Vous êtes sur la page 1sur 129

M ethodes Math ematiques pour Physiciens

Martin Kunz
Mathias Albert
Mona Frommert
Universit e de Gen` eve
2010/2011
2
Table des mati` eres
1 Introduction 5
1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Calendrier provisoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Enseignants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Remarques sur les notes du cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Les Tenseurs 7
2.1 Vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Tenseurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Tenseurs sur un espace vectoriel muni dune m etrique . . . . . . . . . . . . . . . . . . . . 19
2.4 Champs de tenseurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 La fonction de Dirac et les distributions 31
3.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Lespace de fonctions test o (espace de Schwartz) . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Les distributions sur o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Op erations sur les distributions I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.5 Op erations sur les distributions II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6 Transform ee de Fourier et Convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.7 Distributions en n dimensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4 Fonctions de Green 41
4.1 Fonctions de Green en une dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2 D etermination de la fonction de Green . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3 Fonction de Green en trois dimensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5 Int egration complexe et applications aux int egrales r eelles 47
5.1 Int egration Complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2 Applications au calcul dint egrales r eelles . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.3 M ethode du Col . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6 Notions de probabilit es et de statistique 61
6.1 Le concept de probabilit e. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2 Variables al eatoires et distributions de probabilit e. . . . . . . . . . . . . . . . . . . . . . . 65
6.3 Quelques distributions de probabilit e particuli` eres. . . . . . . . . . . . . . . . . . . . . . 74
6.4 El ements de statistique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3
4 TABLE DES MATI
`
ERES
7 El ements de la th eorie des groupes 97
7.1 D enition dun groupe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.2 Repr esentations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
7.3 Groupes et alg` ebres de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
8 Espaces de Hilbert et op erateurs lin eaires 107
8.1 Une courte introduction ` a lint egrale de Lebesgue . . . . . . . . . . . . . . . . . . . . . . 107
8.2 D enition et exemples despaces de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.3 Diff erents types de sous-ensembles dun espace de Hilbert H . . . . . . . . . . . . . . . . 117
8.4 Applications lin eaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8.5 Le dual dun espace de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
8.6 Op erateurs non-born es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8.7 Spectre dun op erateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
8.8 ANNEXE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Chapitre 1
Introduction
1.1 Motivation
Ce cours nest cens e remplacer ni les cours de math ematique, ni les cours de physique. En effet, ce
nest pas du tout un cours de th eorie, l el ement central etant les exercices. On va donc essayer de limiter
lenseignement th eorique ` a une heure de telle sorte que vous ayez deux heures ` a disposition pour le travail
sur les exercices, avec laide des assistants.
Le but de ce cours est de pr esenter certains outils math ematiques importants pour les cours de physique
de deuxi` eme et troisi` eme ann ee. Aussi, il est fait pour vous mettre en conance et vous familiariser avec
les calculs, ce qui est plus difcile dans un cours traditionnel. Utilisez alors cette opportunit e dapprendre ` a
travailler sur des probl` emes, et surtout nh esitez pas ` a poser des questions aux assistants !
1.2 Evaluation
Votre progr` es est evalu e par des contr oles continus, ce qui veut dire quil y a un test de courte dur ee
(2h ` a la place dune s eance dexercices) ` a la n de chaque bloc, donc 5 tests en tout. Le but est de voir si
vous avez compris lessentiel du sujet, l etudiant (ou l etudiante) qui travaille bien pendant les heures du
cours sur les exercices devrait r eussir. Vous avez droit aux calculatrices et aux notes du cours, mais les notes
des exercices ne sont pas admises. La note nale est la moyenne arithm etique des quatre meilleures notes.
Si vous etes absent lors dun contr ole continu, vous recevez la note 0. Un contr ole continu est toujours
annonc e au plus tard pendant la session pr ec edente.
Il est cependant possible de passer un examen r egulier pendant la session dexamens, qui a lieu apr` es la
n du cours, ` a la place des contr oles continus. Toutefois, la participation ` a deux tests entrane linscription
automatique au contr ole continu. Ceci exclut linscription ` a lexamen. L echec au contr ole continu compte
comme une tentative ` a l evaluation de lenseignement, et est donc equivalent ` a l echec dun examen.
5
6 CHAPITRE 1. INTRODUCTION
1.3 Calendrier provisoire
Le calendrier provisoire (qui changera fort probablement selon les besoins) est :
22.9.10 Tenseurs 1
29.9.10 Tenseurs 2
6.10.10 Tenseurs 3
13.10.10 Tenseurs 4
20.10.10 Tenseurs 5
27.10.10 Tenseurs 6 et contr ole continu 1 (tenseurs)
3.11.10 Distributions 1
10.11.10 Distributions 2
17.11.10 Distributions 3
24.11.10 Fonctions de Green 1
1.12.10 Fonctions de Green 2
8.12.10 Fonctions de Green 3
15.12.10 Int egration complexe 1 et contr ole continu 2 (distributions et fonctions de Green)
22.12.10 Int egration complexe 2
23.2.11 Int egration complexe 3
2.3.11 Int egration complexe 4
9.3.11 Int egration complexe 5 et contr ole continu 3 (int egration complexe)
16.3.11 Probabilit e 1
23.3.11 Probabilit e 2
30.3.11 Probabilit e 3
6.4.11 Statistique 1
13.4.11 Statistique 2
20.4.1 Statistique 3
4.5.11 Groupes 1 et contr ole continu 4 (probabilit e et statistique)
11.5.11 Groupes 2
18.5.11 Groupes 3
25.5.11 Groupes 4 et contr ole continu 5 (groupes)
1.6.11 r eserve
1.4 Enseignants
nom bureau email
Martin Kunz Ecole de Physique 224 Martin.Kunz@unige.ch
Mathias Albert Sciences I 217
Mona Frommert Sciences I 219
1.5 Remarques sur les notes du cours
Une premi` ere version de ce cours a et e cr e ee par Werner Amrein (distributions, fonctions de Green,
tenseurs, espaces de Hilbert), Jean-Pierre Imhof (probabilit es et statistique) et Henri Ruegg (groupes). Les
notes ont et e modi ees et etendues par dautres enseignants, principalement par Michel Droz, Cath erine
Leluc et Xin Wu (probabilit e et statistique), Eug` ene Sukhorukov (distributions, fonctions de Green), Olivier
Piguet et Michele Maggiore (th eorie des groupes) et Ruth Durrer (espaces de Hilbert, fonctions de Green).
Je remercie aussi Umberto Cannella pour la transcription en latex de certains chapitres, et Mathias Albert
pour son aide avec le chapitre sur lint egration complexe.
Chapitre 2
Les Tenseurs
On consid` ere un espace g eom etrique (par exemple IR
3
, une sph` ere dans IR
3
). Grosso modo un tenseur
est un objet associ e ` a cet espace (par exemple une grandeur physique) qui ob eit ` a une certaine loi de
transformation lorsquon change de syst` eme de coordonn ees (lexpression de cet objet dans le nouveau
syst` eme de coordonn ees est obtenue ` a partir de celle dans lancien syst` eme de coordonn ees dune facon tr` es
sp ecique). Le terme tenseur fut introduit par le physicien W. Voigt ; le mot vient du fait que lon peut
repr esenter les tensions dans un solide par un tenseur.
Du point de vue math ematique, le concept de tenseur est une g en eralisation de celui de vecteur.
2.1 Vecteurs
Soit 1 un espace vectoriel r eel de dimension n (n < )
1
. Nous d esignons par 1

le dual de 1 :
1

est lensemble L(1, IR) des applications lin eaires f : 1 IR. 1

est egalement un espace vectoriel


r eel de dimension n. Si f 1

, nous utilisons la notation f, v) pour la valeur f(v) de f appliqu e au


vecteur v 1 ; donc
f, v) f(v) IR .
Dans la suite nous utiliserons la notation v

(plut ot que f) pour les el ements de 1

. Donc
v

, v) v

(v) IR si v

, v 1 .
Si e
1
, . . . , e
n
est une base de 1 nous d esignons par e
1
, . . . , e
n
la base duale de 1

:
e
i
, e
j
) e
i
(e
j
) =
i
j
=
_
1 si i = j
0 si i ,= j
. (2.1)
Nous utilisons des indices inf erieurs pour des vecteurs de 1 et des indices sup erieurs pour des vecteurs
de 1

. La raison pour ce choix deviendra plus claire par la suite.


Lespace vectoriel 1 et son dual 1

sont isomorphes. N eanmoins, il convient de distinguer entre des


vecteurs appartenant ` a 1 et des vecteurs appartenant ` a 1

. Les premiers sont appel es des vecteurs contra-


variants, les derniers des vecteurs covariants. Cette terminologie re` ete le comportement des composantes
des vecteurs dans diff erentes bases lors du passage dune base ` a une autre, comme nous allons lexpliquer
maintenant.
1. Nous ne consid erons ici que des espaces vectoriels sur le corps IR, car cest sufsant pour des applications en physique ; les
d enitions s etendent ais ement ` a des espaces vectoriels sur des corps IK plus g en eraux.
7
8 CHAPITRE 2. LES TENSEURS
2.1.1 Vecteurs covariants
Les el ements v

de 1

sont appel es des vecteurs covariants. Donc un vecteur covariant est une ap-
plication lin eaire v

: 1 IR. Pour expliquer la terminologie, regardons comment se transforment leurs


composantes dans diff erentes bases lors du passage entre deux bases. Si v

et e
j
est une base de 1,
on peut exprimer v

comme combinaison lin eaire des n vecteurs e


1
, . . . , e
n
qui forment une base de 1

:
v

=
n

k=1
T
k
e
k
, (2.2)
o` u T
1
, . . . , T
k
sont des nombres r eels appel es les composantes de v

par rapport ` a la base e


j
(observer
que le d eveloppement dans (2.2) est dans la base duale e
k
, qui est une base de 1

; la base duale est


d etermin ee de facon univoque par la donn ee de la base e
j
de 1, donc la terminologie composantes
de v

par rapport ` a la base e


j
est raisonnable). En vertu de (2.1), on a lexpression suivante pour les
composantes de v

:
T
k
= v

, e
k
) v

(e
k
) .
Prenons maintenant une deuxi` eme base e
1
, . . . , e
n
de 1, et d esignons la base duale par e
1
, . . . , e
n

(donc e
i
, e
j
) =
i
j
). Chacun des vecteurs e
j
est une combinaison lin eaire de e
1
, . . . , e
n
, nous pouvons
donc ecrire
e
j
=
n

k=1

k
j
e
k
.
Les n
2
nombres
k
j
d ecrivent le changement de base e
j
e
j
, on peut les consid erer comme formant
une matrice nn,
k
j
(le premier indice j sp eciant la ligne, le deuxi` eme indice k la colonne de
cette matrice ; leur emplacement, sup erieur ou inf erieur, sera expliqu e ult erieurement).
De facon similaire, chacun des vecteurs e
j
est une combinaison lin eaire de e
1
, . . . , e
n
:
e
j
=
n

k=1

j
k
e
k
. (2.3)
Comme les bases duales sont d etermin ees par la donn ee des bases de 1, il est clair quil doit y avoir une
relation entre la matrice
j
k
et la matrice
k
j
.
Exercice 1 :
(a) Montrer que

n
k=1

i
k

k
j
=
j
i
, ou ecrit avec des matrices (en faisant attention ` a lordre des indices
relative ` a la loi de multiplication de matrices)
T
= I = la matrice identit e (donc = (
T
)
1
est
linverse de la transpos ee de la matrice ).
(b) Si T
k
d esignent les composantes dun vecteur covariant v

par rapport ` a la base e


j
et

T
j
celles par
rapport ` a la base e
j
(donc v

n
k=1
T
k
e
k
=

n
k=1

T
k
e
k
), montrer que

T
j
=
n

k=1

k
j
T
k
. (2.4)
(c) Consid erer le cas particulier :
e
1
= 3e
1
+ 5e
2
(2.5)
e
2
= e
1
e
2
(2.6)
et calculer les composantes
k
j
de la matrice de changement de base, ainsi que les composantes

T
j
du
vecteur covariant dans cette nouvelle base (exprim es comme fonction des T
k
).
(d) Soit
w

= 2e
1
+e
2
;
trouver T
1
et T
2
puis calculer

T
1
et

T
2
pour le changement de base de (c).
2.2. TENSEURS 9
Commentaire : La formule (2.4) montre que les composantes dun vecteur covariant se transforment de
la m eme facon que les bases de 1 (cest-` a-dire avec la matrice ), do` u la terminologie covariant (se
transformer comme les bases). Il ne faut pas oublier dans ce contexte que les composantes dun vecteur
covariant sont d enies par rapport ` a des bases de 1

, tandis que la matrice d etermine un changement de


base dans 1.
2.1.2 Vecteurs contravariants
Les el ements v de 1 sont appel es des vecteurs contravariants. Ces vecteurs peuvent etre d evelopp es
dans des bases de 1. Si e
1
, . . . , e
n
est une telle base, on aura
v =
n

k=1
T
k
e
k
,
o` u T
1
, . . . , T
n
sont des nombres r eels appel es les composantes de v par rapport ` a la base e
j
. Ils
sont donn es par T
k
= e
k
, v). Si on d esigne par

T
k
les composantes de v par rapport ` a une autre
base e
1
, . . . , e
n
de 1 (donc v =

n
k=1
T
k
e
k
=

n
k=1

T
k
e
k
), alors

T
j
=
n

k=1

j
k
T
k
, (2.7)
o` u
j
k
est la matrice = (
T
)
1
.
Exercice 2 :
D emontrer la loi de transformation (2.7).
Commentaire : Le terme vecteur contravariant sexplique par le fait que ses composantes se transforment
contrairement aux vecteurs de base (cest-` a-dire comme les vecteurs des bases duales, avec la matrice
= (
T
)
1
).
2.2 Tenseurs
2.2.1 Tenseurs covariants dordre 2
Soit v
1
et v
2
deux vecteurs covariants. On peut leur associer un produit (leur produit tensoriel),
d esign e par v
1
v
2
, de la facon suivante : v
1
v
2
est une application de 1 1 dans IR donn ee par
v
1
v
2
(v
1
, v
2
) = v
1
, v
1
)v
2
, v
2
) , (2.8)
o` u v
1
, v
2
varient sur 1 (tandis que v
1
et v
2
sont x es). Il est clair que v
1
v
2
d enit une application
bilin eaire (lin eaire dans le premier argument v
1
ainsi que dans le deuxi` eme argument v
2
) de 1 1 dans IR.
Cest un cas particulier de tenseur covariant dordre 2. En g en eral un tenseur covariant dordre 2 est une
application bilin eaire T : 1 1 IR, donc satisfaisant
T(v
1
+
1
w
1
, v
2
+
2
w
2
) = T(v
1
, v
2
) +
2
T(v
1
, w
2
) +
+
1
T(w
1
, v
2
) +
1

2
T(w
1
, w
2
) (2.9)
si v
i
, w
i
1 et
i
IR. Nous d esignons par T
0
2
lensemble des tenseurs covariants dordre 2. T
0
2
est un es-
pace vectoriel (on peut additionner des applications bilin eaires, et on peut les multiplier par des constantes).
T
0
2
contient egalement des applications qui ne sont pas un produit de vecteurs covariants
2
.
2. Exemple : si {e
1
, e
2
} est une base de V, alors lapplication bilin eaire e
1
e
1
+ e
2
e
2
nest pas un produit ; on peut
v erier que lhypoth` ese e
1
e
1
+e
2
e
2
= v
1
v
2
, pour certains v
1
, v
2
V

, m` ene ` a une contradiction.


10 CHAPITRE 2. LES TENSEURS
La dimension de lespace vectoriel T
0
2
est n
2
. Pour le voir, soit e
1
, . . . e
n
une base de 1,
e
1
, . . . , e
n
la base duale de 1

. Consid erons les n


2
el ements de T
0
2
form es par les tenseurs produits
E
jk
e
j
e
k
(j, k = 1, . . . , n) ,
donc E
jk
(v
1
, v
2
) = e
j
, v
1
)e
k
, v
2
). Ces n
2
tenseurs E
jk
forment une base de T
0
2
, comme expliqu e
dans lexercice qui suit :
Exercice 3 :
(a) V erier que les E
jk
sont lin eairement ind ependants. Plus pr ecis ement : supposer que T

n
j,k=1

jk
E
jk
= 0 ; en calculant T(e
i
, e

), on trouve que
i
= 0.
(b) Si T T
0
2
est un tenseur covariant arbitraire dordre 2, montrer quil existe des constantes T
jk
telles
que
T =
n

j,k=1
T
jk
E
jk
. (2.10)
Indication : Puisque T et E
jk
sont bilin eaires, il suft de v erier lidentit e (2.10) sur des vecteurs de la
base e
j
, donc
T(e
i
, e

) =
n

j,k=1
T
jk
E
jk
(e
i
, e

) i, = 1, . . . , n .
Se convaincre que ceci est satisfait si
T
jk
= T(e
j
, e
k
) .
Les n
2
nombres T
jk
sont appel es les composantes du tenseur T par rapport ` a la base e
j
. Par rapport
` a une autre base e
j
de 1, les composantes de T sont les nombres

T
jk
= T( e
j
, e
k
) .
Exercice 4 :
Soit
k
j
la matrice donnant le changement de base e
j
e
j
, cest-` a-dire e
j
=

n
k=1

k
j
e
k
.
(a) V erier la loi de transformation des composantes de T :

T
jk
=
n

i,=1

i
j


k
T
i
(un facteur

pour chacun des deux indices sp eciant les composantes !)


