El análisis de dispersión en los indicadores de distancia introduce dos sesgos sistemáticos conceptualmente distintos al reconstruir campos de velocidad peculiar a partir de corrimientos al rojo y distancias. El primero es el sesgo Malmquist de distancia (dMB), que afecta las estimaciones individuales de distancia y puede, en principio, corregirse aproximadamente. El segundo es el sesgo Malmquist de velocidad (vMB), que surge al construir campos de velocidad continuos a partir de medidas de distancia dispersas: la dispersión aleatoria coloca galaxias en posiciones espaciales ruidosas, introduciendo gradientes de velocidad espurios que persisten incluso cuando las distancias se corrigen para dMB. Considerando la relación Tully–Fisher como un ejemplo concreto, tanto las formulaciones inversas como las directas producen velocidades peculiares individuales no sesgadas para galaxias con la misma distancia verdadera (la relación directa requiere una corrección dependiente de selección), pero ninguna elimina vMB cuando las galaxias se colocan en sus distancias inferidas. Desarrollamos un filtro de Wiener modificado que codifica adecuadamente las correlaciones entre la distancia d observada directamente y la distancia verdadera r a través de la probabilidad condicional P (r ∣ d), teniendo en cuenta la distribución de distancias verdaderas muestreadas por galaxias a distancia observada d. No obstante, este filtro modificado produce estimaciones de amplitud suprimidas. Dado que los autoencoders de aprendizaje automático convergen al filtro de Wiener para campos gaussianos, es poco probable que mejoren significativamente la estimación de campos de velocidad. Por lo tanto, argumentamos que la reconstrucción óptima coloca galaxias en sus corrimientos al rojo observados en lugar de en distancias inferidas, un enfoque efectivo cuando los errores de distancia superan σ v / H 0, una condición que se cumple para la mayoría de las galaxias en encuestas típicas más allá del volumen cercano.
Adi Nusser (2026) estudió esta cuestión.