Inversion non paramétrique de spectres galactiques P. Ocvirk, C. Pichon, A. Lançon

But: Caractérisation des populations observées en termes de SFH Distribution d ages stellaires SFH Distribution d ages stellaires Metallicite Relation âge-métallicité Metallicite Relation âge-métallicité Extinction Extinction Cinématique Cinématique Non-paramétrique: sans a priori de forme Non-paramétrique: sans a priori de forme

Méthode: fit des spectres observés par une combinaison linéaire de SSP synthétiques Spectres synthétiques PEGASE_HR Spectres synthétiques PEGASE_HR Basé sur la librairie stellaire ELODIE Basé sur la librairie stellaire ELODIE Méthode dinversion: Maximum de vraisemblance Maximum de vraisemblance Optimisation type gradient conjugué Optimisation type gradient conjugué

Modèle de spectre galactique PEGASE_HR ELODIE Stellar spectra library Dust reddening Sum SSPs Reddened model at rest Model LOSVD convolution

Modèle de spectre galactique PEGASE_HR ELODIE Stellar spectra library Traces évolutifs (Padova) Traces évolutifs (Padova) IMF (Kroupa) IMF (Kroupa) SFH: starburst instantané mono-métallique SFH: starburst instantané mono-métallique Séquence temporelle de spectres: 1 starburst instantané vu a différents âges

Modèle de spectre galactique Dust reddening Sum SSPs Reddened model at rest Model LOSVD convolution Poids lumineux de chaque composante Métallicité E(B-V) LOSVD

Cas idéalise Pas de cinématique Pas de cinématique Population mono-métallique Population mono-métallique Vue sans extinction Vue sans extinction Population complexe: plusieurs composantes dâges différents superposées Population complexe: plusieurs composantes dâges différents superposées Le spectre modèle est la somme des SSP synthétiques pondérées par leur poids lumineux. Le problème est linéaire

Simulations R=10000 a Å Pas de degenerescence intrinseque

Inversion mixte: Populations stellaires & cinématique Pour chaque composante dâge t: Contribution lumineuse Contribution lumineuse Métallicité Métallicité Excès de couleur Excès de couleur

Inversion mixte: Populations stellaires & cinématique Pour chaque composante dage t: Contribution lumineuse Contribution lumineuse Métallicité Métallicité Excès de couleur Excès de couleur Pour la population entière: cinématique

Mauvais conditionnement Évolution lente de la SSP Dépendance linéaire des colonnes de A grand nombre de conditionnement de A très grande sensibilité au bruit observationnel Solutions fortement oscillantes ou non physiques Non-unicité de la solution Régularisation

Simulations Pseudo-données type SDSS: Δλ=1.5 Å a Å SNR=30 Contributionlumineuse log(Z/Zsun)E(B-V)LOSVD Simu A Simu B Log(age(yr))Log(age(yr))Log(age(yr))V(km/s)

Exemple dapplication: Données SDSS Log(age(yr))Log(age(yr))Log(age(yr))V(km/s) Contribution lumineuse log(Z/Zsun)E(B-V)LOSVD Galaxie SDSS Data Model

Conclusions Optimisation rapide grâce a des algos de descente éprouves Optimisation rapide grâce a des algos de descente éprouves Utilise toute létendue du spectre Utilise toute létendue du spectre Non-paramétrique: pas de forme a priori Bénéficie directement de toute amélioration de la bibliothèque A propos des dégenérescences : Pas de dégenérescence age-metallicite observée Pas de dégenérescence age-metallicite observée Pas de dégenérescence age-extinction observée Pas de dégenérescence age-extinction observée Dépend surtout du SNR Dépend surtout du SNR

Bonus: Separation bulbe-disque inversion chemo-cinematique Cas idealise: population mono-metallique vue sans extinction R=10000 a Å SNR=100

Conclusions Optimisation rapide grâce a des algos de descente éprouves Optimisation rapide grâce a des algos de descente éprouves Utilise toute létendue du spectre Utilise toute létendue du spectre Non-paramétrique: pas de forme a priori Bénéficie directement de toute amélioration de la bibliothèque A propos des dégenérescences : Pas de dégenérescence age-metallicite observée Pas de dégenérescence age-metallicite observée Pas de dégenérescence age-extinction observée Pas de dégenérescence age-extinction observée Dépend surtout du SNR Dépend surtout du SNR Futur proche: application a un sous-echantillon SDSS application a un sous-echantillon SDSS donnees Vazdekis et al. donnees Vazdekis et al.