(b) Pour n = 2 consid erer le tenseur suivant
T = 2e
1
e
1
+e
1
e
2
2e
2
e
1
+ 3e
2
e
2
;
en utilisant la matrice
k
j
trouv ee dans (1c), calculer

T
jk
.
Exercice 5 :
Soit n = 3 et les vecteurs de base e
i
forment une base orthonorm ee normale (nous allons voir la
d enition pr ecise plus tard, ce nest pas important ici). L energie cin etique dun syst` eme en rotation peut
etre ecrite comme = 1/2I(, ) o` u =

3
i=1

i
e
i
est le vecteur (axial) de la vitesse angulaire, et
I =

3
j,k=1
I
jk
E
jk
est le tenseur dinertie.
(a) Calculer pour = e
3
(rotation autour de laxe e
3
avec vitesse angulaire ) et I = 2m
2
(e
2
e
2
+
e
3
e
3
) (le tenseur dinertie de deux masses ponctuelles m au points (, 0, 0)).
(b) Calculer les composantes de et I pour le changement de base correspondant ` a une rotation autour de
laxe e
2
dun angle .
(c) Calculer explicitement l energie cin etique pour le cas (b) et v erier quelle ne d epend pas de lorien-
tation des vecteurs de base.
2.2. TENSEURS 11
2.2.2 Tenseurs covariants dordre q
Les consid erations pr ec edentes s etendent ais ement au concept de tenseur covariant dordre g en eral q
(q N). Choisissons q vecteurs covariants, cest-` a-dire q el ements de 1

d esign es par v
1
, . . . , v
q
. Leur
produit tensoriel est une application de 1 1 1
. .
q fois
dans IR donn ee par
v
1
v
q
(v
1
, . . . , v
q
) = v
1
, v
1
)v
2
, v
2
) v
q
, v
q
) , (2.11)
o` u les v
1
, . . . , v
q
varient sur 1. Le produit v
1
v
q
d enit une application multilin eaire (lin eaire
dans chacun des q arguments) de 1 1 dans IR. Plus g en eralement, un tenseur covariant dordre q
est d eni comme une application multilin eaire
T : 1 1
. .
q fois
IR ,
satisfaisant donc
T(v
1
, . . . , v
j1
, v +w, v
j+1
, . . . , v
q
) = T(v
1
, . . . , v
j1
, v, v
j+1
, . . . , v
q
)
+T(v
1
, . . . , v
j1
, w, v
j+1
, . . . , v
q
) (2.12)
pour chaque j = 1, . . . , q (v, w, v
i
1, IR).
Nous d esignons par T
0
q
lensemble des tenseurs covariants dordre q. (Pour q = 1 on obtient les vecteurs
covariants, donc T
0
1
= 1

). T
0
q
est un espace vectoriel (on peut additionner des tenseurs covariants du m eme
ordre q, et on peut les multiplier par des constantes). On peut introduire une base de T
0
q
, en commencant par
une base e
j
de 1 et en prenant tous les tenseurs qui sont un produit de q vecteurs de la base duale e
i
.
Plus pr ecis ement, soit
E
i1iq
= e
i1
e
iq
(i
1
, . . . , i
q
= 1, . . . , n) (2.13)
le produit (au sens tensoriel) des vecteurs e
i1
, . . . , e
iq
(` a noter que le m eme vecteur de la base duale e
j

peut apparatre plusieurs fois dans (2.13)). Donc E


i1iq
est une application multilin eaire 1 1 IR
donn ee par
E
i1iq
(v
1
, . . . , v
q
) = e
i1
, v
1
)e
i2
, v
2
) e
iq
, v
q
) .
En r ep etant les arguments de lExercice 3 (avec q facteurs au lieu de 2 facteurs), on voit que les n
q
ten-
seurs E
i1iq
forment une base de T
0
q
. Donc si T T
0
q
est un tenseur covariant dordre q, on peut l ecrire
comme combinaison lin eaire des E
i1iq
:
T =
n

i1,...,iq=1
T
i1iq
E
i1iq
,
les nombres T
i1iq
etant donn es par
T
i1iq
= T(e
i1
, . . . , e
iq
) . (2.14)
Ce sont les composantes du tenseur T par rapport ` a la base e
i
.
Exercice 6 :
D eterminer la loi de transformation des composantes dun tenseur T covariant. Plus pr ecis ement :
soit e
j
une deuxi` eme base de 1 ( e
j
=

n
k=1

k
j
e
k
), et soit

T
i1iq
les composantes de T par rapport ` a
cette base :

T
i1iq
= T( e
i1
, . . . , e
iq
) .
Etablir la relation entre les

T
i1iq
et les T
i1iq
.
12 CHAPITRE 2. LES TENSEURS
Dans (2.8) et (2.11) nous avons introduit la multiplication de vecteurs covariants. De facon similaire on
peut d enir la multiplication de tenseurs covariants arbitraires (pas n ecessairement du m eme ordre). Si S
T
0
q
et T T
0
s
, alors le produit S T est un tenseur covariant dordre q + s (cest-` a-dire S T T
0
q+s
)
d eni par
S T(v
1
, . . . , v
q+s
) = S(v
1
, . . . , v
q
)T(v
q+1
, . . . , v
q+s
) . (2.15)
Pour q = s = 1, (2.15) est identique avec (2.8).
Exercice 7 :
(a) V erier que la formule (2.15) d enit bien un tenseur (cest-` a-dire une application multilin eaire).
(b) Est-ce que la multiplication de tenseurs est commutative ou non ?
(c) Exprimer les composantes du produit S T en termes des composantes de S et de T.
2.2.3 Tenseurs contravariants
La th eorie des tenseurs contravariants est tr` es semblable ` a celle des tenseurs covariants, il suft de
remplacer partout lespace vectoriel 1 par 1

(et donc 1

par (1

). Ici il faut se rappeler quon peut


identier (1

avec 1. En effet, chaque vecteur v 1 d enit une application lin eaire 1

IR par la
formule
v(v

) = v

, v) ;
ici v est x e et v

varie sur 1

. Dautre part dim(1

= dim1

= dim1 = n; donc chaque el ement


de (1

peut etre identi e de facon univoque avec un vecteur v de 1.


Un vecteur contravariant etait d eni comme un el ement v de 1, cest donc aussi une application
lin eaire 1

IR. Un tenseur contravariant dordre p (p N) est une application multilin eaire


T : 1

. .
p fois
IR, satisfaisant donc
T(v
1
, . . . , v
j1
, v

+w

, v
j+1
, . . . , v
p
) = T(v
1
, . . . , v
j1
, v

, v
j+1
, . . . , v
p
)
+T(v
1
, . . . , v
j1
, w

, v
j+1
, . . . , v
p
)(2.16)
pour j = 1, . . . , p (v

, w

, v
i
1

, IR). Lensemble des tenseurs contravariants dordre p est d esign e


par T
p
0
(T
1
0
1 est lensemble des vecteurs contravariants). T
p
0
est un espace vectoriel ; une base de T
p
0
est donn ee par les n
p
tenseurs
E
j1jp
= e
j1
e
jp
(j
1
, . . . , j
p
= 1, . . . , n) .
E
j1jp
est le produit, au sens tensoriel, de p vecteurs dune base e
j
de 1. Ses valeurs sont
E
j1jp
(v
1
, . . . , v
p
) = v
1
, e
j1
)v
2
, e
j2
) v
p
, e
jp
) .
Si T T
p
0
est un tenseur contravariant dordre p, il peut etre ecrit comme combinaison lin eaire des E
j1jp
:
T =
n

j1,...,jp=1
T
j1jp
E
j1jp
, (2.17)
avec
T
j1jp
= T(e
j1
, . . . , e
jp
) . (2.18)
Les nombres T
j1jp
sont appel es les composantes du tenseur T T
p
0
par rapport ` a la base e
j
(les
indices sp eciant ces composantes sont plac es en haut, ce qui distingue les tenseurs contravariants des
tenseurs covariants dont les composantes sont ecrites avec des indices inf erieurs).
2.2. TENSEURS 13
Exercice 8 :
(a) Soit T T
p
0
et p = 2. En proc edant comme dans lExercice 3(b), v erier (2.17)-(2.18) dans ce cas.
(b) Soit T T
p
0
, T
j1jp
ses composantes par rapport ` a une base e
j
de 1 et

T
j1jp
ses composantes par
rapport ` a une autre base e
j
. En utilisant (2.3), d eterminer la loi de transformation de ces composantes
(consid erer dabord le cas p = 2, puis le cas g en eral).
(c) Donner la formule pour la multiplication de tenseurs contravariants (si S T
p
0
et T T
r
0
, alors S T
sera un tenseur contravariant dordre p +r).
2.2.4 Tenseurs mixtes
Une combinaison des notions de tenseur covariant et tenseur contravariant donne celle de tenseur mixte.
Un tenseur p fois contravariant et q fois covariant sur 1 est une application multilin eaire (cest-` a-dire
lin eaire dans chaque argument)
T : 1

. .
p fois
1 1
. .
q fois
IR (2.19)
(donc les p premiers arguments sont des vecteurs de 1

, les q derniers des vecteurs appartenant ` a 1). Nous


dirons aussi que T est un tenseur du type
_
p
q
_
sur 1. Le nombre p +q est appel e le rang du tenseur T.
Lensemble des tenseurs du type
_
p
q
_
sera d esign e par T
p
q
. Si p = 0, resp. q = 0, on retrouve lespace T
0
q
des tenseurs covariants dordre q, resp. lespace T
p
0
des tenseurs contravariants dordre p. On d enit encore
(pour p = q = 0) les tenseurs de T
0
0
comme etant des constantes ; donc un tenseur du type
_
0
0
_
est un
nombre r eel, et ces tenseurs sont appel es des scalaires.
Il est clair que T
p
q
est un espace vectoriel (on peut additionner des tenseurs du m eme type, et on peut les
multiplier par des scalaires). On peut aussi multiplier deux tenseurs quelconques : Si S T
p
q
et T T
r
s
,
leur produit S T est un tenseur du type
_
p +r
q +s
_
donn e par
S T(v
1
, . . . , v
p+r
, v
1
, . . . , v
q+s
) =
S(v
1
, . . . , v
p
, v
1
, . . . , v
q
)T(v
p+1
, . . . , v
p+r
, v
q+1
, . . . , v
q+s
) . (2.20)
Une base de T
p
q
peut etre construite en prenant les n
p+q
produits de p vecteurs dune base e
j
de 1 et q
vecteurs de la base duale e
j
:
E
j1jq
i1ip
= e
i1
e
ip
e
j1
e
jq
.
Donc
E
j1jq
i1ip
(v
1
, . . . , v
p
, v
1
, . . . , v
q
) = v
1
, e
i1
) v
p
, e
ip
)e
j1
, v
1
) e
jq
, v
q
) .
Le d eveloppement dun tenseur g en eral T T
p
q
dans cette base est :
T =
n

i1,...,ip=1
n

j1,...,jq=1
T
i1ip
j1jq
E
j1jq
i1ip
, (2.21)
o` u les coefcients T
ijip
j1jq
(des nombres r eels) sont donn es par
T
i1ip
j1jq
= T(e
i1
, . . . , e
ip
, e
j1
, . . . , e
jq
) .
14 CHAPITRE 2. LES TENSEURS
Exercice 9 :
Pour des cristaux anisotropes, la conductivit e electrique peut etre diff erente dans certaines directions.
Dans ce cas, la densit e de courant est j = E, o` u j et E sont des vecteurs et est alors un tenseur mixte
du type
_
1
1
_
pour assurer que la densit e de courant est une quantit e ind ependante du choix de base.
(a) Ecrire la loi de transformation des composantes
j
i
du tenseur de conductivit e.
(b) Soient dans une base standard (orthonorm ee) e
1
, e
2
, e
3
(n = 3) les composantes du tenseur =

3
i,j=1

j
i
E
i
j
:
[
j
i
] =
_
_
1

2 0

2 3 1
0 1 1
_
_
.
Faire une transformation de base
e
1
=
1

6
e
1
+

3
2
e
2
+
1
2

3
e
3
e
2
=
1

3
e
1
+
_
2
3
e
3
e
3
=
1

2
e
1

1
2
e
2
+
1
2
e
3
.
(Ecrit comme matrice, linverse de cette transformation est la matrice transpos ee.) Quels sont les compo-
santes de dans la base e
j
? Donnez une interpr etation physique du r esultat.
Exercice 10 :
(a) Soit S, T T
p
q
. Quelles sont les composantes de la somme S+T en termes de composantes de S et T ?
(b) Soit S T
p
q
et T T
r
s
. Donner les composantes du produit S T en termes de composantes de S et
de T.
(c) V erier la loi de transformation des composantes dun tenseur T T
p
q
lors dun changement de
base e
j
=

n
k=1

k
j
e
k
:

T
i1ip
j1jq
=
n

k1,...,kp=1
n

1,...,q=1

i1
k1

ip
kp

1
j1

q
jq
T
k1kp
1q
. (2.22)
Donc chaque composante contravariante se transforme avec la matrice = (
T
)
1
et chaque composante
covariante avec la matrice .
Attention : Une matrice nn est une notation commode pour plusieurs objets math ematiques de nature
tr` es diff erente : a) une collection quelconque de n
2
valeurs, b) la repr esentation dune application lin eaire
A : 1 1 dans une base donn ee de cet espace, c) les composantes dun tenseur de rang 2 dans une
base donn ee (notons que cette possibilit e d ecriture pour un tenseur est tr` es particuli` ere : d` es que le rang de
celui-ci est sup erieur ` a 2, l ecriture matricielle nest plus possible). Les matrices =
k
j
et =
j
k
,
faisant partie de la cat egorie b) ci-dessus, d ecrivent le passage entre deux bases et nont aucun rapport avec
un tenseur ; les composantes dun tenseur se r ef` erent ` a une seule base, tandis que les
k
j
et
j
k
sont des
objets d ependant de deux bases diff erentes.
2.2.5 Convention de sommation dEinstein
Dor enavant l equation (2.22) sera ecrite comme suit :

T
i1ip
j1jq
=
i1
k1

ip
kp

1
j1

q
jq
T
k1kp
1q
. (2.23)
2.2. TENSEURS 15
Dans (2.23) nous avons omis dindiquer les op erations de sommation, en utilisant la convention suivante :
Si dans une expression un indice apparat deux fois (une fois en haut, une fois en bas), il est sous-entendu
quon somme sur les valeurs possibles de cet indice (donc de 1 ` a n). Un indice de ce type est appel e un
indice muet.
Un indice apparaissant une seule fois dans une expression est appel e un indice libre.
Exemples : (a) Dans (2.23), i
1
, . . . , i
p
, j
1
, . . . , j
q
sont des indices libres, ils apparaissent une fois dans le
membre de gauche et une fois dans celui de droite. k
1
, . . . , k
p
et
1
, . . . ,
q
sont des indices muets (comparer
avec (2.22)).
(b) Soit n = 2. Si T
jk
est une matrice 22, S
ijk
un ensemble de 2
3
= 8 nombres (i, j, k = 1 ou 2)
et a = (a
1
, a
2
) un vecteur, alors la formule
T
jk
= S
ijk
a
i
(2.24)
est une abr eviation pour les quatre equations
T
11
=
2

i=1
S
i11
a
i
, T
12
=
2

i=1
S
i12
a
i
, T
21
=
2

i=1
S
i21
a
i
, T
22
=
2

i=1
S
i22
a
i
.
Dans l equation (2.24), i est un indice muet et j, k sont des indices libres.
2.2.6 Terminologie des physiciens
En physique il est usuel dutiliser le terme tenseur pour les composantes T
i1ip
j1jq
(et non pour lappli-
cation multilin eaire T). Ces composantes ont une signication physique (par rapport ` a une base dun espace
vectoriel 1 qui peut etre par exemple lespace IR
3
ou lespace-temps de Minkowski). Donc les physiciens
consid` erent un tenseur comme un objet avec des indices en haut et/ou en bas (indices contravariants res-
pectivement covariants) ; plus pr ecis ement, les physiciens appellent tenseur du type
_
p
q
_
la donn ee, dans
chaque base de 1, dun arrangement de n
p+q
nombres T
i1ip
j1jq
ayant la loi de transformation (2.23) pour
tout changement de base.
2.2.7 Tenseurs et grandeurs avec indices
Etant donn e des nombres T
i1ip
j1jq
et une base e
1
, . . . , e
n
de 1, on peut d enir une application T :
1
p
q
IR par la formule (2.21), donc un tenseur du type
_
p
q
_
(comme dans (2.19), 1
p
q
d esigne le produit
cart esien de p copies de 1

et q copies de 1). Dautre part, etant donn e, pour chaque base e


i
de 1, un
arrangement de n
p+q
nombres

T
i1ip
j1jq
, ceci ne d enit en g en eral pas un tenseur : pour chaque base e
i
on
obtient bien une application

