The Non-Gaussian Weak-Lensing Likelihood: A Multivariate Copula Construction and Impact on Cosmological Constraints

Este artículo presenta un marco basado en cópulas para construir verosimilitudes no gaussianas de funciones de correlación de dos puntos que mejoran la concordancia con simulaciones en grandes escalas, revelando que, aunque estas verosimilitudes provocan desplazamientos significativos en el parámetro $S_8$ para encuestas de 1 000 grados cuadrados, los desplazamientos son despreciables para encuestas de etapa IV de 10 000 grados cuadrados, lo que sugiere que las verosimilitudes gaussianas siguen siendo suficientes para estas últimas.

Lo esencial

🌌 El Mapa de las Estrellas y el "Fantasma" de la No-Gaussianidad

Imagina que los astrónomos son como detectives del universo. Su trabajo es mirar a través de telescopios gigantes para ver cómo la luz de millones de galaxias se dobla al pasar cerca de materia oscura (algo que no podemos ver, pero que sentimos por su gravedad). A esto se le llama lente gravitacional débil.

Para entender el universo, estos detectives miden cómo se relacionan las posiciones de las galaxias entre sí. Es como si intentaran adivinar la forma de una montaña invisible midiendo cómo se doblan los ríos que fluyen a su alrededor.

1. El Problema: La Regla de "Todo es Normal"

Durante años, los científicos han usado una herramienta estadística llamada distribución Gaussiana (o la famosa "curva de campana") para analizar sus datos. Es como asumir que si lanzas una moneda muchas veces, los resultados siempre seguirán un patrón perfecto y predecible.

• La analogía: Imagina que estás midiendo la altura de las olas en el mar. En días tranquilos, las olas son pequeñas y predecibles (Gaussianas). Pero, en una tormenta, las olas pueden ser gigantes y caóticas, rompiendo esa regla de "normalidad".

El problema es que, en el universo, cuando miramos escalas muy grandes (como grandes trozos de cielo), las cosas no son tan "normales". Las fluctuaciones son extrañas, asimétricas y no siguen la curva de campana perfecta. Si usas la regla vieja (Gaussiana) en una tormenta, cometerás errores en tus conclusiones.

2. La Solución: El "Copula" (El Pegamento Inteligente)

Los autores de este artículo, Veronika Oehl y Tilman Tröster, han creado una nueva herramienta matemática llamada Copula.

• La analogía: Imagina que quieres construir un edificio complejo (el análisis completo del universo).
  • Primero, tienes los ladrillos individuales. En este caso, son las mediciones de cada trozo de cielo por separado. Los autores saben exactamente cómo se comporta cada ladrillo individualmente (su forma es "no gaussiana", es decir, rara).
  • Antes, intentaban pegar estos ladrillos usando un pegamento viejo (la distribución Gaussiana) que no encajaba bien con la forma irregular de los ladrillos.
  • Ahora, usan un pegamento inteligente (la Copula). Este pegamento es especial porque respeta la forma extraña de cada ladrillo individual, pero al mismo tiempo sabe cómo unirlos todos para formar una estructura sólida y coherente.

La Copula les permite tomar las reglas exactas de cada pieza pequeña y combinarlas para ver el panorama completo sin perder la precisión.

3. ¿Qué descubrieron? (El Resultado)

Usaron esta nueva herramienta para simular encuestas astronómicas de dos tamaños diferentes:

• El caso pequeño (1000 grados cuadrados): Es como mirar un trozo de cielo del tamaño de la Luna llena. Aquí, la diferencia entre usar la regla vieja (Gaussiana) y la nueva (Copula) fue importante. Cambió ligeramente la respuesta sobre un parámetro clave llamado $S_8$ (que mide qué tan "agrupada" está la materia en el universo). Fue como si al cambiar la lupa, el detective viera al sospechoso un poco más a la izquierda o a la derecha.
• El caso gigante (10,000 grados cuadrados): Es como mirar casi todo el cielo visible (como lo harán telescopios futuros como el LSST o Euclid). Aquí, la sorpresa fue que la diferencia fue casi nula. Aunque las escalas grandes son "raras", cuando tienes tanta cantidad de datos, la ley de los grandes números hace que la regla vieja (Gaussiana) funcione lo suficientemente bien.

