Revista Científica de Astrobiología, 2 (2), 16-41 doi: 10.69976/aspast.v2n2.2
ARTÍCULO DE INVESTIGACIÓN
Inferencia bayesiana en Ciencias Exoplanetarias
con JWST
Waldir Chara Ccallo1,2
https://orcid.org/0009-0006-4406-2782
1Programa de maestría en Estadística, Universidad Nacional de San Antonio Abad del Cusco, Perú
2Asociación Peruana de Astrobiología, Perú
Email: 243337@unsaac.edu.pe
Recibido: 08/12/2025 • Revisado: 20/12/2025 • Aceptado: 25/12/2025
Resumen
La puesta en operación del James Webb Space Telescope (JWST) ha transformado
el estudio de atmósferas exoplanetarias mediante observaciones espectroscópicas de
precisión. Este avance ha intensificado la necesidad de marcos analíticos capaces
de gestionar la complejidad, degeneración e incertidumbre inherentes a los nuevos
datos. En este contexto, la inferencia bayesiana se ha consolidado como el marco
fundamental para la caracterización atmosférica, la conexión con la estructura interna
y la evaluación de habitabilidad. Este artículo revisa la evolución reciente de este
enfoque, sustentada en un análisis bibliométrico del periodo 2016–2025 que evidencia
un crecimiento sustancial en su adopción para la caracterización química y física de
exoplanetas. Se sintetizan las aplicaciones más relevantes en la era del JWST, desde la
recuperación atmosférica y su acoplamiento con modelos del interior planetario, hasta
los marcos probabilísticos para la detección de biofirmas, discutiendo finalmente las
limitaciones metodológicas y las perspectivas futuras del campo.
Palabras clave: Inferencia Bayesiana, JWST, Atmósferas Exoplanetarias, Estructura
Interna, Astrobiología.
Citar como:
Chara Ccallo, W. (2025). Inferencia bayesiana en Ciencias Exoplanetarias con JWST.
Revista Científica de Astrobiología, 2 (2), 16–41. https://doi.org/10.69976/aspast.
v2n2.2
16
Revista Científica de Astrobiología, 2 (2), 16-41 doi: 10.69976/aspast.v2n2.2
RESEARCH ARTICLE
Bayesian inference in exoplanetary science
with JWST
Waldir Chara Ccallo12
https://orcid.org/0009-0006-4406-2782
1Programa de maestría en Estadística, Universidad Nacional de San Antonio Abad del Cusco, Perú
2Asociación Peruana de Astrobiología, Perú
Email: 243337@unsaac.edu.pe
Recibido: 08/12/2025 • Revisado: 20/12/2025 • Aceptado: 25/12/2025
Abstract
The operation of the James Webb Space Telescope (JWST) has transformed the
study of exoplanetary atmospheres through precision spectroscopic observations. This
advancement has intensified the need for analytical frameworks capable of managing
the complexity, degeneracy, and uncertainty inherent in the new data. In this context,
Bayesian inference has established itself as the fundamental framework for atmospheric
characterization, the connection to internal structure, and the assessment of habitability.
This article reviews the recent evolution of this approach, supported by a bibliometric
analysis of the 2016–2025 period that demonstrates substantial growth in its adoption
for the chemical and physical characterization of exoplanets. Key applications in the
JWST era are synthesized, ranging from atmospheric retrieval and its coupling with
planetary interior models to probabilistic frameworks for biosignature detection, finally
discussing methodological limitations and future perspectives of the field.
Keywords: Bayesian Inference, JWST, Exoplanet Atmosphere, Internal structure,
Astrobiology
Cite as:
Chara Ccallo, W. (2025). Inferencia bayesiana en Ciencias Exoplanetarias con JWST.
Revista Científica de Astrobiología, 2 (2), 16–41. https://doi.org/10.69976/aspast.
v2n2.2
17
RESEARCH ARTICLE
Bayesian inference in exoplanetary science
with JWST
Waldir Chara Ccallo12
https://orcid.org/0009-0006-4406-2782
1Programa de maestría en Estadística, Universidad Nacional de San Antonio Abad del Cusco, Perú
2Asociación Peruana de Astrobiología, Perú
Email: 243337@unsaac.edu.pe
Recibido: 08/12/2025 • Revisado: 20/12/2025 • Aceptado: 25/12/2025
Abstract
The operation of the James Webb Space Telescope (JWST) has transformed the
study of exoplanetary atmospheres through precision spectroscopic observations. This
advancement has intensified the need for analytical frameworks capable of managing
the complexity, degeneracy, and uncertainty inherent in the new data. In this context,
Bayesian inference has established itself as the fundamental framework for atmospheric
characterization, the connection to internal structure, and the assessment of habitability.
This article reviews the recent evolution of this approach, supported by a bibliometric
analysis of the 2016–2025 period that demonstrates substantial growth in its adoption
for the chemical and physical characterization of exoplanets. Key applications in the
JWST era are synthesized, ranging from atmospheric retrieval and its coupling with
planetary interior models to probabilistic frameworks for biosignature detection, finally
discussing methodological limitations and future perspectives of the field.
Keywords: Bayesian Inference, JWST, Exoplanet Atmosphere, Internal structure,
Astrobiology
Cite as:
Chara Ccallo, W. (2025). Inferencia bayesiana en Ciencias Exoplanetarias con JWST.
Revista Científica de Astrobiología, 2 (2), 16–41. https://doi.org/10.69976/aspast.
v2n2.2
17
Chara Ccallo doi: 10.69976/aspast.v2n2.2
1. Introducción
Si bien el diseño original del Telescopio Espacial James Webb (JWST) se cimentó en
cuatro pilares científicos, abarcando desde la reionización y el ensamblaje de galaxias hasta
la formación estelar y el origen de la vida (Gardner et al., 2006), su capacidad operativa
ha trascendido estos límites logrando ser así una herramienta más en la caracterización
exhaustiva de más de 5000 exoplanetas conocidos (Menzel et al., 2023).
Esta expansión estratégica ha impulsado de manera decisiva el estudio de las atmósferas
exoplanetarias, abriendo una etapa en la que es posible delimitar con rigurosidad y
confiabilidad las composiciones atmosféricas, propiedades de aerosoles, estructuras térmicas,
pérdida de masa y efectos tridimensionales, superando el legado del Hubble o Spitzer
(Kempton & Knutson, 2024; Rigby et al., 2023). No obstante, este salto en resolución y
sensibilidad (McElwain et al., 2023), viene acompañada de desafíos donde los espectros
presentan degeneraciones (Bloot et al., 2023; Lueber et al., 2024), la instrumentación
introduce estructuras complejas de ruido (Chevallard et al., 2019; Galan et al., 2024), y
los modelos físicos disponibles incorporan incertidumbres asociadas tanto a condiciones
atmosféricas como a procesos dinámicos (Blecic et al., 2017; Feng et al., 2016).
En este escenario, los métodos estadísticos tradicionales resultan insuficientes para
representar adecuadamente la complejidad y la incertidumbre estructural presentes en los
datos del JWST (Sandles et al., 2022). Durante la última década, la inferencia bayesiana
ha ganado un protagonismo creciente en la ciencia exoplanetaria, pero es en el periodo
reciente (2022 a la actualidad) cuando, por ejemplo, las redes bayesianas y modelos
probabilísticos articulados se consolidan como marcos analíticos centrales (fig. 1). Un
análisis bibliométrico del periodo 2016–2025 muestra que el término Bayesian Networks es
el descriptor metodológico más frecuente, y que su presencia está relacionada a uno de los
dos grandes campos que surgieron de este análisis bibliométrico, los estudios de atmósferas
e interiores exoplanetarios, reforzando la importancia de éste enfoque.
El presente artículo examina la consolidación de la inferencia bayesiana como el nuevo
estándar metodológico en las ciencias exoplanetarias. Su contribución se distingue por las
tres razones siguientes: primero, se documenta empíricamente este cambio de paradigma
mediante el análisis bibliométrico mencionado; segundo, se demuestra cómo el marco
bayesiano permite acoplar consistentemente los datos espectrales con modelos atmosfericos
e interior planetario; y tercero, sistematizamos el uso de la Evidencia Bayesiana como el
criterio de decisión crítico para la astrobiología y la evaluación de falsos positivos en la era
del JWST.
Para abordar estos objetivos, la revisión se estructura de la siguiente manera: ini-
cialmente, se detalla la metodología de revisión sistemática empleada, a continuación,
se contextualizan las capacidades observacionales y los productos de datos del JWST.
Posteriormente, se establecen los fundamentos teóricos de la inferencia bayesiana en este
contexto, seguidos de una revisión de sus aplicaciones prácticas en la caracterización
atmosférica y del interior planetario. Finalmente, se discuten las implicaciones directas
para la astrobiología y se presentan las conclusiones y perspectivas futuras.
2. Metodología y tendencias bibliométricas
Para fundamentar el enfoque de esta revisión, se realizó un análisis bibliométrico
cuantitativo complementado con una revisión narrativa del estado del arte, utilizando el
18
1. Introducción
Si bien el diseño original del Telescopio Espacial James Webb (JWST) se cimentó en
cuatro pilares científicos, abarcando desde la reionización y el ensamblaje de galaxias hasta
la formación estelar y el origen de la vida (Gardner et al., 2006), su capacidad operativa
ha trascendido estos límites logrando ser así una herramienta más en la caracterización
exhaustiva de más de 5000 exoplanetas conocidos (Menzel et al., 2023).
Esta expansión estratégica ha impulsado de manera decisiva el estudio de las atmósferas
exoplanetarias, abriendo una etapa en la que es posible delimitar con rigurosidad y
confiabilidad las composiciones atmosféricas, propiedades de aerosoles, estructuras térmicas,
pérdida de masa y efectos tridimensionales, superando el legado del Hubble o Spitzer
(Kempton & Knutson, 2024; Rigby et al., 2023). No obstante, este salto en resolución y
sensibilidad (McElwain et al., 2023), viene acompañada de desafíos donde los espectros
presentan degeneraciones (Bloot et al., 2023; Lueber et al., 2024), la instrumentación
introduce estructuras complejas de ruido (Chevallard et al., 2019; Galan et al., 2024), y
los modelos físicos disponibles incorporan incertidumbres asociadas tanto a condiciones
atmosféricas como a procesos dinámicos (Blecic et al., 2017; Feng et al., 2016).
En este escenario, los métodos estadísticos tradicionales resultan insuficientes para
representar adecuadamente la complejidad y la incertidumbre estructural presentes en los
datos del JWST (Sandles et al., 2022). Durante la última década, la inferencia bayesiana
ha ganado un protagonismo creciente en la ciencia exoplanetaria, pero es en el periodo
reciente (2022 a la actualidad) cuando, por ejemplo, las redes bayesianas y modelos
probabilísticos articulados se consolidan como marcos analíticos centrales (fig. 1). Un
análisis bibliométrico del periodo 2016–2025 muestra que el término Bayesian Networks es
el descriptor metodológico más frecuente, y que su presencia está relacionada a uno de los
dos grandes campos que surgieron de este análisis bibliométrico, los estudios de atmósferas
e interiores exoplanetarios, reforzando la importancia de éste enfoque.
El presente artículo examina la consolidación de la inferencia bayesiana como el nuevo
estándar metodológico en las ciencias exoplanetarias. Su contribución se distingue por las
tres razones siguientes: primero, se documenta empíricamente este cambio de paradigma
mediante el análisis bibliométrico mencionado; segundo, se demuestra cómo el marco
bayesiano permite acoplar consistentemente los datos espectrales con modelos atmosfericos
e interior planetario; y tercero, sistematizamos el uso de la Evidencia Bayesiana como el
criterio de decisión crítico para la astrobiología y la evaluación de falsos positivos en la era
del JWST.
Para abordar estos objetivos, la revisión se estructura de la siguiente manera: ini-
cialmente, se detalla la metodología de revisión sistemática empleada, a continuación,
se contextualizan las capacidades observacionales y los productos de datos del JWST.
Posteriormente, se establecen los fundamentos teóricos de la inferencia bayesiana en este
contexto, seguidos de una revisión de sus aplicaciones prácticas en la caracterización
atmosférica y del interior planetario. Finalmente, se discuten las implicaciones directas
para la astrobiología y se presentan las conclusiones y perspectivas futuras.
2. Metodología y tendencias bibliométricas
Para fundamentar el enfoque de esta revisión, se realizó un análisis bibliométrico
cuantitativo complementado con una revisión narrativa del estado del arte, utilizando el
18
Chara Ccallo doi: 10.69976/aspast.v2n2.2
paquete bibliometrix en R. El corpus de estudio comprende 103 documentos recuperados
de la base de datos de Scopus (período 2016–2025) indexados en revistas como Astronomy
& Astrophysics, Astrophysical Journal, Monthly Notices of the Royal Astronomical Society.
Si bien la terminología bayesiana no siempre figura explícitamente en los títulos, el
análisis de las Keywords Plus (términos derivados algorítmicamente de las referencias
citadas) revela una realidad en el que los métodos probabilísticos son la base metodológica
del campo. De hecho, estos descriptores aparecen con mayor frecuencia entre los términos
estructurales de la literatura revisada, mostrando evidencia que la inferencia bayesiana a
menudo está presente en la práctica, incluso cuando no figura en el título del artículo.
Figura 1
Mapa bibliométrico de co-ocurrencia de términos (VOSviewer)
Nota. Los clústeres visualizan la interconexión entre la instrumentación del JWST, la caracterización
atmosférica y los modelos de análisis de datos. La centralidad de los nodos refleja la consolidación de
técnicas de inferencia en la interpretación de espectros.
El análisis temporal muestra un crecimiento anual compuesto del 35 %, con un punto
de inflexión positiva en el año 2022, correlacionado directamente con la liberación de los
primeros datos del JWST. De acuerdo a la topología de la red (Figura 1), la producción
científica existente se agrupa en dos grandes dominios: (1) cosmología y alto corrimiento
al rojo, y (2) física exoplanetaria. Este segundo dominio, que es el foco de la presente
revisión, presenta la mayor convergencia con la astrobiología, aglutinando descriptores
como PLANETS AND SATELLITES: ATMOSPHERES, PLANETS AND SATELLITES:
COMPOSITION y PLANETS AND SATELLITES: GASEOUS PLANETS.
El hallazgo más significativo para los fines de esta revisión se observa en el mismo
cuadro, en la columna Keywords-Plus (ID), en la que el término Bayesian networks corres-
ponde al descriptor metodológico dominante. Esto confirma empíricamente la transición de
la comunidad desde estimaciones puntuales hacia modelos bayesianos estructurados, nece-
sarios en la gestión de la degeneración entre parámetros atmosféricos (nubes, metalicidad)
y del interior (masa, radio, ecuación de estado).
19
paquete bibliometrix en R. El corpus de estudio comprende 103 documentos recuperados
de la base de datos de Scopus (período 2016–2025) indexados en revistas como Astronomy
& Astrophysics, Astrophysical Journal, Monthly Notices of the Royal Astronomical Society.
Si bien la terminología bayesiana no siempre figura explícitamente en los títulos, el
análisis de las Keywords Plus (términos derivados algorítmicamente de las referencias
citadas) revela una realidad en el que los métodos probabilísticos son la base metodológica
del campo. De hecho, estos descriptores aparecen con mayor frecuencia entre los términos
estructurales de la literatura revisada, mostrando evidencia que la inferencia bayesiana a
menudo está presente en la práctica, incluso cuando no figura en el título del artículo.
Figura 1
Mapa bibliométrico de co-ocurrencia de términos (VOSviewer)
Nota. Los clústeres visualizan la interconexión entre la instrumentación del JWST, la caracterización
atmosférica y los modelos de análisis de datos. La centralidad de los nodos refleja la consolidación de
técnicas de inferencia en la interpretación de espectros.
El análisis temporal muestra un crecimiento anual compuesto del 35 %, con un punto
de inflexión positiva en el año 2022, correlacionado directamente con la liberación de los
primeros datos del JWST. De acuerdo a la topología de la red (Figura 1), la producción
científica existente se agrupa en dos grandes dominios: (1) cosmología y alto corrimiento
al rojo, y (2) física exoplanetaria. Este segundo dominio, que es el foco de la presente
revisión, presenta la mayor convergencia con la astrobiología, aglutinando descriptores
como PLANETS AND SATELLITES: ATMOSPHERES, PLANETS AND SATELLITES:
COMPOSITION y PLANETS AND SATELLITES: GASEOUS PLANETS.
