🔭 astrophysics

Bayesian Model Comparison of $R_h=ct$ versus $\Lambda$ CDM using HII galaxy Hubble diagram

Este estudo compara os modelos cosmológicos $R_h=ct$ e $\Lambda$ CDM utilizando diagramas de Hubble de galáxias HII e análise bayesiana, descobrindo que, embora os fatores de Bayes sejam neutros com priores uniformes, o modelo $R_h=ct$ é fortemente favorecido sobre o $\Lambda$ CDM quando se utilizam priores normais baseados na cosmologia do Planck.

Autores originais: Yuva Himanshu Pallam, Shantanu Desai

Publicado 2026-03-31

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yuva Himanshu Pallam, Shantanu Desai

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que o universo é um carro gigante e nós, os cientistas, somos mecânicos tentando descobrir qual é o motor que o faz andar. Existem duas teorias principais sobre como esse "motor" funciona:

O Modelo Padrão (ΛCDM): É como um carro moderno com um motor de combustão interna complexo. Ele tem peças conhecidas (matéria normal, matéria escura) e um "turbo" misterioso chamado Energia Escura que acelera o universo. É o modelo que a maioria dos mecânicos (cientistas) usa hoje.
O Modelo $R_h = ct$ : É como um carro elétrico futurista e super simples. A teoria diz que o universo se expande de uma maneira perfeitamente linear e constante, sem precisar de um "turbo" ou de um motor complexo. É uma ideia mais elegante, mas menos popular.

O Grande Desafio: Quem está certo?

Recentemente, um grupo de cientistas (chamados de WM25 no texto) olhou para um tipo especial de galáxia (chamadas de "galáxias HII", que são como faróis cósmicos muito brilhantes) para ver qual motor estava funcionando melhor. Eles usaram uma régua matemática chamada BIC (Critério de Informação Bayesiano) e concluíram que o carro elétrico ( $R_h = ct$ ) era o vencedor, deixando o carro moderno de lado.

A Nova Investigação: A Chegada dos Detetives Bayesianos

Os autores deste novo artigo (Yuva e Shantanu) decidiram não confiar apenas na régua antiga (BIC). Eles trouxeram uma ferramenta mais sofisticada e robusta chamada Comparação de Modelos Bayesianos.

Pense na diferença assim:

O método antigo (BIC) é como olhar apenas para a foto final do carro e dizer: "Olha, este parece mais rápido". Ele foca no "melhor ajuste" dos dados.
O novo método (Bayesiano) é como fazer um teste de estrada completo. Ele não olha apenas para o ponto final, mas considera todas as possibilidades de como o motor poderia estar configurado, ponderando o que é mais provável antes mesmo de começar a corrida (os "priors" ou pressupostos).

O Que Eles Descobriram? (A Parte Surpreendente)

Os resultados dependem totalmente de quais regras do jogo vocês decidem seguir antes de começar a corrida. É como perguntar: "Qual carro é melhor?" A resposta muda se você estiver numa pista de corrida ou numa estrada de terra.

Cenário 1: As Regras Livres (Priors Uniformes)

Eles disseram: "Vamos não assumir nada. Vamos deixar o universo ser o que quiser ser, sem preconceitos".

Resultado: Foi um empate técnico. O carro elétrico e o carro moderno ficaram praticamente iguais. O Bayes Factor (a pontuação da comparação) foi próximo de 1.
Tradução: Sem preconceitos, os dados das galáxias não conseguem decidir quem é o melhor. Ambos são igualmente plausíveis. Isso contradiz o estudo anterior que dizia que o carro elétrico era o vencedor claro.

Cenário 2: As Regras Baseadas no "GPS" (Priors Normais do Planck)

Aqui, eles usaram as regras do "GPS" mais famoso da cosmologia (os dados do satélite Planck). Basicamente, eles disseram: "Vamos assumir que o motor deve se comportar como o universo que já conhecemos bem (comparado ao Planck)".

Resultado: O carro elétrico ( $R_h = ct$ ) venceu com força total contra o modelo padrão.
O Segredo: Por que isso aconteceu? Não foi porque o modelo elétrico é "melhor" em si, mas porque os dados das galáxias usadas neste estudo brigam com os dados do GPS (Planck).
- Imagine que o GPS diz que o carro deve ir a 100 km/h. O modelo padrão tenta ajustar o motor para chegar a 100 km/h, mas o carro das galáxias só consegue ir a 150 km/h. O modelo elétrico, por ser mais simples, se adapta melhor a essa velocidade "errada" de 150 km/h.
- Então, quando você força o modelo padrão a seguir o GPS, ele falha. Quando você força o modelo elétrico, ele se encaixa melhor. A vitória do modelo elétrico é, na verdade, um sinal de que os dados das galáxias e o GPS do Planck não estão conversando bem entre si.

