Turning dispersion into signal: density-split analyses of pairwise velocities

Resumen Técnico: Convertir la Dispersión en Señal: Análisis de División por Densidad de Velocidades Pares

Planteamiento del Problema
Las velocidades pares de la estructura a gran escala codifican información crítica sobre el crecimiento de la estructura y la ley de la gravedad. Estas velocidades son observables indirectamente a través de las distorsiones en el espacio de velocidades (RSD) y el efecto Sunyaev–Zeldovich cinético (kSZ). Sin embargo, la distribución de velocidades pares (PVD) es típicamente amplia y no gaussiana. En los análisis convencionales, la información útil cosmológicamente se extrae principalmente de la velocidad media de flujo, mientras que la dispersión alrededor de esta media se trata como un parámetro de molestia que debe ser marginalizado. Este enfoque promedia efectivamente la señal, reduciendo el poder de restricción de las observaciones. Los autores postulan que esta dispersión no es meramente ruido, sino que contiene información estructurada que, si se comprende adecuadamente, puede convertirse en una señal.

Metodología
Los autores proponen una técnica de "división por densidad" (DS) para analizar la PVD descomponiendo la distribución global basada en el entorno de densidad local de los halos/galaxias. Utilizando las simulaciones Quijote, la metodología procede de la siguiente manera:

1. Caracterización Ambiental: El campo de halos se suaviza utilizando una función de ventana top-hat con un radio de $R_{sm} = 25 \, \text{Mpc} \, h^{-1}$. El contraste de densidad ($\delta_h$) se mide en las ubicaciones de los halos, creando una función de distribución de probabilidad (PDF) que es no gaussiana y sesgada hacia valores positivos.
2. Binning de Densidad: La muestra de halos se divide en bins de densidad distintos (que van desde regiones subdensas hasta sobredensas).
3. Medición Condicional de la PVD: La distribución de velocidades pares, $P(v_p, r | \delta_h)$, se mide para pares de halos dentro de bins de densidad específicos y a diversas escalas de separación ($r$).
4. Inclusión Cruzada entre Bins: Para asegurar la conservación de la información, el análisis incluye pares "cruzados entre bins" (pares donde los dos halos pertenecen a bins de densidad diferentes). Para $N$ bins de densidad, se incluyen todas las $N(N+1)/2$ combinaciones de pares en el vector de datos, asegurando que el conteo total de pares coincida con el método convencional de la función de correlación de dos puntos (2PCF) global.
5. Comparación Estadística: El contenido de información del método DS se compara contra el método convencional de conteo global de pares (2PCF) utilizando la estadística $\chi^2$ acumulada y diferencial, definida como $\chi^2 = \bar{v}_p C^{-1} (\bar{v}_p)^T$, donde $C$ es la matriz de covarianza derivada de 4000 realizaciones de simulación.

Resultados Clave

• Descomposición de la PVD: La PVD global se revela como un compuesto de una serie de distribuciones casi gaussianas, cada una correspondiente a un entorno de densidad específico. Mientras que la distribución global es amplia y no gaussiana, las PVD condicionales ($P(v_p | \delta_h)$) se ajustan bien mediante funciones gaussianas con medias y dispersiones distintas.
• Inversión de Signo y Cancelación: La velocidad media de flujo $\bar{v}_p(r | \delta_h)$ cambia de signo dependiendo del entorno. Es positiva (flujo saliente) en regiones subdensas ($\delta_h < 0$) y negativa (infall) en regiones sobredensas ($\delta_h > 0$). En la PVD global, estas velocidades opuestas se cancelan entre sí, resultando en una gran dispersión. El método DS evita esta cancelación aislando estos componentes.
• Amplitud y Dispersión: La amplitud de la velocidad media de flujo en regiones sobredensas es aproximadamente cuatro veces mayor que la media global (alcanzando un pico de $\sim 800 \, \text{km s}^{-1}$ en comparación con $\sim 200 \, \text{km s}^{-1}$ para los flujos salientes subdensos). Además, la dispersión de velocidades es significativamente menor en regiones de baja densidad en comparación con el promedio global.
• Mejora de la Relación Señal-Ruido: La técnica DS produce un aumento sustancial en la relación señal-ruido. En comparación con el método 2PCF global, el $\chi^2$ total aumenta en factores de 1.4, 3.1 y 3.4 al utilizar 2, 3 y 6 bins de densidad, respectivamente. En grandes escalas ($r \approx 150 \, \text{Mpc} \, h^{-1}$), la ganancia alcanza un factor de 10.
• Linealidad y Gaussianidad: Las velocidades medias de flujo locales permanecen acopladas linealmente a las funciones de correlación de dos puntos condicionales sobre un amplio rango de escalas. Cabe destacar que la mejora persiste incluso en grandes escalas donde la PVD global es casi gaussiana, lo que sugiere que el beneficio surge de evitar la cancelación de flujos opuestos y no únicamente del muestreo de PDFs de densidad no gaussianas.

Significado y Afirmaciones
El artículo afirma que el tratamiento convencional de la dispersión de velocidades como un parámetro de molestia es subóptimo. Al dividir los datos según los entornos de densidad local, los investigadores pueden "convertir la dispersión en señal". El significado principal radica en la capacidad de recuperar múltiples componentes coherentes de velocidades de flujo saliente e infall que de otro modo estarían ocultos en el promedio global.

Los autores afirman que este método ofrece un potencial sustancial para mejorar las restricciones cosmológicas derivadas de las observaciones RSD y kSZ. Específicamente:

• Para kSZ, el método permite la observación separada de señales pares con signos opuestos en regiones subdensas y sobredensas, información que se pierde en el promedio global.
• Para RSD, el método proporciona un seguimiento más explícito de la información cosmológica al aislar las velocidades medias de flujo en diferentes entornos.
• A diferencia de aplicaciones previas de división por densidad que muestrean la densidad en ubicaciones aleatorias (lo que complica la modelización debido a mapeos no triviales entre el espacio real y el espacio de velocidades), este enfoque evalúa la densidad en las ubicaciones de los trazadores. Esto asegura que la modelización de DS-RSD permanezca fundamentalmente similar a la modelización estándar de 2PCF, siendo el factor adicional principal un sesgo ambiental que es aproximadamente lineal en escalas de decenas de $\text{Mpc} \, h^{-1}$.

Los autores concluyen que, mientras que las estadísticas de dos puntos son suficientes para campos de densidad gaussianos, son insuficientes para campos de velocidad, y la técnica de división por densidad ofrece una vía para extraer significativamente más información de los datos observacionales existentes y futuros.