Show simple item record

Professor Advisordc.contributor.advisorSapone, Domenico
Authordc.contributor.authorGrandón Silva, Daniela Ignacia
Associate professordc.contributor.otherPadilla, Nelson
Associate professordc.contributor.otherPalma Quilodrán, Gonzalo
Associate professordc.contributor.otherSifón Andalaft, Cristóbal
Admission datedc.date.accessioned2024-05-14T17:24:04Z
Available datedc.date.available2024-05-14T17:24:04Z
Publication datedc.date.issued2023
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/198549
Abstractdc.description.abstractLa cosmología se encuentra actualmente en el estado afortunado de recopilar cada vez más datos y, en particular, datos cada vez más precisos. Esto, a su vez, implica que la estimación de numerosos parámetros cosmológicos será cada vez más precisa. Lo anterior ofrece el potencial para una comprensión más profunda de la naturaleza de la energía oscura y sobre la importancia estadística de las tensiones observadas en el modelo cosmológico estándar, conocido como ΛCold Dark Matter (ΛCDM). Con el fin de prepararse para la llegada de estos datos tan precisos, una variedad métodos estadísticos y de machine learning (redes neuronales, procesos gaussianos, entre otros) se han empleado como ayuda para procesar los datos y acelerar la inferencia estadística de parámetros cosmológicos. Implementar estas herramientas permite explorar diferentes estrategias para el análisis de datos, como el estudio de efectos instrumentales y físicos que pueden introducir errores sistemáticos y la exploración de modelos más allá de ΛCDM. En esta tesis, se emplea por primera vez un método estadístico robusto que permite hacer inferencia estadística en el caso que las evaluaciones de la función de verosimilitud o likelihood de los datos sean asistidas por redes neuronales artificiales. Dado que las redes neuronales son capaces de aproximar las cantidades aprendidas, un problema no resuelto es cómo evitar que el error de aproximación introduzca errores en la inferencia de parámetros. Nuestro método (Bayesiano) provee la solución a este problema, que consiste en una nueva función de probabilidad a posteriori que elimina cualquier riesgo de que el resultado de los parámetros cosmológicos esté sesgado por errores introducidos por las herramientas de machine learning. Por otro lado, y siguiendo el estudio de los sesgos en la inferencia de parámetros cosmológicos, esta tesis presenta un estudio de los sesgos que podrían introducir los efectos del feedback de bariones, los cuales corresponden a procesos astrofísicos que pueden contaminar la señal del efecto lente gravitacional débil. Para esto, se emplean datos simulados y reales del survey de galaxias Hyper Suprime-Cam (HSC) y se implementan herramientas de machine learning que son entrenadas en base a simulaciones de N-cuerpos. Logramos demostrar que el análisis en base a datos simulados introduce sesgos severos en la inferencia del parámetro S8. Sin embargo, el análisis en base a datos reales es consistente con un escenario donde los bariones poseen un mecanismo de feedback débil, y por ende, no introducen sesgos importantes en la inferencia de parámetros cosmológicos para los surveys de galaxias actuales, como HSC. Finalmente, en esta tesis se estudian métodos paramétricos y no paramétricos con el fin de develar las propiedades de la energía oscura, y entender si esta cantidad existe en forma de constante cosmológica o un fluido dinámico. Para este análisis, usamos un set de datos observacionales del Universo tardío, y distintos priors en el parámetro de Hubble H0. Encontramos que distintos métodos convergen a una energía oscura dinámica, aunque su significancia estadística no es suficiente para poder descartar completamente un modelo con constante cosmológica.es_ES
Patrocinadordc.description.sponsorshipANID Doctorado Nacional/2019-21191886 - Fondecyt Regular N. 1200171 - Universidad de Chile - L’Oréal-UNESCO For Women in Sciencees_ES
Lenguagedc.language.isoeses_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
Títulodc.titleBayesian inference for precision cosmology: A machine learning approaches_ES
Document typedc.typeTesises_ES
dc.description.versiondc.description.versionVersión original del autores_ES
dcterms.accessRightsdcterms.accessRightsAcceso abiertoes_ES
Catalogueruchile.catalogadorgmmes_ES
Departmentuchile.departamentoDepartamento de Físicaes_ES
Facultyuchile.facultadFacultad de Ciencias Físicas y Matemáticases_ES
uchile.carrerauchile.carreraFísicaes_ES
uchile.gradoacademicouchile.gradoacademicoDoctoradoes_ES
uchile.notadetesisuchile.notadetesisTesis para optar al grado de Doctora en Ciencias, Mención Físicaes_ES


Files in this item

Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States