4. La Conclusión en una Frase

Este trabajo nos dice: "No necesitas un superordenador para todo, pero sí para los detalles".

Para los grandes proyectos del futuro que verán todo el cielo, podemos seguir usando las herramientas estadísticas clásicas y sencillas (Gaussianas) porque son suficientes. Sin embargo, para proyectos más pequeños o para entender los detalles finos de las escalas más grandes, necesitamos usar la herramienta más precisa (la Copula) para no cometer errores.

En resumen: Han creado un "pegamento matemático" que une mejor las piezas raras del universo. Han demostrado que, aunque es genial tenerlo, para los proyectos gigantes del futuro, la vieja forma de hacer las cosas sigue funcionando bastante bien. ¡Pero ahora sabemos exactamente cuándo y por qué funciona!

Resumen técnico

1. El Problema

Las encuestas cosmológicas actuales y futuras (etapas III y IV) buscan restricciones de parámetros a nivel de sub-porcentaje. Para lograr esto, es crucial modelar con precisión las incertidumbres de los observables mediante la función de verosimilitud (likelihood).

• Limitación actual: La mayoría de los análisis asumen que la verosimilitud de las funciones de correlación de dos puntos (estadísticas de cizallamiento cósmico) es Gaussiana.
• La realidad: Se ha demostrado que esta aproximación falla, especialmente en escalas angulares grandes, donde las distribuciones de muestreo de las funciones de correlación son intrínsecamente no Gaussianas.
• Vacío metodológico: Aunque existen intentos previos para construir verosimilitudes no Gaussianas (usando expansiones de Edgeworth o ajustes a simulaciones), estos enfoques tienen limitaciones fundamentales (pueden generar densidades negativas, no son distribuciones de probabilidad válidas o requieren simulaciones costosas). Además, no se había aplicado una verosimilitud no Gaussiana exacta a vectores de datos multivariados completos de funciones de correlación.

2. Metodología

Los autores proponen un marco basado en la teoría de cópulas para construir una verosimilitud multivariada no Gaussiana eficiente y exacta.

• Márgenes Exactas (1D): Utilizan resultados previos (Oehl & Tröster 2025) para calcular las distribuciones marginales unidimensionales exactas de las funciones de correlación en cielos enmascarados. Estas se derivan de la función característica de los coeficientes pseudo-$a_{\ell m}$ de campos aleatorios Gaussianos.
• Estructura de Dependencia (Cópula): En lugar de calcular la distribución conjunta completa (que es computacionalmente inviable para dimensiones altas), utilizan una cópula Gaussiana.
  • La cópula une las márgenes no Gaussianas exactas mediante una estructura de dependencia derivada de la matriz de covarianza exacta del vector de datos.
  • La densidad de la verosimilitud conjunta se construye como: $p(\boldsymbol{\xi}) = \rho_{\text{Gauss}} \times \prod p(\xi_q)$, donde $\rho_{\text{Gauss}}$ es la densidad de la cópula y $p(\xi_q)$ son las márgenes exactas.
• Optimizaciones Computacionales:
  • Aprovechan la estructura de bloques y dispersión (sparsity) de las matrices de combinación y covarianza para calcular eigenvalores y trazas de manera eficiente.
  • Aproximación híbrida: Para escalas angulares pequeñas (donde el Teorema del Límite Central garantiza la Gaussianidad), reemplazan las márgenes exactas por distribuciones Gaussianas para reducir el coste computacional, manteniendo las márgenes no Gaussianas exactas solo para las escalas grandes donde es crítico.
• Validación: Comparan la distribución de probabilidad derivada analíticamente con $10^6$ simulaciones de campos aleatorios Gaussianos generados con el código GLASS.