T : 1
p
q
IR, mais en g en eral ces applications sont diff erentes lune de lautre
(elles sont identiques si et seulement si la loi de transformation (2.22) est satisfaite pour chaque couple e
i
,
e
i
de bases). Donc la propri et e que les

T
i1ip
j1jq
soient un tenseur (plus pr ecis ement quils d enissent les
composantes dun tenseur dans les diff erentes bases de 1) est une propri et e tr` es sp eciale.
Exercice 11 :
Soit n = 3.
(a) Dans chaque base de 1, on se donne trois nombres comme suit : T = (0, 1, 0) [donc le m eme arrange-
ment de trois nombres dans chaque base]. Est-ce que ceci d enit un vecteur covariant ou non ?
(b) Dans chaque base de 1, on se donne neuf nombres par la matrice
_
_
1 0 0
0 1 0
0 0 1
_
_
.
16 CHAPITRE 2. LES TENSEURS
Est-ce que ces nombres d enissent un tenseur dordre 2 covariant (donc T
jk
=
jk
dans chaque base) ?
Un tenseur dordre 2 contravariant (donc T
jk
=
jk
dans chaque base) ? Un tenseur dordre 2 mixte
(donc T
k
j
=
k
j
dans chaque base) ?
Exercice 12 :
Supposons donn e dans chaque base dun espace vectoriel 1 un arrangement de n
2
nombres b
k
j
ayant la
propri et e suivante : pour chaque vecteur covariant S, les nombres T
j
= b
k
j
S
k
se transforment comme les
composantes dun vecteur covariant. Alors b
k
j
se transforme n ecessairement comme un tenseur.
Ce r esultat peut etre utile en physique. En m ecanique par exemple on a la relation L
j
= I
k
j

k
entre
la vitesse angulaire et le moment cin etique L; comme ce sont deux grandeurs vectorielles (densit es
vectorielles de m eme poids 1, ou vecteurs axiaux), I doit etre un tenseur.
2.2.8 Lop eration de contraction
La contraction (simple) est une application lin eaire de T
p
q
dans T
p1
q1
(si p, q 1). La d enition la
plus simple est en termes de composantes. Soit T T
p
q
. Les composantes T
i1ip
j1jq
de T dans une base e
i

portent p indices libres contravariants (i


1
, . . . , i
p
) et q indices libres covariants (j
1
, . . . , j
q
). On choisit une
paire form ee dun indice contravariant et dun indice covariant et on donne le m eme nom ` a ces deux indices ;
ainsi deux indices libres deviennent muets (et il y a une sommation ` a effectuer). De cette facon on obtient
un arrangement de n
p+q2
nombres (p 1 indices libres contravariants et q 1 indices libres covariants),
et il sagit en effet dun tenseur du type
_
p 1
q 1
_
(en effectuant dans chaque base e
i
la contraction sur la
m eme paire dindices).
Exemple : Choisissons la paire (i
1
, j
q
). Les composantes du tenseur contract e seront T
ki2ip
j1jq1k
(k etant un
indice muet, donc de sommation), ou egalement T
i1ip
j1jq1i1
(i
1
d esignant lindice de sommation).
Exercice 13 :
(a) Soit S un vecteur contravariant et T un vecteur covariant. Dans une base e
i
on a S = S
j
e
j
et
T = T
j
e
j
. Les nombres S
j
T
k
d enissent un tenseur du type
_
1
1
_
. Apr` es contraction on obtient un scalaire
(le produit scalaire des vecteurs S et T). V erier cela explicitement avec le changement de base de (1c),
S = 2e
1
+e
2
et T = e
1
+ 2e
2
, cest-` a-dire montrer quon a

S
k

T
k
= S
j
T
j
.
(b) Soit T
ij
k
les composantes dun tenseur du type
_
2
2
_
. V erier que la loi de transformation de T
ij
j
est bien
celle dun tenseur du type
_
1
1
_
. En dautres termes : si t
i

= T
ij
j
et

t
i

=

T
ij
j
, alors on a bien

t
i

=
i
k

t
k
r
.
Remarque : On peut it erer lop eration de contraction et d enir des contractions multiples. Si m N
et p, q m, on peut choisir m paires dindices diff erents, chacune form ee dun indice contravariant et
dun indice covariant, et effectuer une contraction sur chacune de ces paires. Le r esultat est un tenseur du
type
_
p m
q m
_
. Exemple (m = 2) : si T
ij
kr
sont les composantes dun tenseur du type
_
2
3
_
, alors T
ij
jir
est
un vecteur covariant (r est lindice libre).
2.2.9 Tenseurs sym etriques et tenseurs antisym etriques
Soit q 2 et 1 i < j q. Un tenseur T T
0
q
est sym etrique (resp. antisym etrique) par rapport ` a
la paire (i, j) si ses valeurs ne changent pas (resp. changent de signe) sous permutation du i-` eme et j-i` eme
argument, cest-` a-dire si
T(v
1
, . . . , v
i
, . . . , v
j
, . . . , v
q
) = T(v
1
, . . . , v
j
, . . . , v
i
, . . . , v
q
) (2.25)
2.2. TENSEURS 17
resp.
T(v
1
, . . . , v
i
, . . . , v
j
, . . . , v
q
) = T(v
1
, . . . , v
j
, . . . , v
i
, . . . , v
q
) . (2.26)
T est compl` etement sym etrique (resp. compl` etement antisym etrique) si (2.25) (resp. (2.26)) est satisfait pour
toute paire (i, j).
De facon analogue on d enit des propri et es de sym etrie ou dantisym etrie de tenseurs contravariants.
Exercice 14 :
(a) Utiliser (2.14) pour exprimer la propri et e de sym etrie ou dantisym etrie dun tenseur T T
0
q
en termes
des composantes de T. Si q = 2, les composantes T
jk
de T peuvent etre consid er ees sous forme de ma-
trice nn; quelles sont les propri et es sp eciales de cette matrice si T est sym etrique ou antisym etrique ?
(b) V erier que chaque tenseur covariant (ou contravariant) dordre 2 poss` ede une d ecomposition unique
en la somme dun tenseur sym etrique et dun tenseur antisym etrique.
(c) Soit S T
0
2
un tenseur sym etrique et T T
2
0
un tenseur antisym etrique. Montrer que S
jk
T
jk
= 0.
Rajoutons que lensemble des tenseurs compl` etement sym etriques (q fois covariants) est un sous-espace
de lespace vectoriel de T
0
q
. Il en est de m eme pour lensemble des tenseurs compl` etement antisym etriques.
2.2.10 Pseudotenseurs
Le terme pseudotenseur est utilis e pour certaines grandeurs qui ont une loi de transformation tenso-
rielle pour une classe restreinte de changements de base. Des cas particuliers sont souvent rencontr es en
physique.
D enition : Une densit e tensorielle du type
_
p
q
_
et de poids N consiste en la donn ee, dans chaque base
de 1, de n
p+q
nombres T
i1ip
j1jq
se transformant comme suit (comparer avec (2.22)) :

T
i1ip
j1jq
= [[
N

i1
k1

ip
kp

1
j1

q
jq
T
k1kp
1q
, (2.27)
o` u =
k
j
est la matrice qui d enit le passage de la base e
i
` a la base e
i
, [[ = det est le
d eterminant de , et = (
T
)
1
.
Sous des changements de base avec det = 1, (2.27) concide avec la loi de transformation dun
tenseur.
Les densit es tensorielles de rang m = 0 (p = q = 0) sont appel ees des densit es scalaires, celles de
rang m = 1 des densit es vectorielles (covariantes ou contravariantes). Parfois on emploie le terme capacit e
tensorielle pour des densit es tensorielles de poids n egatif (N < 0).
Un tenseur est simplement une densit e tensorielle de poids N = 0. Le produit dune densit e tensorielle
de rang m
1
et poids N
1
avec une densit e tensorielle de rang m
2
et poids N
2
est une densit e tensorielle de
rang m
1
+m
2
et poids N
1
+N
2
. Si N
2
= N
1
, ce produit est un tenseur de rang m
1
+m
2
.
Exemple : Le produit dun tenseur de rang met dune densit e scalaire de poids N est une densit e tensorielle
de rang m et poids N.
Exercice 15 (Scalaires et pseudoscalaires) :
(a) Mettre en evidence la diff erence entre un scalaire et une densit e scalaire en consid erant leur loi de trans-
formation lors du passage dune base e
1
, . . . , e
n
` a la base e
1
, . . . , e
n
(donc e
i
= e
i
).
(b) Si T
jk
sont les composantes dun tenseur covariant dordre 2, d esignons par [T[ = detT
jk
le
d eterminant de la matrice T
jk
. Est-ce que [T[ est un tenseur ? ou une densit e tensorielle ? Si oui, indiquer
son type et son poids.
18 CHAPITRE 2. LES TENSEURS
Exercice 16 (Le symbole de Levi-Civit` a) :
Soit dabord n = 3. On pose

ijk
=
ijk
=
_

_
+1 si (i, j, k) est une permutation paire de (1, 2, 3),
1 si (i, j, k) est une permutation impaire de (1, 2, 3),
0 sinon.
(2.28)
(a) Ecrire explicitement quelques valeurs de ce symbole (choisir quelques valeurs pour i, j, k et ecrire la
valeur de
ijk
)
(b) A chaque base on associe 3
3
= 27 nombres
ijk
par la d enition ci-dessus (donc la d enition de
ces 27 nombres est la m eme dans chaque base : si on d esigne par
ijk
le symbole de Levi-Civit` a pour une
base e
i
, on a
ijk
= +1, 1 ou 0 sous les conditions sp eci ees dans (2.28)).
A montrer : Les
ijk
d enissent une densit e tensorielle covariante dordre 3 (compl` etement antisym etrique)
de poids N = 1 (donc du type capacit e), et les
ijk
une densit e tensorielle contravariante dordre 3 et
poids N = +1.
Indications : Si A = A
k
j
est une matrice 33 (par exemple A = ), posons

rs
=
ijk
A
i

A
j
r
A
k
s
. (2.29)
(i) V erier que
rs
est compl` etement antisym etrique. Par cons equent on doit avoir
rs
=
rs
pour un
nombre IR.
(ii) Se convaincre que
123
= det A. En d eduire que = det A, donc

rs
= (det A)
rs
. (2.30)
(iii) Prendre A = et d eduire de (2.29) et (2.30) la loi de transformation de
ijk
.
(c) Montrer que le symbole de Levi-Civit` a se transforme comme un tenseur pour des changements de
base e
j
e
j
dans IR
3
donn es par des rotations propres. (Rappel : une rotation de IR
3
est d ecrite par
une matrice orthogonale O, cest-` a-dire satisfaisant O
T
O = I = la matrice identit e 33. Une rotation est
propre si elle pr eserve lorientation de la triade de base.)
Exercice 17 (Contractions de ) :
Soit n = 3 et d eni comme dans lexercice pr ec edent.
(a) En utilisant les propri et es des permutations, se convaincre que

ijk

lmn
=
l
i

m
j

n
k
+
m
i

n
j

l
k
+
n
i

l
j

m
k

m
i

l
j

n
k

l
i

n
j

m
k

n
i

m
j

l
k
. (2.31)
(b) Calculer
ijk

imn
(sommation sur indices r ep et es !).
(c) Calculer
ijk

ijn
.
(d) Calculer
ijk

ijk
.
Exercice 18 (Le symbole pour la relativit e) :
Le symbole de Levi-Civit` a peut etre consid er e en n dimensions pour tout n 2. portera alors n indices
et sera compl` etement antisym etrique. Nous consid erons ici le cas n = 4, en adoptant les notations utilis ees
en relativit e (voir le 3.4) : les indices sont d esign es par des lettres grecques et prennent les valeurs 0, 1, 2
et 3. Donc

=
_

_
+1 si (, , , ) est une permutation paire de (0, 1, 2, 3),
1 si (, , , ) est une permutation impaire de (0, 1, 2, 3),
0 sinon.
Comme dans lExercice 14,

est une densit e tensorielle covariante de poids N = 1 (dordre 4),


et

une une densit e tensorielle contravariante de poids N = +1.


Calculer le scalaire

.
2.3. TENSEURS SUR UN ESPACE VECTORIEL MUNI DUNE M

ETRIQUE 19
2.3 Tenseurs sur un espace vectoriel muni dune m etrique
2.3.1 Tenseur m etrique
Soit Gune forme bilin eaire sym etrique non-d eg en er ee sur 1. Donc Gest une application bilin eaire 1
1 IR (cest-` a-dire un tenseur covariant dordre 2) telle que
(a) G(v
1
, v
2
) = G(v
2
, v
1
) v
1
, v
2
1 , (2.32)
(b) si v 1 est tel que G(v, w) = 0 w 1, alors v = 0 . (2.33)
Si G(v, v) > 0 pour tout v ,= 0, on dit que G est d enie positive. Si G(v, v) < 0 pour tout v ,= 0, on dit
que G est d enie n egative. Dans les autres cas (si les valeurs de G peuvent etre positives ou n egatives), on
dit que G est ind enie.
Dans une base e
j
de 1, les composantes g
ij
G(e
i
, e
j
) de G forment une matrice nn sym etrique
non-d eg en er ee. Cette matrice peut etre diagonalis ee (voir le cours dAlg` ebre I ou le livre de W. Greub
Linear Algebra) ; plus pr ecis ement il existe une base distingu ee dans laquelle la matrice g
ij
a la forme
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
1
.
.
.
1
O
O
1
.
.
.
1
1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_

_
n
+
_

_
n

(n
+
+n

= n) (2.34)
Le nombre n
+
dentr ees +1 sappelle lindex de G, la diff erence n
+
n

est la signature de G. G est une


forme d enie si et seulement si n
+
= n ou n

= n.
En physique on rencontre souvent le cas dun espace vectoriel 1 avec une forme bilin eaire sym etrique
non-d eg en er ee distingu ee (ayant une interpr etation physique ; des exemples seront consid er es plus loin).
On parle dun espace vectoriel muni dune m etrique, et la forme bilin eaire distingu ee Gest souvent appel ee
la m etrique de 1 (parfois on parle de pseudo-m etrique dans le cas o` u G est ind enie).
Si v
1
est un vecteur x e de 1, alors G(v
1
, v
2
) est (en tant que fonction de v
2
) une application
lin eaire 1 IR, donc un el ement de 1

que nous appelons (v


1
). De cette facon on associe ` a
chaque v
1
1 un el ement (v
1
) de 1

, avec
G(v
1
, v
2
) = (v
1
), v
2
) v
1
, v
2
1 . (2.35)
Lapplication : 1 1

est lin eaire (puisque Gest bilin eaire) et injective (si (v


1
) = (v

1
), alors G(v
1

1
, v
2
) = 0 pour tout v
2
1, et la propri et e (2.33) de la m etrique m` ene ` a v
1
v

1
= 0, cest-` a-dire v
1
= v

1
).
Ainsi la donn ee dune m etrique G permet de d enir un isomorphisme : 1 1

satisfaisant (2.35).
Si v
1
, v
2
sont des vecteurs de 1

, alors
1
(v
1
) et
1
(v
2
) appartiennent ` a 1, et on peut d enir une
forme bilin eaire sym etrique non-d eg en er ee G

sur 1

en posant
G

(v
1
, v
2
) = G(
1
(v
1
),
1
(v
2
)) .
Remarque : La forme bilin eaire G

introduite ci-dessus est un tenseur 2 fois contravariant, enti` erement


d etermin e par G; vice versa, G est enti` erement d etermin e par la donn ee de G

, car G(v
1
, v
2
) =
G

((v
1
), (v
2
)). Get G

peuvent etre envisag es comme deux r ealisations diff erentes dune seule entit e g.
Ainsi un tenseur m etrique g est un tenseur de rang 2 (sym etrique et non-d eg en er e), G est son expression
covariante et G

son expression contravariante. Par abus la forme Gest elle-m eme appel ee tenseur m etrique
20 CHAPITRE 2. LES TENSEURS
Exercice 19 (Composantes du tenseur m etrique) :
Soit e
1
, . . . , e
n
une base de 1 et e
1
, . . . , e
n
la base duale. Il est usuel de d esigner les composantes
covariantes dun tenseur m etrique par g
jk
et ses composantes contravariantes par g
jk
:
g
jk
= G(e
j
, e
k
) , g
jk
= G

(e
j
, e
k
) .
(a) Si e
i
est un vecteur de la base de 1, alors (e
i
) est el ement de 1

, donc de la forme
(e
j
) = c
jk
e
k
(sommation sur k !)
pour certains nombres c
jk
. V erier que c
jk
= g
jk
. Donc
(e
j
) = g
jk
e
k
. (2.36)
(b) Montrer de m eme que

1
(e
j
) = g
jk
e
k
. (2.37)
(c) D eduire de (2.36) et (2.37) que
g
jk
g
k
=

j
. (2.38)
En termes matricielles : g g
jk
et g

= g
jk
sont des matrices sym etriques nn, et leur produit est
la matrice identit e.
Remarque : Si 1 est muni dune m etrique, chaque base e
1
, . . . , e
n
de 1 d etermine deux bases de 1