Conclusão Simples

O estudo anterior estava meio enganado: Eles usaram uma régua simples (BIC) que favoreceu o modelo elétrico, mas não considerou todas as nuances.
A verdade é mais complexa: Se olharmos sem preconceitos, os dois modelos são rivais dignos e empatam.
O problema real: A vitória do modelo elétrico só aparece quando tentamos forçá-lo a combinar com dados de outra fonte (o Planck). Isso sugere que talvez haja um problema nos dados das galáxias ou na nossa compreensão do universo, e não necessariamente que o modelo elétrico seja a resposta final.

Em resumo: O universo ainda é um mistério. Os "faróis" (galáxias) que usamos para medir a distância estão dizendo uma coisa, e o "GPS" (Planck) está dizendo outra. Este novo estudo nos diz para não escolhermos um vencedor tão rápido, mas sim para investigarmos por que essas duas fontes de informação não estão combinando.

1. Problema e Contexto

O artigo aborda a disputa cosmológica entre o modelo padrão de concordância, $\Lambda$ CDM (e sua extensão wCDM), e o modelo $R_h = ct$ (proposto por Melia e colaboradores), que postula um universo em expansão linear sem aceleração.

Recentemente, Wei e Melia (referenciados como WM25) utilizaram um catálogo de 231 galáxias HII (HIIGx) e regiões HII extragalácticas gigantes (GEHR) como "velas padrão" para testar esses modelos. A análise de WM25 baseou-se no Critério de Informação Bayesiano (BIC) e concluiu que o modelo $R_h = ct$ era fortemente favorecido em relação ao $\Lambda$ CDM e wCDM, especialmente quando não se considerava um espalhamento intrínseco adicional nos dados. No entanto, o BIC possui limitações, como a suposição de que os dados são independentes e identicamente distribuídos (i.i.d.) e a dependência apenas dos valores de melhor ajuste (máxima verossimilhança), ignorando a integral sobre todo o espaço de parâmetros.

O objetivo deste trabalho é complementar e reavaliar a análise de WM25 utilizando uma Comparação de Modelos Bayesiana rigorosa, que é considerada mais robusta para seleção de modelos, calculando os Fatores de Bayes ( $B_{21}$ ) entre os modelos.

2. Metodologia

Os autores realizaram uma inferência bayesiana utilizando o mesmo conjunto de dados de WM25 (231 fontes: 36 GEHRs locais, 181 HIIGx de alto redshift e 14 novas amostras).

Função de Verossimilhança: Construída como a soma das verossimilhanças para as amostras de HIIGx e para as "âncoras" (GEHRs com distâncias medidas independentemente). A relação de escala entre a luminosidade $L(H\beta)$ e a dispersão de velocidade $\sigma$ foi utilizada para determinar as distâncias.
Modelos Testados:
1. $\Lambda$ CDM Plano: Com parâmetros $H_0$ e $\Omega_m$ .
2. wCDM Plano: Adicionando o parâmetro de equação de estado da energia escura $w_{de}$ .
3. $R_h = ct$ : Um modelo de expansão linear sem parâmetros de energia escura livres (apenas $H_0$ ).
Tratamento de Espalhamento Intrínseco: As análises foram realizadas em duas configurações:
1. Sem espalhamento intrínseco ( $\sigma_{int} = 0$ ).
2. Com espalhamento intrínseco ( $\sigma_{int}$ ) tratado como um parâmetro livre com prior uniforme.
Escolha de Priors (Distribuições A Priori):
- Priors Uniformes: $H_0 \in [60, 110]$ km/s/Mpc, $\Omega_m \in [0, 1]$ , $w_{de} \in [-3, 0]$ .
- Priors Gaussianos (Normais): Baseados nos resultados do Planck 2020 ( $H_0 \approx 67.4 \pm 0.5$ , $\Omega_m \approx 0.315 \pm 0.007$ ). Os autores alertam que usar priors do Planck não é uma comparação "neutra" contra $R_h=ct$ , pois derivam de um framework de universo primordial específico, mas servem para testar a viabilidade do modelo $R_h=ct$ sob essas restrições.
Cálculo da Evidência: Utilizou-se o amostrador aninhado Dynesty para calcular a evidência bayesiana ( $Z$ ) e os Fatores de Bayes. A escala de Jeffreys foi usada para interpretar a força da evidência.

