Selección de AGNs altamente oscurecidos en el infrarrojo medio y en rayos-X

Abstract

RESUMEN: El objetivo principal de este trabajo es crear una herramienta para detectar AGNs oscurecidos partiendo de una serie de datos en el infrarrojo medio (MIR) y en rayos X (RX), ya que una importante fracción de los mismos escapa a los métodos de detección actuales. El conocimiento de estos cuerpos es clave para entender el funcionamiento de otras regiones del universo o cuerpos estelares, como son los agujeros negros masivos (SMBH) o las propiedades y diferentes tipos de galaxias. Esta absorción se produce fundamentalmente por polvo o gas situado en las regiones internas del AGN. En este estudio se parte de una muestra de 42123 objetos detectados por WISE con observaciones profundas (texp ≥ 45 ks) con XMM-Newton en una región de 44.43 deg2 . La herramienta diseñada en Python sirve para cotejar las listas de objetos de WISE y las observaciones de XMM-Newton con la finalidad de encontrar aquellas fuentes que emiten en el MIR y han sido detectadas en RX (candidatos a AGN). Primeramente, se eliminan las máscaras con baja calidad o con solapamientos en RX. De estas máscaras, mediante una serie de rutinas de programación, se buscan los objetos de WISE que han sido observados en RX, generando así un catálogo de 5616 objetos detectados en MIR y observados en RX. Posteriormente se ha procedido a ver cuántos de estos objetos han sido detectados en RX, un total de 984. Viendo qué colores tienen estos objetos en el MIR y si han sido detectados o no en RX, se llega a la conclusión de que hay 605 candidatos a AGN, de los cuales 249 son AGNs altamente oscurecidos. De estos AGNs oscurecidos, se ha podido comprobar que la detección de los mismos en RX aumenta conforme aumenta el tiempo de exposición del telescopio de RX, pero ésta satura a ≈ 50ks y su capacidad de detección no aumenta. Por otra parte, se ha comprobado que los AGNs oscurecidos, son brillantes en el MIR independientemente de su absorción y que ésta puede deberse a la contribución de la galaxia huésped, que oscurece la emisión del AGN en RX. Por último, se ha visto que escapan a nuestra detección alrededor del 60 % de los AGNs oscurecidos.

ABSTRACT: The main objective of this study is to create a tool for the detection of obscured AGN using data from mid-infrared (MIR) and X-rays (RX), since a large fraction of them escape to the current detection methods. The knowledge of these bodies is key to understand how other regions of the universe and stellar bodies work, such as super massive black holes (SMBH) or the variety and properties of galaxies. This absorption is produced mainly by dust or gas located in the internal regions of the AGN. This study starts from 42123 objects detected by WISE through deep observations texp ≥45 ks of XMM-Newton in a region of 44.43 deg2 . The Python designed tool is used to collate the object lists of WISE and the observations of XMM-Newton in order to find those objects who beam in MIR and have been detected in RX (AGN candidates). First, we delete the low-quality masks or those who show overlaps in RX. From this selected masks, through coding routines, we search WISE objects that have been observed in RX, therefore creating a catalog with 5616 objects that have been detected in MIR and observed in RX. Then, we look for those who have been detected in RX, a total of 984 objects. Considering the MIR colours of these objects and if they have been detected or not in RX, we shall conclude that there are 605 objects who are candidates to been obscured AGN. Through these obscured AGN, it has been observed that the number of detections is bigger when increasing the exposure time of the observations in RX, although it stops at ≈ 50 ks and its detection ability does not increase. Furthermore, it has been proved that obscured AGN are bright in MIR regardless of the absorption, which can be a result of the contribution of the host galaxy, that absorbs the emission of the AGN in RX. Finally, it seems that about 60 % of the obscured AGN are beyond the current detection methods.