, ` a
savoir la base duale e
1
, . . . , e
n
et la base (e
1
), . . . , (e
n
). En g en eral ce sont deux bases diff erentes
de 1

. En effet, dapr` es (2.36), elles sont identiques (cest-` a-dire on a (e


j
) = e
j
pour j = 1, . . . , n) si et
seulement si g
jk
G(e
j
, e
k
) =
jk
.
2.3.2 Covariance, contravariance et m etrique
Soit 1 un espace vectoriel muni dune m etrique. Nous avons vu que le tenseur m etrique peut etre
exprim e sous forme covariante (indices en bas pour les composantes) ou sous forme contravariante (indices
en haut pour les composantes). Plus g en eralement, la donn ee dune m etrique permet (par linterm ediaire de
lisomorphisme : 1 1

) d etablir des relations biunivoques entre grandeurs covariantes et grandeurs


contravariantes (nous insistons sur le fait que de telles relations ne sont possibles que si 1 est muni dune
m etrique). Sur un espace vectoriel 1 muni dune m etrique, un tenseur g en eral peut etre consid er e comme
etant une seule entit e que lon peut exprimer sous forme covariante ou sous forme contravariante ou sous
forme mixte. Nous allons expliquer cela en consid erant des exemples.
Exemple 1 : Vecteurs
Si v 1 est un vecteur contravariant, alors v

(v) est son expression covariante. En termes des


composantes :
si v = v
j
e
j
, (v) = v
k
e
k
, (2.39)
alors (utiliser (2.36)) :
(v) = v
j
(e
j
) = v
j
g
jk
e
k
. (2.40)
Comparaison de (2.39) et (2.40) donne
v
k
= g
jk
v
j
= g
kj
v
j
.
En combinant ceci avec (2.38), on trouve
g
ik
v
k
= g
ik
g
kj
v
j
=
i
j
v
j
= v
i
,
cest-` a-dire
v
i
= g
ik
v
k
.
2.3. TENSEURS SUR UN ESPACE VECTORIEL MUNI DUNE M

ETRIQUE 21
Donc : les composantes covariantes sont obtenues en termes des composantes contravariantes en multi-
pliant par la matrice g = g
jk
. Les composantes contravariantes sont obtenues ` a partir des composantes
covariantes en multipliant par la matrice g

= g
jk
. Autrement dit : la matrice g
jk
permet de baisser
un indice, la matrice g
jk
de monter un indice. Dans la suite, on utilisera la notation v
k
pour v
k
.
Exercice 20 :
Supposons que par rapport ` a une certaine base e
i
de 1, les composantes covariantes dun certain
vecteur v soient les nombres (1, 0, . . . , 0). Trouver les composantes contravariantes v
j
de ce vecteur par
rapport ` a la m eme base.
Exemple 2 : Tenseurs de rang 2
Soit T une application bilin eaire 11 IR (un tenseur du type
_
0
2
_
). Comme nous lavons fait pour le ten-
seur m etrique, on peut lexprimer sous forme contravariante (cest-` a-dire on peut lui associer un tenseur T

du type
_
2
0
_
) en posant
T

(v
1
, v
2
) = T(
1
(v
1
),
1
(v
2
)) .
En termes de composantes par rapport ` a une base e
j
:
si T = T
ij
E
ij
avec T
ij
= T(e
i
, e
j
)
et T

= T
ij
E
ij
avec T
ij
= T

(e
i
, e
j
) ,
alors (utiliser (2.37)) :
T
ij
= T(
1
(e
i
),
1
(e
j
)) = T(g
ik
e
k
, g
j
e

) (2.41)
= g
ik
g
j
T(e
k
, e

) = g
ik
g
j
T
k
. (2.42)
Les composantes contravariantes du tenseur T sobtiennent ` a partir de ses composantes covariantes en
montant chaque indice avec une matrice g
rs
. Similairement les composantes covariantes se calculent ` a
partir des composantes contravariantes en baissant chaque indice ` a laide dune matrice g
rs
:
Exercice 21 :
(a) Montrer que
T
ij
= g
ik
g
j
T
k
(donc

T
ij
= g
ik
g
j

T
k
dans une autre base e
j
).
(b) Expression mixte pour T : un tenseur de rang 2 peut egalement etre exprim e sous forme mixte (on peut
associer ` a T T
0
2
un tenseur T T
1
1
) :
T(v

, w) = T(
1
(v

), w) (v

, w 1) .
En ecrivant
T = T
i
k
E
k
i
, avec T
i
k
= T(e
i
, e
k
) ,
montrer que
T
i
k
= g
ij
T
jk
= g
k
T
i
(un seul indice ` a monter ou ` a baisser, donc une seule matrice g
rs
ou g
rs
). Egalement :
T
jk
= g
ji
T
i
k
, T
jk
= g
k
T
j

.
22 CHAPITRE 2. LES TENSEURS
Exemple 3 : Tenseurs de rang 3
Soit T une application trilin eaire 1 1 1 IR (un tenseur du type
_
0
3
_
). On peut lui associer un
tenseur T

du type
_
3
0
_
, ainsi quun tenseur T du type
_
1
2
_
et un tenseur T

du type
_
2
1
_
par les formules
suivantes :
T

(v
1
, v
2
, v
3
) = T(
1
(v
1
),
1
(v
2
),
1
(v
3
)) , (2.43)
T(v

, v
1
, v
2
) = T(
1
(v

), v
1
, v
2
) , (2.44)
T

(v
1
, v
2
, v) = T(
1
(v
1
),
1
(v
2
), v) , (2.45)
o` u v

, v
j
1

et v, v
j
1.
Exercice 22 :
(a) Consid erons les composantes T
ijk
de T et les composantes T
ijk
de T

:
T
ijk
= T(e
i
, e
j
, e
k
) , T
ijk
= T

(e
i
, e
j
, e
k
) .
Etablir les relations
T
ijk
= g
i
g
jr
g
ks
T
rs
et
T
ijk
= g
i
g
jr
g
ks
T
rs
.
(b) D esignons par T
i
jk
resp. T
ij
k
les composantes de T resp. T

:
T
i
jk
= T(e
i
, e
j
, e
k
) , T
ij
k
= T

(e
i
, e
j
, e
k
) .
Etablir les relations entre ces nombres et les composantes T
ijk
de T.
Remarque : Dans le contexte pr esent , il faut faire attention ` a bien placer les indices. L ecriture utilis ee
parfois au chapitre 2, en mettant des indices sup erieurs verticalement au-dessus des indices inf erieures
(par exemple T
i
j
, T
i1i2
j1j2
) nest plus admissible ici. On devrait ecrire par exemple T
i
j
, T
i1i2
j1j2
; T
i1i2 k
j1
est
obtenu en montant le dernier indice de T
i1i2
j1j2
: T
i1i2 k
j1
= g
kj2
T
i1i2
j1j2
(j
2
est un indice muet dans cette
equation).
Dans certaines applications la position dun indice a une interpr etation pr ecise. Par exemple, si I est le
tenseur dinertie en m ecanique, cest-` a-dire le tenseur de proportionnalit e entre le moment cin etique et la
vitesse angulaire, alors I
jk
(pour j, k x es) donne la composante du moment cin etique dans la direction j
pour une vitesse angulaire
k
= 1 dans la direction k ; donc le premier indice est en relation avec le moment
cin etique et le deuxi` eme avec la vitesse angulaire.
Exercice 23 :
(a) Lors dune contraction, on peut baisser lindice de sommation sup erieur si lon monte en m eme temps
lindice de sommation inf erieur. Montrer par exemple que
T
ijk
j
= T
i kj
j
.
(b) Prenons un tenseur T
ijk

de rang 4, pour le cas n = 2 et dont les composantes sont donn ees par :
T
111
1
= 1 ; T
121
1
= 2 ; T
111
2
= 3 ; T
121
2
= 4
et les autres = 0.
(i) Calculer T
ijk
j
.
(ii) Calculer T
i kj

avec
g
ij
=
_
1 2
3 4
_
(iii) D emontrer que T
ijk
j
= T
i kj
j
.
2.3. TENSEURS SUR UN ESPACE VECTORIEL MUNI DUNE M

ETRIQUE 23
Exercice 24 (Contraction sur des indices du m eme type) :
Lexistence dune m etrique permet maintenant de d enir une op eration de T
p
q
dans T
p2
q
ou dans T
p
q2
.
Pour ceci, il suft dabord de descendre, resp. de monter, un des indices. Par exemple, si T T
0
2
, v erier
que
T
i
i
= g
ik
T
ik
est un scalaire.
2.3.3 Lespace euclidien 3-dimensionnel IR
3
Cest le cas o` u la matrice (2.34) est la matrice identit e et n = 3 (donc n
+
= n = 3, n

= 0). Il existe
donc une base distingu ee e
1
, e
2
, e
3
(appel ee base canonique) telle que
g
jk
= G(e
j
, e
k
) =
jk
.
Cette m etrique est d enie positive. Si x = x
k
e
k
et y = y
k
e
k
sont deux vecteurs (contravariants), on v erie
que le produit scalaire x y usuel (utilis e depuis le coll` ege) correspond bien ` a un tenseur du type
_
0
0
_
,
cest-` a-dire ` a un scalaire. En effet
x y
3

k=1
x
k
y
k
=
jk
x
j
y
k
= g
jk
x
j
y
k
(x, y)
o` u nous avons utilis e la forme particuli` ere de g dans la base canonique.
Si e
1
, e
2
, e
3
est une base de IR
3
, on trouve alors que
g
jk
= e
j
e
k
.
Deux vecteurs x, y sont orthogonaux si x y = 0. Une base orthonorm ee e
1
, e
2
, e
3
est form ee de 3
vecteurs e
1
, e
2
, e
3
de norme 1 et deux ` a deux orthogonaux : e
j
e
k
=
jk
(j, k = 1, 2, 3).
Exercice 25 :
(a) La base canonique e
1
, e
2
, e
3
est une base orthonorm ee de IR
3
. Montrer que la base duale e
j
est
identique avec les vecteurs de 1

obtenus en agissant avec sur les vecteurs de la base canonique :


(e
j
) = e
j
(j = 1, 2, 3) .
(b) Ecrire la matrice g
jk
du tenseur m etrique (i) dans une base orthonorm ee arbitraire, (ii) dans la
base e
1
= (2, 0, 0), e
2
= (0, 1, 0), e
3
= (1, 0, 3).
(c) Dans une base orthonorm ee (en particulier dans la base canonique), v erier que les composantes cova-
riantes dun vecteur x sont identiques avec ses composantes contravariantes.
(d) D eterminer la matrice g
jk
donnant les composantes contravariantes du tenseur m etrique (i) dans une
base orthonorm ee, (ii) dans la base introduite sous (b,ii).
(e) Interpr eter le tenseur T
ik
= x
i
y
k
y
i
x
k
(x, y etant des vecteurs).
(f) Soit T =
_
_
1 0 6
2 7 3
0 5 5
_
_
les composantes covariantes dun tenseur T dordre 2 dans une base ortho-
norm ee. D eterminer les composantes contravariantes de T par rapport ` a la m eme base.
24 CHAPITRE 2. LES TENSEURS
2.3.4 Lespace de Minkowski II M
On prend n = 4 et choisit pour la matrice dans (2.34) la matrice suivante (n
+
= 3, n

= 1) :
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
. (2.46)
(Certains auteurs pr ef` erent le n egatif de cette matrice). Il est usuel de d esigner les indices par des lettres
grecques et les quatre composantes dun vecteur par x = (x
0
, x
1
, x
2
, x
3
).
Un espace vectoriel 4-dimensionnel muni de cette (pseudo-)m etrique est appel e espace de Minkowski ou
espace-temps. On interpr` ete les composantes covariantes x

dun vecteur x comme x


0
= ct, (x
1
, x
2
, x
3
) =
les coordonn ees spatiales dun ev enement (c = vitesse de la lumi` ere, t = temps).
Dans lespace euclidien, les bases orthonorm ees forment une classe de bases distingu ees. Lanalogue
ici sont les bases de Minkowski, cest-` a-dire les bases e
0
, e
1
, e
2
, e
3
dans lesquelles le tenseur m etrique
prend la forme (2.46) :
g

= G(e

, e

) =
_

_
0 si ,= ,
1 si = = 1, 2 ou 3,
1 si = = 0.
Dans une base de Minkowski, le produit scalaire de deux vecteurs x, y s ecrit
(x, y) = g

= x
0
y
0
+x
1
y
1
+x
2
y
2
+x
3
y
3
.
Exercice 26 :
(a) Soit e
0
, e
1
, e
2
, e
3
une base de Minkowski. Exprimer les el ements de la base (e

) en terme de la
base duale e

et calculer les composantes contravariantes g

du tenseur m etrique. Etablir la relation


entre les composantes contravariantes x

et les composantes covariantes x

dun vecteur x dans une telle


base.
(b) Soit e
0
, e
1
, e
2
, e
3
et e
0
, e
1
, e
2
, e
3
deux bases de Minkowski. D esignons par =

la matrice
reliant ces deux bases, donc e

et par cons equent x

. Si g est la matrice (2.46) :


g =
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
,
montrer que
g
T
= g , ou

= g

. (2.47)
Les matrices satisfaisant (2.47) sont les transformations de Lorentz.
A chaque x = (x
0
, x
1
, x
2
, x
3
) on peut associer un vecteur x en posant (x)

. Il est clair
que (x)

sont les composantes covariantes du vecteur x dans la base e

; en particulier on
a x

= x

.
Attention : Une matrice =

d ecrit le passage entre deux bases et ne d enit pas un tenseur (voir


page 14).
(c) Soit une transformation de Lorentz. Montrer que
(det )
2
= 1 et (
0
0
)
2
1 .
Ceci donne une classication des transformations de Lorentz :
(1) det = +1 ,
0
0
1 (2) det = +1 ,
0
0
1
(3) det = 1 ,
0
0
1 (4) det = 1 ,
0
0
1
2.4. CHAMPS DE TENSEURS 25
Pour chaque classe, donner comme exemple une matrice diagonale (les entr ees dans la diagonale etant +1
ou 1) et interpr eter leur signication dans lespace-temps.
D eterminer egalement la classe dun boost (appel e parfois une acc el eration)
() =
_
_
_
_
Ch Sh 0 0
Sh Ch 0 0
0 0 1 0
0 0 0 1
_
_
_
_
( IR) .
Poser v/c = Th, = 1/
_
1
2
et calculer laction de () sur un quadri-vecteur
(x
0
, x
1
, x
2
, x
3
).
(d) Indiquer comment

(Exercice 15) se transforme sous une transformation de Lorentz. Pour quelles


classes de transformations de Lorentz cette loi de transformation concide-t-elle avec celle dun tenseur ?
Classication des vecteurs de lespace-temps
vecteurs du genre espace : x

(x
0
)
2
+ (x
1
)
2
+ (x
2
)
2
+ (x
3
)
2
> 0
vecteurs du genre temps : x

< 0
vecteurs du genre lumi` ere : x

= 0.
Si deux ev enements, caract eris es par des vecteurs x et y, sont tels que xy est du genre lumi` ere, on peut
les relier par un signal de lumi` ere (si par exemple x
0
> y
0
, on peut envoyer un signal au point (y
1
, y
2
, y
3
)
au temps t = y
0
/c, et celui-ci sera recu au point (x
1
, x
2
, x
3
) au temps = x
0
/c).
2.4 Champs de tenseurs
On consid` ere un ensemble de points n-dimensionnel (ici sera un sous-ensemble ouvert de IR
n
, dans
des th eories plus g en erales on prend pour une vari et e diff erentiable de dimension n). Essentiellement
un champ de tenseurs du type
_
p
q
_
consiste en la donn ee, en chaque point P de , dun tenseur T(P) du
type
_
p
q
_
sur un espace vectoriel 1 de la m eme dimension n
3
. Cest donc une application de dans T
p
q
.
Nous allons pr eciser cela ` a laide dexemples.
Un syst` eme de coordonn ees / pour est form e dune origine O et de n vecteurs lin eairement
ind ependants e
1
, . . . , e
n
(les repr esentations graphiques qui suivent sont pour n = 2). Les n vecteurs
forment une base de lespace vectoriel 1 IR
n
. Un point P dans d etermine un vecteur

OP : les coor-
donn ees x
1
P
, . . . , x
n
P
de P dans le syst` eme de coordonn ees / sont les nombres d etermin es par la relation

OP = x
1
P
e
1
+x
2
P
e
2
+ +x
n
P
e
n
= x
j
P
e
j
.
Soit

/ = (

O, e
i
) un deuxi` eme syst` eme de coordonn ees pour (origine

O, base e
i
). Alors

OP = x
1
P
e
1
+ + x
n
P
e
n
= x
j
P
e
j
,
les nombres x
1
P
, . . . , x
n
P
sont les coordonn ees du point P dans le syst` eme de coordonn ees

