on
M = 50;
vmin = 0.1; vmax = 700;
edges_log=vmin*(vmax/vmin).^([0:M]/M);
x=edges_log(sort([1:M 1:M]));
log_BD = histc(te(star_pop == 1),edges_log);
log_MS = histc(te(star_pop == 2),edges_log);
log_WD = histc(te(star_pop == 3),edges_log);
log_NS = histc(te(star_pop == 4),edges_log);
log_BH = histc(te(star_pop == 5),edges_log);
log_tot = histc(te,edges_log);
% log_BD = histc(intersect(te(star_pop == 1), i_eff),edges_log);
% log_MS = histc(intersect(te(star_pop == 2), i_eff),edges_log);
% log_WD = histc(intersect(te(star_pop == 3), i_eff),edges_log);
% log_NS = histc(intersect(te(star_pop == 4), i_eff),edges_log);
% log_BH = histc(intersect(te(star_pop == 5), i_eff),edges_log);
% log_tot = histc(te(i_eff),edges_log);
plot(x, [0 log_BD(sort([1:M-1 1:M-1])) 0]/length(te)*gamobs*exposure)
plot(x, [0 log_MS(sort([1:M-1 1:M-1])) 0]/length(te)*gamobs*exposure)
plot(x, [0 log_WD(sort([1:M-1 1:M-1])) 0]/length(te)*gamobs*exposure)
plot(x, [0 log_NS(sort([1:M-1 1:M-1])) 0]/length(te)*gamobs*exposure)
plot(x, [0 log_BH(sort([1:M-1 1:M-1])) 0]/length(te)*gamobs*exposure)
plot(x, [0 log_tot(sort([1:M-1 1:M-1])) 0]/length(te)*gamobs*exposure)
legend('BD', 'MS', 'WD', 'NS', 'BH', 'tot', 'expérience')
xlabel('log(t_{e})')
ylabel('Nombre d''évènements par unité de t_{e} (échelle log)')
% title('normalisé pour expo = 10 et gamobs')
set(gca, 'YScale', 'log')
set(gca, 'XScale', 'log')
%expérience
figure(18)
hold on;
% plot(centre, hist_obs, 'red');
% plot(centre, hist_obs_b, 'black');
log_BD_eff = histc(te(intersect(find(te(star_pop == 1)), i_eff)),edges_log);
log_MS_eff = histc(te(intersect(find(te(star_pop == 2)), i_eff)),edges_log);
log_WD_eff = histc(te(intersect(find(te(star_pop == 3)), i_eff)),edges_log);
log_NS_eff = histc(te(intersect(find(te(star_pop == 4)), i_eff)),edges_log);
log_BH_eff = histc(te(intersect(find(te(star_pop == 5)), i_eff)),edges_log);
log_tot_eff = histc(te(i_eff),edges_log);
log_exp_eff = histc(teff, edges_log);
plot(x, [0 log_BD_eff(sort([1:M-1 1:M-1])) 0]/length(te(i_eff)))
plot(x, [0 log_MS_eff(sort([1:M-1 1:M-1])) 0]/length(te(i_eff)))
plot(x, [0 log_WD_eff(sort([1:M-1 1:M-1])) 0]/length(te(i_eff)))
plot(x, [0 log_NS_eff(sort([1:M-1 1:M-1])) 0]/length(te(i_eff)))
plot(x, [0 log_BH_eff(sort([1:M-1 1:M-1])) 0]/length(te(i_eff)))
plot(x, [0 log_tot_eff(sort([1:M-1 1:M-1])) 0]/length(te(i_eff)))
plot(x, [0; log_exp_eff(sort([1:M-1 1:M-1])); 0]/length(teff))
legend('BD', 'MS', 'WD', 'NS', 'BH', 'tot', 'expérience')
xlabel('log(t_{e})')
ylabel('Nombre d''évènements par unité de t_{e} (échelle log)')
set(gca, 'YScale', 'log')
set(gca, 'XScale', 'log')
% legend('hist modèle', 'hist modèle avec blending (f=0.5)', 'expérience')
% xlabel('t_{e}')
% ylabel('Nombre d''évènements par unité de t_{e}')
% temaxgraphe=100; % pour le trace des graphe
% temax=5000; % pour le calcul integral
%
% % Definition des differents nombres de bin pour les graphiques
% nbbin1=temaxgraphe;
% nbbin2=temaxgraphe/2;
% nbbin5=temaxgraphe/5;
%
% bords1 = zeros(1, nbbin1) ; centre1 = zeros(1, nbbin1-1);
