Supernovae à grand z Étude des erreurs et des biais dans SNLS Présenté par Pascal Ripoche thèse réalisée au CPPM sous la direction de Dominique Fouchez

Sommaire Présentation de l’expérience SNLS Buts de l’expérience SNLS Stratégie de recherche Résultats actuels et à venir Supernovae à grand z – Étude des erreurs et des biais Erreurs et supernovae à grand z Contamination Simulation

Présentation de l’expérience SNLS Buts de l’expérience SNLS Stratégie de recherche Résultats actuels et à venir Supernovae à grand z – Étude des erreurs et des biais Erreurs et supernovae à grand z Contamination Simulation

L’expérience Supernovae Legacy Survey Collaboration France (IN2P3, CEA, INSU) Canada … Buts Mesure des paramètres cosmologiques Utilisation des supernovae de type Ia comme chandelles standards Étude supernovae Mesure du taux de supernovae en fonction du type et de la morphologie des galaxies hôtes Évolution?            

Problématique But de SNLS: mesure de X et X X : constante cosmologique et/ou énergie noire?  = 1,02 ± 0,02 (WMAP, Spergel et al., 2003) Les contributions : M = 0,27 ± 0,04 x = 0,73 ± 0,04 2/3 énergie noire 1/3 MN modèle  = / Constante Cosmologique -1 Quintessence But de SNLS: mesure de X et X

Paramètres cosmologiques, distance lumineuse Objets lointains très lumineux Flux observé f Redshift z Luminosité intrinsèque L de luminosité connue Supernovae de type Ia très forte luminosité -chandelles standards (dispersion : 40 %) Correction de stretch => 15 %

Stratégie de recherche Suivi de 4 champs d’un degrés carré chacun pendant 5 ans (18 nuits par période sombres, 5 mois ) Détection et photométrie Télescope : CFHT (Hawaï) + megacam (36 CCDs) 4 filtres : g(15’), r(30’), i(1h), et z(30’) Méthode : soustraction d’images Scanning individuel des candidats Identification et mesure du redshift Télescopes: VLT, Gemini, Keck et Magellan Mesure de z Détermination de la nature de la SN

Exemple de supernova 05D2fo / R26D2-6 /c050317-14 D2/ccd_20 10:01:18.764 : 02:04:34.39

Résultats actuels et à venir Résultats actuels: 130 snIa détectées et spectrées: Objectif: 1000 supernovae détectées dont 700 supernovae de type Ia détectées et spectrées sur 5 ans

Supernovae à grand z Étude des erreurs et des biais Étude preliminaire effectuée sur le potentiel des évènement à grand redshift. Effet de l’augmentation de statistique Effet de la contamination conclusions

Hypothèses de départ Stat: SNLS (5 ans) + Tololo Hypothèses : Dispersion intrinsèque : 0,153 Modèle concordant (ΩM = 0,3 ; ΩX = 0,7 ; w = -1) Résultats: 3-fit(M,X,w) + flatness : ErrM = ± 0,211 ErrX = ± 0,215 Errw = ± 0,633

Événements à grand z Intérêts des SN à grand z (0,8 à 1,0) Statistique importante Fort bras de levier (a priori) Difficultés attendues Faible luminosité Spectroscopie impossible => risque de contamination Limite de visibilité => Biais de sélection important gain pouvant atteindre 50%

Précisions et gain avec high z Hypothèses: SNLS(5ans)+Tololo+récupération grand z récupération entre z = 0,8 et 1 Résultats: Gain de 15 % de précision ( ) 3-fit( M,X,W) flat = 1 ± 0,04 Précision à 1 sigma pour une récupération de 100%, 50% et 0%

Erreur et récupération Hypothèses: Low Error: Erreurs < dispersion intrinsèque (0,153) Récupération high z : 100% High z d’autant plus intéressantes si l’erreur diminue 3-fit(M,X,W) flat = 1 ± 0,04 SNLS SNLS+Récup SNLS Low Error SNLS+Récup Low Error 100% de récupération avec Low Error => jusqu’à 30% de gain de précision

Effet de la contamination Hypothèses de contamination Objets suivant la loi de Hubble et identifiés comme SNIa => décalage en magnitude Objets fittés avec la dispersion intrinsèque des SNIa 2 Paramètres : décalage en sigma (= 0,153) et taux de contamination des SN récupérées Conclusion il faut une contamination < 5% pour un biais < 0.05

Type de contamination : SNII et objets spectrés ? Les objets spectrés: Séparation SNIa SNII à 3-4 sigma Autres objets ? Imax vs z

Simulation Simulation de courbe de lumière de supernovae Ia sur image: Ajout de supernovae sur plusieurs nuits successives, dans le framework de production SNLS , avec gestion et bookkeeping des différents paramètres de la simulation : nombre de SN , z, position / galaxie etc.. Paramètre: position RaDec, redshift, stretch, alpha, extinction Template de courbe de lumière multifiltre Difficulté: bruit de fond, PSF, temps d’exposition,… Solution: le copier-coller

Première exploitation de la simulation Première simulation : 1500 sn sur 5 mois d’images dans 4 filtres sélection automatique développée à Marseille (shapelet et réseau de neurone) Étude d’efficacité de sélection des SN

Conclusion et perspectives Fort potentiel des supernovae à grand z Importance de l’estimation des erreurs et biais : exemple contamination Un outils pour ces estimations : la simulation , déjà bien avancée .. Sera améliorée suivant les besoins et mis a la disposition de la collaboration Encore beaucoup de données à venir avec SNLS, qui donneront toute son importance à une étude précise des effets systématiques

Travail à venir Détermination de l’efficacité de sélection => biais de Malmquist Estimation du taux de contamination Estimation des biais de sélection Mesure des effets systématiques Influence de la luminosité de la galaxie hôte Influence de la position de la SN…