/.
3. La condition que et V doivent avoir la m eme dimension est n ecessaire (sauf pour des champs scalaires) puisquon exige une
relation entre la loi de transformation tensorielle et les changements de variables entre coordonn ees utilis ees pour param etriser les
points de .
26 CHAPITRE 2. LES TENSEURS
Figure 1
Nous ecrivons

b
i
pour les coordonn ees de lorigine O de / dans le syst` eme

/ :

OO =

b
i
e
i
.
Nous d esignons par la matrice donnant le changement de base e
j
e
j
de 1 : e
j
=
k
j
e
k
.
Calculons la relation entre les nombres x
i
P
et les nombres x
k
P
:

OP = x
i
P
e
i
=

OO +

OP =

b
i
e
i
+x
k
P
e
k
,
ou
( x
i
P

b
i
)
k
i
e
k
= x
k
P
e
k
.
Ainsi
( x
i
P

b
i
)
k
i
= x
k
P
ou, apr` es multiplication par la matrice = (
T
)
1
:
( x
i
P

b
i
)
k
i

j
k
=
j
k
x
k
P
.
Donc (puisque
k
i

j
k
=
j
i
) :
x
j
P
=
j
k
x
k
P
+

b
j
. (2.48)
A part la constante

b
j
(elle ne d epend pas du point P), les coordonn ees du point P se transforment comme
les composantes contravariantes dun vecteur !
Un champ scalaire sur est une application F : IR. Si P est un point de , F(P) est la valeur
de F en P. Dans un syst` eme de coordonn ees / pour , P est d ecrit par les nombres x
1
P
, . . . , x
n
P
, et
on ecrira F(P) = f(x
1
P
, . . . , x
n
P
) : on peut consid erer F comme une fonction f d enie sur une partie
K
de IR
n
, o` u
K
= x IR
n
[ x
i
e
i
. De m eme, dans un autre syst` eme de coordonn ees

/pour , on peut
consid erer F comme une fonction

f d enie sur

K
= x IR
n
[ x
i
e
i
: F(P) =

f( x
1
P
, . . . , x
n
P
). Il
est clair que lon doit avoir
f(x
1
P
, . . . , x
n
P
) =

f( x
1
P
, . . . , x
n
P
) ,
car chaque membre est egal ` a la valeur F(P) de F en P.
Il est clair que, si x varie sur
K
, alors x
i
e
i
varie sur , cest-` a-dire que chaque x
K
d ecrit un
point P de . Il est donc naturel d ecrire simplement x pour les coordonn ees (x
1
P
, . . . , x
n
P
) de P. Nous
adoptons cette convention pour la suite ; de m eme, nous ecrirons x ( x

K
) pour ( x
1
P
, . . . , x
n
P
). Avec
cette convention, on aura
f(x) =

f( x) . (2.49)
2.4. CHAMPS DE TENSEURS 27
Dans (2.49), et dans toutes les equations similaires rencontr ees dans la suite, il est sous-entendu que x et x
d ecrivent le m eme point de , cest-` a-dire que (cf. (2.48)) :
x
j
=
j
k
x
k
+

b
j
. (2.50)
Un champ de vecteurs contravariants sur est d ecrit par la donn ee, dans chaque point P de , dun
el ement T(P) de 1. D esignons par T
i
(P), resp.

T
i
(P), les composantes de T(P) dans la base e
j
,
resp. e
j
:
T(P) = T
i
(P)e
i
=

T
j
(P) e
j
.
Pour i x e, T
i
est une fonction IR que lon peut ` a nouveau consid erer comme une fonction d enie
sur
K
; nous d esignons cette fonction egalement par T
i
, donc T
i
(P) = T
i
(x) T
i
(x
1
P
, . . . , x
n
P
). De
m eme

T
i
(P) =

T
i
( x)

T
i
( x
1
P
, . . . , x
n
P
), o` u

T
i
est une fonction d enie sur

K
. Si x et x d ecrivent le
m eme point, comme dans (2.50), on aura
T(P) = T
k
(x)e
k
=

T
i
( x) e
i
=

T
i
( x)
k
i
e
k
,
donc
T
k
(x) =

T
i
( x)
k
i
ou, apr` es multiplication par la matrice :

T
j
( x) =
j
k
T
k
(x) .
Similairement, un champ de vecteurs covariants sur est, pour chaque P , une application
lin eaire T(P) : 1 IR
n
IR. Comme ci-dessus, on ecrit T
j
(x), resp.

T
j
( x), pour ses composantes
qui satisfont

T
j
( x) =
k
j
T
k
(x) .
Consid erons par exemple encore un champ de tenseurs covariants dordre 2 : pour chaque P on
a une application bilin eaire T(P) : 1 1 IR. On d esigne par T
jk
(P), resp.

T
jk
(P), ses composantes
dans la base e
j
, resp. e
j
:
T
jk
(P) = T(P)(e
j
, e
k
) ,

T
jk
(P) = T(P)( e
j
, e
k
) .
Donc
T(P) = T
jk
(P)e
j
e
k
=

T
jk
(P) e
j
e
k
(2.51)
= T
jk
(x)e
j
e
k
=

T
jk
( x) e
j
e
k
(2.52)
(` a nouveau, pour j et k x e, on a identi e T
jk
(P) avec une fonction T
jk
(x) d enie sur
K
et

T
jk
(P) avec
une fonction

T
jk
( x) d enie sur

K
). Dans ce cas on a la loi de transformation

T
jk
( x) =
i
j


k
T
i
(x)
si x et x d ecrivent le m eme point de .
Dor enavant nous supposerons que les composantes des champs de tenseurs soient diff erentiables (en
tant que fonctions de x, resp. x). Nous d esignons par

k


x
k
resp.

k
=

x
k
les op erations de diff erentiation agissant sur ses composantes.
28 CHAPITRE 2. LES TENSEURS
Exercice 27 (Gradient dun champ scalaire) :
(a) Soit F un champ scalaire, donn e par la fonction f (resp.

f) dans le syst` eme de coordonn ees /(resp.

/).
Montrer que les fonctions
k
f se transforment comme les composantes dun champ de vecteurs covariants,
cest-` a-dire que
(

j

f)( x)


f( x)
x
j
=
k
j
(
k
f)(x)
k
j
f(x)
x
k
.
= Les d eriv ees
k
f d enissent, en chaque point P de , un vecteur covariant qui est souvent d esign e
par dF(P). Donc dF(P) est une application lin eaire 1 IR telle que, dans chaque base e
i
de 1 :
dF(P), v) =
f(x)
x
k
v
k
, si v = v
k
e
k
et x d esigne les coordonn ees du point P dans /. dF(P), v) repr esente la d eriv ee de F au point P le long
de v. Si par exemple v = e
i
: dF(P), e
i
) = f(x)/x
i
. Lorsque P varie sur , les applications dF(P)
d enissent un champ de vecteurs covariants que lon d esigne par dF.
(b) Soit F = le produit de deux champs scalaires , sur . V erier la r` egle du produit pour
lop eration d : T
0
0
() T
0
1
() introduite ci-dessus :
d() = d + d
(produit de tenseurs dans le membre de droite).
Exercice 28 (D eriv ee dun champ de vecteurs. Divergence) :
(a) Soit T un champ de vecteurs contravariants :
T(P) = T
i
(x)e
i
=

T
i
( x) e
i
.
Montrer que les d eriv ees S
k
j
=
j
T
k
d enissent un champ de tenseurs du type
_
1
1
_
(d esign e par dT).
Cons equence : la divergence de T, cest-` a-dire le champ donn e par
j
T
j
, est un champ scalaire.
(b) Si G est un tenseur m etrique sur 1 IR
n
, on peut d enir lop eration =
i

i
g
ik

k
. Si F est un
champ scalaire, d ecrire les propri et es de F (d eni par
i

i
f dans le syst` eme de coordonn ees /).
Attention : Dans les consid erations qui pr ec` edent nous nous sommes restreints ` a des coordonn ees rectilignes
pour : si on xe les valeurs de n1 coordonn ees et varie les valeurs de la coordonn ee non-x ee, on obtient
lintersection de avec une ligne droite, donc les lignes de coordonn ees sont des (morceaux de) droites
(voir lexemple de la droite x
1
= a, dans le cas n = 2, indiqu e dans la Figure 2).
Figure 2
2.4. CHAMPS DE TENSEURS 29
On peut utiliser des coordonn ees pour nayant pas cette propri et e (coordonn ees curvilignes, certaines
ou toutes les lignes de coordonn ees etant courbes). Comme exemple, consid erons dans le cas n = 2 des
coordonn ees polaires (avec origine O). Les courbes = const. sont toujours des lignes droites, mais les
courbes r = const. sont des cercles. Un champ d eni sur peut egalement etre consid er e comme fonction
de coordonn ees curvilignes (une fonction de r et dans lexemple pr ecit e).
En coordonn ees rectilignes, chaque ligne de coordonn ees passant par un point P de est une droite
parall` ele ` a la direction d enie par un des vecteurs de la base e
1
, . . . , e
n
choisie. Autrement dit, les direc-
tions des vecteurs de base sont d etermin ees par la direction des lignes de coordonn ees en P, et ne d ependent
pas du point P. En coordonn ees curvilignes, les directions des lignes de coordonn ees d ependent du point P
(cest evident dans lexemple consid er e dans la Figure 2) : on peut introduire une base locale (une base en
chaque P) en prenant des vecteurs e
1
(P), . . . , e
n
(P) (d ependant de P) dont les directions sont d etermin ees
par les vecteurs tangents aux lignes de coordonn ees au point P (dans la Figure 2 nous avons indiqu e des
bases locales correspondant ` a des coordonn ees polaires en deux points P et P

).
Le Jacobien
x
j
/
x
k pour le changement entre deux syst` emes de coordonn ees rectilignes est constant
sur :
x
j
/
x
k =
j
k
dapr` es (2.50). En coordonn ees curvilignes le Jacobien d ependra du point P de ,
cest-` a-dire les matrices et deviennent des fonctions de P. La loi de transformation dun champ de
tenseurs fait alors intervenir, en chaque point P de , les matrices et dans ce point ; par exemple pour
un champ de tenseurs du type
_
1
2
_
:

T
i
jk
( x) =
x
i
x

x
m
x
j
x
r
x
k
T

mr
(x) ,
o` u ` a nouveau x et x d esignent les coordonn ees du m eme point P et les Jacobiens
x
j
/
x
k et
x
j
/
x
k pour
les changements de coordonn ees x x (resp. x x) sont evalu es en ce point P.
En coordonn ees curvilignes lop eration de diff erenciation
i
na plus une loi de transformation tenso-
rielle (parce quelle agit egalement sur les facteurs et dans les lois de transformation, et ici les d eriv ees
de ces facteurs ne sannulent plus). Donc par exemple si T
i
sont les composantes dun champ de vec-
teurs covariants, alors
k
T
i
ne se transforme pas comme les composantes dun tenseur. On peut rem edier
` a cette situation en introduisant une modication de lop eration de diff erenciation, appel ee la d eriv ee co-
variante

. Nous nentrons pas dans les d etails. Rajoutons par contre quun probl` eme similaire apparat
dans un espace vectoriel muni dune m etrique non-constante (donc d ependante de P), comme cest le cas
en relativit e g en erale.
Quelques r ef erences
Textes simples
- G. Arfken : Mathematical Methods for Physicists, Chapitre 3.
- J. Hladik : Le calcul tensoriel en physique (Masson 1993).
- A.I. Borisenko et I.E. Tarapov : Vector and Tensor Analysis with Applications.
- W. Fl ugge : Tensor Analysis and Continuum Mechanics.
- A. Delachet, Calcul vectoriel et tensoriel (Presses universitaires de France 1960).
- A.N. Srivastava : Tensor Calculus, Theory and Problems.
- C. Jeanperrin : Initiation progressive au calcul tensoriel (Ellipses 1987).
Textes plus complets ou plus math ematiques
- H.J. Dirschmid : Tensoren und Felder (Springer 1996).
- I.S. Sokolnikoff : Tensor Analysis : Theory and Applications to Geometry and Mechanics of Continua.
- L. Brillouin : Les tenseurs en m ecanique et en elasticit e.
- L. Schwartz : Les tenseurs (Hermann 1975).
- R. Deheuvels : Tenseurs et spineurs (Presses universitaires de France 1993).
30 CHAPITRE 2. LES TENSEURS
Chapitre 3
La fonction de Dirac et les
distributions
3.1 Motivation
En electrostatique une charge e positionn ee au point y = 0 R
3
engendre un potentiel electrostatique

P
(x) =
ke
[x[
.
Cela peut etre g en eralis e ` a une distribution continue de charge, , qui engendre un potentiel

C
(x) = k
_
d
3
y
(y)
[x y[
. (3.1)
Si lon pouvait d enir une fonction avec les deux propri et es suivantes :
(x) = 0 si x ,= 0
_
R
3
(y)f(x y)d
3
y = f(x), (3.2)
on aurait lexpression (3.1) avec remplac e par e pour une charge ponctuelle.
Imaginons donc que soit une fonction d enie sur R qui vaut z ero en tout point x ,= 0 et inni au
point x = 0, linnit e etant si grande que
_

(x)dx = 1. Une telle fonction nexiste pas (cest pourquoi


nous lappelons la fonction ). Dans la facon usuelle de d enir une int egrale (par exemple lint egrale de
Lebesgue), si f est une fonction telle que f(x) = 0 x ,= 0, alors
_

f(x)dx = 0. Pour donner un sens ` a


un objet v eriant (3.2), il faut g en eraliser la notion de fonction ; on parle alors de fonctions g en eralis ees
ou de distributions.
Cons equences des propri et es (3.2)
(a) Si > 0, alors
_
+

(x)dx = 1 . (3.3)
(b) Soit f : R R ou f : R C. Comme
f(x)(x) = f(0)(x) ,
on aura
_

f(x)(x)dx = f(0)
_

(x)dx = f(0) .
31
32 CHAPITRE 3. LA FONCTION DE DIRAC ET LES DISTRIBUTIONS
Pour que cela ait un sens, il faut que la valeur de f au point x = 0 soit raisonnablement d enie, ce qui est
certainement le cas si f est continue ` a lorigine. Donc
f continue ` a lorigine
_

f(x)(x)dx = f(0) . (3.4)


(c) Soit a R x e. Alors pour toute fonction continue f (en posant y = x a) :
_

f(x)(x a)dx =
_

f(y +a)(y)dy = f(0 +a) = f(a) .


Donc
f continue
_

f(x)(x a)dx = f(a) . (3.5)


L equation (3.4) montre que associe ` a chaque fonction continue un nombre. Cette id ee est ` a la base
de la th eorie des distributions. Pour des raisons qui deviendront claires un peu plus loin, on se limite ` a
une classe restreinte de fonctions continues, appel ees des fonctions test ; ce sont des fonctions inniment
diff erentiables et convergeant tr` es rapidement vers z ero ` a linni. Lensemble des fonctions test forme un
espace vectoriel lin eaire (sur le corps R ou C par exemple) qui est muni dune topologie (une notion de
convergence). Une distribution est une application lin eaire continue de lespace des fonctions test dans R
ou C; ainsi une distribution associe ` a chaque fonction test un nombre (par exemple la distribution associe
` a chaque fonction test f sa valeur f(0) au point x = 0). Il est souvent pratique de calculer formellement
avec la fonction , en utilisant les formules qui seront donn ees dans ce texte ; pourtant, si lon veut donner
des d erivations math ematiquement correctes, il faut se placer dans le cadre de la th eorie des distributions.
3.2 Lespace de fonctions test o (espace de Schwartz)
Cet espace est form e de lensemble des fonctions f : R C telles que
(i) f est inniment diff erentiable ( f (

),
(ii) f est ` a d ecroissance rapide, cest-` a-dire pour tout m = 0, 1, 2, . . . , on a
sup
xR
[x[
m
[f(x)[ < , (3.6)
(iii) toutes les d eriv ees de f sont ` a d ecroissance rapide, cest-` a-dire = 0, 1, 2, . . . et m = 0, 1, 2, . . . ,
on a
sup
xR
[x[
m

f(x)
dx

< . (3.7)
Notion de convergence dans o
Une suite f
n
appartenant ` a o converge vers z ero dans o si, = 0, 1, 2, . . . et m = 0, 1, 2, . . . , on
a
sup
xR

x
m
d

f
n
(x)
dx

0 lorsque n (3.8)
(convergence uniforme de x
m
f
()
n
(x) vers z ero, pour tout , m x es).
Exercice 1 (Exemples de fonctions test (fonctions gaussiennes)) :
Soit > 0 et a R des nombres r eels x es.
(a) Montrer que la fonction f(x) = exp[(x a)
2
] appartient ` a o.
Indication : Montrer par induction que les d eriv ees f
()
de f sont de la forme f
()
(x) =
P

(x) exp[(x a)
2
], o` u P

est un polyn ome dordre .