% bords2 = zeros(1, nbbin2) ; centre2 = zeros(1, nbbin2-1);
% bords5 = zeros(1, nbbin5) ; centre5 = zeros(1, nbbin5-1);
%
% teobs = te;
% %Definition des tableaux bords et centre pour une largeur de 1 jour
% for j =1:nbbin1;
% bords1(j)=temaxgraphe/nbbin1*(j-1);
% end;
% for j =1:nbbin1-1;
% centre1(j)=(bords1(j)+bords1(j+1))/2;
% end
% centre1(nbbin1)=bords1(nbbin1)+(bords1(nbbin1)-bords1(nbbin1-1))/2;
%
% i=find(teobs<temaxgraphe); % ce tableau i est le meme pour les trois graphes
%
% h1=histc(teobs(i),bords1)*gamobs*exposure/length(teobs(i));
%
% %Definition des tableaux bords et centre pour une largeur de 2 jour
% for j =1:nbbin2;
% bords2(j)=temaxgraphe/nbbin2*(j-1);
% end;
% for j =1:nbbin2-1;
% centre2(j)=(bords2(j)+bords2(j+1))/2;
% end
% centre2(nbbin2)=bords2(nbbin2)+(bords2(nbbin2)-bords2(nbbin2-1))/2;
%
% h2=histc(teobs(i),bords2)*gamobs*exposure/length(teobs(i));
%
% %Definition des tableaux bords et centre pour une largeur de 5 jour
% for j =1:nbbin5;
% bords5(j)=temaxgraphe/nbbin5*(j-1);
% end;
% for j =1:nbbin5-1;
% centre5(j)=(bords5(j)+bords5(j+1))/2;
% end
% centre5(nbbin5)=bords5(nbbin5)+(bords5(nbbin5)-bords5(nbbin5-1))/2;
%
% h5=histc(teobs(i),bords5)*gamobs*exposure/length(teobs(i));
%
%
% % Tracage de ces trois graphes ensemble
% figure(18);
% hold off;
% hold on;
% plot(centre1,h1,'b-');
% plot(centre2,h2,'r-');
% plot(centre5,h5,'g-');
% axis([0,30,0,20]);
% title('Diagramme des evenements obtenu par simulation pour des largeurs de representation differentes');
% legend('largeur de 1 jour','largeur de 2 jours','largeur de 5 jours');
% xlabel('durees d''evenements');
% ylabel('nombre d''evenements par unite de temps');
% hold off;
%
%
% % TRACAGE des trois graphiques precedents separement avec la distribution experimentale correspondante
%
% figure(19);
% j=find(teff<temaxgraphe); % c'est le meme tableau pour les trois graphes
% hist(teff(j),bords1);% essayer aussi hi1=hist(teff(i),bords1)*gamobs*exposure/length(teff(i));
% teff(j);
% %bar(centre1,hi1,'r');
% hold on;
% plot(centre1,h1,'r');
% title('comparaison experience/simulation pour une largeur de 1 jours');
% legend('experience','simulation');
% hold off;
%
% figure(20);
% hist(teff(j),bords2); % essayer aussi hi2=hist(teff(i),bords2)*gamobs*exposure/length(teff(i));
% %bar(centre2,hi2,'r');
% hold on;
% plot(centre2,h2,'r');
% title('comparaison experience/simulation pour une largeur de 2 jours');
% legend('experience','simulation');
% hold off;
%
% figure(21);
% hist(teff(j),bords5); % essayer aussi hi5=hist(teff(i),bords5)*gamobs*exposure/length(teff(i));
% %bar(centre5,hi5,'r');
% hold on;
% plot(centre5,h5,'r');
% title('comparaison experience/simulation pour une largeur de 5 jours');
% legend('experience','simulation');
% hold off;
%
%
%
%
% % Calcul du nombre total d'evenement pour les differents cas
%
% %calcul du nombre total d'evenements a partir de gamobs et l'exposure
% nombre1=exposure*gamobs;
% %calcul du nombre total d'evenements a partir de la simulation pour une largeur de 1 jour