El hallazgo más significativo para los fines de esta revisión se observa en el mismo
cuadro, en la columna Keywords-Plus (ID), en la que el término Bayesian networks corres-
ponde al descriptor metodológico dominante. Esto confirma empíricamente la transición de
la comunidad desde estimaciones puntuales hacia modelos bayesianos estructurados, nece-
sarios en la gestión de la degeneración entre parámetros atmosféricos (nubes, metalicidad)
y del interior (masa, radio, ecuación de estado).
19
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Tabla 1
Palabras clave más relevantes
Author Keywords (DE) Art. Keywords Plus (ID) Art.
PLANETS AND SATELLITES: AT-
MOSPHERES
19 BAYESIAN NETWORKS 20
GALAXIES: HIGH-REDSHIFT 12 STARS 20
PLANETS AND SATELLITES:
COMPOSITION
12 SPACE TELESCOPES 19
TECHNIQUES: SPECTROSCO-
PIC
11 GALAXIES 18
GALAXIES: EVOLUTION 10 JAMES WEBB SPACE TELESCO-
PE
15
METHODS: DATA ANALYSIS 10 PLANETS AND SATELLITES: AT-
MOSPHERES
15
PLANETS AND SATELLITES: GA-
SEOUS PLANETS
8 COSMOLOGY 12
METHODS: STATISTICAL 7 GALAXIES: HIGH REDSHIFT 12
DISTANCE SCALE 6 REDSHIFT 12
COSMOLOGY: OBSERVATIONS 5 GALAXY EVOLUTION 11
Desde una perspectiva geográfica, la producción científica denota una densa red de
colaboración internacional, con una tasa de coautoría superior al 65 % (Tabla 5). Se identi-
fican nodos de influencia consolidados en Estados Unidos, Reino Unido, Países Bajos e
Italia, centros que actualmente lideran el desarrollo de códigos de recuperación atmosférica
(retrieval) y modelos de habitabilidad. En consecuencia, la evidencia bibliométrica respalda
la premisa central de esta revisión: la inferencia bayesiana ha superado el rol de una
herramienta auxiliar para consolidarse como el marco analítico estándar indispensable en
la interpretación de la complejidad y riqueza de los datos proporcionados por el JWST.
3. JWST: Datos y capacidades
El JWST proporciona una amplia variedad de datos de alta calidad que resultan
fundamentales para la caracterización atmosférica de exoplanetas (Felix et al., 2025;
Kempton & Knutson, 2024) . Su capacidad de observación ha realizado una transformación
en este campo gracias a la combinación de una amplia cobertura espectral, que abarca
aproximadamente desde 0,7 μm hasta 28 μm, y una sensibilidad excepcional que permite
detectar señales débiles procedentes de atmósferas distantes (Rocchetto et al., 2016).
La información obtenida proviene, en gran medida, de observaciones espectroscópicas
(Kempton & Knutson, 2024). Este tipo de medición permite descomponer la luz recibida en
sus diferentes longitudes de onda, lo que facilita identificar firmas espectrales asociadas a
moléculas, aerosoles y procesos físicos presentes en la atmósfera del exoplaneta. A partir de
estos datos es posible inferir su composición química, su estructura térmica y, en algunos
casos, propiedades adicionales como la presencia de nubes o la eficiencia en el transporte
de energía.
20
Tabla 1
Palabras clave más relevantes
Author Keywords (DE) Art. Keywords Plus (ID) Art.
PLANETS AND SATELLITES: AT-
MOSPHERES
19 BAYESIAN NETWORKS 20
GALAXIES: HIGH-REDSHIFT 12 STARS 20
PLANETS AND SATELLITES:
COMPOSITION
12 SPACE TELESCOPES 19
TECHNIQUES: SPECTROSCO-
PIC
11 GALAXIES 18
GALAXIES: EVOLUTION 10 JAMES WEBB SPACE TELESCO-
PE
15
METHODS: DATA ANALYSIS 10 PLANETS AND SATELLITES: AT-
MOSPHERES
15
PLANETS AND SATELLITES: GA-
SEOUS PLANETS
8 COSMOLOGY 12
METHODS: STATISTICAL 7 GALAXIES: HIGH REDSHIFT 12
DISTANCE SCALE 6 REDSHIFT 12
COSMOLOGY: OBSERVATIONS 5 GALAXY EVOLUTION 11
Desde una perspectiva geográfica, la producción científica denota una densa red de
colaboración internacional, con una tasa de coautoría superior al 65 % (Tabla 5). Se identi-
fican nodos de influencia consolidados en Estados Unidos, Reino Unido, Países Bajos e
Italia, centros que actualmente lideran el desarrollo de códigos de recuperación atmosférica
(retrieval) y modelos de habitabilidad. En consecuencia, la evidencia bibliométrica respalda
la premisa central de esta revisión: la inferencia bayesiana ha superado el rol de una
herramienta auxiliar para consolidarse como el marco analítico estándar indispensable en
la interpretación de la complejidad y riqueza de los datos proporcionados por el JWST.
3. JWST: Datos y capacidades
El JWST proporciona una amplia variedad de datos de alta calidad que resultan
fundamentales para la caracterización atmosférica de exoplanetas (Felix et al., 2025;
Kempton & Knutson, 2024) . Su capacidad de observación ha realizado una transformación
en este campo gracias a la combinación de una amplia cobertura espectral, que abarca
aproximadamente desde 0,7 μm hasta 28 μm, y una sensibilidad excepcional que permite
detectar señales débiles procedentes de atmósferas distantes (Rocchetto et al., 2016).
La información obtenida proviene, en gran medida, de observaciones espectroscópicas
(Kempton & Knutson, 2024). Este tipo de medición permite descomponer la luz recibida en
sus diferentes longitudes de onda, lo que facilita identificar firmas espectrales asociadas a
moléculas, aerosoles y procesos físicos presentes en la atmósfera del exoplaneta. A partir de
estos datos es posible inferir su composición química, su estructura térmica y, en algunos
casos, propiedades adicionales como la presencia de nubes o la eficiencia en el transporte
de energía.
20
Chara Ccallo doi: 10.69976/aspast.v2n2.2
3.1 Tipos de espectros observacionales
El JWST proporciona dos tipos principales de espectros, obtenidos durante el tránsito
o el eclipse del planeta:
Espectros de Transmisión (Transmission Spectra): Representan la técnica más
utilizada para caracterizar atmósferas exoplanetarias (Barkaoui et al., 2025; Lin et
al., 2021; Lueber et al., 2024; Rocchetto et al., 2016; Roy-Perez et al., 2025; Schleich
et al., 2024). El principio funciona de manera similar a observar una luz a través
de un filtro: cuando el planeta pasa frente a su estrella (tránsito), una fracción de
la luz estelar logra atravesar o “filtrarse” por el borde de la atmósfera planetaria,
una región conocida como el terminador (Schleich et al., 2024). Al analizar esta luz
transmitida, es posible detectar qué longitudes de onda han sido absorbidas por
moléculas específicas o bloqueadas por nubes y neblinas, revelando así la composición
química del aire (Roy-Perez et al., 2025; Schleich et al., 2024).
Espectros de Emisión (Emission Spectra): A diferencia de la transmisión (que
filtra luz), esta técnica mide la radiación térmica o “calor” que emite el propio planeta.
Estos datos se obtienen durante un eclipse secundario, el momento en que el planeta
pasa por detrás de su estrella. Al comparar la luz total del sistema antes del eclipse
(estrella + planeta) con la luz recibida cuando el planeta está oculto (solo estrella),
se puede aislar la señal emitida por el lado diurno del exoplaneta. Aunque las fuentes
indican que el análisis se ha centrado históricamente en datos de WFC3+Spitzer, el
JWST está diseñado para mejorar sustancialmente la obtención de estos espectros
(Feng et al., 2016).
Espectros Resueltos en el Tiempo (Time-Resolved Spectra): Esta modalidad
implica la adquisición continua de datos a lo largo de un intervalo temporal para
mapear variaciones dinámicas. Aunque frecuentemente se basan en la medición de
flujo térmico (emisión), se distinguen analíticamente por capturar la evolución del
sistema, ya sea a través de curvas de fase orbitales o monitoreo de rotación. Un
ejemplo paradigmático es el estudio del objeto VHS 1256 b con NIRSpec IFU y
MIRI MRS, donde se logró identificar variabilidad atmosférica vinculada a nubes de
silicatos en movimiento (Lueber et al., 2024).
3.2 Instrumentos y cobertura espacial
Los datos del JWST se obtienen a través de sus cuatro instrumentos principales, cada
uno contribuyendo a diferentes rangos del espectro infrarrojo. Estos son resumidos de
mejor manera en el cuadro A.
21
3.1 Tipos de espectros observacionales
El JWST proporciona dos tipos principales de espectros, obtenidos durante el tránsito
o el eclipse del planeta:
Espectros de Transmisión (Transmission Spectra): Representan la técnica más
utilizada para caracterizar atmósferas exoplanetarias (Barkaoui et al., 2025; Lin et
al., 2021; Lueber et al., 2024; Rocchetto et al., 2016; Roy-Perez et al., 2025; Schleich
et al., 2024). El principio funciona de manera similar a observar una luz a través
de un filtro: cuando el planeta pasa frente a su estrella (tránsito), una fracción de
la luz estelar logra atravesar o “filtrarse” por el borde de la atmósfera planetaria,
una región conocida como el terminador (Schleich et al., 2024). Al analizar esta luz
transmitida, es posible detectar qué longitudes de onda han sido absorbidas por
moléculas específicas o bloqueadas por nubes y neblinas, revelando así la composición
química del aire (Roy-Perez et al., 2025; Schleich et al., 2024).
Espectros de Emisión (Emission Spectra): A diferencia de la transmisión (que
filtra luz), esta técnica mide la radiación térmica o “calor” que emite el propio planeta.
Estos datos se obtienen durante un eclipse secundario, el momento en que el planeta
pasa por detrás de su estrella. Al comparar la luz total del sistema antes del eclipse
(estrella + planeta) con la luz recibida cuando el planeta está oculto (solo estrella),
se puede aislar la señal emitida por el lado diurno del exoplaneta. Aunque las fuentes
indican que el análisis se ha centrado históricamente en datos de WFC3+Spitzer, el
JWST está diseñado para mejorar sustancialmente la obtención de estos espectros
(Feng et al., 2016).
Espectros Resueltos en el Tiempo (Time-Resolved Spectra): Esta modalidad
implica la adquisición continua de datos a lo largo de un intervalo temporal para
mapear variaciones dinámicas. Aunque frecuentemente se basan en la medición de
flujo térmico (emisión), se distinguen analíticamente por capturar la evolución del
sistema, ya sea a través de curvas de fase orbitales o monitoreo de rotación. Un
ejemplo paradigmático es el estudio del objeto VHS 1256 b con NIRSpec IFU y
MIRI MRS, donde se logró identificar variabilidad atmosférica vinculada a nubes de
silicatos en movimiento (Lueber et al., 2024).
3.2 Instrumentos y cobertura espacial
Los datos del JWST se obtienen a través de sus cuatro instrumentos principales, cada
uno contribuyendo a diferentes rangos del espectro infrarrojo. Estos son resumidos de
mejor manera en el cuadro A.
21
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Tabla 2
Instrumentos del JWST, modos de observación y características detectadas
Instrumento Modos de Observa-
ción Clave
Rango de Longi-
tud de Onda
Tipos de Características De-
tectadas
NIRSpec PRISM (baja resolución,
R ∼ 30–300) (Lin et al.,
2021; Roy-Perez et al.,
2025)
0.5–5.5 μm (Lueber
et al., 2024; Roy-
Perez et al., 2025)
Características espectrales de mo-
léculas clave (por ejemplo, H2O,
CO2, CH4, SO2, entre otras) en
una sola banda espectral amplia
(Lueber et al., 2024).
Modos con redes de
difracción (G395H,
G140M, G395M)
2.7–5.2 μm
(G395H) (Fe-
lix et al., 2025;
Roy-Perez et al.,
2025)
Espectroscopía de resolución me-
dia para detecciones más precisas
y cuantitativas de gases atmosfé-
ricos (Duan et al., 2024).
NIRISS SOSS/GR700XD (espec-
troscopía sin rendija)
0.6–2.8 μm (Bar-
kaoui et al., 2025;
Felix et al., 2025;
Lueber et al., 2024)
Utilizado principalmente en ob-
servaciones de tránsito para la de-
tección de moléculas atmosféricas
(Felix et al., 2025).
NIRCam Grism LW (F322W2,
F444W)
0.6–5.0 μm (cá-
mara/fotometría)
(Rocchetto et al.,
2016)
Utilizado para fotometría y espec-
troscopía mediante grism en el in-
frarrojo cercano (por ejemplo, 2.5–
5.0 μm) (Rocchetto et al., 2016).
MIRI LRS (Low Resolution
Spectrometer)
5.0–10.0 μm (Bar-
kaoui et al., 2025;
Feng et al., 2016;
Rocchetto et al.,
2016)
Crucial para restringir las propie-
dades de nubes, neblinas y sólidos
(por ejemplo, PAH) en el infrarro-
jo medio (Arenales-Lope et al.,
2025; Roy-Perez et al., 2025).
MRS (Medium Resolu-
tion Spectrometer)
5–28 μm (Vasist et
al., 2025)
Utilizado en objetos fríos (por
ejemplo, enanas marrones) y po-
tencialmente en planetas gigan-
tes para obtener una caracteriza-
ción completa del infrarrojo me-
dio (Vasist et al., 2025).
3.3 Datos clave en atmosferas planetarias
La caracterización detallada de las atmósferas de exoplanetas depende fundamental-
mente de la calidad y la cobertura de los datos observacionales. Estos datos constituyen la
entrada principal, por ejemplo, para los algoritmos de recuperación, permitiendo validar
los modelos teóricos y restringir la composición química con una precisión inédita. A
continuación se describen los insumos observacionales utilizados en estos estudios:
Espectros del Programa ERS (Early Release Science): Conjuntos de datos
22
Tabla 2
Instrumentos del JWST, modos de observación y características detectadas
Instrumento Modos de Observa-
ción Clave
Rango de Longi-
tud de Onda
Tipos de Características De-
tectadas
NIRSpec PRISM (baja resolución,
R ∼ 30–300) (Lin et al.,
2021; Roy-Perez et al.,
2025)
0.5–5.5 μm (Lueber
et al., 2024; Roy-
Perez et al., 2025)
Características espectrales de mo-
léculas clave (por ejemplo, H2O,
CO2, CH4, SO2, entre otras) en
una sola banda espectral amplia
(Lueber et al., 2024).
Modos con redes de
difracción (G395H,
G140M, G395M)
2.7–5.2 μm
(G395H) (Fe-
lix et al., 2025;
Roy-Perez et al.,
2025)
Espectroscopía de resolución me-
dia para detecciones más precisas
y cuantitativas de gases atmosfé-
ricos (Duan et al., 2024).
NIRISS SOSS/GR700XD (espec-
troscopía sin rendija)
0.6–2.8 μm (Bar-
kaoui et al., 2025;
Felix et al., 2025;
Lueber et al., 2024)
Utilizado principalmente en ob-
servaciones de tránsito para la de-
tección de moléculas atmosféricas
(Felix et al., 2025).
NIRCam Grism LW (F322W2,
F444W)
0.6–5.0 μm (cá-
mara/fotometría)
(Rocchetto et al.,
2016)
Utilizado para fotometría y espec-
troscopía mediante grism en el in-
frarrojo cercano (por ejemplo, 2.5–
5.0 μm) (Rocchetto et al., 2016).
MIRI LRS (Low Resolution
Spectrometer)
5.0–10.0 μm (Bar-
kaoui et al., 2025;
Feng et al., 2016;
Rocchetto et al.,
2016)
Crucial para restringir las propie-
dades de nubes, neblinas y sólidos
(por ejemplo, PAH) en el infrarro-
jo medio (Arenales-Lope et al.,
2025; Roy-Perez et al., 2025).
