Évidence bayésienne utilisée pour comparer les modèles de trous noirs et d'étoiles de bosons.La comparaison de modèles en physique est le processus qui consiste à utiliser des preuves statistiques pour décider lequel de plusieurs modèles théoriques concurrents explique le mieux les données d'observation. Dans le contexte des modèles de trous noirs par rapport aux étoiles de bosons, l'évidence bayésienne quantifie dans quelle mesure chaque modèle prédit les données, tout en pénalisant automatiquement la complexité inutile. Cela est crucial car différents objets exotiques peuvent imiter les signatures gravitationnelles des trous noirs, et les distinguer teste la physique fondamentale.
L'approche bayésienne de la comparaison de modèles a été formalisée par Thomas Bayes au XVIIIe siècle et développée par Pierre-Simon Laplace. Son application moderne à l'astrophysique, y compris aux alternatives aux trous noirs, a grandi dans les années 2000 avec l'avènement de l'astronomie des ondes gravitationnelles et des méthodes computationnelles pour le calcul de l'évidence.
L'évidence bayésienne est calculée en intégrant la vraisemblance des données sur toutes les valeurs possibles des paramètres d'un modèle, pondérée par la probabilité a priori. Cette intégrale récompense les modèles qui s'ajustent bien aux données mais pénalise ceux qui ont de nombreux paramètres non fortement contraints. Le rapport des évidences pour deux modèles, appelé facteur de Bayes, indique le soutien relatif : un facteur supérieur à 10 est considéré comme une preuve forte en faveur d'un modèle par rapport à l'autre. En pratique, cela se fait numériquement à l'aide d'algorithmes comme l'échantillonnage par nidification ou les chaînes de Markov Monte Carlo.
Cela est utilisé en astronomie des ondes gravitationnelles pour tester si les signaux détectés proviennent de trous noirs ou d'alternatives exotiques, et en cosmologie pour comparer les modèles d'énergie sombre.
L'évidence bayésienne implémente automatiquement le rasoir d'Occam : un modèle plus simple peut gagner même s'il s'ajuste légèrement moins bien, car il ne gaspille pas de probabilité sur des paramètres non contraints.
















