PFS-JIRA

PFS-JIRA https://pfspipe.ipmu.jp/jira This file is an XML representation of an issue en-us

8.3.4

803005

13-09-2019

[REDMINE1D-257] [RM-5009] First results on CFHTLS data https://pfspipe.ipmu.jp/jira/browse/REDMINE1D-257 1D Redmine <p><em><font color="#505f79"> Created on 2018-11-15 11:56:55 by Johanna Pasquet. % Done: 0</font></em></p> <p>Selection: 0.01<z<1.5</p> <p>mean biais = 0.00065 <br/> nmad = 0.010465<br/> number of outliers = 319.0 soit 1.33831179728 %</p> <p><img src="https://pfspipe.ipmu.jp/jira/images/icons/attach/noimage.png" imagetext="plot.png" align="absmiddle" border="0" /></p> REDMINE1D-257

[RM-5009] First results on CFHTLS data

Task Normal Open Unresolved Redmine-Jira Migtation Redmine-Jira Migtation Fri, 7 Jul 2023 17:17:31 +0000 Fri, 7 Jul 2023 17:18:01 +0000 0 1 <p>Comment by Johanna Pasquet on 2018-11-16 09:38:17:<br/> Johanna Pasquet wrote:<br/> > Selection: 0.01<z<1.5<br/> > <br/> > mean biais = 0.00065 <br/> > nmad = 0.010465<br/> > number of outliers = 319.0 soit 1.33831179728 %<br/> > <br/> > <img src="https://pfspipe.ipmu.jp/jira/images/icons/attach/noimage.png" imagetext="plot.png" align="absmiddle" border="0" /></p> <p>Wrong result, there was a mistake in the code</p> <p>Comment by Johanna Pasquet on 2019-02-14 11:54:30:<br/> Pas de coupure en magnitude<br/> Coupure en redshift <4.0</p> <p>biais=0.0034<br/> nmad=0.0372<br/> fraction d'outliers =26.75 %</p> <p><span class="image-wrap" style=""><img src="https://pfspipe.ipmu.jp/jira/secure/attachment/16136/16136_cfht_plot.png" style="border: 0px solid black" /></span></p> <p>Comment by Stephane Arnouts on 2019-02-14 12:07:59:<br/> Merci Johanna, <br/> ca a l'air tres bon ces resultats ! <br/> J'ai un doute sur la definition des outliers ? <br/> Il faut le redefinir comme abs(zcnn-zs)/(1+zs)> 3*sig_mad ~0.1</p> <p>Comment by Stephane Arnouts on 2019-02-14 12:11:32:<br/> and we still see the bias problem at high z where Zcnn tend to under-estimate the redshift</p> <p>Comment by Johanna Pasquet on 2019-02-14 12:13:42:<br/> Stephane ARNOUTS wrote:<br/> > Merci Johanna, <br/> > ca a l'air tres bon ces resultats ! <br/> > J'ai un doute sur la definition des outliers ? <br/> > Il faut le redefinir comme abs(zcnn-zs)/(1+zs)> 3*sig_mad ~0.1</p> <p>Ah oui j'ai juste fait abs(zphot-zs) > 0.05. Je vais le recalculer!</p> <p>#####################################"""<br/> En fait je n'avais pas calculé le nmad mais la dispersion définie par np.sum((abs(zphot-zspec)/(1+zspec)))/len(zspec) = 0.037<br/> <b>Le nmad est en réalité égal à 0.021 !</b><br/> La fraction d'outliers définie par abs(zcnn-zs)/(1+zs)> 3*sig_mad est de 0.113 soit 11.3% </p> <p>Comment by Stephane Arnouts on 2019-02-14 16:09:01:<br/> Johanna Pasquet wrote:<br/> > Stephane ARNOUTS wrote:<br/> > > Merci Johanna, <br/> > > ca a l'air tres bon ces resultats ! <br/> > > J'ai un doute sur la definition des outliers ? <br/> > > Il faut le redefinir comme abs(zcnn-zs)/(1+zs)> 3*sig_mad ~0.1<br/> > <br/> > Ah oui j'ai juste fait abs(zphot-zs) > 0.05. Je vais le recalculer!<br/> > <br/> > #####################################"""<br/> > En fait je n'avais pas calculé le nmad mais la dispersion définie par np.sum((abs(zphot-zspec)/(1+zspec)))/len(zspec) = 0.037<br/> > <b>Le nmad est en réalité égal à 0.021 !</b><br/> > La fraction d'outliers définie par abs(zcnn-zs)/(1+zs)> 3*sig_mad est de 0.113 soit 11.3%</p> <p> ohoh plutot tres bon alors ! impatient de decortiquer les pickles ... </p> Development Rank 0|zzsymf: