Statistical tools in cosmology: model selection and covariance matrix comparison
Nome: TASSIA ANDRADE FERREIRA
Tipo: Tese de doutorado
Data de publicação: 04/10/2021
Orientador:
Nome |
Papel |
|---|---|
| VALERIO MARRA | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| FLÁVIA SOBREIRA | Examinador Externo |
| MARIANA PENNA LIMA VITENTI | Examinador Externo |
| MARTIN MAKLER | Examinador Interno |
| SCOTT DODELSON | Examinador Externo |
| VALERIO MARRA | Orientador |
Resumo: Apesar da fama do ΛCDM como o modelo de concordância, existem muitos mistérios interessantes que merecem ser explorados, tais como a natureza da energia escura. Aqui, nós testamos a viabilidade de várias classes de cenários do setor escuro com termos de interação lineares e não-lineares. Para este fim, nós usamos o modelo de seleção Bayesiana com dados de supernovas do tipo Ia, relógios cósmicos, radiação cósmica de fundo de micro-ondas e dois conjuntos de medidas de oscilações acústicas bariônicas: medidas angulares bidimensionais (BAO2) e medidas tridimensionais de média angular (BAO3). Em contrapartida, nós consideramos matrizes de covariância, as quais são ferramentas importantes para estimativas de parâmetros. Nós exploramos diferentes formas de comprimi-las analisando seus autovalores, a razão sinal-ruído, empregando a compressão tomográfica e, finalmente, utilizando o Massively Optimized Parameter Estimation and Data compression (MOPED). Nós encontramos que MOPED é uma ferramenta poderosa de compressão de matrizes de covariância e, para este fim, nós construímos um código em python que utiliza uma simulação rápida de Monte Carlo para obter valores compreensíveis relacionados à diferença entre duas matrizes de covariância. Este método, então, elimina a necessidade da análise cosmológica completa, pois relacionamos seus resultados aos obtidos a diferença em suas restrições de parâmetros.
