Resumen de Cosmology with galaxy clustering
Kai Hoffmann
Per constrènyer models cosmològics mitjançant el creixement de les fluctuacions a gran escala de la matèria és cabdal entendre com les galàxies que observem tracen el camp de densitat de tot el conjunt de matèria. La relació entre el camp de densitat de matèria i el de galàxies s'acostuma a aproximar amb una expansió de segon ordre de la funció anomenada bias. La llibertat en els paràmetres d'aquesta funció redueix la informació cosmològica que es pot extreure de les observacions. En aquesta tesi estudiem dos mètodes per determinar els paràmetres del bias independentment del creixement. L'anàlisi es basa en la distribució de matèria de la gran simulació MICE Grand Challenge. Als halos, identificats en aquesta simulació, se'ls associen galàxies. El primer mètode consisteix en mesurar directament els paràmetres del bias d'estadístiques de tercer ordre de les distribucions d'halos i de matèria. El segon en predir-los a partir de l'abundància d'halos en funció de la seva massa (concepte al qual ens referirem com a funció de massa). Les nostres estimacions del bias amb estadístiques de tercer ordre es basen en les autocorrelacions i correlacions creuades de tres punts dels camps de densitat d'halos i de matèria, en l'espai de configuració tridimensional. Usant les autocorrelacion de tres punts i un model local i quadràtic del bias trobem una sobreestimació del $\sim20\%$ en el paràmetre lineal del bias respecte a la referència provinent de correlacions de dos punts. Aquesta desviació es pot deure a ignorar contribucions no locals i d'ordre superior a la funció bias, així com sistemàtics en les mesures. L'efecte d'aquestes inexactituds en les estimacions del bias en les mesures del creixement són comparables amb els errors en les nostres mesures, procedents de la variància de la mostra i del soroll. També presentem un nou mètode per mesurar el creixement que no requereix un model per a la correlació de tres punts de la matèria fosca. Els resultats d'ambdós enfocaments estan en acord amb les prediccions. Combinant les autocorrelacions i les correlacions creuades de tres punts, per una banda podem mesurar el bias lineal sense ser afectats per termes quadràtics (locals o no locals) en les funcions del bias, i de l'altra podem aïllar aquests termes i comparar-los amb les prediccions. Les nostres mesures de bias lineal a partir d'aquestes combinacions són molt consistents amb el bias lineal de referència. La comparació de les contribucions no lineals amb les prediccions revelen una forta dependència de les mesures amb desviacions significatives de les prediccions, inclús a escales molt grans. El nostre segon enfoc per obtenir els paràmetres de bias són prediccions derivades de la funció de massa a través de l'aproximació de "peak-background !split". Trobem desviacions significatives del 5-10% entre aquestes prediccions i la referència a partir de les estadístiques de dos punts. Aquestes desviacions poden ser explicades només en part a partir dels sistemàtics que afecten les prediccions de bias, provinent del "binning" de la funció de massa d'halos, l'estimació de l'error de la funció de massa i la parametrització de la funció de massa a partir de la qual se'n deriven les prediccions de bias. Estudiant la funció de massa trobem relacions entre diferents parametritzacions de la funció de massa. A més, trobem que el mètode estàndard de Jack-Knife sobreestima la covariança d'error de la funció de massa en el rang de baixa massa. Expliquem aquestes desviacions i presentem un nou i estimador de covariança millorat.