MRS (Medium Resolu-
tion Spectrometer)
5–28 μm (Vasist et
al., 2025)
Utilizado en objetos fríos (por
ejemplo, enanas marrones) y po-
tencialmente en planetas gigan-
tes para obtener una caracteriza-
ción completa del infrarrojo me-
dio (Vasist et al., 2025).
3.3 Datos clave en atmosferas planetarias
La caracterización detallada de las atmósferas de exoplanetas depende fundamental-
mente de la calidad y la cobertura de los datos observacionales. Estos datos constituyen la
entrada principal, por ejemplo, para los algoritmos de recuperación, permitiendo validar
los modelos teóricos y restringir la composición química con una precisión inédita. A
continuación se describen los insumos observacionales utilizados en estos estudios:
Espectros del Programa ERS (Early Release Science): Conjuntos de datos
22
Chara Ccallo doi: 10.69976/aspast.v2n2.2
públicamente disponibles que sirven como referencias fundamentales, como los es-
pectros de WASP-39 b medidos con NIRCam, NIRISS, NIRSpec G395H y NIRSpec
PRISM. Estos datos cubren colectivamente 0.5–5.5 μm (Lueber et al., 2024).
Mediciones de Abundancias Moleculares: Los espectros permiten restringir
la abundancia de gases atmosféricos clave, incluyendo H2O, CO, CO2, CH4, NH3,
HCN, H2S, SO2, Na y K (Bachmann et al., 2025; Lueber et al., 2024; Rocchetto et
al., 2016).
Ejemplo de Detección: El espectro de WASP-39b permitió la detección de CO2 a
través de su banda a 4.4 μm, usando NIRSpec-G395H (Wilkinson et al., 2024).
Restricciones de Estructura Térmica (p-T): Los datos permiten la recuperación
de los perfiles de Presión-Temperatura de la atmósfera, con la capacidad de medir la
temperatura estratosférica con una precisión de 30–50 K con solo 10 tránsitos (en el
caso de TRAPPIST-1e) (Lin et al., 2021).
Restricciones de Aerosoles/Nubes: El amplio rango espectral de NIRSpec PRISM
es ideal para constreñir la dependencia de la extinción de aerosoles con la longitud
de onda (propiedades físicas de las nubes) (Roy-Perez et al., 2025).
Datos Sintéticos de Alta Calidad: Los modelos de ruido del JWST (ej. usando
PANDEXO) se utilizan para generar espectros sintéticos de alta calidad (ej. R ≈
100,000 para TRAPPIST-1e) para probar y validar los métodos de retrieval bayesiano
(Arenales-Lope et al., 2025; Feng et al., 2016; Lin et al., 2021). La distribución de la
calidad de estos datos reales y su idoneidad para el análisis estadístico robusto se
ilustra en la Figura 2, donde se destaca la sinergia entre los modos de transmisión y
emisión.
23
públicamente disponibles que sirven como referencias fundamentales, como los es-
pectros de WASP-39 b medidos con NIRCam, NIRISS, NIRSpec G395H y NIRSpec
PRISM. Estos datos cubren colectivamente 0.5–5.5 μm (Lueber et al., 2024).
Mediciones de Abundancias Moleculares: Los espectros permiten restringir
la abundancia de gases atmosféricos clave, incluyendo H2O, CO, CO2, CH4, NH3,
HCN, H2S, SO2, Na y K (Bachmann et al., 2025; Lueber et al., 2024; Rocchetto et
al., 2016).
Ejemplo de Detección: El espectro de WASP-39b permitió la detección de CO2 a
través de su banda a 4.4 μm, usando NIRSpec-G395H (Wilkinson et al., 2024).
Restricciones de Estructura Térmica (p-T): Los datos permiten la recuperación
de los perfiles de Presión-Temperatura de la atmósfera, con la capacidad de medir la
temperatura estratosférica con una precisión de 30–50 K con solo 10 tránsitos (en el
caso de TRAPPIST-1e) (Lin et al., 2021).
Restricciones de Aerosoles/Nubes: El amplio rango espectral de NIRSpec PRISM
es ideal para constreñir la dependencia de la extinción de aerosoles con la longitud
de onda (propiedades físicas de las nubes) (Roy-Perez et al., 2025).
Datos Sintéticos de Alta Calidad: Los modelos de ruido del JWST (ej. usando
PANDEXO) se utilizan para generar espectros sintéticos de alta calidad (ej. R ≈
100,000 para TRAPPIST-1e) para probar y validar los métodos de retrieval bayesiano
(Arenales-Lope et al., 2025; Feng et al., 2016; Lin et al., 2021). La distribución de la
calidad de estos datos reales y su idoneidad para el análisis estadístico robusto se
ilustra en la Figura 2, donde se destaca la sinergia entre los modos de transmisión y
emisión.
23
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Figura 2
Paisaje de observabilidad atmosférica con el JWST
Nota. Distribución de candidatos exoplanetarios en función de su temperatura de equilibrio (Teq) y su
métrica de espectroscopía de transmisión (SNR). El tamaño de los puntos escala con el radio planetario
(Rp) y el color indica el potencial para espectroscopía de emisión complementaria (MIRI 15 μm). Las
regiones anotadas distinguen entre el régimen dominado por la verosimilitud (alto SNR), ideal para la
selección de modelos bayesianos, y el régimen dominado por el prior (bajo SNR). Datos simulados
representativos basados en la población de exoplanetas confirmados.
La Figura 2 sintetiza la capacidad del JWST para restringir modelos atmosféricos. Se
observa que solo un subconjunto de la población (cuadrante superior) ofrece el contenido de
información suficiente para romper degeneraciones complejas sin depender excesivamente
de los priors, aspecto importante para la inferencia bayesiana, que se discutirá en las
próximas secciones.
3.4 Datos combinados
Un recurso importante en el análisis atmosférico consiste en combinar los nuevos
espectros del JWST con observaciones históricas para ampliar la cobertura y mejorar la
relación señal-ruido. Frecuentemente, se integran datos del JWST/NIRCam con registros
anteriores del HST/WFC3 (en el rango de 1.1–1.7 μm) para obtener un panorama más
completo, una estrategia que ha demostrado ser eficaz en el estudio de gigantes gaseosos
como HD 209458 b (Bachmann et al., 2025). De igual forma, las observaciones espaciales
se complementan con espectros de alta resolución obtenidos desde tierra, utilizando
instrumentos como el VLT/X-shooter para analizar objetos subestelares (Lueber et al.,
2024). Esta capacidad de unir diferentes conjuntos de datos permite a los investigadores
ir más allá de la simple identificación molecular, facilitando el cálculo de la composición
elemental (metalicidad Z y ratio C/O) necesaria para vincular lo que observamos en la
atmósfera con los modelos de formación planetaria (Bardet et al., 2025; Lueber et al.,
2024; Rocchetto et al., 2016; Wilkinson et al., 2024).
24
Figura 2
Paisaje de observabilidad atmosférica con el JWST
Nota. Distribución de candidatos exoplanetarios en función de su temperatura de equilibrio (Teq) y su
métrica de espectroscopía de transmisión (SNR). El tamaño de los puntos escala con el radio planetario
(Rp) y el color indica el potencial para espectroscopía de emisión complementaria (MIRI 15 μm). Las
regiones anotadas distinguen entre el régimen dominado por la verosimilitud (alto SNR), ideal para la
selección de modelos bayesianos, y el régimen dominado por el prior (bajo SNR). Datos simulados
representativos basados en la población de exoplanetas confirmados.
La Figura 2 sintetiza la capacidad del JWST para restringir modelos atmosféricos. Se
observa que solo un subconjunto de la población (cuadrante superior) ofrece el contenido de
información suficiente para romper degeneraciones complejas sin depender excesivamente
de los priors, aspecto importante para la inferencia bayesiana, que se discutirá en las
próximas secciones.
3.4 Datos combinados
Un recurso importante en el análisis atmosférico consiste en combinar los nuevos
espectros del JWST con observaciones históricas para ampliar la cobertura y mejorar la
relación señal-ruido. Frecuentemente, se integran datos del JWST/NIRCam con registros
anteriores del HST/WFC3 (en el rango de 1.1–1.7 μm) para obtener un panorama más
completo, una estrategia que ha demostrado ser eficaz en el estudio de gigantes gaseosos
como HD 209458 b (Bachmann et al., 2025). De igual forma, las observaciones espaciales
se complementan con espectros de alta resolución obtenidos desde tierra, utilizando
instrumentos como el VLT/X-shooter para analizar objetos subestelares (Lueber et al.,
2024). Esta capacidad de unir diferentes conjuntos de datos permite a los investigadores
ir más allá de la simple identificación molecular, facilitando el cálculo de la composición
elemental (metalicidad Z y ratio C/O) necesaria para vincular lo que observamos en la
atmósfera con los modelos de formación planetaria (Bardet et al., 2025; Lueber et al.,
2024; Rocchetto et al., 2016; Wilkinson et al., 2024).
24
Chara Ccallo doi: 10.69976/aspast.v2n2.2
4. Fundamentos de métodos bayesianos en exoplanetas
y atmósferas planetarias
En la era del JWST, la caracterización atmosférica se ha trasladado de un régimen de
ajuste de parámetros (χ2) a uno de mapeo de densidades de probabilidad. Por ejemplo,
dado un conjunto de datos espectrales D y un modelo físico M con parámetros θ, la
inferencia bayesiana actualiza nuestro conocimiento previo (π(θ)) a través de la función de
verosimilitud (L(θ)) para obtener la distribución posterior P (θ|D, M ) (Bloot et al., 2023).
Si bien los fundamentos axiomáticos son bien conocidos, su aplicación en exoplanetas
presenta desafíos específicos que han dictado la evolución de los algoritmos de muestreo.
Más allá de la estimación de parámetros, el desafío central con datos de alta fidelidad es
la selección de modelos, para responder a preguntas como: ¿Requiere el espectro observado
nubes complejas, perfiles térmicos no isotérmicos o química de desequilibrio? La respuesta
yace en la Evidencia Bayesiana (Z), definida como la integral de la verosimilitud sobre
todo el espacio de parámetros prior (Bloot et al., 2023):
Z =
∫
L(D|θ, M )π(θ|M )dθ
Esta cantidad actúa como una métrica de parsimonia automática, penalizando modelos
con dimensionalidad excesiva que no mejoran significativamente el ajuste (Navaja de
Ockham). La comparación entre dos modelos competidores, M1 y M2, se cuantifica
mediante el Factor de Bayes: B12 = Z1/Z2 (Felix et al., 2025; Lueber et al., 2024; Roy-
Perez et al., 2025). En el contexto de la astrobiología, este factor es la herramienta estándar
para determinar la significancia de detección de una molécula, comparando la evidencia de
un modelo con la especie química de interés frente a un “modelo nulo” sin ella (Bachmann
et al., 2025; Lueber et al., 2024).
La necesidad de calcular Z ha impulsado el abandono progresivo de los métodos
tradicionales de Monte Carlo vía Cadenas de Markov (MCMC) en favor del Muestreo
Anidado o Nested Sampling (Felix et al., 2025; Feng et al., 2016; Schleich et al., 2024).
Algoritmos como MultiNest se han establecido como el estándar en códigos de recuperación
modernos como TauREx 3 (Schleich et al., 2024; Zingales et al., 2022), Poseidon (Lin
et al., 2021), ARCiS (Kaeufer et al., 2024; Min et al., 2020) o BeAR (Felix et al., 2025),
debido a su capacidad para:
Calcular la Evidencia Bayesiana (Z) directamente, facilitando la selección de modelos
(“A Sub-Neptune and a Non-Transiting Neptune-Mass Companion Unveiled by
ESPRESSO Around the Bright Late-f Dwarf HD 5278 (TOI-130),” 2021; Felix et al.,
2025; Lin et al., 2021; Lueber et al., 2024).
Muestrear eficientemente distribuciones posteriores multimodales y degeneradas,
comunes en espectros con nubes o especies químicas superpuestas (“A Sub-Neptune
and a Non-Transiting Neptune-Mass Companion Unveiled by ESPRESSO Around
the Bright Late-f Dwarf HD 5278 (TOI-130),” 2021; Kaeufer et al., 2024; Rocchetto
et al., 2016).
Generar muestras para el Promedio Bayesiano de Modelos (BMA), permitiendo
inferencias robustas que marginalizan la incertidumbre estructural del modelo físico
(Bachmann et al., 2025).
25
4. Fundamentos de métodos bayesianos en exoplanetas
y atmósferas planetarias
En la era del JWST, la caracterización atmosférica se ha trasladado de un régimen de
ajuste de parámetros (χ2) a uno de mapeo de densidades de probabilidad. Por ejemplo,
dado un conjunto de datos espectrales D y un modelo físico M con parámetros θ, la
inferencia bayesiana actualiza nuestro conocimiento previo (π(θ)) a través de la función de
verosimilitud (L(θ)) para obtener la distribución posterior P (θ|D, M ) (Bloot et al., 2023).
Si bien los fundamentos axiomáticos son bien conocidos, su aplicación en exoplanetas
presenta desafíos específicos que han dictado la evolución de los algoritmos de muestreo.
Más allá de la estimación de parámetros, el desafío central con datos de alta fidelidad es
la selección de modelos, para responder a preguntas como: ¿Requiere el espectro observado
nubes complejas, perfiles térmicos no isotérmicos o química de desequilibrio? La respuesta
yace en la Evidencia Bayesiana (Z), definida como la integral de la verosimilitud sobre
todo el espacio de parámetros prior (Bloot et al., 2023):
Z =
∫
L(D|θ, M )π(θ|M )dθ
Esta cantidad actúa como una métrica de parsimonia automática, penalizando modelos
con dimensionalidad excesiva que no mejoran significativamente el ajuste (Navaja de
Ockham). La comparación entre dos modelos competidores, M1 y M2, se cuantifica
mediante el Factor de Bayes: B12 = Z1/Z2 (Felix et al., 2025; Lueber et al., 2024; Roy-
Perez et al., 2025). En el contexto de la astrobiología, este factor es la herramienta estándar
para determinar la significancia de detección de una molécula, comparando la evidencia de
un modelo con la especie química de interés frente a un “modelo nulo” sin ella (Bachmann
et al., 2025; Lueber et al., 2024).
La necesidad de calcular Z ha impulsado el abandono progresivo de los métodos
tradicionales de Monte Carlo vía Cadenas de Markov (MCMC) en favor del Muestreo
Anidado o Nested Sampling (Felix et al., 2025; Feng et al., 2016; Schleich et al., 2024).
Algoritmos como MultiNest se han establecido como el estándar en códigos de recuperación
modernos como TauREx 3 (Schleich et al., 2024; Zingales et al., 2022), Poseidon (Lin
et al., 2021), ARCiS (Kaeufer et al., 2024; Min et al., 2020) o BeAR (Felix et al., 2025),
debido a su capacidad para:
Calcular la Evidencia Bayesiana (Z) directamente, facilitando la selección de modelos
(“A Sub-Neptune and a Non-Transiting Neptune-Mass Companion Unveiled by
ESPRESSO Around the Bright Late-f Dwarf HD 5278 (TOI-130),” 2021; Felix et al.,
2025; Lin et al., 2021; Lueber et al., 2024).
Muestrear eficientemente distribuciones posteriores multimodales y degeneradas,
comunes en espectros con nubes o especies químicas superpuestas (“A Sub-Neptune
and a Non-Transiting Neptune-Mass Companion Unveiled by ESPRESSO Around
the Bright Late-f Dwarf HD 5278 (TOI-130),” 2021; Kaeufer et al., 2024; Rocchetto
et al., 2016).
Generar muestras para el Promedio Bayesiano de Modelos (BMA), permitiendo
inferencias robustas que marginalizan la incertidumbre estructural del modelo físico
(Bachmann et al., 2025).
25
Chara Ccallo doi: 10.69976/aspast.v2n2.2
5. Aplicaciones en exoplanetas y atmósferas planetarias
Como se mencionó en la sección 3, el uso de la inferencia bayesiana se ha convertido
en el estándar para interpretar los datos exoplanetarios, especialmente ante el volumen
y la complejidad de las observaciones proporcionadas por instrumentos como el JWST.