(b) V erier que la suite f
n
d enie par f
n
(x) = 1/n exp[(x a)
2
] converge vers z ero dans o.
(c) Est-ce que la fonction g(x) = (1 +x
2
)
25
appartient ` a o ?
3.3. LES DISTRIBUTIONS SUR o 33
3.3 Les distributions sur o
Les distributions d enies sur o sont appel ees des distributions temp er ees. Lespace des distributions
temper ees est not e o

. (Il est lespace dual de o.) Comme nous nallons pas traiter dautres espaces de
fonctions test, nous les appellerons simplement des distributions. Donc une distribution T associe ` a chaque
fonction f o un nombre complexe T(f) de telle facon que :
(i) T(
1
f
1
+
2
f
2
) =
1
T(f
1
) +
2
T(f
2
) si
1
,
2
C et f
1
, f
2
o , (lin earit e)
(ii) si f
n
o est une suite qui converge vers z ero dans o, alors
lim
n
T(f
n
) = 0 . (continuit e)
Certaines distributions particuli` eres (par exemple la distribution de Dirac) seront d esign ees par un autre
symbole que la lettre T.
Exercice 2 (La distribution de Dirac) :
La distribution de Dirac est d enie par (f) = f(0) pour f o. Montrer que ceci d enit bien une
distribution (en dautres termes v erier la lin earit e et la continuit e de ).
Exercice 3 (Fonctions interpr et ees comme distributions) :
Si : R C est une fonction raisonnable, on peut lui associer une distribution T

en posant, pour
f o :
T

(f) =
_

f(x)(x)dx . (3.9)
Montrer que ceci d enit bien une distribution en supposant que soit continue (ou continue par morceaux.
Cette hypoth` ese est faite seulement an de pouvoir interpr eter lint egrale dans (3.9) dans le sens de Rie-
mann.) et que ne croisse pas trop vite ` a linni, plus pr ecis ement quil existe des constantes c > 0 et
M R telles que
[(x)[ c(1 + [x[)
M
x R . (3.10)
3.4 Op erations sur les distributions I
(a) Addition de distributions
Si T
1
, T
2
sont des distributions, leur somme T
1
+ T
2
est la distribution d enie par
(T
1
+T
2
)(f) = T
1
(f) +T
2
(f) f o .
(b) Limite dune suite de distributions
Si T
n
est une suite de distributions, on dit que T
n
converge vers T au sens des distributions si
lim
n
T
n
(f) = T(f) f o . (3.11)
Dautres op erations int eressantes seront trait ees plus loin.
Exercice 4 (Convergence de fonctions) :
(a) Soit
n
une suite de fonctions continues, born ees telle que lim
n

n
(x) = (x) uniform ement en
x (ce qui entrane que est continue et born ee). Montrer que lim
n
T
n
(f) = T

(f) pour tout f o,


cest-` a-dire que la suite
n
converge vers egalement au sens des distributions.
Remarque : On peut montrer que lim
n
T
n
(f) = T

(f) sous des hypoth` eses plus faibles que la conver-


gence uniforme des fonctions
n
vers . La suite
n
trait ee dans lexemple suivant ne satisfait pas ces
hypoth` eses mais poss` ede n eanmoins une limite au sens des distributions ; cette limite est une distribution
mais pas une fonction (cest-` a-dire elle nest pas de la forme T

avec une fonction).


34 CHAPITRE 3. LA FONCTION DE DIRAC ET LES DISTRIBUTIONS
(b) Soit
n
la suite donn ee par

n
(x) =
_
n/2 si 1/n x 1/n,
0 si [x[ > 1/n,
tels que
_

n
(x)dx = 1 pour tout n = 1, 2, 3, . . .
(i) Montrer que
n
(x) poss` ede une limite (nie ou innie) pour tout x x e, et d eterminer cette limite. En ne
consid erant pas le point x = 0, est-ce que la convergence est uniforme ou non ?
(ii) D esignons par (x) la limite de
n
(x). Si T

est d eni par (3.9), montrer que T

est la distribution
identiquement nulle, cest-` a-dire T

(f) = 0 pour tout f o.


(iii) Montrer que lim
n
T
n
(f) = f(0) pour tout f o.
Conclusion : La suite T
n
converge (au sens des distributions) vers la distribution de Dirac et non pas
vers la distribution nulle !
Exercice 5 (Suites de Dirac) :
Lexercice pr ec edent montre que la distribution de Dirac peut etre interpr et ee comme limite (au sens
des distributions !) dune suite de fonctions. Une suite de fonctions qui converge (au sens des distributions)
vers est appel ee une suite de Dirac ;
Une autre suite de Dirac souvent utilis ee est celle obtenue en prenant

n
(x) =
n

2
e
(nx)
2
/2
.
Cest une suite de Dirac gaussienne :
-3 -2 -1 0 1 2 3
0
1
n=7
n=5
n=3
n=1


Le but du pr esent exercice est de g en eraliser lid ee de suites de Dirac.
(a) Soit
1
:R R une fonction satisfaisant
1
(x) 0 pour tout xR et
_

1
(x)dx = 1. Soit
n
d eni
par
n
(x) = n
1
(nx).
(i) V erier que
_

n
(x)dx = 1 pour tout n et que
lim
n
_

n
(x)dx = 1 pour tout > 0
(donc
n
est concentr ee au voisinage du point x = 0 lorsque n est grand).
(ii) Montrer que
n
est une suite de Dirac, en dautres termes que
lim
n
_

f(x)
n
(x)dx = f(0) f o . (3.12)
3.5. OP

ERATIONS SUR LES DISTRIBUTIONS II 35


Remarque : La relation (3.12) est souvent exprim ee formellement comme suit :
lim
n

n
(x) = (x) .
(b) Montrer que
(x) = lim
+0
1

x
2
+
2
. (3.13)
Indication : Se ramener ` a une suite de Dirac en posant = 1/n.
Exercice 6 (Propri et es de la distribution de Dirac) :
Quelques propri et es utiles de la fonction peuvent etre obtenues en la consid erant comme la limite
dune suite de Dirac. On utilisera la distribution translat ee (x a), d enie comme
(x a) = lim
n

n
(x a) .
(a) Montrer que, si a R, a ,= 0, alors
(ax) =
1
[a[
(x) . (3.14)
Plus pr ecis ement :
lim
n
_

f(x)
n
(ax)dx =
1
[a[
f(0) f o .
Cas particulier a = 1 :
(x) = (x) . (3.15)
(b) Soit : R R une fonction contin ument diff erentiable et nayant quun nombre ni de z eros qui
sont tous simples (en dautres termes il ny a quun nombre ni x
1
, . . . , x
N
de points o` u (x) = 0, et

(x
k
) ,= 0 pour k = 1, . . . , N). Alors
((x)) =
N

k=1
1
[

(x
k
)[
(x x
k
) . (3.16)
Indication : Se ramener ` a (3.14) en utilisant un d eveloppement de Taylor de au voisinage des points x
k
.
3.5 Op erations sur les distributions II
Supposons que : o o soit une application lin eaire continue de lespace de Schwartz o dans
lui-m eme. Donc :
(i) A chaque f o est associ e une fonction (f) appartenant ` a o,
(ii) (
1
f
1
+
2
f
2
) =
1
(f
1
) +
2
(f
2
) (linearit e de )
(iii) Si f
n
o est une suite qui converge vers z ero dans o, alors la suite (f
n
) converge egalement
vers z ero dans o (continuit e de ).
Alors on peut associer ` a chaque distribution T une autre distribution, d esign ee par T , en posant
(T )(f) = T((f)) pour f o . (3.17)
T nest rien dautre que la composition des applications : o o et T : o C. A tout f o,
associe la fonction (f) dans o, et T associe ` a (f) le nombre complexe T((f)).
V erions que T est bien une distribution :
36 CHAPITRE 3. LA FONCTION DE DIRAC ET LES DISTRIBUTIONS
(i) Lin earit e de T
Elle sobtient en utilisant dabord (3.17), puis la lin earit e de , ensuite la lin earit e de T et enn ` a nouveau
(3.17) :
(T )(
1
f
1
+
2
f
2
) = T((
1
f
1
+
2
f
2
))
= T(
1
(f
1
) +
2
(f
2
)) =
1
T((f
1
)) +
2
T((f
2
))
=
1
(T )(f
1
) +
2
(T )(f
2
) .
(ii) Continuit e de T
Si f
n
0 dans o, alors (f
n
) 0 dans o par la continuit e de . Donc T((f
n
)) 0 par la continuit e
de T. Ainsi si f
n
0 dans o, alors (T )(f
n
) T((f
n
)) 0, ce qui veut dire que lapplication T
est continue.
Exercice 7 (Translation dune distribution) :
Soit a un nombre r eel x e. Prenons pour lapplication suivante
((f))(x) = f(x +a) f
(a)
(x) .
Si f o, f
(a)
est une nouvelle fonction dans o. Ainsi on peut d enir, pour toute distribution T, la distri-
bution translat ee par a et d esign ee par T
(a)
(plut ot que par T ) :
T
(a)
(f) = T(f
(a)
) . (3.18)
Comme exemple, d eterminer la translat ee
(a)
de la distribution de Dirac et la translat ee de la distri-
bution T

(o` u est une fonction).


Exercice 8 (Multiplication dune distribution par une fonction lisse) :
Soit G : R C une fonction inniment diff erentiable telle que Gf o pour tout f o et telle que,
pour toute suite f
n
o convergeant vers z ero dans o, la suite Gf
n
converge egalement vers z ero dans
o. Si on prend pour la multiplication par G, cest-` a-dire (f) = Gf, ou plus explicitement
((f))(x) = G(x)f(x) ,
et si on d esigne la distribution T par GT, on aura associ e ` a chaque distribution T une nouvelle distri-
bution GT :
(GT)(f) = T(Gf) . (3.19)
Montrer quon peut prendre pour G une fonction test (une fonction de o) ou un polyn ome en x.
Exercice 9 (Diff erentiation des distributions) :
Prenons pour lop eration de diff erentiation :
(f)(x) = f

(x)
d
dx
f(x) .
est lin eaire et continue (si f
n
o est une suite telle que f
n
0 dans o, on voit de la d enition de la
convergence dans o que f

n
0 dans o).
La distribution T est appel ee la d eriv ee de la distribution T et d esign ee par T

:
T

(f) = T(f

) . (3.20)
Le signe dans (3.20) est choisi de facon ` a ce que, si est une fonction diff erentiable, la d eriv ee au sens
des distributions soit identique ` a la d eriv ee au sens de fonctions, cest-` a-dire tel que
(T

= T

. (3.21)
3.6. TRANSFORM

EE DE FOURIER ET CONVOLUTION 37
(a) Soit G une fonction comme dans lExercice 8 et T une distribution. Montrer que (GT)

= G

T +GT

,
cest-` a-dire quon a la r` egle usuelle pour la d eriv ee dun produit.
(b) D eterminer la d eriv ee

de la distribution de Dirac, cest-` a-dire donner lexpression pour

(f) si f o.
(c) Consid erons la fonction de Heaviside H d enie par
H(x) =
_
0 si x < 0,
1 si x 0.
La d eriv ee (usuelle) de H existe pour tout x ,= 0 et vaut H

(x) = 0 (x ,= 0). Au point x = 0, H nest pas


1
H(x)
x
diff erentiable.
Montrer que la d eriv ee de H au sens des distributions est la distribution de Dirac :
(T
H
)

= (3.22)
ou formellement
d
dx
H(x) = (x) . (3.23)
(d) Soit : R C une fonction contin ument diff erentiable sur (, 0) et (0, ), mais avec une disconti-
nuit e en x = 0 :
q(x)
x
Soit a = lim
+0
[(+) ()]. D esignons par

la fonction

(x) =
_
d(x)/dx si x ,= 0,
0 si x = 0.
En supposant

(x) born ee, montrer que, au sens des distributions :


(T

= a +T

(3.24)
(ou formellement : la d eriv ee de est egale ` a

aux points o` u est diff erentiable et egale ` a a au point de


discontinuit e de ).
3.6 Transform ee de Fourier et Convolution
La transformation de Fourier est d enie par
(f)(y)

f(y) =
1

2
_

e
ixy
f(x)dx . (3.25)
38 CHAPITRE 3. LA FONCTION DE DIRAC ET LES DISTRIBUTIONS
Cest une application lin eaire continue de o dans o (voir le cours Analyse II ; cest relativement
evident car la transform ee de Fourier de f
()
(x) est (iy)

f(y) et la transform ee de Fourier de x
m
f(x)
est i
m

f
(m)
(y) ; voir (d)).
Si T est une distribution, alors la distribution T est d esign ee par

T et appel ee la transform ee de
Fourier de la distribution T :

T(f) = T(

f) . (3.26)
Pour T o

et f o nous d enissons
f

(x) f(x) , T

(f) T(f

) .
Il suit que

f = f

T = T

.
Soient f, g o, nous d enissons la convolution de f avec g par
(f g)(y)
_

f(x)g(y x)dx .
Comme f g est une fonction, nous devons nous attendre que pour une distribution T, la convolution
T g soit aussi une distribution. Il faut donc le d enir par son application sur des fonctions de test. Soit
T o

et f, g o nous d enissons
(T f)(g) = T(f

g) et (f T)(g) = T(f

g)
Remarque : On peut d emontrer que T f C

(R) et quil existe un nombre p N et C R telle que


[(T f)(y)[ C(1 + [y[
p
). En particulier, T f peut etre consid er ee ` a nouveau comme une distribution
de type T

.
La convolution dune distribution avec une fonction peut etre d enie pour une classe de fonctions beau-
coup plus grande que lespace de Schwartz. Tr` es souvent aussi la convolution dune distribution avec une
autre distribution est bien d enie. On peut, par exemple, d emontrer que = . Un th eor` eme plus g en eral
(dont on peut trouver la d emonstration dans les r ef erences mention ees ` a la n de ce chapitre) : Si une des
deux distributions T et S a un support born e, T S est bien d enie.
Exercice 10 (Transform ee de Fourier dune distribution) :
(a) D eterminer la transform ee de Fourier de
(a)
(voir Exercice 7).
Conclusion : La transform ee de Fourier de et de
(a)
est une distribution :

(a)
= T

pour une certaine


fonction . Quelle est cette fonction?
(b) D eterminer la transform ee de Fourier de la fonction 1 au sens des distributions, ou la fonction 1 agit
comme distribution selon
1(g) =
_

1g(x)dx =
_

g(x)dx.
(c) D eriver les equations suivantes pour f o et T o

(p) = ip

f(p) , (

f)

= i

If ,

= iI

T , (

T)

= i

IT
o` u I est la fonction identit e.
Exercice 11 (Convolution) :
(a) D emontrer que f g = g f.
3.7. DISTRIBUTIONS EN N DIMENSIONS 39
(b) V erier que pour une fonction lisse , telle que T

existe, la d enition de la convolution pour les


distributions est consistent avec la d enition de la convolution pour des fonctions. Utiliser T

f = T
f
.
(c) Soient f, g o et T o

. D eriver les equations suivantes (o` u par commodit e on a utilis e pour le


produit usuel) :
(i)

f g =

2

f g .
(ii)

f g =
1

f g .
(iii)

T g =

2 g

T .
(iv)

g T =
1

T g .
(d) Montrer que f = f au sens des distributions.
3.7 Distributions en n dimensions
La th eorie des distributions en n dimensions est tout ` a fait analogue ` a celle d evelopp ee jusquici, il
suft de remplacer lespace o des fonctions test par son analogue n-dimensionnel o(R
n
) : lensemble
des fonctions f : R
n
C inniment diff erentiables telles que f et toutes ses d eriv ees partielles sont ` a
d ecroissance rapide : Pour tout m
1
, m
2
, . . . , m
n
,
1
,
2
, . . . ,
n
= 0, 1, 2, . . ., on a
sup
xR
n
[x
1
[
m1
[x
2
[
m2
[x
n
[
mn

1+2++n
f(x)
x
1
1
x
2
2
x
n
n

< ,
o` u nous utilisons la notation x = (x
1
, x
2
, . . . , x
n
) R
n
.
Nous nous int eressons tout sp ecialement ` a la distribution de Dirac
(n)
en n dimensions (` a ne pas
confondre avec la ni` eme d eriv ee de la distribution en une dimension !).
(n)
est d enie par

(n)
(f) = f(0) = la valeur de f pour x = 0 . (3.27)
Souvent on ecrit simplement (x) pour
(n)
(x).
Exercice 12 :
Montrer quen coordonn ees cart esiennes on peut envisager
(n)
(x) comme etant le produit de n distri-
butions de Dirac unidimensionnelles (consid erer le cas n = 3) :

(n)
(x) = (x
1
)(x
2
) (x
n
) . (3.28)
Remarque : Le produit des n distributions apparaissant dans (3.28) a un sens, car les arguments sont des
variables ind ependantes. Si f est une fonction test de o(R
n
) alors, par exemple, la distribution
xn
par
rapport ` a la variable x
n
appliqu ee ` a f est d enie comme suit : on xe les valeurs x
1
, . . . , x
n1
et on pose

f(x
n
) = f(x
1
, . . . , x
n1
, x
n
), avec

f o, donc
xn
(f) d ependra encore de x
1
` a x
n1
et sera donn ee par
_

xn
(f)
_
(x
1
, . . . , x
n1
) = f(x
1
, . . . , x
n1
, 0).
En utilisant (3.28), on peut obtenir les propri et es et des repr esentations de
(n)
(x) comme limite dune
suite de fonctions ` a partir des r esultats donn es sur la distribution de Dirac en une dimension.
R ef erences
J.L. BASDEVANT, M ecanique quantique (Compl ement Math ematique II, p. 381).
R.F. HOSKINS, Delta Functions, Introduction to Generalised Functions.
L. SCHWARTZ, M ethodes math ematiques pour les sciences physiques (Chap. II et V).
40 CHAPITRE 3. LA FONCTION DE DIRAC ET LES DISTRIBUTIONS
Chapitre 4
Fonctions de Green
Les fonctions de Green interviennent dans la r esolution de certaines equations diff erentielles. Nous
consid erons ici le cas, particuli` erement important pour la physique, d equations diff erentielles du 2` eme
ordre, et nous commencons par des equations diff erentielles aux d eriv ees ordinaires du type Sturm-
Liouville.
4.1 Fonctions de Green en une dimension
Soit (a, b) un intervalle ni, q : (a, b) R une fonction r eelle raisonnable (par exemple born ee et
continue). On consid` ere l equation diff erentielle
(Lf)(x) f