3. Contribuciones Clave

1. Primera aplicación completa: Es el primer trabajo que aplica una verosimilitud de cópula con márgenes analíticas no Gaussianas a un vector de datos completo de funciones de correlación de lente débil (no solo espectros de potencia o campos unidimensionales).
2. Marco eficiente: Demuestran cómo evaluar una verosimilitud multivariada no Gaussiana de alta dimensión de manera tractable, evitando el cálculo explícito de la función característica $N$-dimensional completa.
3. Validación rigurosa: Confirman que la verosimilitud de cópula captura la estructura de las distribuciones de muestreo simuladas con mucha mayor precisión que la verosimilitud Gaussiana, especialmente en las regiones de alta probabilidad y en la forma asimétrica de los contornos.
4. Análisis de impacto cosmológico: Evalúan sistemáticamente cómo la elección de la verosimilitud afecta las inferencias de parámetros en configuraciones realistas de encuestas (KiDS-1000 y LSST).

4. Resultados

• Comparación con simulaciones: La verosimilitud de cópula reproduce las distribuciones de muestreo de las simulaciones con un error muy inferior a dos desviaciones estándar de ruido de muestreo, mientras que la verosimilitud Gaussiana muestra desviaciones sistemáticas mayores y no puede explicar la asimetría observada.
• Desplazamientos de parámetros ($S_8$):
  • Para encuestas de 1000 deg² (tipo KiDS-1000), el uso de la verosimilitud de cópula provoca un desplazamiento en el valor medio del parámetro $S_8$ de aproximadamente una desviación estándar hacia valores más bajos en comparación con la verosimilitud Gaussiana.
  • La dirección del desplazamiento cambia al incluir correlaciones entre bins de corrimiento al rojo, lo que subraya la importancia de usar el vector de datos completo.
• Impacto en encuestas de gran área (Stage IV):
  • Para encuestas de 10 000 deg² (tipo LSST o Euclid), los desplazamientos en los parámetros cosmológicos son despreciables.
  • Esto sugiere que, para áreas de cielo muy grandes, la aproximación Gaussiana podría ser suficiente, aunque los resultados dependen fuertemente de la geometría detallada de la máscara y la estructura del vector de datos.
• Espacio de parámetros completo: Se demuestra que el marco funciona al muestrear todo el espacio de parámetros cosmológicos (usando MCMC con emcee), no solo en grids fijos, confirmando su aplicabilidad en análisis completos.

5. Significado y Conclusión

• Validación de la Gaussianidad en Stage IV: El estudio sugiere que, aunque la no-Gaussianidad es real y significativa en escalas grandes, el aumento del área de la encuesta (Stage IV) reduce el impacto de esta no-Gaussianidad en las restricciones finales de parámetros, haciendo que la verosimilitud Gaussiana sea una aproximación aceptable para áreas de ~10 000 deg².
• Recomendación de precaución: A pesar de lo anterior, los autores recomiendan realizar pruebas específicas con el marco de cópula para las geometrías de máscara finales de LSST y Euclid, ya que la estructura detallada de los datos podría reintroducir sesgos significativos.
• Versatilidad: El marco de cópula es general y puede aplicarse a otras estadísticas de dos puntos (agrupamiento de galaxias, mapas de 21 cm, fondo de ondas gravitacionales) siempre que se conozcan las márgenes unidimensionales.
• Herramienta para datos reales: El método permite un ponderado continuo de los campos, lo que lo hace adecuado para aplicar a datos reales de lente débil con máscaras complejas, no solo binarias.

En resumen, el paper proporciona una herramienta teórica y computacionalmente viable para tratar la no-Gaussianidad en la lente débil, demostrando que, aunque crítica para encuestas actuales de tamaño moderado, su impacto en las futuras encuestas de gran área podría ser menor, pero requiere verificación caso por caso.