A continuación, se examinan las aplicaciones principales de estas técnicas, que abarcan
desde el modelamiento de atmósferas, la inferencia de la composición interna, así como su
consecuente refinamiento de los parámetros dinámicos del sistema.
5.1 Caracterización y modelado de atmósferas
La caracterización atmosférica conforma el dominio principal donde la inferencia baye-
siana resuelve el problema inverso de determinar las propiedades físicas y químicas a partir
de espectros de transmisión observados (Lin et al., 2021; Lueber et al., 2024; Rocchetto et
al., 2016; Schleich et al., 2024). Este proceso integra la reconstrucción térmica, el modelado
de opacidades por aerosoles y el inventario químico multidimensional.
Figura 3
Aplicación de inferencia bayesiana en la recuperación de la estructura térmica
Nota. Ejemplo de resultados de un retrieval atmosférico donde se comparan dos posibles arquitecturas
P-T. El análisis favorece más al perfil con inversión térmica (línea sólida naranja) sobre un modelo de
enfriamiento monótono (línea punteada azul). Las bandas sombreadas (1σ y 2σ) cuantifican la
incertidumbre en la temperatura recuperada en función de la presión, demostrando la capacidad del
método para distinguir estructuras complejas. Fuente: Elaboración propia a partir de datos sintéticos de
Schleich et al. (2024).
El análisis inicia con la determinación de la estructura termoquímica vertical. Puesto
que la temperatura varía con la presión, los métodos bayesianos exploran parametrizaciones
desde aproximaciones isotérmicas hasta perfiles flexibles multipunto, centrándose en la
detección robusta de inversiones térmicas (Bardet et al., 2025; Blecic et al., 2017; Feng et
al., 2016; Kempton & Knutson, 2024; Lueber et al., 2024; Min et al., 2020; Rocchetto et
26
5. Aplicaciones en exoplanetas y atmósferas planetarias
Como se mencionó en la sección 3, el uso de la inferencia bayesiana se ha convertido
en el estándar para interpretar los datos exoplanetarios, especialmente ante el volumen
y la complejidad de las observaciones proporcionadas por instrumentos como el JWST.
A continuación, se examinan las aplicaciones principales de estas técnicas, que abarcan
desde el modelamiento de atmósferas, la inferencia de la composición interna, así como su
consecuente refinamiento de los parámetros dinámicos del sistema.
5.1 Caracterización y modelado de atmósferas
La caracterización atmosférica conforma el dominio principal donde la inferencia baye-
siana resuelve el problema inverso de determinar las propiedades físicas y químicas a partir
de espectros de transmisión observados (Lin et al., 2021; Lueber et al., 2024; Rocchetto et
al., 2016; Schleich et al., 2024). Este proceso integra la reconstrucción térmica, el modelado
de opacidades por aerosoles y el inventario químico multidimensional.
Figura 3
Aplicación de inferencia bayesiana en la recuperación de la estructura térmica
Nota. Ejemplo de resultados de un retrieval atmosférico donde se comparan dos posibles arquitecturas
P-T. El análisis favorece más al perfil con inversión térmica (línea sólida naranja) sobre un modelo de
enfriamiento monótono (línea punteada azul). Las bandas sombreadas (1σ y 2σ) cuantifican la
incertidumbre en la temperatura recuperada en función de la presión, demostrando la capacidad del
método para distinguir estructuras complejas. Fuente: Elaboración propia a partir de datos sintéticos de
Schleich et al. (2024).
El análisis inicia con la determinación de la estructura termoquímica vertical. Puesto
que la temperatura varía con la presión, los métodos bayesianos exploran parametrizaciones
desde aproximaciones isotérmicas hasta perfiles flexibles multipunto, centrándose en la
detección robusta de inversiones térmicas (Bardet et al., 2025; Blecic et al., 2017; Feng et
al., 2016; Kempton & Knutson, 2024; Lueber et al., 2024; Min et al., 2020; Rocchetto et
26
Chara Ccallo doi: 10.69976/aspast.v2n2.2
al., 2016; Schleich et al., 2024; Zingales et al., 2022). Para evitar el sobreajuste mediante
estructuras no reales, se utiliza la Evidencia Bayesiana (ln Z) como filtro matemático,
tal como se ilustra en la Figura 3, permitiendo discernir objetivamente entre modelos
de enfriamiento simple y estructuras con inversión (Lueber et al., 2024; Schleich et al., 2024).
Figura 4
Impacto de la biosfera en el espectro de transmisión de TRAPPIST-1e
Nota. Comparación de modelos espectrales sintéticos entre un escenario de Tierra Moderna (biótico, línea
verde) y una Tierra Prebiótica (abiótico, línea naranja/marrón). Aunque ambos modelos comparten
características profundas de CO2 y vapor de agua, la presencia de una biosfera oxigénica introduce
características de absorción únicas, notablemente la banda de Ozono (O3) cerca de 9.6 μm. La detección
de estas bioseñales requiere que el análisis bayesiano descarte la hipótesis nula (modelo prebiótico) con
alta evidencia estadística. Fuente: Elaboración propia a partir de datos de Lin et al. (2021).
Por otra parte, el modelado de nubes y aerosoles se encuentra naturalmente vinculado
al perfil térmico, además son estos los que frecuentemente opacan los espectros. La infe-
rencia bayesiana restringe propiedades microfísicas críticas como la presión de la cima de
las nubes (Pcloud) (Arenales-Lope et al., 2025; Lin et al., 2021; Schleich et al., 2024), la
eficiencia de sedimentación (fsed) y la dependencia de la opacidad con la longitud de onda
(Arenales-Lope et al., 2025; Roy-Perez et al., 2025). El cálculo del Factor de Bayes facilita
la selección objetiva entre arquitecturas de aerosoles, determinando si los datos requieren
prescripciones complejas (nubes no grises o leyes de potencia) o si modelos de nubes grises
uniformes son estadísticamente suficientes (Arenales-Lope et al., 2025; Lueber et al., 2024;
Roy-Perez et al., 2025).
27
al., 2016; Schleich et al., 2024; Zingales et al., 2022). Para evitar el sobreajuste mediante
estructuras no reales, se utiliza la Evidencia Bayesiana (ln Z) como filtro matemático,
tal como se ilustra en la Figura 3, permitiendo discernir objetivamente entre modelos
de enfriamiento simple y estructuras con inversión (Lueber et al., 2024; Schleich et al., 2024).
Figura 4
Impacto de la biosfera en el espectro de transmisión de TRAPPIST-1e
Nota. Comparación de modelos espectrales sintéticos entre un escenario de Tierra Moderna (biótico, línea
verde) y una Tierra Prebiótica (abiótico, línea naranja/marrón). Aunque ambos modelos comparten
características profundas de CO2 y vapor de agua, la presencia de una biosfera oxigénica introduce
características de absorción únicas, notablemente la banda de Ozono (O3) cerca de 9.6 μm. La detección
de estas bioseñales requiere que el análisis bayesiano descarte la hipótesis nula (modelo prebiótico) con
alta evidencia estadística. Fuente: Elaboración propia a partir de datos de Lin et al. (2021).
Por otra parte, el modelado de nubes y aerosoles se encuentra naturalmente vinculado
al perfil térmico, además son estos los que frecuentemente opacan los espectros. La infe-
rencia bayesiana restringe propiedades microfísicas críticas como la presión de la cima de
las nubes (Pcloud) (Arenales-Lope et al., 2025; Lin et al., 2021; Schleich et al., 2024), la
eficiencia de sedimentación (fsed) y la dependencia de la opacidad con la longitud de onda
(Arenales-Lope et al., 2025; Roy-Perez et al., 2025). El cálculo del Factor de Bayes facilita
la selección objetiva entre arquitecturas de aerosoles, determinando si los datos requieren
prescripciones complejas (nubes no grises o leyes de potencia) o si modelos de nubes grises
uniformes son estadísticamente suficientes (Arenales-Lope et al., 2025; Lueber et al., 2024;
Roy-Perez et al., 2025).
27
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Figura 5
La relación Masa-Metalicidad en exoplanetas y el Sistema Solar
Nota. Gráfico que muestra el enriquecimiento de elementos pesados (metalicidad relativa al Sol) en
función de la masa planetaria. Los puntos negros representan a los gigantes del Sistema Solar, mientras
que los puntos naranjas son exoplanetas con abundancias restringidas mediante espectroscopía de
transmisión y retrievals bayesianos. La tendencia inversa indica que los planetas de menor masa acretan
proporcionalmente más sólidos durante su formación. Fuente: Elaborado con datos adaptados de
Wakeford et al. (2017).
Al mismo tiempo, se cuantifican las abundancias químicas (VMR) de especies mayori-
tarias (H2O, CH4, CO, CO2) y absorbentes ópticos (Arenales-Lope et al., 2025; Bardet et
al., 2025; Gasman et al., 2022; Kempton et al., 2018; Lin et al., 2021; Lueber et al., 2024).
La alta sensibilidad del JWST ha permitido expandir este análisis hacia la química de
desequilibrio y estructuras multidimensionales. Se evalúa cómo procesos cinéticos, como
la mezcla vertical o la fotodisociación, alteran la metalicidad y el ratio C/O respecto al
equilibrio termoquímico estándar (Bardet et al., 2025; Kempton & Knutson, 2024). Para-
lelamente, herramientas avanzadas como TauREx 2D permiten reconstruir la atmósfera en
2D o 3D, corrigiendo los sesgos de los modelos unidimensionales en Júpiters calientes y
detectando gradientes térmicos día-noche (Bardet et al., 2025; Blecic et al., 2017; Feng
et al., 2016; Kempton & Knutson, 2024; Zingales et al., 2022). Esta precisión es vital
para casos como el de TRAPPIST-1e, donde la discriminación entre escenarios bióticos
y abióticos depende de diferencias espectrales sutiles en bandas como la del ozono (O3),
indistinguibles sin un tratamiento riguroso de la química y la física atmosférica.
Por último, las abundancias recuperadas permiten derivar ratios elementales y la
metalicidad (Z y C/O), que son parámetros que actúan como trazadores de la historia de
formación (Bardet et al., 2025; Kempton & Knutson, 2024; Lueber et al., 2024; Min et al.,
2020; Vasist et al., 2025). Es importante destacar que la posición de un exoplaneta en el
diagrama Masa-Metalicidad es un resultado derivado tras marginalizar sobre los parámetros
mencionados anteriormente (nubes, temperatura). En el caso de HAT-P-26b (Wakeford et
al., 2017), este enfoque probabilístico fue determinante para romper la degeneración entre
una atmósfera de alta metalicidad nubosa y una de baja metalicidad despejada, revelando
28
Figura 5
La relación Masa-Metalicidad en exoplanetas y el Sistema Solar
Nota. Gráfico que muestra el enriquecimiento de elementos pesados (metalicidad relativa al Sol) en
función de la masa planetaria. Los puntos negros representan a los gigantes del Sistema Solar, mientras
que los puntos naranjas son exoplanetas con abundancias restringidas mediante espectroscopía de
transmisión y retrievals bayesianos. La tendencia inversa indica que los planetas de menor masa acretan
proporcionalmente más sólidos durante su formación. Fuente: Elaborado con datos adaptados de
Wakeford et al. (2017).
Al mismo tiempo, se cuantifican las abundancias químicas (VMR) de especies mayori-
tarias (H2O, CH4, CO, CO2) y absorbentes ópticos (Arenales-Lope et al., 2025; Bardet et
al., 2025; Gasman et al., 2022; Kempton et al., 2018; Lin et al., 2021; Lueber et al., 2024).
La alta sensibilidad del JWST ha permitido expandir este análisis hacia la química de
desequilibrio y estructuras multidimensionales. Se evalúa cómo procesos cinéticos, como
la mezcla vertical o la fotodisociación, alteran la metalicidad y el ratio C/O respecto al
equilibrio termoquímico estándar (Bardet et al., 2025; Kempton & Knutson, 2024). Para-
lelamente, herramientas avanzadas como TauREx 2D permiten reconstruir la atmósfera en
2D o 3D, corrigiendo los sesgos de los modelos unidimensionales en Júpiters calientes y
detectando gradientes térmicos día-noche (Bardet et al., 2025; Blecic et al., 2017; Feng
et al., 2016; Kempton & Knutson, 2024; Zingales et al., 2022). Esta precisión es vital
para casos como el de TRAPPIST-1e, donde la discriminación entre escenarios bióticos
y abióticos depende de diferencias espectrales sutiles en bandas como la del ozono (O3),
indistinguibles sin un tratamiento riguroso de la química y la física atmosférica.
Por último, las abundancias recuperadas permiten derivar ratios elementales y la
metalicidad (Z y C/O), que son parámetros que actúan como trazadores de la historia de
formación (Bardet et al., 2025; Kempton & Knutson, 2024; Lueber et al., 2024; Min et al.,
2020; Vasist et al., 2025). Es importante destacar que la posición de un exoplaneta en el
diagrama Masa-Metalicidad es un resultado derivado tras marginalizar sobre los parámetros
mencionados anteriormente (nubes, temperatura). En el caso de HAT-P-26b (Wakeford et
al., 2017), este enfoque probabilístico fue determinante para romper la degeneración entre
una atmósfera de alta metalicidad nubosa y una de baja metalicidad despejada, revelando
28
Chara Ccallo doi: 10.69976/aspast.v2n2.2
la diversidad en los procesos de acreción planetaria.
5.2 Estructura interna y composición
En este subcampo, la inferencia bayesiana se utiliza para romper las degeneraciones
innatas a la determinación de la estructura interna de los exoplanetas.
1. Recuperación de parámetros internos: A partir de mediciones observacionales
(masa, radio, temperatura de equilibrio y metalicidad atmosférica), se utilizan códigos
interiores (como CEPAM ) y un marco bayesiano para restringir parámetros internos
como la fracción de masa del núcleo y la fracción global de elementos pesados
(metalicidad bulk).
2. Modelado autoconsistente Atmósfera-Interior: El modelado combinado (por
ejemplo, HADES ) utiliza la inferencia bayesiana para realizar recuperaciones “atmósfera-
interior” auto-consistentes, permitiendo restringir la metalicidad y la temperatura
intrínseca (Tint) del planeta.
Sin embargo, la aplicabilidad de este enfoque dual se limita por la disponibilidad
de datos de alta calidad en ambas geometrías de observación. Se observa que solo
un subconjunto de candidatos posee un SNR suficiente tanto en transmisión (NIRS-
pec/NIRISS) como en emisión térmica (MIRI ) para restringir simultáneamente la
metalicidad envolvente y la temperatura intrínseca, rompiendo así las degeneraciones
que limitan a los modelos de geometría única.
Figura 6
Sinergia observacional para el modelado atmósfera-interior
Nota. Comparación de la calidad de señal (SNR) en transmisión (eje Y) frente a emisión térmica a 15 μm
(eje X, escala de color). Los objetivos en la región brillante representan los candidatos óptimos para
retrievals conjuntos, permitiendo una caracterización global que vincula la química atmosférica con la
termodinámica del interior profundo. Fuente: Elaboración propia basada en datos de la Exoplanet
Atmosphere Observability Table (EAOT) del archivo MAST (NASA Exoplanet Archive, 2025), que
implementa las métricas de espectroscopía de transmisión definidas por Kempton et al. (2018).
29
la diversidad en los procesos de acreción planetaria.
5.2 Estructura interna y composición
En este subcampo, la inferencia bayesiana se utiliza para romper las degeneraciones
innatas a la determinación de la estructura interna de los exoplanetas.
1. Recuperación de parámetros internos: A partir de mediciones observacionales
(masa, radio, temperatura de equilibrio y metalicidad atmosférica), se utilizan códigos
interiores (como CEPAM ) y un marco bayesiano para restringir parámetros internos
como la fracción de masa del núcleo y la fracción global de elementos pesados
(metalicidad bulk).
2. Modelado autoconsistente Atmósfera-Interior: El modelado combinado (por
ejemplo, HADES ) utiliza la inferencia bayesiana para realizar recuperaciones “atmósfera-
interior” auto-consistentes, permitiendo restringir la metalicidad y la temperatura
intrínseca (Tint) del planeta.