(x) +q(x)f(x) = h(x) (4.1)


o` u h est une fonction donn ee (que nous supposons continue par morceaux) et
L =
d
2
dx
2
+q(x) (4.2)
est lop erateur diff erentiel (du type Sturm-Liouville). Le terme op erateur diff erentiel veut dire que L agit
sur des fonctions de x (il associe ` a chaque fonction deux fois diff erentiable une nouvelle fonction Lf),
et son action fait intervenir des d eriv ees. Dans cette terminologie, l equation diff erentielle (4.1) peut etre
ecrite comme Lf = h.
La solution f de l equation (4.1) est soumise ` a des conditions aux limites homog` enes (cest-` a-dire
des conditions aux limites qui sont satisfaites par toutes les combinaisons lin eaires de f
1
et f
2
si elles
sont satisfaites par f
1
et par f
2
). Nous consid erons surtout des conditions aux limites homog` enes s epar ees
(cest-` a-dire une condition au point x = a et une condition au point x = b) :

1
f(a) +
1
f

(a) = 0, (4.3)

2
f(b) +
2
f

(b) = 0, (4.4)
o` u
j
,
j
sont des constantes donn ees. Des cas particuli` erement simples sont ceux o` u
j
= 0 (conditions
de Neumann) ou
j
= 0 (conditions de Dirichlet).
La m ethode de la fonction de Green consiste ` a r esoudre, pour chaque y (a, b) x e, l equation
diff erentielle suivante :
[
d
2
dx
2
+q(x)]G(x, y) = (x y) , (4.5)
41
42 CHAPITRE 4. FONCTIONS DE GREEN
o` u la fonction de Green G doit satisfaire (en tant que fonction de x!) les m emes conditions aux limites
en x = a et en x = b que la solution f de (4.1). Si G est trouv e, on peut obtenir la solution f de (4.1)
simplement par (voir lExercice 1)
f(x) =
_
b
a
G(x, y)h(y)dy . (4.6)
L equation (4.5) doit etre interpr et ee au sens des distributions (le membre de droite est une distribution). On
peut ecrire L
x
G = (x y). Donc a priori G est une distribution. Mais dans la plupart des situations cette
distribution est en fait une fonction, do` u le nom fonction de Green ; en effet nous avons vu au Chapitre
3 (Exercice 9) que la distribution de Dirac apparat comme (premi` ere ou deuxi` eme) d eriv ee de certaines
fonctions.
Exercice 1 (Fonction de Green et solutions de l equation diff erentielle) :
Soit G la fonction de Green pour lop erateur (4.2) et les conditions aux limites (4.3-4.4). Montrer par
un calcul formel (passer les d eriv ees sous lint egrale) que la fonction f d enie par (4.6) est solution de
l equation diff erentielle (4.1) et satisfait aux conditions aux limites (4.3-4.4).
Remarque : Une d emonstration plus correcte sera donn ee dans le corrig e. On peut egalement montrer
que, si f est solution de (4.1) et (4.3-4.4), alors f peut etre repr esent ee sous la forme (4.6).
4.2 D etermination de la fonction de Green
Pour y (a, b) x e, on d etermine la fonction de Green G(x, y), en tant que fonction de x, en imposant
les conditions suivantes :
(i) elle doit satisfaire l equation diff erentielle L
x
G = 0 sur (a, y) et sur (y, b),
(ii) elle doit satisfaire les conditions aux limites (4.3-4.4) en x = a et en x = b,
(iii) elle doit etre continue en x = y,
(iv) sa d eriv ee doit avoir une discontinuit e de 1 au point x = y
(la derni` ere condition assure que la deuxi` eme d eriv ee de G au point x = y est egale ` a (x y), selon
lExercice 9 du Chapitre 3).
Plus explicitement, d esignons par g
a
une solution de Lg = 0 satisfaisant la condition (4.3) (donc g
a
est d etermin ee ` a un coefcient multiplicatif pr` es) et de m eme g
b
solution de Lg = 0 avec la condition
(4.4). On suppose que lon peut choisir g
a
et g
b
lin eairement ind ependantes sur (a, b) : g
a
+ g
b
= 0
= = 0 (c.-` a-d. g
a
nest pas proportionelle ` a g
b
). Alors, pour y x e, il existe des constantes , (qui
peuvent d ependre de y) telles que
G(x, y) =
_
g
a
(x) si x < y,
g
b
(x) si x > y.
(4.7)
Les constantes et sobtiennent facilement ` a partir des conditions de raccordement (iii) et (iv) au point
x = y. On trouve que
G(x, y) =
1
W(y)
_
g
a
(x)g
b
(y) si x < y,
g
a
(y)g
b
(x) si x > y,
(4.8)
o` u W(y) = g
a
(y)g

b
(y) g

a
(y)g
b
(y) est le Wronskien de g
a
, g
b
.
Exercice 2 (V erication de la formule (4.8)) :
(a) V erier que la fonction (4.8) satisfait les conditions de raccordement (iii) et (iv) :
lim
+0
[G(y +, y) G(y , y)] = 0,
4.2. D

ETERMINATION DE LA FONCTION DE GREEN 43


lim
+0
[G

(y +, y) G

(y , y)] = 1
(b) Montrer que
d
dy
[W(y)] = 0 .
Ainsi le d enominateur dans (4.8) est une constante, et on voit que G(x, y) = G(y, x). Donc la fonction de
Green est sym etrique dans ses deux arguments.
Exercice 3 (Applications de la formule (4.8)) :
Soit (a, b) = (0, /2) et > 0 une constante. D eterminer la fonction de Green de lop erateur L =
d
2
/dx
2
pour les conditions aux limites f(0) = f(/2) = 0. Consid erer en particulier le cas = 1,
et calculer la solution f(x) explicite pour :
(i) h(y) = (y /4), dessiner f(x) et f

(x) et comparer avec lexercice 9(d) du chapitre pr ec edent.


(ii) h(y) = sin(y), et v erier que f

(x) f(x) = sin(x).


Exercice 4 (Fonctions de Green pour un intervalle inni) :
L equation (4.1) sur lintervalle (, ) ou (0, ) est souvent rencontr ee en m ecanique quantique en
relation avec l equation de Schr odinger.
Soit ` a nouveau L = d
2
/dx
2
+ et (a, b) = (0, ). Chercher la fonction de Green dans les cas
suivants :
(i) > 0, f(0) = f() = 0
(ii) < 0, f(0) = 0, G(x, y) cos(
_
[[x) lorsque x .
Exercice 5 (M ethode de Fourier) :
Il est possible de calculer certains fonctions de Green par une transformation de Fourier. Cest la solution
fondamentale, ce qui est la solution au sens des distributions de l equation formelle
(LG)(x) = (x). (4.9)
Les conditions aux limites doivent alors etre satisfaites en ajoutant une solution H de l equation homog` ene
(LH)(x) = 0.
(a) D emontrer formellement que la distribution
G(x) =
1

2
T
1
_
1
k
2
+
_
(4.10)
est la solution fondamentale pour lop erateur L de lexercice 4. (T d enote la transform ee de Fourier et T
1
son inverse.) Indication : se rappeler que

x
f(k) = ik

f(k).
(b) Calculer explicitement la solution fondamentale (4.10) en utilisant une int egration dans le plan complexe
(th eor` eme des r esidus) pour > 0. Appliquer explicitement L ` a cette solution pour v erier Eq. (4.9).
Construire la fonction de Green G(x, y) qui r esoud L(x)G(x, y) = (x y) et avec G(, y) = 0.
(c) Trouver les (deux) solutions homog` enes ind ependentes de L et v erier que la fonction de Green pour
lexercice 4.i peut etre ecrite comme somme de la solution fondamentale et des solutions homog` enes.
44 CHAPITRE 4. FONCTIONS DE GREEN
4.3 Fonction de Green en trois dimensions
Un probl` eme en trois dimensions analogue ` a celui trait e jusquici est de consid erer l equation
diff erentielle
f(x) +q(x)f(x) zf(x) = h(x) (4.11)
o` u x varie sur une partie born ee de R
3
ou sur R
3
tout entier et z est une constante (r eelle ou complexe).
Dans le premier cas on imposera des conditions sur le bord de , dans le deuxi` eme cas pour [x[ .
Comme auparavant, la fonction de Green est d enie comme une solution (au sens des distributions) de
[
x
+q(x) z]G
z
(x, y) =
(3)
(x y) (4.12)
et satisfaisant les conditions aux limites (sur ou pour [x[ respectivement). z est consid er e comme
un param` etre, la fonction de Green d ependra de ce param` etre. La notation
x
signie que les d eriv ees
apparaissant dans le Laplacien sont par rapport ` a la variable x :

x
G(x, y) =
_

2
x
2
1
+

2
x
2
2
+

2
x
2
3
_
G(x, y) .
En termes de la fonction de Green, la solution de (4.11) est donn ee par
f(x) =
_
G
z
(x, y)h(y)d
3
y . (4.13)
Exercice 6 (La fonction de Green du Laplacien) :
On consid` ere l equation (4.12) avec q(x) 0 et z = 0, cest-` a-dire

x
G(x, y) =
(3)
(x y) . (4.14)
(a) Prendre dabord = R
3
. Montrer que la solution sannulant ` a linni (cest-` a-dire pour [x[ ) est
G(x, y) =
1
4[x y[
.
Indication : Dabord, v eriez que
x
G(x, y) = 0 pour x ,= y. Ensuite, evaluez le Laplacien de G(x, y)
dans le sens des distributions en prenant [x y[ > 0, puis 0. On rappelle la formule de Green-
Ostrogradski (g en eralisation de lint egration par parties)
_
U
[g(x)f(x) f(x)g(x)]dx =
_
U
[g(x)f(x) f(x)g(x)] N(x)dS
o` u f et g sont deux fonctions contin ument diff erentiables R
3
R, et U un ouvert ` a bord lisse U, muni
de la normale ext erieure N(x).
(b) Prendre = x R
3

[x[ R, cest-` a-dire la boule de rayon R centr ee ` a lorigine. R esoudre (4.14)


avec la condition ` a la limite G(x, y) = 0 si [x[ = R (cest-` a-dire G(x, y) sannule sur le bord de ).
Indication : On a
x
1
|xw|
= 0 si [x[ < R et [w[ > R. Chercher G(x, y) de la forme
G(x, y) =
1
4[x y[

a(y)
4[x w[
,
o` u a(y) est un nombre qui peut d ependre de y, et w est un vecteur qui peut d ependre de y (prendre
w = b(y)y [pourquoi ?], o` u b(y) est un nombre qui peut d ependre de y) et qui satisfait [w[ > R.
4.3. FONCTION DE GREEN EN TROIS DIMENSIONS 45
Application : Le potentiel electrostatique V en x R
3
d u ` a une distribution de charge de densit e (x) est
d etermin e par l equation de Poisson
V (x) = (x)/
0
.
Le r esultat de (a) permet de donner la solution par
V (x) =
1
4
0
_
(y)
[x y[
d
3
y .
On voit que la fonction de Green joue le r ole dune fonction dinuence :
1
0
G
0
(x, y) d etermine le potentiel
au point x d u ` a une unit e de charge ponctuelle plac ee au point y.
Similairement, le r esultat de (b) permet de calculer le potentiel V ` a lint erieur de la boule = x
R
3

[x[ R produit par une distribution de charge dans cette boule, la surface de la boule etant mise ` a
terre (V (x) = 0 si [x[ = R).
Comment peut-on interpr eter le r esultat de lExercice 6 (b) en termes electrostatiques ? (La m ethode des
charges images).
Dans lexercice suivant nous discutons la fonction de Green de lop erateur z dans = R
3
. Nous
trouverons une solution particuli` ere qui a la propri et e de sannuler ` a linni ; la solution g en erale sobtient
en lui rajoutant des solutions de l equation homog` ene (
x
z)f(x) = 0 (o` u f peut d ependre de z et y).
Exercice 7 (Fonction de Green de l equation de Schr odinger stationnaire (ou l equation de Helmholtz)) :
Soit z un nombre complexe. Consid erer l equation suivante dans R
3
:
(
x
z)G
z
(x, y) = (x y) (4.15)
(a) Montrer que
G
z
(x, y) =
1
4
e
i

z|xy|
[x y[
(4.16)
est une solution pour chacune des deux valeurs de

z.
Indication : Utiliser la r` egle de Leibniz ([w[ = [x y[)

e
i

z|w|
[w[
= e
i

z|w|

1
[w[
+
1
[w[
e
i

z|w|
+ 2
1
[w[
e
i

z|w|
et les relations
[w[ =
w
[w[

1
[w[
=
w
[w[
3
.
(b) D eterminer le comportement de la solution (4.16) ` a linni pour z r eel (cest-` a-dire y R
3
est x e et
[x[ ). Distinguer entre le cas o` u z > 0 et celui o` u z < 0 ; poser k = [

z[ dans le premier cas et


= [

z[ dans le deuxi` eme cas et tenir compte des deux signes possibles de la racine dans (4.16).
Exercice 8 (Fonction de Green de l equation du transport de la chaleur) :
Dans cet exercice nous utilisons comme dans lexercice 5 la m ethode Fourier pour calculer la solu-
tion fondamentale. Cette fois-ci cest un probl` eme de transport, cest-` a-dire une equation diff erentielle qui
contient des d eriv ees spatiales et temporelles.
(a) R esoudre l equation suivante en appliquant la transformation de Fourier par rapport aux coordonn ees
spatiales.
(
t
)G(x, t) = (x, t) . ( > 0) (4.17)
46 CHAPITRE 4. FONCTIONS DE GREEN
Indication : Montrer que la transform ee de Fourier de l equation (4.17) est r esolue par

G(p, t) =
1
(2)
3/2
e
|p|
2
t/
H(t) (4.18)
Ici H(t) d enote la fonction de Heaviside. Calculer la transform ee de Fourier inverse de

G.
(b) D eterminer la solution formelle de
(
t
)T(x, t) = u(x, t) (4.19)
pour une fonction u telle que G u existe, par exemple une fonction avec support born e.
(c) Choisir u(x, t) = A(x, t). Quel est la signicance physique de cette source si T est consid er e comme
distribution de temp erature ? Quelle est la solution T(x, t) ? (Commenter aussi sur la solution pour t < 0.)
Pourquoi cette equation est appel ee une equation de diffusion?
(d) Quel est le prol de la temp erature T(x, t) pour un prol initial T
0
(x) = Aexp[x[
2
/(2
2
) (tel que
u(x, t) = T
0
(x)(t)) ?
(e) Quel est le prol de la temp erature T(x) pour une source ponctuelle ` a lorigine qui est toujours allum ee,
i.e. u(x, t) = (x) ?
R ef erences
R. Courant et D. Hilbert, Methods of Mathematical Physics, Volume 1, Chapitre V, Paragraphes 14 et 15.
G. Arfken, Mathematical Methods for Physicists, Chapitre 16.
S. Hassani, Mathematical Physics, Chapitre VI.
Chapitre 5
Int egration complexe et applications
aux int egrales r eelles
5.1 Int egration Complexe
Dans cette partie du cours nous allons revisiter lint egration complexe, mais sans pr esenter toutes les
d emonstrations math ematiques. Vous trouverez celles-ci dans le cours danalyse. Le but ici est plut ot de
se concentrer sur lapplication du th eor` eme des r esidus au calcul dint egrales impropres r eelles. Pour cette
raison nous allons n egliger beaucoup de r esultats importants et fascinants sur la structure des fonctions
complexes.
5.1.1 Fonctions dune variable complexe
On peut ecrire la valeur dune fonction complexe f(z) au point z = x+iy comme un nombre complexe,
u +iv = f(z) (5.1)
tel que u et v sont des fonctions r eelles des deux variables x et y, f(z) = u(x, y) +iv(x, y).
Exemple 1 : Si f(z) = z
2
alors
f(z) = (x +iy)
2
= x
2
y
2
+i2xy (5.2)
et donc u(x, y) = x
2
y
2
et v(x, y) = 2xy.
La d eriv ee dune fonction complexe est d enie comme dans le cas r eel :
D enition : Soit f une fonction dont le domaine de d enition contient le voisinage du point z
0
. La d eriv ee
de f en z
0
, not ee f

