Evidencia bayesiana utilizada para comparar modelos de agujeros negros frente a estrellas de bosones.La comparación de modelos en física es el proceso de usar evidencia estadística para decidir cuál de varios modelos teóricos en competencia explica mejor los datos observacionales. En el contexto de los modelos de agujeros negros frente a estrellas de bosones, la evidencia bayesiana cuantifica qué tan bien predice cada modelo los datos, penalizando automáticamente la complejidad innecesaria. Esto es crucial porque diferentes objetos exóticos pueden imitar las firmas gravitacionales de los agujeros negros, y distinguirlos pone a prueba la física fundamental.
El enfoque bayesiano para la comparación de modelos fue formalizado por Thomas Bayes en el siglo XVIII y desarrollado por Pierre-Simon Laplace. Su aplicación moderna a la astrofísica, incluyendo alternativas a los agujeros negros, creció en la década de 2000 con la llegada de la astronomía de ondas gravitacionales y los métodos computacionales para el cálculo de la evidencia.
La evidencia bayesiana se calcula integrando la verosimilitud de los datos sobre todos los valores posibles de los parámetros de un modelo, ponderada por la probabilidad a priori. Esta integral recompensa a los modelos que se ajustan bien a los datos, pero penaliza a aquellos con muchos parámetros que no están fuertemente restringidos. La razón de evidencias de dos modelos, llamada factor de Bayes, indica el apoyo relativo: un factor mayor que 10 se considera evidencia fuerte a favor de un modelo sobre el otro. En la práctica, esto se hace numéricamente usando algoritmos como el muestreo anidado o la cadena de Markov Monte Carlo.
Se utiliza en la astronomía de ondas gravitacionales para probar si las señales detectadas provienen de agujeros negros o de alternativas exóticas, y en cosmología para comparar modelos de energía oscura.
La evidencia bayesiana implementa automáticamente la navaja de Occam: un modelo más simple puede ganar incluso si se ajusta ligeramente peor, porque no desperdicia probabilidad en parámetros no restringidos.
