Sin embargo, la aplicabilidad de este enfoque dual se limita por la disponibilidad
de datos de alta calidad en ambas geometrías de observación. Se observa que solo
un subconjunto de candidatos posee un SNR suficiente tanto en transmisión (NIRS-
pec/NIRISS) como en emisión térmica (MIRI ) para restringir simultáneamente la
metalicidad envolvente y la temperatura intrínseca, rompiendo así las degeneraciones
que limitan a los modelos de geometría única.
Figura 6
Sinergia observacional para el modelado atmósfera-interior
Nota. Comparación de la calidad de señal (SNR) en transmisión (eje Y) frente a emisión térmica a 15 μm
(eje X, escala de color). Los objetivos en la región brillante representan los candidatos óptimos para
retrievals conjuntos, permitiendo una caracterización global que vincula la química atmosférica con la
termodinámica del interior profundo. Fuente: Elaboración propia basada en datos de la Exoplanet
Atmosphere Observability Table (EAOT) del archivo MAST (NASA Exoplanet Archive, 2025), que
implementa las métricas de espectroscopía de transmisión definidas por Kempton et al. (2018).
29
Chara Ccallo doi: 10.69976/aspast.v2n2.2
3. Comparación de modelos interiores: Se utiliza la evidencia bayesiana para
comparar diferentes modelos de estructura interna, como aquellos con envolturas
homogéneas frente a inhomogéneas (con gradientes de metales).
4. Estructura de planetas terrestres y sub-neptunos: La inferencia bayesiana se
aplica para cuantificar las distribuciones de propiedades atmosféricas (masa, radio,
enriquecimiento en moléculas pesadas) para planetas terrestres y super-Tierra, lo que
es esencial para interpretar las atmósferas desgasificadas en el contexto de modelos
geofísicos interiores.
Sin embargo, este análisis enfrenta un obstáculo físico fundamental: la compresión at-
mosférica. Existe una correlación inversa crítica entre la gravedad superficial (log g) y
la calidad de la señal de transmisión. Para los objetivos de alta gravedad (super-tierras
rocosas), la amplitud de las características espectrales disminuye drásticamente, si-
tuando a menudo la señal en el límite del ruido instrumental. En este régimen, el uso
de factores de Bayes para la selección de modelos se vuelve indispensable para evitar
falsos positivos atmosféricos.
Figura 7
El desafío de la gravedad superficial en la espectroscopía de transmisión
Nota. La relación entre la gravedad superficial planetaria (log gp) y la métrica de SNR de transmisión
revela una disminución significativa de la detectabilidad para planetas compactos y masivos (derecha). El
tamaño de los puntos indica el radio planetario. Los métodos bayesianos son críticos en la región de alta
gravedad (SNR < 0,01) donde la información espectral es escasa.
5.3 Parámetros del sistema y modelado dinámico
Aunque relacionados con la órbita, estos parámetros son cruciales para la caracterización
atmosférica y de interiores:
1. Análisis de Velocidad Radial y Tránsitos
30
3. Comparación de modelos interiores: Se utiliza la evidencia bayesiana para
comparar diferentes modelos de estructura interna, como aquellos con envolturas
homogéneas frente a inhomogéneas (con gradientes de metales).
4. Estructura de planetas terrestres y sub-neptunos: La inferencia bayesiana se
aplica para cuantificar las distribuciones de propiedades atmosféricas (masa, radio,
enriquecimiento en moléculas pesadas) para planetas terrestres y super-Tierra, lo que
es esencial para interpretar las atmósferas desgasificadas en el contexto de modelos
geofísicos interiores.
Sin embargo, este análisis enfrenta un obstáculo físico fundamental: la compresión at-
mosférica. Existe una correlación inversa crítica entre la gravedad superficial (log g) y
la calidad de la señal de transmisión. Para los objetivos de alta gravedad (super-tierras
rocosas), la amplitud de las características espectrales disminuye drásticamente, si-
tuando a menudo la señal en el límite del ruido instrumental. En este régimen, el uso
de factores de Bayes para la selección de modelos se vuelve indispensable para evitar
falsos positivos atmosféricos.
Figura 7
El desafío de la gravedad superficial en la espectroscopía de transmisión
Nota. La relación entre la gravedad superficial planetaria (log gp) y la métrica de SNR de transmisión
revela una disminución significativa de la detectabilidad para planetas compactos y masivos (derecha). El
tamaño de los puntos indica el radio planetario. Los métodos bayesianos son críticos en la región de alta
gravedad (SNR < 0,01) donde la información espectral es escasa.
5.3 Parámetros del sistema y modelado dinámico
Aunque relacionados con la órbita, estos parámetros son cruciales para la caracterización
atmosférica y de interiores:
1. Análisis de Velocidad Radial y Tránsitos
30
Chara Ccallo doi: 10.69976/aspast.v2n2.2
La inferencia bayesiana (usando MCMC o Nested Sampling) se utiliza para estimar los
parámetros orbitales (periodo P , tiempo de conjunción T0, inclinación i, excentricidad
e) y los parámetros físicos del planeta (radio Rp, masa Mp, gravedad log g) a partir
de curvas de luz y mediciones de RV .
2. Selección de Modelos del sistema
El Factor de Bayes se emplea rutinariamente para la selección de modelos, por
ejemplo, para determinar si los datos favorecen un modelo con dos planetas frente
a uno con un solo planeta, o para comparar diferentes configuraciones orbitales
(circulares vs. excéntricas).
6. Discusión
La implementación de métodos bayesianos en la caracterización de atmósferas e interio-
res exoplanetarios, analizada en la Sección 5, sobrepasa la mejora estadística incremental y
se constituye como un marco analítico indispensable en la era del JWST. Ante la disponi-
bilidad de datos de alta fidelidad, la capacidad para cuantificar incertidumbres y resolver
degeneraciones paramétricas se establece como un requisito crítico para la evaluación
rigurosa de la habitabilidad. A continuación, se examinan las implicaciones de este cambio
metodológico en la búsqueda de vida fuera del Sistema Solar.
6.1 Del régimen limitado por fotones al limitado por el modelo
La detección de biofirmas potenciales (ej. O3, CH4, N2O) en atmósferas terrestres
opera frecuentemente en el límite de la relación señal-ruido instrumental. La inferencia de
abundancias químicas y relaciones de mezcla (VMR) mediante marcos bayesianos resulta
esencial para la mitigación del riesgo de falsos positivos. A diferencia de los métodos de
ajuste por mínimos cuadrados (χ2), el enfoque bayesiano genera distribuciones posteriores
completas para las abundancias moleculares, lo que aporta dos ventajas fundamentales
para la astrobiología:
1. Definición de Límites Superiores: Permite restringir estadísticamente la abun-
dancia máxima de especies no detectadas, pero biológicamente relevantes, integrando
esta información en los modelos de habitabilidad en lugar de omitirla.
2. Evaluación de Modelos Competitivos: El cálculo de la evidencia bayesiana
(ln Z) cuantifica objetivamente si la inclusión de una biofirma mejora la capacidad
explicativa del modelo frente a hipótesis alternativas, como el ruido instrumental o
la contaminación estelar.
6.2 Evaluación probabilística de habitabilidad y clasificación pla-
netaria
La interpretación de la habitabilidad a partir de datos del JWST no es inmediata, a
pesar de su alta precisión. Como se discutió previamente, las mediciones de masa y radio
presentan una degeneración inherente, dado que composiciones internas divergentes pueden
converger en densidades medias idénticas. La inferencia bayesiana permite trascender
31
La inferencia bayesiana (usando MCMC o Nested Sampling) se utiliza para estimar los
parámetros orbitales (periodo P , tiempo de conjunción T0, inclinación i, excentricidad
e) y los parámetros físicos del planeta (radio Rp, masa Mp, gravedad log g) a partir
de curvas de luz y mediciones de RV .
2. Selección de Modelos del sistema
El Factor de Bayes se emplea rutinariamente para la selección de modelos, por
ejemplo, para determinar si los datos favorecen un modelo con dos planetas frente
a uno con un solo planeta, o para comparar diferentes configuraciones orbitales
(circulares vs. excéntricas).
6. Discusión
La implementación de métodos bayesianos en la caracterización de atmósferas e interio-
res exoplanetarios, analizada en la Sección 5, sobrepasa la mejora estadística incremental y
se constituye como un marco analítico indispensable en la era del JWST. Ante la disponi-
bilidad de datos de alta fidelidad, la capacidad para cuantificar incertidumbres y resolver
degeneraciones paramétricas se establece como un requisito crítico para la evaluación
rigurosa de la habitabilidad. A continuación, se examinan las implicaciones de este cambio
metodológico en la búsqueda de vida fuera del Sistema Solar.
6.1 Del régimen limitado por fotones al limitado por el modelo
La detección de biofirmas potenciales (ej. O3, CH4, N2O) en atmósferas terrestres
opera frecuentemente en el límite de la relación señal-ruido instrumental. La inferencia de
abundancias químicas y relaciones de mezcla (VMR) mediante marcos bayesianos resulta
esencial para la mitigación del riesgo de falsos positivos. A diferencia de los métodos de
ajuste por mínimos cuadrados (χ2), el enfoque bayesiano genera distribuciones posteriores
completas para las abundancias moleculares, lo que aporta dos ventajas fundamentales
para la astrobiología:
1. Definición de Límites Superiores: Permite restringir estadísticamente la abun-
dancia máxima de especies no detectadas, pero biológicamente relevantes, integrando
esta información en los modelos de habitabilidad en lugar de omitirla.
2. Evaluación de Modelos Competitivos: El cálculo de la evidencia bayesiana
(ln Z) cuantifica objetivamente si la inclusión de una biofirma mejora la capacidad
explicativa del modelo frente a hipótesis alternativas, como el ruido instrumental o
la contaminación estelar.
6.2 Evaluación probabilística de habitabilidad y clasificación pla-
netaria
La interpretación de la habitabilidad a partir de datos del JWST no es inmediata, a
pesar de su alta precisión. Como se discutió previamente, las mediciones de masa y radio
presentan una degeneración inherente, dado que composiciones internas divergentes pueden
converger en densidades medias idénticas. La inferencia bayesiana permite trascender
31
Chara Ccallo doi: 10.69976/aspast.v2n2.2
esta caracterización básica, restringiendo las propiedades atmosféricas e internas que
determinan el potencial biológico (“A Sub-Neptune and a Non-Transiting Neptune-Mass
Companion Unveiled by ESPRESSO Around the Bright Late-f Dwarf HD 5278 (TOI-130),”
2021; Felix et al., 2025).
Esta capacidad de discriminación es crítica en el estudio de planetas de baja masa
(Sub-Neptunos), donde la densidad por sí sola no permite distinguir entre un mundo de
agua, un planeta oceánico o un cuerpo rocoso con envoltura de H2/He. Para resolver esta
ambigüedad, es necesario recurrir a la caracterización atmosférica detallada. Específicamen-
te, la recuperación bayesiana de una alta abundancia de H2O en el espectro de transmisión
facilita el descarte estadístico de interiores secos, permitiendo la reclasificación del objeto
como candidato a mundo de agua (“A Sub-Neptune and a Non-Transiting Neptune-Mass
Companion Unveiled by ESPRESSO Around the Bright Late-f Dwarf HD 5278 (TOI-130),”
2021; Kempton & Knutson, 2024).
Consecutivamente, el análisis se extiende a la geofísica planetaria. En el marco de la
conexión atmósfera-interior, los modelos bayesianos integran la información observada
(masa, radio, temperatura de equilibrio, metalicidad) para inferir parámetros no observables,
como la fracción de masa del núcleo y la distribución de elementos pesados (Bloot et al.,
2023). Estas restricciones son esenciales en la evaluación de la actividad geológica, que
al haberlas combinado con modelos geofísicos, se ha determinado que el vulcanismo y la
desgasificación de CO2 son viables incluso en los regímenes tectónicos de tapa estancada.
Este resultado tiene implicaciones directas para la habitabilidad a largo plazo, dado que la
Zona Habitable (HZ) depende de la regulación climática mediante el ciclo carbonato-silicato
y la disponibilidad de gases de efecto invernadero (Dorn et al., 2018).
Por último, la evaluación de la habitabilidad actual debe contextualizarse en la historia
evolutiva. La inferencia bayesiana es esencial para precisar la metalicidad y el ratio C/O
(Kempton & Knutson, 2024; Lueber et al., 2024; Vasist et al., 2025). Estos trazadores
químicos funcionan como restricciones observacionales para las teorías de formación, indi-
cando la región de origen en el disco protoplanetario y la eficiencia de acreción de sólidos
(Bardet et al., 2025; Kempton & Knutson, 2024; Rocchetto et al., 2016). Comprender el
origen de los volátiles mediante estos ratios es indispensable para validar si las condiciones
actuales son propicias para la vida o el remanente de una evolución estéril (Kempton &
Knutson, 2024).
32
esta caracterización básica, restringiendo las propiedades atmosféricas e internas que
determinan el potencial biológico (“A Sub-Neptune and a Non-Transiting Neptune-Mass
Companion Unveiled by ESPRESSO Around the Bright Late-f Dwarf HD 5278 (TOI-130),”
2021; Felix et al., 2025).
Esta capacidad de discriminación es crítica en el estudio de planetas de baja masa
(Sub-Neptunos), donde la densidad por sí sola no permite distinguir entre un mundo de
agua, un planeta oceánico o un cuerpo rocoso con envoltura de H2/He. Para resolver esta
ambigüedad, es necesario recurrir a la caracterización atmosférica detallada. Específicamen-
te, la recuperación bayesiana de una alta abundancia de H2O en el espectro de transmisión
facilita el descarte estadístico de interiores secos, permitiendo la reclasificación del objeto
como candidato a mundo de agua (“A Sub-Neptune and a Non-Transiting Neptune-Mass
Companion Unveiled by ESPRESSO Around the Bright Late-f Dwarf HD 5278 (TOI-130),”
2021; Kempton & Knutson, 2024).
Consecutivamente, el análisis se extiende a la geofísica planetaria. En el marco de la
conexión atmósfera-interior, los modelos bayesianos integran la información observada
(masa, radio, temperatura de equilibrio, metalicidad) para inferir parámetros no observables,
como la fracción de masa del núcleo y la distribución de elementos pesados (Bloot et al.,
2023). Estas restricciones son esenciales en la evaluación de la actividad geológica, que
al haberlas combinado con modelos geofísicos, se ha determinado que el vulcanismo y la
desgasificación de CO2 son viables incluso en los regímenes tectónicos de tapa estancada.
Este resultado tiene implicaciones directas para la habitabilidad a largo plazo, dado que la
Zona Habitable (HZ) depende de la regulación climática mediante el ciclo carbonato-silicato
y la disponibilidad de gases de efecto invernadero (Dorn et al., 2018).
Por último, la evaluación de la habitabilidad actual debe contextualizarse en la historia
evolutiva. La inferencia bayesiana es esencial para precisar la metalicidad y el ratio C/O
(Kempton & Knutson, 2024; Lueber et al., 2024; Vasist et al., 2025). Estos trazadores
químicos funcionan como restricciones observacionales para las teorías de formación, indi-
cando la región de origen en el disco protoplanetario y la eficiencia de acreción de sólidos
(Bardet et al., 2025; Kempton & Knutson, 2024; Rocchetto et al., 2016). Comprender el
origen de los volátiles mediante estos ratios es indispensable para validar si las condiciones
actuales son propicias para la vida o el remanente de una evolución estéril (Kempton &
Knutson, 2024).
32
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Figura 8
Conexión entre la química atmosférica y la historia de formación
Nota. Diagrama esquemático que vincula el ratio Carbono/Oxígeno (C/O) actual con la distancia de
formación en el disco protoplanetario. Las líneas verticales marcan las “líneas de nieve” donde el H2O y el
CO2 se condensan, creando variaciones escalonadas en la composición del gas (línea gris). El punto azul
representa un exoplaneta cuyo ratio C/O ha sido recuperado mediante inferencia bayesiana, permitiendo
restringir su lugar de nacimiento y diferenciar entre formación in situ o migración desde regiones externas
ricas en hielos. Adaptado del modelo de fraccionamiento de Oberg et al. (2011).