3. Contribuições Principais

Aplicação de Bayes vs. BIC: Demonstra que a conclusão de WM25 (favorecimento de $R_h=ct$ ) depende criticamente do critério de seleção de modelo utilizado. Enquanto o BIC favorecia $R_h=ct$ , a comparação bayesiana com priors uniformes não.
Análise de Sensibilidade a Priors: Revela que a preferência por $R_h=ct$ surge principalmente quando se impõem restrições externas (priors do Planck) que entram em tensão com as restrições cosmológicas derivadas apenas das galáxias HII.
Reprodução de Resultados: Otimização independente da regressão e cálculo de BIC, confirmando que, com priors uniformes, o $\Lambda$ CDM plano tem um BIC ligeiramente menor (melhor) que o $R_h=ct$ , contradizendo a afirmação original de WM25 sobre a magnitude da diferença ( $\Delta BIC$ ).

4. Resultados Chave

A. Com Priors Uniformes (Sem viés externo)

Sem espalhamento intrínseco: Os Fatores de Bayes ( $B_{21}$ $B_{21}$ ) para $R_h=ct$ $R_{h} = c t$ vs. $\Lambda$ $Λ$ CDM e wCDM foram próximos de 1 ($0.27 $e$ $e$ 0.32$).
- Interpretação: Não há evidência preferencial; os modelos são igualmente favorecidos.
Com espalhamento intrínseco: Os fatores permaneceram próximos de 1 ($0.48 $e$ $e$ 0.58$).
- Interpretação: Novamente, os modelos são estatisticamente indistinguíveis.
Conclusão: Sob priors uniformes, os dados de galáxias HII não favorecem o $R_h=ct$ sobre o $\Lambda$ CDM, diferindo das conclusões de WM25 baseadas em BIC.

B. Com Priors Gaussianos (Baseados no Planck)

Sem espalhamento intrínseco:
- $R_h=ct$ vs. $\Lambda$ CDM: $BF \approx 50$ (Evidência "muito forte").
- $R_h=ct$ vs. wCDM: $BF \approx 4.8$ (Evidência "substancial").
Com espalhamento intrínseco:
- $R_h=ct$ vs. $\Lambda$ CDM: $BF \approx 18.6$ (Evidência "forte").
- $R_h=ct$ vs. wCDM: $BF \approx 2.5$ (Evidência "apenas digna de menção").
Interpretação Crítica: Os autores enfatizam que essa preferência forte por $R_h=ct$ não vem da discriminação dos dados de HII em si, mas sim da tensão entre os parâmetros cosmológicos inferidos pelas galáxias HII (que tendem a valores de $H_0$ e $\Omega_m$ mais altos) e os priors do Planck (que são mais baixos). O modelo $R_h=ct$ consegue acomodar essa tensão de forma diferente, mas o resultado é um artefato da imposição de priors externos, não uma validação intrínseca do modelo.

C. Comparação com BIC (Apêndice A)

A reanálise do BIC mostrou que, sem espalhamento intrínseco, o $\Lambda$ CDM tem um BIC ligeiramente menor que o $R_h=ct$ ( $\Delta BIC \approx 1$ ), contradizendo o $\Delta BIC \approx 5$ reportado por WM25.
Com espalhamento intrínseco, os BICs são iguais para $\Lambda$ CDM e $R_h=ct$ .

5. Significado e Conclusão

O estudo conclui que a afirmação de que o modelo $R_h=ct$ é "fortemente favorecido" pelas galáxias HII, conforme alegado em trabalhos anteriores, é largamente um artefato do critério de informação (BIC) utilizado e da escolha de priors.

Neutralidade dos Dados: Quando analisados com priors uniformes (sem viés de modelos externos), os dados de galáxias HII não conseguem distinguir entre $\Lambda$ CDM e $R_h=ct$ ; ambos são igualmente plausíveis.
Origem da Tensão: A forte preferência por $R_h=ct$ observada com priors do Planck é impulsionada pela incompatibilidade entre as restrições de HII e os parâmetros do Planck, e não por uma superioridade intrínseca do modelo $R_h=ct$ em descrever a expansão do universo baseada apenas nesses dados.
Recomendação: O trabalho reforça a necessidade de usar múltiplos sondas observacionais (como BAO do DESI, que já favorecem o $\Lambda$ CDM) e métodos bayesianos robustos para testar modelos cosmológicos alternativos, evitando conclusões prematuras baseadas em um único conjunto de dados ou critério de seleção de modelo.

Os códigos e dados utilizados foram disponibilizados publicamente para garantir a reprodutibilidade e a ciência aberta.