Competing likelihood models for mass estimate of galaxy clusters from weak lensing data.

• Ano de defesa: 2023
• Autor(a) principal: Oliveira, Caio Lima de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Física; Verossimilhança (Estatística); Cosmologia; Matéria escura (Astronomia); Ciências Exatas e da Terra - Física; Physical; Likelihood (Statistics); Cosmology; Dark matter (Astronomy)
• Link de acesso: https://repositorio.uel.br/handle/123456789/17169

A lente gravitacional fraca e uma sonda extremamente promissora para a massa total de aglomerados de galáxias. Com a primeira luz do LSST no horizonte, teremos finalmente dados precisos o suficiente para estimativas de massa a partir de lentes fracas. Entretanto, para que isso seja possível, precisaremos de uma excelente compreensão física e estatística desse indicador. Nesse contexto, este trabalho e um primeiro passo nessa direção. Analisamos as suposições estatísticas sobre a distribuição intrínseca das elipticidades das galáxias, o verdadeiro observável, encontrando as implicações nos parâmetros mais comuns para as elipses. Também estudamos e testamos os modelos de verossimilhança já implementados no CLMM do LSST, testando a normalidade da distribuição de cisalhamento em cada bin através de testes de Shapiro-Wilk. Por fim, propomos uma nova abordagem para a criação de modelos de verossimilhança com a estimativa de densidade de kernel e a comparamos com o trabalho anterior realizado no CLMM, criando um conjunto de dados de simulação com o qual cada verossimilhança pode ser comparada e executando os melhores ajustes e a analise MCMC. Concluímos que, em primeiro lugar, pode ser necessário um estudo mais aprofundado da distribuição intrínseca da forma das galáxias; em segundo lugar, que as verossimilhanças binadas não devem assumir a gaussianidade das distribuições de cisalhamento; e, em terceiro lugar, que as KDEs são uma maneira promissora de criar uma verossimilhança de lente fraca, parecendo ser mais exatas e precisas do que os métodos binados atuais e competindo com as não binadas.