6.3 Detección de biofirmas y química de desequilibrio
El enfoque bayesiano constituye una herramienta metodológica central para abordar la
detección de vida mediante la identificación de desequilibrios termodinámicos. Algoritmos
como el muestreo anidado (MultiNest) y el Factor de Bayes son indispensables en la
validación de la detección de especies moleculares y la cuantificación de su significancia
estadística frente a hipótesis nulas abióticas (Gasman et al., 2022; Lin et al., 2021; Roy-Perez
et al., 2025).
La aplicación rigurosa de estas herramientas permite diferenciar escenarios evolutivos
en sistemas de la Zona Habitable, como TRAPPIST-1e. Las simulaciones de recuperación
atmosférica sugieren que la sensibilidad del JWST es suficiente para distinguir entre
una “Tierra Moderna” (con flujos biogénicos) y una “Tierra Prebiótica”, resolviendo
la ambigüedad espectral (Lin et al., 2021). En este análisis, la abundancia de metano
(CH4) actúa como diagnóstico primario, donde las restricciones bayesianas permiten la
discriminación entre un origen biológico y geológico, al realizar el análisis en el contexto
del inventario atmosférico global (Gasman et al., 2022; Lin et al., 2021).
No obstante, la búsqueda de pares de desequilibrio clásicos como O2 + CH4 o O3 +
CH4 presenta desafíos observacionales notables (Kempton & Knutson, 2024). Los análisis
de recuperabilidad indican que la detección de ozono (O3) requeriría un número elevado de
tránsitos para alcanzar una significancia robusta (> 3σ). Ante esta limitación, los métodos
bayesianos favorecen estrategias de detección escépticas, identificando combinaciones
alternativas como N2O y ozono, que ofrecen perspectivas de detección más favorables en
el infrarrojo medio (Lin et al., 2021).
33
Figura 8
Conexión entre la química atmosférica y la historia de formación
Nota. Diagrama esquemático que vincula el ratio Carbono/Oxígeno (C/O) actual con la distancia de
formación en el disco protoplanetario. Las líneas verticales marcan las “líneas de nieve” donde el H2O y el
CO2 se condensan, creando variaciones escalonadas en la composición del gas (línea gris). El punto azul
representa un exoplaneta cuyo ratio C/O ha sido recuperado mediante inferencia bayesiana, permitiendo
restringir su lugar de nacimiento y diferenciar entre formación in situ o migración desde regiones externas
ricas en hielos. Adaptado del modelo de fraccionamiento de Oberg et al. (2011).
6.3 Detección de biofirmas y química de desequilibrio
El enfoque bayesiano constituye una herramienta metodológica central para abordar la
detección de vida mediante la identificación de desequilibrios termodinámicos. Algoritmos
como el muestreo anidado (MultiNest) y el Factor de Bayes son indispensables en la
validación de la detección de especies moleculares y la cuantificación de su significancia
estadística frente a hipótesis nulas abióticas (Gasman et al., 2022; Lin et al., 2021; Roy-Perez
et al., 2025).
La aplicación rigurosa de estas herramientas permite diferenciar escenarios evolutivos
en sistemas de la Zona Habitable, como TRAPPIST-1e. Las simulaciones de recuperación
atmosférica sugieren que la sensibilidad del JWST es suficiente para distinguir entre
una “Tierra Moderna” (con flujos biogénicos) y una “Tierra Prebiótica”, resolviendo
la ambigüedad espectral (Lin et al., 2021). En este análisis, la abundancia de metano
(CH4) actúa como diagnóstico primario, donde las restricciones bayesianas permiten la
discriminación entre un origen biológico y geológico, al realizar el análisis en el contexto
del inventario atmosférico global (Gasman et al., 2022; Lin et al., 2021).
No obstante, la búsqueda de pares de desequilibrio clásicos como O2 + CH4 o O3 +
CH4 presenta desafíos observacionales notables (Kempton & Knutson, 2024). Los análisis
de recuperabilidad indican que la detección de ozono (O3) requeriría un número elevado de
tránsitos para alcanzar una significancia robusta (> 3σ). Ante esta limitación, los métodos
bayesianos favorecen estrategias de detección escépticas, identificando combinaciones
alternativas como N2O y ozono, que ofrecen perspectivas de detección más favorables en
el infrarrojo medio (Lin et al., 2021).
33
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Adicionalmente, la caracterización abarca marcadores de procesos dinámicos y geoló-
gicos. La inferencia bayesiana permite también delimitar la presencia de hidrocarburos
(C2H2, C2H4) y especies de azufre (SO2, CS2) (Felix et al., 2025). La cuantificación de
estas especies no solo indica una química de desequilibrio, sino que confirma la existencia
de actividad volcánica activa, un factor determinante para el mantenimiento de ciclos
biogeoquímicos a escalas de tiempo geológico (Kempton & Knutson, 2024).
6.4 Robustez estadística y control de falsos positivos
La fiabilidad de las inferencias en astrobiología se fundamenta en la corrección de la
interpretación espectral. Sin embargo, los métodos de recuperación enfrentan riesgos de
sesgo sistemático por simplificación de modelos. Los planetas calientes, al ser objetos tridi-
mensionales con altos contrastes térmicos día-noche, requieren tratamientos más complejos.
Los análisis bayesianos demuestran que la imposición de modelos unidimensionales (1D)
en estos casos conduce a estimaciones erróneas en parámetros clave, como la abundancia
de metano (CH4) (Feng et al., 2016; Zingales et al., 2022). Un sesgo en la composición
química distorsiona la comprensión integral del sistema planetario (Rocchetto et al., 2016;
Schleich et al., 2024).
Esta propagación de incertidumbre afecta la química atmosférica. Asumir equilibrio
químico, ignorando la cinética de fotodisociación o mezcla vertical, altera las mediciones
de metalicidad (Z) y el ratio C/O (Bardet et al., 2025). Dado que estos ratios son los
únicos testigos de la historia de formación, errores en el modelado atmosférico conducen a
conclusiones incorrectas sobre la estructura del manto y el núcleo (Kempton & Knutson,
2024). Una imprecisión en la metalicidad, por tanto, impide inferir mecanismos de reciclaje
tectónico o volcánico, que son esenciales para la habitabilidad.
Para garantizar la integridad de las inferencias, se adoptan criterios de selección de
modelos rigurosos. El Factor de Bayes implementa el principio de parsimonia, penalizando
la complejidad innecesaria y asegurando que la introducción de parámetros adicionales
esté justificada por los datos (Kaeufer et al., 2024; Lueber et al., 2024).
Asimismo, para mitigar el error estructural del modelo (ej. microfísica de nubes
incorrecta), se recurre al Promedio Bayesiano de Modelos (BMA). Esta técnica integra
múltiples hipótesis físicas ponderadas por su evidencia. El resultado proporciona una
estimación de consenso que marginaliza las incertidumbres estructurales, permitiendo
que los trazadores químicos observados reflejen la geofísica real del exoplaneta y no los
artefactos derivados de asunciones teóricas (Lin et al., 2021; Wilkinson et al., 2024).
34
Adicionalmente, la caracterización abarca marcadores de procesos dinámicos y geoló-
gicos. La inferencia bayesiana permite también delimitar la presencia de hidrocarburos
(C2H2, C2H4) y especies de azufre (SO2, CS2) (Felix et al., 2025). La cuantificación de
estas especies no solo indica una química de desequilibrio, sino que confirma la existencia
de actividad volcánica activa, un factor determinante para el mantenimiento de ciclos
biogeoquímicos a escalas de tiempo geológico (Kempton & Knutson, 2024).
6.4 Robustez estadística y control de falsos positivos
La fiabilidad de las inferencias en astrobiología se fundamenta en la corrección de la
interpretación espectral. Sin embargo, los métodos de recuperación enfrentan riesgos de
sesgo sistemático por simplificación de modelos. Los planetas calientes, al ser objetos tridi-
mensionales con altos contrastes térmicos día-noche, requieren tratamientos más complejos.
Los análisis bayesianos demuestran que la imposición de modelos unidimensionales (1D)
en estos casos conduce a estimaciones erróneas en parámetros clave, como la abundancia
de metano (CH4) (Feng et al., 2016; Zingales et al., 2022). Un sesgo en la composición
química distorsiona la comprensión integral del sistema planetario (Rocchetto et al., 2016;
Schleich et al., 2024).
Esta propagación de incertidumbre afecta la química atmosférica. Asumir equilibrio
químico, ignorando la cinética de fotodisociación o mezcla vertical, altera las mediciones
de metalicidad (Z) y el ratio C/O (Bardet et al., 2025). Dado que estos ratios son los
únicos testigos de la historia de formación, errores en el modelado atmosférico conducen a
conclusiones incorrectas sobre la estructura del manto y el núcleo (Kempton & Knutson,
2024). Una imprecisión en la metalicidad, por tanto, impide inferir mecanismos de reciclaje
tectónico o volcánico, que son esenciales para la habitabilidad.
Para garantizar la integridad de las inferencias, se adoptan criterios de selección de
modelos rigurosos. El Factor de Bayes implementa el principio de parsimonia, penalizando
la complejidad innecesaria y asegurando que la introducción de parámetros adicionales
esté justificada por los datos (Kaeufer et al., 2024; Lueber et al., 2024).
Asimismo, para mitigar el error estructural del modelo (ej. microfísica de nubes
incorrecta), se recurre al Promedio Bayesiano de Modelos (BMA). Esta técnica integra
múltiples hipótesis físicas ponderadas por su evidencia. El resultado proporciona una
estimación de consenso que marginaliza las incertidumbres estructurales, permitiendo
que los trazadores químicos observados reflejen la geofísica real del exoplaneta y no los
artefactos derivados de asunciones teóricas (Lin et al., 2021; Wilkinson et al., 2024).
34
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Figura 9
Análisis de robustez mediante Promedio Bayesiano de Modelos (BMA)
Nota. Comparación de la metalicidad recuperada (ln Z) para 12 modelos atmosféricos distintos aplicados
al mismo set de datos. El tamaño de los puntos es proporcional al peso del modelo (Wq ), derivado de su
Criterio de Información Bayesiano (BIC). Aunque los modelos individuales varían, el BMA (línea
discontinua púrpura y banda de error) proporciona una estimación de consenso robusta (Z ≈ 4,8 × Solar),
integrando la incertidumbre estructural del modelo.
7. Conclusiones
El análisis de la literatura reciente indica que la aplicación de métodos bayesianos a los
datos del JWST ha conducido a un cambio de paradigma en la ciencia exoplanetaria. La
alta fidelidad espectral actual no solo exige un incremento sustancial en la complejidad de
los modelos físicos para mitigar sesgos sistemáticos, sino que ha hecho viable, por primera
vez, la vinculación estadística robusta entre la atmósfera y la estructura interna planetaria.
La integración de la inferencia bayesiana ha permitido superar las barreras tradicionales
impuestas por la degeneración inherente a las mediciones de masa y radio. La espectroscopía
de transmisión se ha consolidado como un mecanismo para restringir la metalicidad y la
temperatura intrínseca (Tint), parámetros que, al incorporarse como priors informativos,
permiten estimar la masa del núcleo con una precisión antes no posible. El análisis de
WASP-39b es un buen ejemplo de este avance, donde el acoplamiento de datos espectrales
reveló una fracción de elementos pesados en el interior cercana al 45 %, resultado que es
inaccesible mediante fotometría convencional (Wilkinson et al., 2024). Al mismo tiempo,
en la población de sub-Neptunos, el análisis bayesiano resulta indispensable para resolver
la ambigüedad entre escenarios de “mundos oceánicos” y “planetas rocosos” con envolturas
de H/He, utilizando la restricción del peso molecular medio como discriminante crítico
(Barkaoui et al., 2025).
Por otra parte, la sensibilidad del JWST ha evidenciado que las simplificaciones
heredadas de la instrumentación previa introducen sesgos inaceptables en la interpretación
física. Las recuperaciones atmosféricas confirman que la asunción de perfiles de presión-
temperatura (p − T ) isotérmicos induce errores sistemáticos en las abundancias químicas, lo
que obliga a adoptar parametrizaciones flexibles para evitar el sobreajuste en espectros de
35
Figura 9
Análisis de robustez mediante Promedio Bayesiano de Modelos (BMA)
Nota. Comparación de la metalicidad recuperada (ln Z) para 12 modelos atmosféricos distintos aplicados
al mismo set de datos. El tamaño de los puntos es proporcional al peso del modelo (Wq ), derivado de su
Criterio de Información Bayesiano (BIC). Aunque los modelos individuales varían, el BMA (línea
discontinua púrpura y banda de error) proporciona una estimación de consenso robusta (Z ≈ 4,8 × Solar),
integrando la incertidumbre estructural del modelo.
7. Conclusiones
El análisis de la literatura reciente indica que la aplicación de métodos bayesianos a los
datos del JWST ha conducido a un cambio de paradigma en la ciencia exoplanetaria. La
alta fidelidad espectral actual no solo exige un incremento sustancial en la complejidad de
los modelos físicos para mitigar sesgos sistemáticos, sino que ha hecho viable, por primera
vez, la vinculación estadística robusta entre la atmósfera y la estructura interna planetaria.
La integración de la inferencia bayesiana ha permitido superar las barreras tradicionales
impuestas por la degeneración inherente a las mediciones de masa y radio. La espectroscopía
de transmisión se ha consolidado como un mecanismo para restringir la metalicidad y la
temperatura intrínseca (Tint), parámetros que, al incorporarse como priors informativos,
permiten estimar la masa del núcleo con una precisión antes no posible. El análisis de
WASP-39b es un buen ejemplo de este avance, donde el acoplamiento de datos espectrales
reveló una fracción de elementos pesados en el interior cercana al 45 %, resultado que es
inaccesible mediante fotometría convencional (Wilkinson et al., 2024). Al mismo tiempo,
en la población de sub-Neptunos, el análisis bayesiano resulta indispensable para resolver
la ambigüedad entre escenarios de “mundos oceánicos” y “planetas rocosos” con envolturas
de H/He, utilizando la restricción del peso molecular medio como discriminante crítico
(Barkaoui et al., 2025).
Por otra parte, la sensibilidad del JWST ha evidenciado que las simplificaciones
heredadas de la instrumentación previa introducen sesgos inaceptables en la interpretación
física. Las recuperaciones atmosféricas confirman que la asunción de perfiles de presión-
temperatura (p − T ) isotérmicos induce errores sistemáticos en las abundancias químicas, lo
que obliga a adoptar parametrizaciones flexibles para evitar el sobreajuste en espectros de
35
Chara Ccallo doi: 10.69976/aspast.v2n2.2
alta relación señal-ruido (Schleich et al., 2024). Esta necesidad de complejidad se prolonga
a la geometría y la química; en planetas ultra calientes, los modelos unidimensionales (1D)
ignoran la heterogeneidad térmica día-noche, sesgando así las temperaturas recuperadas.
Esto ha impulsado la implementación de códigos 2D como TauREx 2D (Zingales et al., 2022).
Asimismo, la incorporación de química de desequilibrio ha demostrado alterar drásticamente
las estimaciones de metalicidad y ratios C/O respecto al equilibrio termoquímico, que es un
requisito crítico para evitar inferencias erróneas sobre la historia de formación planetaria
derivadas de procesos fotoquímicos (Bardet et al., 2025).
En el ámbito astrobiológico, el análisis bayesiano se establece como el filtro estadístico
primario para evaluar la detectabilidad de biomarcadores, aunque los resultados requieren
una interpretación conservadora. Las simulaciones para sistemas como TRAPPIST-1e
señalan que la detección de especies como el ozono (O3) presenta una dificultad extrema,
requiriendo tiempos de integración prolongados, aunque combinaciones agnósticas de N2O
y O3 ofrecen perspectivas estadísticas más favorables (Lin et al., 2021). Pese a estas
limitaciones, el JWST mantiene la capacidad de diferenciar entre escenarios de “Tierra
prebiótica” y “Tierra moderna” mediante la cuantificación precisa de CH4 y CO2 (Lin et
al., 2021). Adicionalmente, la técnica ha validado su utilidad para refutar clasificaciones
tempranas; en TOI-270 d, la inferencia bayesiana reveló una química compleja rica en azufre
(CS2, SO2), desafiando su categorización como “mundo hiceánico” habitable (Felix et al.,
2025), al mismo tiempo que confirma la viabilidad de detectar hidrocarburos prebióticos
bajo las configuraciones instrumentales adecuadas (Gasman et al., 2022).
