| Description: |
Les galaxies de l’Univers forment un édifice gigantesque et complexe, appelé structure à grande échelle (LSS). Cependant, la grande majorité de la matière est considérée comme sombre, c’est-à- dire qu’elle n’est pas directement observable par nos télescopes et qu’elle n’est détectable que par son interaction gravitationnelle avec son environnement. La relation entre la distribution des galaxies et celle de la matière n’étant à ce jour pas entièrement bien décrite, la LSS ne peut être réduite aux galaxies qui l’habitent. Dévoiler la distribution de la matière et le champ de vitesse associé dans l’Univers local est une tâche extrêmement difficile. Une approche consiste à combiner, pour chaque galaxie, une mesure du décalage vers le rouge et une estimation de la distance pour obtenir sa vitesse par rapport à son environnement local. La seule source de mouvement à ces échelles étant la gravitation, le champ de vitesse est étroitement lié à la distribution de matière, et les deux peuvent être reconstruits ensemble. Cependant, l’estimation des distances, et donc des vitesses, est difficile à réaliser : les données sont rares, entachées d’erreurs et entachées de biais d’observation. Seule la composante radiale de la vitesse peut être mesurée et la taille de l’erreur croît avec la distance. Des méthodes mathématiques puissantes doivent donc être employées. Notre méthode suit l’approche de l’inférence bayésienne développée au cours de la dernière décennie pour pallier les insuffisances de la méthodologie du filtre de Wiener, dont la modélisation simpliste des données nécessite un traitement quelque peu ad hoc des données préalables. La première étape de l’inférence bayésienne consiste à écrire la probabilité conditionnelle d’un ensemble de paramètres d’un modèle donné, à partir d’un ensemble d’observations. La deuxième étape consiste à créer une série de réalisations de cette loi de probabilité à l’ aide d’une méthode de Monte Carlo, sur laquelle des statistiques sommaires peuvent être calculées. Cependant, ce processus ... |