% nbbin1=temax;
% for j =1:nbbin1;
% bords1(j)=temax/nbbin1*(j-1);
% end;
% i=find(teobs<temax); %c'est le meme tableau pour les trois (quatres) largeurs
% hn1=histc(teobs(i),bords1)*gamobs*exposure/length(teobs(i));
% diff=length(teobs)-length(i); % c'est la meme valeur pour tous
% nombre2=sum(hn1);
% %calcul du nombre total d'evenements a partir de la simulation pour une largeur de 2 jours
% nbbin2=temax/2;
% for j =1:nbbin2;
% bords2(j)=temax/nbbin2*(j-1);
% end;
% hn2=histc(teobs(i),bords2)*gamobs*exposure/length(teobs(i));
% nombre3=sum(hn2);
% %calcul du nombre total d'evenements a partir de la simulation pour une largeur de 5 jours
% nbbin5=temax/5;
% for j =1:nbbin5;
% bords5(j)=temax/nbbin5*(j-1);
% end;
% hn5=histc(teobs(i),bords5)*gamobs*exposure/length(teobs(i));
% nombre4=sum(hn5);
% %calcul du nombre total d'evenements a partir de la simulation pour une largeur de 0.5 jour
% nbbin=2*temax;
% for j =1:nbbin;
% bords(j)=temax/nbbin*(j-1);
% end;
% hn=histc(teobs(i),bords)*gamobs*exposure/length(teobs(i));
% nombre5=sum(hn);
% %calcul du nombre total d'evenements a partir des donnes experimentales
% nombre6=length(teff);
%
% %Affichage de ces resultats
% disp(['Il n''y a pas eu prise en compte de ' num2str(diff) 'elements']);
% disp(['nb d''evt avec gamobs :' num2str(nombre1) ]);
% disp(['nb d''evt avec 1 j :' num2str(nombre2) ]);
% disp(['nb d''evt avec 2 j :' num2str(nombre3) ]);
% disp(['nb d''evt avec 5 j :' num2str(nombre4) ]);
% disp(['nb d''evt avec 0.5 j :' num2str(nombre5) ]);
% disp(['nb d''evt par l''experience :' num2str(nombre6) ]);
%
%
%
%
%
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% %Trace dgamma (c'est le dgamma global et non pas celui apres le Monte-Carlo)
% % Pour avoir quelque chose de coherent, trace plutot dgammaccepte
% % figure(22);
% % mgam=max(dgamma);
% % y=0:mgam/100000:mgam;
% % h4=histc(dgamma,y);
% % h4=h4+1;
% % h4=log(h4);
% % bar(y,h4);
% % title('distrib de dgamma');
% % hold off;
% %trace dgamma avec une echelle log pour la lisibilite
% %figure(23);
% %%dgamma=dgamma*1000+1;
% %ldg=log(dgamma)/log(1000);
% %hist(ldg,100000);
% %title('distrib de dgamma echelle log1000');
% %hold off;
% %n'a pas trop d'interet
%
%
%
%
%
%
%
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% %Densite (Avec les espacements pour ramener les dimensions)
%
% %figure(24);
% %l=length(teff);
% %milieu(1)=0;
% %for i=2:l
% %% milieu(i)=(teff(i-1)+teff(i))/2;
% %end;
% %for i=1:(l-1)
% % ecart(i)=milieu(i+1)-milieu(i);
% %end;
% %ecart(l)=(teff(l)-milieu(l))*2;
% %h3=1./ecart;
% %bar(t,h3,'g');
% %title('idee bizarre');
% %hold off;
%
%
%
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% % En essayant de comparer des "resultats" normalises
% % Ne sert a rien s'il n'y a pas une coherence avant
% %figure(25);
% %m1=max(h);
% %h1=h1/m1;
% %plot(centre,h1,'b-');
% %hold on;
% %h2=histc(teff,bords);
% %m2=max(h2);
% %h2=h2/m2;
% %plot(centre,h2,'r-.'); ne pas tracer avec celui la
% %bar(centre,h2,'g');
% %title('comparaison en normalisee');
% %hold off;
%