Sin embargo, la aplicación de la estadística bayesiana conlleva sus desafíos metodoló-
gicos. La evidencia de detección (Factor de Bayes) muestra sensibilidad ante decisiones
de procesamiento de datos, como el agrupamiento espectral (binning), que puede inducir
falsos positivos en la identificación molecular, sugiriendo la preferencia por análisis a
resolución nativa (Felix et al., 2025). Del igual manera, la selección de modelos basados
puramente en criterios estadísticos no garantiza una corrección física adecuada por defecto.
En atmósferas como la de WASP-39b, ciertos modelos de nubes pueden ser favorecidos
numéricamente pero a la vez introducir opacidades continuas no reales que enmascaran las
señales de especies como H2O y SO2 (Lueber et al., 2024). En conclusión, la operación del
JWST ha transformado la caracterización exoplanetaria, por ejemplo desde una búsqueda
de especies aisladas a una ciencia de física atmosférica detallada, donde la robustez esta-
dística constituye el soporte fundamental para diferenciar estados evolutivos y contextos
geoquímicos globales.
36
alta relación señal-ruido (Schleich et al., 2024). Esta necesidad de complejidad se prolonga
a la geometría y la química; en planetas ultra calientes, los modelos unidimensionales (1D)
ignoran la heterogeneidad térmica día-noche, sesgando así las temperaturas recuperadas.
Esto ha impulsado la implementación de códigos 2D como TauREx 2D (Zingales et al., 2022).
Asimismo, la incorporación de química de desequilibrio ha demostrado alterar drásticamente
las estimaciones de metalicidad y ratios C/O respecto al equilibrio termoquímico, que es un
requisito crítico para evitar inferencias erróneas sobre la historia de formación planetaria
derivadas de procesos fotoquímicos (Bardet et al., 2025).
En el ámbito astrobiológico, el análisis bayesiano se establece como el filtro estadístico
primario para evaluar la detectabilidad de biomarcadores, aunque los resultados requieren
una interpretación conservadora. Las simulaciones para sistemas como TRAPPIST-1e
señalan que la detección de especies como el ozono (O3) presenta una dificultad extrema,
requiriendo tiempos de integración prolongados, aunque combinaciones agnósticas de N2O
y O3 ofrecen perspectivas estadísticas más favorables (Lin et al., 2021). Pese a estas
limitaciones, el JWST mantiene la capacidad de diferenciar entre escenarios de “Tierra
prebiótica” y “Tierra moderna” mediante la cuantificación precisa de CH4 y CO2 (Lin et
al., 2021). Adicionalmente, la técnica ha validado su utilidad para refutar clasificaciones
tempranas; en TOI-270 d, la inferencia bayesiana reveló una química compleja rica en azufre
(CS2, SO2), desafiando su categorización como “mundo hiceánico” habitable (Felix et al.,
2025), al mismo tiempo que confirma la viabilidad de detectar hidrocarburos prebióticos
bajo las configuraciones instrumentales adecuadas (Gasman et al., 2022).
Sin embargo, la aplicación de la estadística bayesiana conlleva sus desafíos metodoló-
gicos. La evidencia de detección (Factor de Bayes) muestra sensibilidad ante decisiones
de procesamiento de datos, como el agrupamiento espectral (binning), que puede inducir
falsos positivos en la identificación molecular, sugiriendo la preferencia por análisis a
resolución nativa (Felix et al., 2025). Del igual manera, la selección de modelos basados
puramente en criterios estadísticos no garantiza una corrección física adecuada por defecto.
En atmósferas como la de WASP-39b, ciertos modelos de nubes pueden ser favorecidos
numéricamente pero a la vez introducir opacidades continuas no reales que enmascaran las
señales de especies como H2O y SO2 (Lueber et al., 2024). En conclusión, la operación del
JWST ha transformado la caracterización exoplanetaria, por ejemplo desde una búsqueda
de especies aisladas a una ciencia de física atmosférica detallada, donde la robustez esta-
dística constituye el soporte fundamental para diferenciar estados evolutivos y contextos
geoquímicos globales.
36
Chara Ccallo doi: 10.69976/aspast.v2n2.2
A. Resumen de datos
Tabla 3
Información principal sobre los datos bibliométricos
Parámetro Valor
Período temporal 2016 : 2025
Fuentes (Revistas, Libros, etc.) 15
Documentos 103
Tasa de crecimiento anual % 35.11
Edad promedio de documentos 2.03
Citas promedio por documento 20.04
Citas promedio por año por documento 6.108
Referencias 1
Tabla 4
Tipos de documentos y contenidos
Descripción Cantidad
Tipos de Documentos
Artículo 99
Ponencia de conferencia 2
Revisión 2
Contenidos de Documentos
Keywords Plus (ID) 458
Palabras clave del autor (DE) 152
Tabla 5
Autores y colaboración
Parámetro Valor
Autores 1087
Apariciones de autores 1463
Autores de documentos de un solo autor 1
Documentos de un solo autor 1
Documentos por autor 0.0948
Co-autores por documento 14.2
Colaboraciones internacionales % 65.05
37
A. Resumen de datos
Tabla 3
Información principal sobre los datos bibliométricos
Parámetro Valor
Período temporal 2016 : 2025
Fuentes (Revistas, Libros, etc.) 15
Documentos 103
Tasa de crecimiento anual % 35.11
Edad promedio de documentos 2.03
Citas promedio por documento 20.04
Citas promedio por año por documento 6.108
Referencias 1
Tabla 4
Tipos de documentos y contenidos
Descripción Cantidad
Tipos de Documentos
Artículo 99
Ponencia de conferencia 2
Revisión 2
Contenidos de Documentos
Keywords Plus (ID) 458
Palabras clave del autor (DE) 152
Tabla 5
Autores y colaboración
Parámetro Valor
Autores 1087
Apariciones de autores 1463
Autores de documentos de un solo autor 1
Documentos de un solo autor 1
Documentos por autor 0.0948
Co-autores por documento 14.2
Colaboraciones internacionales % 65.05
37
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Tabla 6
Fuentes más relevantes
Fuente Artículos
ASTRONOMY AND ASTROPHYSICS 35
ASTROPHYSICAL JOURNAL 21
MONTHLY NOTICES OF THE ROYAL 17
ASTRONOMICAL SOCIETY
ASTROPHYSICAL JOURNAL LETTERS 9
ASTRONOMICAL JOURNAL 8
ASTROPHYSICAL JOURNAL SUP- 2
PLEMENT SERIES
PROCEEDINGS OF SPIE - THE IN- 2
TERNATIONAL SOCIETY FOR OPTI-
CAL ENGINEERING
UNIVERSE 2
ENTROPY 1
JOURNAL OF COSMOLOGY AND 1
ASTROPARTICLE PHYSICS
Referencias
A sub-neptune and a non-transiting neptune-mass companion unveiled by ESPRESSO
around the bright late-f dwarf HD 5278 (TOI-130). (2021). Astronomy and As-
trophysics, 648. https://doi.org/10.1051/0004-6361/202040034
Arenales-Lope, R., Molaverdikhani, K., Dubey, D., Ercolano, B., Grübel, F., y Rab, C.
(2025). Polycyclic aromatic hydrocarbons in exoplanet atmospheres: A detectabi-
lity study. Monthly Notices of the Royal Astronomical Society, 536, 1555–1578.
https://doi.org/10.1093/mnras/stae2619
Bachmann, N., Kreidberg, L., Mollière, P., Deming, D., y Tsai, S. M. (2025). Osiris
revisited: Confirming a solar metallicity and low c/o in HD 209458 b. Astronomy
and Astrophysics, 700. https://doi.org/10.1051/0004-6361/202555577
Bardet, D., Changeat, Q., Venot, O., y Panek, E. (2025). Re-analysis of ten hot-jupiter
atmospheres with disequilibrium chemistry retrieval. Astronomy and Astrophysics,
699. https://doi.org/10.1051/0004-6361/202453518
Barkaoui, K., Korth, J., Gaidos, E., Agol, E., Parviainen, H., Pozuelos, F. J., Palle,
E., Narita, N., Grimm, S., Brady, M., Bean, J. L., Morello, G., Rackham, B.
V., Burgasser, A. J., Grootel, V. V., Rojas-Ayala, B., Seifahrt, A., Marfil, E.,
Passegger, V. M., . . . Zúñiga-Fernández, S. (2025). TOI-2015 b: A sub-neptune in
strong gravitational interaction with an outer non-transiting planet. Astronomy and
Astrophysics, 695. https://doi.org/10.1051/0004-6361/202452916
Blecic, J., Dobbs-Dixon, I., y Greene, T. (2017). The implications of 3D thermal structure
on 1D atmospheric retrieval. The Astrophysical Journal, 848, 127.
https://doi.org/10.3847/1538-4357/aa8171
Bloot, S., Miguel, Y., Bazot, M., y Howard, S. (2023). Exoplanet interior retrievals: Core
masses and metallicities from atmospheric abundances. Monthly Notices of the Royal
Astronomical Society, 523, 6282–6292. https://doi.org/10.1093/mnras/stad1873
38
Tabla 6
Fuentes más relevantes
Fuente Artículos
ASTRONOMY AND ASTROPHYSICS 35
ASTROPHYSICAL JOURNAL 21
MONTHLY NOTICES OF THE ROYAL 17
ASTRONOMICAL SOCIETY
ASTROPHYSICAL JOURNAL LETTERS 9
ASTRONOMICAL JOURNAL 8
ASTROPHYSICAL JOURNAL SUP- 2
PLEMENT SERIES
PROCEEDINGS OF SPIE - THE IN- 2
TERNATIONAL SOCIETY FOR OPTI-
CAL ENGINEERING
UNIVERSE 2
ENTROPY 1
JOURNAL OF COSMOLOGY AND 1
ASTROPARTICLE PHYSICS
Referencias
A sub-neptune and a non-transiting neptune-mass companion unveiled by ESPRESSO
around the bright late-f dwarf HD 5278 (TOI-130). (2021). Astronomy and As-
trophysics, 648. https://doi.org/10.1051/0004-6361/202040034
Arenales-Lope, R., Molaverdikhani, K., Dubey, D., Ercolano, B., Grübel, F., y Rab, C.
(2025). Polycyclic aromatic hydrocarbons in exoplanet atmospheres: A detectabi-
lity study. Monthly Notices of the Royal Astronomical Society, 536, 1555–1578.
https://doi.org/10.1093/mnras/stae2619
Bachmann, N., Kreidberg, L., Mollière, P., Deming, D., y Tsai, S. M. (2025). Osiris
revisited: Confirming a solar metallicity and low c/o in HD 209458 b. Astronomy
and Astrophysics, 700. https://doi.org/10.1051/0004-6361/202555577
Bardet, D., Changeat, Q., Venot, O., y Panek, E. (2025). Re-analysis of ten hot-jupiter
atmospheres with disequilibrium chemistry retrieval. Astronomy and Astrophysics,
699. https://doi.org/10.1051/0004-6361/202453518
Barkaoui, K., Korth, J., Gaidos, E., Agol, E., Parviainen, H., Pozuelos, F. J., Palle,
E., Narita, N., Grimm, S., Brady, M., Bean, J. L., Morello, G., Rackham, B.
V., Burgasser, A. J., Grootel, V. V., Rojas-Ayala, B., Seifahrt, A., Marfil, E.,
Passegger, V. M., . . . Zúñiga-Fernández, S. (2025). TOI-2015 b: A sub-neptune in
strong gravitational interaction with an outer non-transiting planet. Astronomy and
Astrophysics, 695. https://doi.org/10.1051/0004-6361/202452916
Blecic, J., Dobbs-Dixon, I., y Greene, T. (2017). The implications of 3D thermal structure
on 1D atmospheric retrieval. The Astrophysical Journal, 848, 127.
https://doi.org/10.3847/1538-4357/aa8171
Bloot, S., Miguel, Y., Bazot, M., y Howard, S. (2023). Exoplanet interior retrievals: Core
masses and metallicities from atmospheric abundances. Monthly Notices of the Royal
Astronomical Society, 523, 6282–6292. https://doi.org/10.1093/mnras/stad1873
38
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Chevallard, J., Curtis-Lake, E., Charlot, S., Ferruit, P., Giardino, G., Franx, M., Maseda,
M. V., Amorin, R., Arribas, S., Bunker, A., Carniani, S., Husemann, B., Jakobsen,
P., Maiolino, R., Pforr, J., Rawle, T. D., Rix, H. W., Smit, R., y Willott, C. J.
(2019). Simulating and interpreting deep observations in the hubble ultra deep field
with the JWST/NIRSpec low-resolution ’prism’. Monthly Notices of the Royal
Astronomical Society, 483, 2621–2640. https://doi.org/10.1093/mnras/sty2426
Dorn, C., Noack, L., y Rozel, A. B. (2018). Outgassing on stagnant-lid super-earths.
Astronomy and Astrophysics, 614. https://doi.org/10.1051/0004-6361/201731513
Duan, Q., Conselice, C. J., Li, Q., Harvey, T., Austin, D., Ormerod, K., Trussler, J., y
Adams, N. (2024). Adding value to JWST spectra and photometry: Stellar population
and star formation properties of spectroscopically confirmed JADES and CEERS
galaxies at z >7. Monthly Notices of the Royal Astronomical Society, 529, 4728–4744.
https://doi.org/10.1093/mnras/stae872
Felix, L., Kitzmann, D., Demory, B. O., y Mordasini, C. (2025). Competing chemical
signatures in the atmosphere of TOI-270 d: Inference of sulfur and carbon chemistry.
Astronomy and Astrophysics, 701. https://doi.org/10.1051/0004-6361/202555194
Feng, Y. K., Line, M. R., Fortney, J. J., Stevenson, K. B., Bean, J., Kreidberg, L.,
y Parmentier, V. (2016). The impact of non-uniform thermal structure on the
interpretation of exoplanet emmission spectra. The Astrophysical Journal, 829, 52.
https://doi.org/10.3847/0004-637x/829/1/52
Galan, A., Caminha, G. B., Knollmüller, J., Roth, J., y Suyu, S. H. (2024). El gordo needs
el anzuelo: Probing the structure of cluster members with multi-band extended arcs
in JWST data. Astronomy and Astrophysics, 689. https://doi.org/10.1051/0004-
6361/202449876
Gardner, J. P., Mather, J. C., Clampin, M., Doyon, R., Greenhouse, M. A., Hammel, H. B.,
Hutchings, J. B., Jakobsen, P., Lilly, S. J., Long, K. S., Lunine, J. I., Mccaughrean,
M. J., Mountain, M., Nella, J., Rieke, G. H., Rieke, M. J., Rix, H.-W., Smith, E.
P., Sonneborn, G., . . . Wright, G. S. (2006). The james webb space telescope. Space
Science Reviews, 123(4), 485–606. https://doi.org/10.1007/s11214-006-8315-7
Gasman, D., Min, M., y Chubb, K. L. (2022). Investigating the detectability of hydro-
carbons in exoplanet atmospheres with JWST. Astronomy and Astrophysics, 659.
https://doi.org/10.1051/0004-6361/202141468
Kaeufer, T., Woitke, P., Kamp, I., Kanwar, J., y Min, M. (2024). Disentangling the
dust and gas contributions of the JWST/MIRI spectrum of sz 28. Astronomy and
Astrophysics, 690. https://doi.org/10.1051/0004-6361/202450891
Kempton, E. M.-R., Bean, J. L., Louie, D. R., et al. (2018). A Framework for Prioritizing the
TESS Planetary Candidates for Atmospheric Characterization. Publications of the
Astronomical Society of the Pacific, 130(993), 114401. https://doi.org/10.1088/1538-
3873/aadced
Kempton, E. M.-R., y Knutson, H. A. (2024). Transiting exoplanet atmospheres in
the era of JWST. Reviews in Mineralogy and Geochemistry, 90(1), 411–464.
https://doi.org/10.2138/rmg.2024.90.12
Lin, Z., Macdonald, R. J., Kaltenegger, L., y Wilson, D. J. (2021). Differentiating modern
and prebiotic earth scenarios for TRAPPIST-1e: High-resolution transmission
spectra and predictions for JWST. Monthly Notices of the Royal Astronomical
Society, 505, 3562–3578. https://doi.org/10.1093/mnras/stab1486
Lueber, A., Novais, A., Fisher, C., y Heng, K. (2024). Information content of JWST spectra
of WASP-39b. Astronomy and Astrophysics, 687. https://doi.org/10.1051/0004-
39
Chevallard, J., Curtis-Lake, E., Charlot, S., Ferruit, P., Giardino, G., Franx, M., Maseda,
M. V., Amorin, R., Arribas, S., Bunker, A., Carniani, S., Husemann, B., Jakobsen,
P., Maiolino, R., Pforr, J., Rawle, T. D., Rix, H. W., Smit, R., y Willott, C. J.
