Generation of Correlated Time Series for X-ray Astronomy Applications

Resumen Técnico: Generación de Series Temporales Correlacionadas para Aplicaciones en Astronomía de Rayos X

Planteamiento del Problema
Las técnicas en el dominio de Fourier, incluyendo las densidades espectrales de potencia (PSD), las densidades espectrales cruzadas (CSD), la coherencia ($\gamma^2$) y los desfases ($\phi$), son fundamentales para estudiar la física de la acreción en binarias de rayos X (XRB) y núcleos galácticos activos (AGN). Avances recientes, como el ajuste de múltiples Lorentziantes a espectros de potencia y cruzados conjuntos, han revelado componentes de variabilidad "ocultos" (por ejemplo, oscilaciones cuasi-periódicas) que son invisibles únicamente en los espectros de potencia. Sin embargo, validar estas complejas técnicas de análisis y comprender el comportamiento estadístico de los estimadores en el dominio de Fourier requiere series temporales sintéticas con propiedades cruzadas realistas y prescritas.

Los métodos existentes, como el algoritmo de Timmer & König (1995), pueden generar series temporales con un espectro de potencia específico pero producen realizaciones estadísticamente independientes. Al promediarse, estas series independientes exhiben una coherencia cero y un desfase neto de cero, lo que las hace inadecuadas para probar métodos que dependen de curvas de luz correlacionadas con relaciones de fase no triviales. Aunque existen extensiones para estadísticas no gaussianas, faltaba un método general para generar pares de series temporales con perfiles de coherencia y desfase arbitrarios y dependientes de la frecuencia.

Metodología
Los autores presentan un algoritmo que generaliza el enfoque de Timmer & König (1995) para generar pares de series temporales ($x$ e $y$) con espectros de potencia ($P_X, P_Y$), funciones de coherencia ($\gamma^2$) y perfiles de desfase ($\phi$) arbitrarios.

El núcleo del método consiste en descomponer la serie temporal "dependiente" ($y$) en dos componentes:

1. Un componente incoherente ($y_u$): No correlacionado con la serie de referencia.
2. Un componente coherente ($y_c$): Linealmente correlacionado con la serie de referencia "$x$".

En el dominio de Fourier, la serie dependiente $Y$ se construye como:
$$Y = Y_u + R(\nu)X$$
donde $X$ es la transformada de Fourier de la serie de referencia, y $R(\nu)$ es una función de transferencia lineal compleja.

Los autores derivan las formas específicas para la constante de normalización y la función de transferencia necesarias para coincidir con las formas espectrales objetivo:

• Función de Transferencia ($R$): Derivada para satisfacer la coherencia y el desfase objetivo:
  $$R(\nu) = \sqrt{\frac{P_Y(\nu)\gamma^2(\nu)}{P_X(\nu)}} e^{i\phi(\nu)}$$
• Constante de Normalización ($K$): Derivada para asegurar que la serie dependiente preserve su espectro de potencia objetivo $P_Y$ a pesar de la adición del término coherente:
  $$K = \sqrt{\frac{P_Y - P_X|R|^2}{2}}$$
  Aquí, la parte incoherente $Y_u$ se genera como $K(H_r + iJ_r)$, donde $H_r$ y $J_r$ son variables aleatorias gaussianas independientes.

El algoritmo procede extrayendo vectores aleatorios gaussianos para la serie de referencia y el componente incoherente, aplicando la función de transferencia y la normalización derivadas, y realizando una transformada inversa de Fourier para obtener las realizaciones en el dominio del tiempo.

Contribuciones Clave

1. Generación de Datos Sintéticos: El artículo proporciona un algoritmo completo para generar pares de series temporales con espectros de potencia, coherencia y desfases de fase especificados de forma independiente. Esto permite la creación de conjuntos de datos de "verdad fundamental" (ground truth) para probar procesos de análisis espectral cruzado.
2. Derivaciones Analíticas de Varianza y Covarianza: Utilizando el método delta, los autores derivan expresiones analíticas aproximadas para la varianza de los estimadores de coherencia y desfase en función del número de segmentos promediados ($n$):
   • $\text{Var}(\hat{\gamma}^2) \approx \frac{2\gamma^2(1-\gamma^2)^2}{n}$
   • $\text{Var}(\hat{\phi}) \approx \frac{1-\gamma^2}{2n\gamma^2}$
     Además, construyen la matriz de covarianza completa de $6 \times 6$ que relaciona las cantidades base (espectro cruzado real/imaginario, espectros de potencia) con las cantidades derivadas (coherencia, desfase).
3. Caracterización del Sesgo: El trabajo aborda explícitamente el sesgo conocido en los estimadores de coherencia (Nuttall & Carter 1976), confirmando que el estimador sobreestima sistemáticamente la coherencia, particularmente en valores de baja coherencia y con pocos conteos de segmentos.

Resultados
Los autores validan el método a través de dos pruebas principales:

• Validación de Conjunto (Ensemble Validation): Aplicando el algoritmo a un modelo de dos Lorentzians con desfases distintos ($\phi_0 = 0.15$ rad, $\phi_1 = -0.8$ rad). Los espectros de potencia, la coherencia y los perfiles de desfase de fase promediados del conjunto de los datos generados coincidieron estrechamente con los modelos de entrada en cuatro décadas de frecuencia. El perfil de coherencia mostró correctamente caídas en las frecuencias donde múltiples componentes contribuían con una potencia comparable, imitando el comportamiento observado en fuentes como Cyg X-1.
• Simulaciones de Monte Carlo: Utilizando 50,000 realizaciones, los autores verificaron que la dispersión observada en las estimaciones de coherencia y desfase coincidía con las fórmulas de varianza analíticas derivadas. Las simulaciones también confirmaron el sesgo teórico en el estimador de coherencia y demostraron que el estimador de desfase no está correlacionado con los espectros de potencia, mientras que el estimador de coherencia exhibe correlaciones débiles con las cantidades espectrales base.

Significancia y Limitaciones
El artículo posiciona este método como una herramienta fundamental para la prueba rigurosa de los marcos de análisis espectral cruzado, particularmente aquellos que involucran el ajuste de múltiples Lorentzians y el mapeo de reverberación. Al proporcionar propiedades estadísticas bien caracterizadas y expresiones analíticas para la varianza del estimador, el método ayuda en el diseño experimental (por ejemplo, determinando el número de segmentos de datos requeridos para una precisión objetivo).

Los autores señalan explícicamente varias limitaciones y límites de alcance:

• Ruido y Detectores: El método genera series temporales sin ruido. Las simulaciones realistas requieren la adición post-hoc de ruido de Poisson y el modelado de efectos del detector (por ejemplo, pile-up, tiempo muerto, discretización temporal), que pueden alterar la coherencia y el desfase.
• Linealidad: La construcción captura únicamente correlaciones lineales entre bandas, omitiendo términos de orden superior (por ejemplo, acoplamiento de fase no lineal).
• Estadísticas: Las series temporales generadas son gaussianas, mientras que los sistemas de acreción suelen exhibir distribuciones de flujo log-normales.
• Interpretación Física: La función de transferencia derivada $R(\nu)$ es un constructo matemático para reproducir observables, no necesariamente una función de respuesta física. En casos donde la serie dependiente adelanta a la de referencia (desfase positivo), $R$ codifica una relación que viola la causalidad; por lo tanto, no debe interpretarse como un modelo físico de la respuesta del sistema.

El trabajo concluye que las herramientas de simulación robustas con propiedades estadísticas caracterizadas son esenciales a medida que las técnicas de espectroscopía cruzada se vuelven más sofisticadas en la astronomía de rayos X.