爱丁顿妖：从不确定数据中推断星系质量函数及其他分布
星系天体物理
2018-01-10 v2
摘要
我们提出一种通用的修正最大似然（MML）方法，用于从不确定且有偏的数据中推断生成分布函数。MML 估计量与对所有测量误差的精确贝叶斯层次建模的解相同，但计算更为容易且快数个数量级。作为一个关键应用，该方法能够在同时处理观测不确定性（爱丁顿偏差）、复杂选择函数以及未知宇宙大尺度结构的情况下，精确恢复星系的质量函数（MF）。MML 方法无需分箱，并天然考虑了小样本统计与未探测源。其在 R 语言包“dftools”中的快速实现同样适用于其他对象，如暗物质晕、星系群和星系团，以及质量以外的观测量。该形式体系可轻易推广到多维分布函数，例如星系质量—角动量分布的 Choloniewski 函数，亦由 dftools 处理。该代码给出拟合模型参数的不确定度与协方差，以及近似贝叶斯证据。我们利用大量模拟巡天来说明并检验 MML 方法，同时强调在现代星系巡天的质量函数中考虑观测不确定性的必要性。
引用
@article{arxiv.1712.00149,
title = {Eddington's Demon: Inferring Galaxy Mass Functions and other Distributions from Uncertain Data},
author = {Danail Obreschkow and Steven G. Murray and Aaron S. G. Robotham and Tobias Westmeier},
journal= {arXiv preprint arXiv:1712.00149},
year = {2018}
}
备注
24 pages, 22 figures