(2019). Simulating and interpreting deep observations in the hubble ultra deep field
with the JWST/NIRSpec low-resolution ’prism’. Monthly Notices of the Royal
Astronomical Society, 483, 2621–2640. https://doi.org/10.1093/mnras/sty2426
Dorn, C., Noack, L., y Rozel, A. B. (2018). Outgassing on stagnant-lid super-earths.
Astronomy and Astrophysics, 614. https://doi.org/10.1051/0004-6361/201731513
Duan, Q., Conselice, C. J., Li, Q., Harvey, T., Austin, D., Ormerod, K., Trussler, J., y
Adams, N. (2024). Adding value to JWST spectra and photometry: Stellar population
and star formation properties of spectroscopically confirmed JADES and CEERS
galaxies at z >7. Monthly Notices of the Royal Astronomical Society, 529, 4728–4744.
https://doi.org/10.1093/mnras/stae872
Felix, L., Kitzmann, D., Demory, B. O., y Mordasini, C. (2025). Competing chemical
signatures in the atmosphere of TOI-270 d: Inference of sulfur and carbon chemistry.
Astronomy and Astrophysics, 701. https://doi.org/10.1051/0004-6361/202555194
Feng, Y. K., Line, M. R., Fortney, J. J., Stevenson, K. B., Bean, J., Kreidberg, L.,
y Parmentier, V. (2016). The impact of non-uniform thermal structure on the
interpretation of exoplanet emmission spectra. The Astrophysical Journal, 829, 52.
https://doi.org/10.3847/0004-637x/829/1/52
Galan, A., Caminha, G. B., Knollmüller, J., Roth, J., y Suyu, S. H. (2024). El gordo needs
el anzuelo: Probing the structure of cluster members with multi-band extended arcs
in JWST data. Astronomy and Astrophysics, 689. https://doi.org/10.1051/0004-
6361/202449876
Gardner, J. P., Mather, J. C., Clampin, M., Doyon, R., Greenhouse, M. A., Hammel, H. B.,
Hutchings, J. B., Jakobsen, P., Lilly, S. J., Long, K. S., Lunine, J. I., Mccaughrean,
M. J., Mountain, M., Nella, J., Rieke, G. H., Rieke, M. J., Rix, H.-W., Smith, E.
P., Sonneborn, G., . . . Wright, G. S. (2006). The james webb space telescope. Space
Science Reviews, 123(4), 485–606. https://doi.org/10.1007/s11214-006-8315-7
Gasman, D., Min, M., y Chubb, K. L. (2022). Investigating the detectability of hydro-
carbons in exoplanet atmospheres with JWST. Astronomy and Astrophysics, 659.
https://doi.org/10.1051/0004-6361/202141468
Kaeufer, T., Woitke, P., Kamp, I., Kanwar, J., y Min, M. (2024). Disentangling the
dust and gas contributions of the JWST/MIRI spectrum of sz 28. Astronomy and
Astrophysics, 690. https://doi.org/10.1051/0004-6361/202450891
Kempton, E. M.-R., Bean, J. L., Louie, D. R., et al. (2018). A Framework for Prioritizing the
TESS Planetary Candidates for Atmospheric Characterization. Publications of the
Astronomical Society of the Pacific, 130(993), 114401. https://doi.org/10.1088/1538-
3873/aadced
Kempton, E. M.-R., y Knutson, H. A. (2024). Transiting exoplanet atmospheres in
the era of JWST. Reviews in Mineralogy and Geochemistry, 90(1), 411–464.
https://doi.org/10.2138/rmg.2024.90.12
Lin, Z., Macdonald, R. J., Kaltenegger, L., y Wilson, D. J. (2021). Differentiating modern
and prebiotic earth scenarios for TRAPPIST-1e: High-resolution transmission
spectra and predictions for JWST. Monthly Notices of the Royal Astronomical
Society, 505, 3562–3578. https://doi.org/10.1093/mnras/stab1486
Lueber, A., Novais, A., Fisher, C., y Heng, K. (2024). Information content of JWST spectra
of WASP-39b. Astronomy and Astrophysics, 687. https://doi.org/10.1051/0004-
39
Chara Ccallo doi: 10.69976/aspast.v2n2.2
6361/202348802
McElwain, M. W., Feinberg, L. D., Perrin, M. D., Clampin, M., Mountain, C. M., Lallo,
M. D., Lajoie, C.-P., Kimble, R. A., Bowers, C. W., Stark, C. C., Acton, D. S.,
Atkinson, C., Barinek, B., Barto, A., Basinger, S., Beck, T., Bergkoetter, M. D.,
Bluth, M., Boucarut, R. A., . . . Zielinski, T. P. (2023). The james webb space
telescope mission: Optical telescope element design, development, and performan-
ce. Publications of the Astronomical Society of the Pacific, 135(1047), 058001.
https://doi.org/10.1088/1538-3873/acada0
Menzel, M., Davis, M., Parrish, K., Lawrence, J., Stewart, A., Cooper, J., Irish, S., Mosier,
G., Levine, M., Pitman, J., Walsh, G., Maghami, P., Thomson, S., Wooldridge, E.,
Boucarut, R., Feinberg, L., Turner, G., Kalia, P., y Bowers, C. (2023). The design, ve-
rification, and performance of the james webb space telescope. Publications of the As-
tronomical Society of the Pacific, 135(1047), 058002. https://doi.org/10.1088/1538-
3873/acbb9f
Min, M., Ormel, C. W., Chubb, K., Helling, C., y Kawashima, Y. (2020). The ARCiS fra-
mework for exoplanet atmospheres: Modelling philosophy and retrieval. Astronomy
and Astrophysics, 642. https://doi.org/10.1051/0004-6361/201937377
NASA Exoplanet Archive. (2025). Transiting planets table (Versions Version: 2025-12-01
10:15). NExScI-Caltech/IPAC. https://doi.org/10.26133/NEA37
Oberg, K. I., Murray-Clay, R., y Bergin, E. A. (2011). The effects of snowlines on c/o in
planetary atmospheres. Astrophysical Journal Letters, 743(1), L16.
https://doi.org/10.1088/2041-8205/743/1/L16
Rigby, J., Perrin, M., McElwain, M., Kimble, R., Friedman, S., Lallo, M., Doyon, R., Fein-
berg, L., Ferruit, P., Glasse, A., Rieke, M., Rieke, G., Wright, G., Willott, C., Colon,
K., Milam, S., Neff, S., Stark, C., Valenti, J., . . . Zonak, S. (2023). The science
performance of JWST as characterized in commissioning. Publications of the As-
tronomical Society of the Pacific, 135(1046), 048001. https://doi.org/10.1088/1538-
3873/acb293
Rocchetto, M., Waldmann, I. P., Venot, O., Lagage, P.-O., y Tinetti, G. (2016). Explo-
ring biases of atmospheric retrievals in simulated JWST transmission spectra of
hot jupiters. The Astrophysical Journal, 833, 120. https://doi.org/10.3847/1538-
4357/833/1/120
Roy-Perez, J., Pérez-Hoyos, S., Barrado-Izagirre, N., y Chen-Chen, H. (2025). The role
of cloud particle properties in the WASP-39b transmission spectrum based on
JWST/NIRSpec observations. Astronomy and Astrophysics, 694.
https://doi.org/10.1051/0004-6361/202450142
Sandles, L., Curtis-Lake, E., Charlot, S., Chevallard, J., y Maiolino, R. (2022). Baye-
sian hierarchical modelling of the m*–SFR relation from 1 <z <6 in ASTRO-
DEEP. Monthly Notices of the Royal Astronomical Society, 515(2), 2951–2969.
https://doi.org/10.1093/mnras/stac1999
Schleich, S., Saikia, S. B., Changeat, Q., Güdel, M., Voigt, A., y Waldmann, I. (2024).
Knobs and dials of retrieving JWST transmission spectra i. The importance of p–t
profile complexity. Astronomy and Astrophysics, 690. https://doi.org/10.1051/0004-
6361/202451845
Vasist, M., Mollière, P., Kühnle, H., Patapis, P., Absil, O., Louppe, G., Lagage, P.-O.,
Waters, L. B. F. M., Güdel, M., Henning, Th., Vandenbussche, B., Barrado, D.,
Decin, L., Pye, J. P., Tremblin, P., y Whiteford, N. (2025). Panchromatic characte-
rization of the Y0 brown dwarf WISEP J173835.52+273258.9 using JWST/MIRI.
40
6361/202348802
McElwain, M. W., Feinberg, L. D., Perrin, M. D., Clampin, M., Mountain, C. M., Lallo,
M. D., Lajoie, C.-P., Kimble, R. A., Bowers, C. W., Stark, C. C., Acton, D. S.,
Atkinson, C., Barinek, B., Barto, A., Basinger, S., Beck, T., Bergkoetter, M. D.,
Bluth, M., Boucarut, R. A., . . . Zielinski, T. P. (2023). The james webb space
telescope mission: Optical telescope element design, development, and performan-
ce. Publications of the Astronomical Society of the Pacific, 135(1047), 058001.
https://doi.org/10.1088/1538-3873/acada0
Menzel, M., Davis, M., Parrish, K., Lawrence, J., Stewart, A., Cooper, J., Irish, S., Mosier,
G., Levine, M., Pitman, J., Walsh, G., Maghami, P., Thomson, S., Wooldridge, E.,
Boucarut, R., Feinberg, L., Turner, G., Kalia, P., y Bowers, C. (2023). The design, ve-
rification, and performance of the james webb space telescope. Publications of the As-
tronomical Society of the Pacific, 135(1047), 058002. https://doi.org/10.1088/1538-
3873/acbb9f
Min, M., Ormel, C. W., Chubb, K., Helling, C., y Kawashima, Y. (2020). The ARCiS fra-
mework for exoplanet atmospheres: Modelling philosophy and retrieval. Astronomy
and Astrophysics, 642. https://doi.org/10.1051/0004-6361/201937377
NASA Exoplanet Archive. (2025). Transiting planets table (Versions Version: 2025-12-01
10:15). NExScI-Caltech/IPAC. https://doi.org/10.26133/NEA37
Oberg, K. I., Murray-Clay, R., y Bergin, E. A. (2011). The effects of snowlines on c/o in
planetary atmospheres. Astrophysical Journal Letters, 743(1), L16.
https://doi.org/10.1088/2041-8205/743/1/L16
Rigby, J., Perrin, M., McElwain, M., Kimble, R., Friedman, S., Lallo, M., Doyon, R., Fein-
berg, L., Ferruit, P., Glasse, A., Rieke, M., Rieke, G., Wright, G., Willott, C., Colon,
K., Milam, S., Neff, S., Stark, C., Valenti, J., . . . Zonak, S. (2023). The science
performance of JWST as characterized in commissioning. Publications of the As-
tronomical Society of the Pacific, 135(1046), 048001. https://doi.org/10.1088/1538-
3873/acb293
Rocchetto, M., Waldmann, I. P., Venot, O., Lagage, P.-O., y Tinetti, G. (2016). Explo-
ring biases of atmospheric retrievals in simulated JWST transmission spectra of
hot jupiters. The Astrophysical Journal, 833, 120. https://doi.org/10.3847/1538-
4357/833/1/120
Roy-Perez, J., Pérez-Hoyos, S., Barrado-Izagirre, N., y Chen-Chen, H. (2025). The role
of cloud particle properties in the WASP-39b transmission spectrum based on
JWST/NIRSpec observations. Astronomy and Astrophysics, 694.
https://doi.org/10.1051/0004-6361/202450142
Sandles, L., Curtis-Lake, E., Charlot, S., Chevallard, J., y Maiolino, R. (2022). Baye-
sian hierarchical modelling of the m*–SFR relation from 1 <z <6 in ASTRO-
DEEP. Monthly Notices of the Royal Astronomical Society, 515(2), 2951–2969.
https://doi.org/10.1093/mnras/stac1999
Schleich, S., Saikia, S. B., Changeat, Q., Güdel, M., Voigt, A., y Waldmann, I. (2024).
Knobs and dials of retrieving JWST transmission spectra i. The importance of p–t
profile complexity. Astronomy and Astrophysics, 690. https://doi.org/10.1051/0004-
6361/202451845
Vasist, M., Mollière, P., Kühnle, H., Patapis, P., Absil, O., Louppe, G., Lagage, P.-O.,
Waters, L. B. F. M., Güdel, M., Henning, Th., Vandenbussche, B., Barrado, D.,
Decin, L., Pye, J. P., Tremblin, P., y Whiteford, N. (2025). Panchromatic characte-
rization of the Y0 brown dwarf WISEP J173835.52+273258.9 using JWST/MIRI.
40
Chara Ccallo doi: 10.69976/aspast.v2n2.2
Astronomy & Astrophysics. https://doi.org/10.1051/0004-6361/202554282
Wakeford, H. R., Sing, D. K., Kataria, T., Deming, D., Nikolov, N., Lopez, E. D., Tremblin,
P., Amundsen, D. S., Lewis, N. K., Mandell, A. M., Fortney, J. J., Knutson,
H., Benneke, B., y Evans, T. M. (2017). HAT-p-26b: A neptune-mass exoplanet
with a well-constrained heavy element abundance. Science, 356(6338), 628–631.
https://doi.org/10.1126/science.aah4668
Wilkinson, C., Charnay, B., Mazevet, S., Lagrange, A. M., Chomez, A., Squicciarini, V.,
Panek, E., y Mazoyer, J. (2024). Breaking degeneracies in exoplanetary parameters
through self-consistent atmosphere-interior modelling. Astronomy and Astrophysics,
692. https://doi.org/10.1051/0004-6361/202348945
Zingales, T., Falco, A., Pluriel, W., y Leconte, J. (2022). Toward a multidimensional analysis
of transmission spectroscopy: III. Modeling 2D effects in retrievals with TauREx.
Astronomy and Astrophysics, 667. https://doi.org/10.1051/0004-6361/202243492
41
Astronomy & Astrophysics. https://doi.org/10.1051/0004-6361/202554282
Wakeford, H. R., Sing, D. K., Kataria, T., Deming, D., Nikolov, N., Lopez, E. D., Tremblin,
P., Amundsen, D. S., Lewis, N. K., Mandell, A. M., Fortney, J. J., Knutson,
H., Benneke, B., y Evans, T. M. (2017). HAT-p-26b: A neptune-mass exoplanet
with a well-constrained heavy element abundance. Science, 356(6338), 628–631.
https://doi.org/10.1126/science.aah4668
Wilkinson, C., Charnay, B., Mazevet, S., Lagrange, A. M., Chomez, A., Squicciarini, V.,
Panek, E., y Mazoyer, J. (2024). Breaking degeneracies in exoplanetary parameters
through self-consistent atmosphere-interior modelling. Astronomy and Astrophysics,
692. https://doi.org/10.1051/0004-6361/202348945
Zingales, T., Falco, A., Pluriel, W., y Leconte, J. (2022). Toward a multidimensional analysis
of transmission spectroscopy: III. Modeling 2D effects in retrievals with TauREx.
Astronomy and Astrophysics, 667. https://doi.org/10.1051/0004-6361/202243492
41