Resumo: Um teste da Relatividade Geral (RG) pode ser realizado usando sistemas de Lentes Gravitacionais Fortes (SL). Na aproximação do campo fraco, é possível caracterizar a métrica do espaço-tempo com dois potenciais: um newtoniano e um de curvatura. O parâmetro pósnewtoniano (γPPN) pode ser definido como a razão desses dois potenciais, e este é igual a um na RG. O lenteamento gravitacional é sensível a ambos os potenciais, enquanto a cinemática das estrelas da galáxia lente é sensível apenas ao potencial newtoniano, a combinação desses observáveis fornece restrições sobre γPPN. Este método apresenta algumas fontes de erros sistemáticos. Em particular, é frequentemente assumido na literatura dessa área que a anisotropia entre as componentes tangencial e radial da dispersão de velocidade das estrelas na galáxia lente, β, ´e constante. Além disso, são geralmente estabelecidas priors restritivos para β nas an´alises de γPPN. Nosso objetivo foi investigar o impacto do parâmetro de anisotropia nas restrições sobre γPPN e testar se é possível restringir β e γPPN simultaneamente. Neste trabalho, utilizamos um conjunto de dados de 80 sistemas de SL dos projetos BELLS, SLACS, LS2S e LSD. Consideramos três classes de modelos para β. A primeira tem β = β0 (constante) e consideramos três conjuntos de priors Gaussianos para essa quantidade. Descobrimos que os dados permitem restringir γPPN, mas os resultados dependem do prior. Em particular, para valores altos de β0, o resultado apresentará tensão em relação a RG. Também consideramos um prior uniforme em β0, o que resultou em valores com altas dispersões tanto para γPPN,0 quanto para β0. A segunda classe refere-se a modelos onde β possui uma dependência radial, com β(r = 0) = 0 e um valor assintótico fixo em r → ∞. O parâmetro livre a controla a transição entre os dois regimes. Em particular, consideramos dois perfis radiais: o modelo de Osipkov-Merritt (OM) e o modelo de Mamon & Lokas (ML). Nesses casos, os dados não impõem restrições fortes em a, mas permitem restringir γPPN, que resulta em valores abaixo de 1. Os resultados são consistentes com a RG apenas em 2.5σ. Finalmente, a terceira classe é uma generalização do modelo ML, no qual adicionasse um β0 arbitrário a β(r). Assim como no caso β = const., não foi possível restringir com sucesso nem β0 nem γPPN. Todos os modelos considerados aqui apresentam uma adequação semelhante aos dados. Isso mostra que adicionar
complexidade aos modelos não melhora a descrição dos dados atuais. Portanto, quanto mais parâmetros no modelo, menos ele é favorecido pelos dados. Fixar o comportamento assintótico de β(r) ou estabelecer priors restritivos para β0 impõe restrições bastante fortes em γPPN, mas elas são incompatíveis entre si. Além disso, observamos que β0 está fortemente degenerado com γPPN, de modo que não é possível restringi-los simultaneamente a partir dos dados. Concluímos
que a escolha do modelo e/ou prior para β têm uma forte influência na determinação de γPPN. |
