pdf - SRON

ópticas, lo que implica que estas fuentes de rayos-X pueden encontrarse fuertemente
oscurecidas. En estos casos, se usan otras longitudes de onda menos sensibles
al oscurecimiento (infrarrojo cercano, infrarrojo medio) para encontrar las
posibles contrapartidas. Seguidamente se realiza espectroscopía en el óptico de
las contrapartidas seleccionadas. Cuando la densidad de fuentes es elevada es
posible hacer espectroscopía multiobjeto (tomar varios espectros de distintas
fuentes al mismo tiempo). En el caso de XMS, esto se hizo en las primeras fases
de la identificación con espectrógrafos de fibras. Posteriormente, a medida que
las contrapartidas restantes son más débiles y su densidad es menor, hay que
ir una a una mediante espectroscopía de rendija larga. Una vez reducidos los
espectros, se procede a la revisión visual de los resultados. De esta forma se
clasifican en función de su naturaleza (si presentan o no líneas de emisión, y si
éstas son anchas y estrechas - AGN de tipo 1 - o sólo estrechas - AGN de tipo
2) y se obtienen sus desplazamientos al rojo comparando la longitud de onda
observada de las líneas con su longitud de onda en reposo.
Para evaluar la contribución de nuestras fuentes al FCX necesitamos modelar la
distribución en flujo de las mismas. Cuanta mayor precisión obtengamos en los
parámetros que modelan la distribución en flujo, más precisa será nuestra estimación
de la contribución al FCX de nuestras fuentes. Además, para una mayor
precisión y cubrir un mayor rango de flujos, hemos añadido a la muestra AXIS
otras muestras más profundas y brillantes disponibles en la literatura. El procedimiento
que seguimos consta de dos pasos. En primer lugar calculamos la
distribución en flujo diferencial de las fuentes en intervalos de flujo que, esencialmente,
es el sumatorio del inverso del área efectiva de las fuentes en cada
intervalo dividido por la anchura del intervalo. A esta distribución diferencial
le ajustamos mediante una técnica de χ 2 un modelo empírico que, en este
caso, es una doble ley de potencias. Esto nos proporciona un valor inicial de los
parámetros que emplearemos como punto de inicio del siguiente paso. Como
el análisis de la distribución por intervalos puede estar sometido a sesgos (por
ejemplo, fluctuaciones debidas a unas pocas fuentes, sobre todo a flujos altos
en donde el número de fuentes es menor) hemos preferido ajustar nuestro modelo
empírico mediante un método de máxima verosimilitud, que hace uso de
todas y cada una de las fuentes disponibles. La función de verosimilitud a minimizar
tiene en cuenta no sólo la variación del área efectiva como función del
flujo, sino también las incertidumbres en el flujo de la fuente. El algoritmo de
minimización emplea como punto inicial el mejor ajuste que obtuvimos de la
xiii