Trilhas / Cosmologia Avançada

Inferência bayesiana · Aula 1

O que muda da priori para a posteriori?

Combinar uma distribuição a priori gaussiana com uma verossimilhança gaussiana.

Minhas anotações

A verossimilhança expressa como um conjunto de dados se distribui sob cada valor de um parâmetro. Para construir sua distribuição a posteriori, multiplique a verossimilhança pela densidade a priori e normalize o produto. Se ambas são gaussianas em um parâmetro hh, o produto normalizado também é gaussiano.

s−2=sp−2+sd−2,μ=s2(μpsp2+xsd2).s^{-2}=s_p^{-2}+s_d^{-2},\qquad \mu=s^2\left(\frac{\mu_p}{s_p^2}+\frac{x}{s_d^2}\right).

Exemplo resolvido

Para μp=68\mu_p=68, x=70x=70 e desvios iguais a 2 nas mesmas unidades, μ=69\mu=69 e s=2s=\sqrt2. A média muda de acordo com a precisão relativa da priori e da medida. Este exemplo pressupõe uma priori externa aos dados usados na verossimilhança. Empregar os mesmos dados nas duas entradas duplicaria artificialmente a informação.

Leitura de um resultado público

Na execução T-0062706e5bd5, o NEXO manteve as hipóteses do ajuste e retirou grupos de traçadores BAO sucessivamente. A direção da preferência por energia escura dinâmica persistiu nas exclusões examinadas. O registro classifica o resultado como candidato e documenta os priors utilizados. Identifique quais escolhas você precisaria variar para investigar a sensibilidade à priori. Abrir a execução, o método e os limites no NEXO Research.

Explore a relação

Leia o gráfico

Verossimilhança relativa em função de H₀ (km/s/Mpc). Verossimilhança gaussiana sintética centrada em 70, com σ = 2 km/s/Mpc e pico normalizado a um.Verossimilhança relativa00,20,40,60,8164666870727476H₀ (km/s/Mpc)
Verossimilhança gaussiana sintética centrada em 70, com σ = 2 km/s/Mpc e pico normalizado a um.
Valores em tabela

Verifique sua compreensão

Exercício

Uma priori normal tem média 68 e σ = 2. Uma medida independente, combinada com verossimilhança gaussiana de σ = 2, dá 72. Qual é a média posterior?

Para guardar

No modelo gaussiano unidimensional, as precisões se somam e ponderam a média posterior.

Referência

Sanjib Sharma, Markov Chain Monte Carlo Methods for Bayesian Data Analysis in Astronomy ↗

Estudo de caso do NEXO · sensibilidade de um ajuste à seleção de redshift ↗