(z
0
), est d enie par la formule
f

(z
0
) = lim
zz0
f(z) f(z
0
)
z z
0
(5.3)
` a condition que cette limite existe. La fonction f est dite diff erentiable en z
0
quand la limite existe.
Une fonction complexe dune variable complexe est appel ee holomorphe si elle poss` ede une d eriv ee en
tout point o` u elle est d enie. Nous allons utiliser le terme analytique de mani` ere synonyme. Une fonction
est holomorphe au point z si elle est d erivable en z ainsi que dans son voisinage. Une fonction est appel ee
enti` ere si elle est holomorphe dans tout le plan complexe. Les polynomes sont des exemples de fonctions
enti` eres.
47
48 CHAPITRE 5. INT

EGRATION COMPLEXE ET APPLICATIONS AUX INT

EGRALES R

EELLES
5.1.2 Les conditions de Cauchy-Riemann
Il y a une diff erence importante entre la diff erentiabilit e r eelle et complexe : dans le cas complexe, la
limite peut etre prise de plusieures directions dans le plan complexe, et la valeur limite doit toujours etre la
m eme. Ceci impose des contraintes fortes sur les fonctions complexes diff erentiables.
Nous pouvons re ecrire l equation (5.3) sous la forme
f

(z) = lim
h0
f(z +h) f(z)
h
(5.4)
o` u h = s + it est un nombre complexe. En prenant h = s r eel, la d eriv ee devient un d eriv ee partielle par
rapport ` a x,
f

(z) = lim
s0
f(x +s +iy) f(x +iy)
s
=
f
x
=
u
x
+i
v
x
. (5.5)
De m eme, si h = it est p urement imaginaire, on a
f

(z) = lim
s0
f(x +i(y +t)) f(x +iy)
it
= i
f
y
= i
u
y
+
v
y
. (5.6)
Si f

(z) existe, cette expression doit avoir une valeur unique, et donc
u
x
=
v
y
(5.7)
u
y
=
v
x
. (5.8)
Ces equations sappellent les conditions de Cauchy-Riemann. Elles sont n ecessaires et sufsantes pour que
f soit d erivable au point z.
Exemple 2 : Nous avons vu dans lexemple 1 que pour la fonction f(z) = z
2
on a u = x
2
y
2
et v = 2xy.
Alors
u
x
= 2x =
v
y
u
y
= 2y =
v
x
. (5.9)
La fonction est donc d erivable ` a tout point z, et est alors une fonction enti` ere.
Exemple 3 : Pour une fonction r eelle dune variable complexe on a v = 0. Ainsi cette fonction est soit
constante, soit non-d erivable. Par exemple, la fonction f(z) = [z[
2
= x
2
+y
2
ne v erie pas les conditions
de Cauchy-Riemann car u/x = 2x ,= v/y = 0.
5.1.3 D eveloppements en s eries
La formule de Taylor de lanalyse r eelle peut etre etendue aux fonctions dune variable complexe :
chaque fonction qui est analytique dans un cercle [z a[ < R peut etre repr esent ee par sa s erie de Taylor
f(z) = f(a) +
f

(a)
1!
(z a) + +
f
(n)
(a)
n!
(z a)
n
+ . (5.10)
La s erie converge vers f(z) pour tout z int erieur ` a ce cercle.
Si une fonction f nest pas analytique au point a on ne peut pas appliquer le th eor` eme de Taylor en ce
point. Dans ce cas, il existe parfois une g en eralisation en une s erie faisant intervenir ` a la fois des puissances
positives et n egatives de (z a). De telles s eries sont appel ees des s eries de Laurent.
Th eor` eme 1 : (Th eor` eme de Laurent) Soient C
0
et C
1
deux cercles orient es positivement centr es au
point a et f une fonction analytique sur C
0
, C
1
et dans la couronne comprise entre ces deux cercles, alors
en chaque point z de la couronne f est repr esent e par le d eveloppement
f(z) =

n=
c
n
(z a)
n
. (5.11)
5.1. INT

EGRATION COMPLEXE 49
5.1.4 Int egrales dune fonction complexe
D enition : (Int egrale dune fonction complexe dune variable r eelle) Soit w(t) = u(t) + iv(t) une
fonction complexe de la variable r eelle t. Soient les fonctions u(t) et v(t) d enies sur lintervalle ferm e et
born e a t b, et continues par morceaux. On d enit alors lint egrale de w par
_
b
a
w(t)dt =
_
b
a
u(t)dt +i
_
b
a
v(t)dt. (5.12)
Nous allons utiliser cette d enition pour introduire une int egrale le long dun contour dans le plan
complexe. La variable t deviendra un param` etre qui d ecrit ce chemin. Pour ceci il faut dabord d enir la
notion de contour :
D enition : (Arc) Un arc C dans le plan complexe est un ensemble de points z = (x, y) tels que
x = x(t), y = y(t), a t b (5.13)
o` u x(t) et y(t) sont des fonctions continues du param` etre r eel t. Si z(a) = z(b) alors larc est ferm e. Si les
d eriv ees x

(t) et y

(t) existent alors la d eriv ee de larc est


z

(t) = x

(t) +iy

(t). (5.14)
Larc est diff erentiable si les d eriv ees existent et sont continues.
Nous pouvons introduire la longeur dun arc diff erentiable par
L =
_
b
a
[z

(t)[ dt (5.15)
o` u
[z

(t)[ =
_
x

(t)
2
+y

(t)
2
. (5.16)
La longeur L est invariante sous des changements de param etrisation de larc C.
D enition : (Contour) Un contour est un ensemble darcs diff erentiables joints bout ` a bout.
Si z(t) est une fonction qui d ecrit un contour, alors z(t) est continue, et sa d eriv ee z

(t) est continue par


morceaux. La longeur dun contour est la somme des longeurs des arcs diff erentiables qui le forment. Si
a t b et z(a) = z(b) alors le contour est ferm e.
Nous pouvons maintenant d enir lint egrale de f(z) le long dun contour C :
D enition : Supposons que C est un contour repr esent e par l equation z = z(t) = x(t)+iy(t), a t b.
Si la fonction f(z) = u(x, y) + iv(x, y) est continue par morceaux sur C on d enit lint egrale de contour
de f le long de C comme :
_
C
f(z)dz =
_
b
a
f[z(t)]z

(t)dt. (5.17)
Plus explicitement, on a donc
_
C
f(z)dz =
_
b
a
(ux

vy

)dt +i
_
b
a
(vx

+uy

)dt. (5.18)
50 CHAPITRE 5. INT

EGRATION COMPLEXE ET APPLICATIONS AUX INT

EGRALES R

EELLES
5.1.5 Th eor` eme de Cauchy et th eor` eme des r esidus
Th eor` eme 2 : (Th eor` eme de Cauchy) Si une fonction f(z) est analytique dans un domaine simplement
connexe D, alors son int egrale prise le long de tout contour ferm e C appartenant ` a D est nulle :
_
C
f(z)dz = 0. (5.19)
Ce th eor` eme implique que la valeur dune int egrale de a ` a b dans le domaine D est unique et ne d epend
pas du choix de chemin C entre a et b.
Exercice 1 :
Soit , k R et > 0. V erier que lint egrand est une fonction enti` ere et utiliser le th eor` eme de
Cauchy pour calculer

f(k) =
1

2
_

2
2
e

x
2
2
2
e
ikx
dx (5.20)
ce qui est la transform ee de Fourier dun Gaussienne de largeur .
Indications : Suivre par exemple les pas suivants :
a) Consid erer lint egrand comme une fonction complexe en mettant x z = x + iy. V erier que les
conditions de Cauchy-Riemann sont satisfait.
b) Il existe un y

tel que la partie imaginaire de lexposant disparait. R esoudre lint egrale pour y = y

.
c) Pour utiliser le th eor` eme de Cauchy, il faut fermer le contour dint egration. Le faire de (x, y) =
(L, y

) ` a (L, 0) et de (L, 0) ` a (L, y

), et prendre ensuite la limite L .


Nous pouvons utiliser le th eor` eme de Cauchy aussi dans la situation suivante : Supposons quune fonc-
tion f(z) soit analytique dans un domaine qui consiste en un cercle de rayon R > 0 autour dun point a,
mais que la fonction est singulier au point a. Dans ce cas, la fonction f(z) a une repr esentation en serie de
Laurent,
f(z) =

n=
c
n
(z a)
n
. (5.21)
Certains de c
n
peuvent etre nul.
Exercice 2 :
D emontrer que pour le cercle de rayon R, C = x, [x[ = R, que
_
C
z
n
dz =
_
2i si n = 1
0 autrement
(5.22)
par int egration directe le long de C.
Appliquant ce r esultat ` a la repr esentation de la fonction f en terme de s erie de Laurent, en int egrant sur
le cercle unit e C

, orient e de mani` ere positive, autour de a, nous trouvons


_
C

f(z)dz = 2ic
1
. (5.23)
Le th eor` eme de Cauchy nous dit alors que nous aurions pu choisir nimporte quel contour qui enferme le
point a et est dans le domaine analytique parce quil est toujours possible de connecter ce contour avec
le cercle par deux lignes si pr` es quils ne contribuent pas ` a lint egrale. Alors lint egrale le long du contour
combin e disparait ce qui implique que lint egrale le long du contour vaut moins lint egrale le long du cercle.
Il est important ici que le point singulier a est isol e tel quil y a un domaine analytique autour de lui, dune
taille quelconque.
Le nombre complexe c
1
, qui est le coefcient devant 1/(z a) dans le d eveloppement (5.21), est
appel e le r esidu de f au point singulier isol e a, et d esign e Res(f, a).
5.1. INT

EGRATION COMPLEXE 51
Th eor` eme 3 : (Th eor` eme des r esidus) Consid erons un contour simple ferm e C, orient e positivement, ` a
lint erieur duquel et sur lequel une fonction f est analytique except e en un nombre ni de points singuliers
z
1
, z
2
, . . . , z
n
int erieurs ` a C. Alors
_
C
f(z)dz = 2i
n

j=1
Res(f, z
j
) (5.24)
o` u Res(f, z
j
) d esigne le r esidu de f au point z
j
.
Pour d emontrer ce th eor` eme, on consid` ere un petit cercle C
j
autour de chaque point singulier isol ee z
j
(en prenant soin que les cercles sont sufsamment petits pour ne contenir quun seul point singulier). Alors
_
Cj
f(z)dz = 2iRes(f, z
j
). (5.25)
En combinant C avec les cercles C
j
on construit la fronti` ere dun r egion dans laquelle f est analytique. Par
le th eor` eme de Cauchy on a alors que
_
C
f(z)dz

j
_
Cj
f(z)dz = 0, (5.26)
do` u le r esultat.
5.1.6 Calculs des r esidus
Le th eor` eme des r esidus nous permet alors de calculer facilement des int egrales de contours dans le plan
complexe, si on connait les r esidus. Par d enition, le r esidu est le coefcient du terme 1/(z a) de la s erie
de Laurent de f(z) dans le domaine autour de a.
Exemple 4 : Soit la fonction f(z) = (e
z
1)/z. Comme e
z
=

j=0
z
n
/n! nous avons que
f(z) = 1 +
z
2
+
z
2
6
+ (5.27)
Par cons equent le point z = 0 est un point singulier eliminable, et f est analytique dans tout le plan
complexe (une fonction enti` ere). Alors toute int egrale de f(z) le long dun contour ferm e est nulle (m eme
si le contour inclut z = 0).
Exercice 3 :
Calculer le r esidu de
f(z) =
sinz
z
2
(5.28)
au point z = 0.
Exercice 4 :
Soit la fonction f(z) = (z
2
2z + 3)/(z 2).
(a) D eterminez la s erie de Laurent de f(z) au point z = 2.
(b) Utilisez le th eor` eme des r esidus pour d eterminer
_
C
f(z)dz pour C le cercle de rayon 1 autour
z = 2.
Normalement la s erie de Laurent nest pas facile ` a construire. Dans ce cas nous pouvons extraire le
coefcient c
1
au moins en principe comme suit :
52 CHAPITRE 5. INT

EGRATION COMPLEXE ET APPLICATIONS AUX INT

EGRALES R

EELLES
D enition : La fonction f(z) a un p ole (un point singulier) dordre m en z = a si (z a)
m+1
f(z) est
nulle en z = a mais (z a)
m
f(z) ne sannule pas.
Ceci implique pour la s erie de Laurent au point z = a que c
j
= 0 pour j < m.
Si f(z) a un p ole simple (un p ole dordre 1) en z = a alors
Res(f, a) = lim
za
(z a)f(z). (5.29)
Si le p ole est dordre 2, une multiplication avec (z a)
2
fait que la s erie de Laurent commence avec un
terme constant qui multiplie c
2
et apr` es le terme (z a)c
1
, tel que
Res(f, a) = lim
za
d
dz
(z a)
2
f(z). (5.30)
Ceci se g en eralise comme suit : Si f(z) poss` ede un p ole dordre m au point z = a alors le r esidu de f
en ce point est
Res(f, a) =
1
(m1)!
lim
za
d
m1
dz
m1
(z a)
m
f(z). (5.31)
Exercice 5 :
Soit
f(x) =
sin x
x
cos x
x
4
(1 2x)
. (5.32)
Y a-t-il un p ole en x = 0, et si oui, quel est son ordre, et quel est le r esidu ?
Exercice 6 :
Trouver les p oles de
1
(1 +z
2
)
n
n N0 (5.33)
et calculer les r esidus.
5.2 Applications au calcul dint egrales r eelles
Une application typique du th eor` eme des r esidus est le calcul dint egrales sur tout laxe r eel. Pour ceci
nous avons encore besoin du Lemme de Jordan : En int egrant le long dun arc de cercle de rayon R, centr e
sur z
0
on a que
Si lim
R0
Rmax
z
[f(z)[ = 0 lim
R0
_

f(z)dz = 0 (5.34)
Si lim
R
Rmax
z
[f(z)[ = 0 lim
R
_

f(z)dz = 0 (5.35)
Demonstration : Si M est une constante positive tel que [f(z)[ M pour tout z on a que

f(z)dz

_
b
a
[f[z(t)]z

(t)[ dt M
_
b
a
[z

(t)[ dt = ML. (5.36)


ou L est la longeur de larc du cercle. Si langle douverture de larc est 2 alors L = R et le Lemme
de Jordan suit. Nous pouvons aussi voir que les conditions mentionn ees ci-dessus sont sufsants mais pas
n ecessaires.
5.2. APPLICATIONS AU CALCUL DINT

EGRALES R

EELLES 53
Remarque : Il y a dautres formes du Lemme de Jordan, qui reviennent plus au moins au m eme. Le but est
toujours de pouvoir fermer le contour dint egration et de d emontrer que la valeur de lint egrale ne change
pas.
Avec ce lemme nous pouvons compl eter une int egrale sur laxe r eel avec un demi-cercle. Si lint egrale
le long du dernier tend vers z ero pour R alors la valeur de lint egrale r eelle est donn ee par la somme
des r esidus ` a lint erieur de ce contour, multipli ee par 2i.
Exemple 5 : Calculer
_

dx/(1 +x
2
). Dabord nous v erions que nous pouvons appliquer le Lemme de
Jordan pour fermer le contour par un demi-cercle. Pour ceci nous notons que lint egrant tend sufsamment
vite vers zero :
R[f(z)[ =
R
[1 +R
2
e
2i
[
=
R
_
1 + 2R
2
cos(2) +R
4
R
0. (5.37)
Il suft donc d evaluer le r esidu aux p oles a = i. Ce sont des p oles simples, alors
Res(f, i) = lim
zi
(z i)
(z + i)(z i)
=
1
2i
. (5.38)
Alors nous avons, avec le th eor` eme des r esidus
_

dx
1 +x
2
=
_
C
dz
1 +z
2
= 2iRes(f, i) = . (5.39)
Exercice 7 :
Calculer
_

dx
(1 +x
2
)
n
(5.40)
avec n N0.
Exercice 8 :
Calculer
_

0
dx
x
6
+ 1
. (5.41)
Exercice 9 :
Dans le chapitre sur les fonctions de Green, nous avons recontr e lint egrale suivante pour trouver une
fonction de Green :
G(x) =
1

2
T
1
_
1
k
2
+
_
. (5.42)
Ici T
1
est la transform ee de Fourier inverse, et > 0. Calculez G(x) en utilisant le calcul des r esidus.
Exercice 10 :
Soit C tel que e > 0, et soit n N0. Calculer la transform ee de Fourier

f(k) de
f(x) =
1
(ix )
n+1
. (5.43)
54 CHAPITRE 5. INT

EGRATION COMPLEXE ET APPLICATIONS AUX INT

EGRALES R

EELLES
Exercice 11 :
(Fonction Green de loscillateur harmonique) L equation de loscillateur harmonique est y

(t) +

2
0
y(t) = f(t) o` u
0
> 0 est un param` etre r eel xe et f(t) d ecrit une excitation externe. Une approche
pour construire la fonction Green passe par la solution fondamentale G(t) pour f(t) = (t) (voir exercice
5 du chapitre sur les fonctions de Green). Une transform ee de Fourier de l equation G

(t) +
2
0
G(t) = (t)
m` ene ` a
(
2
+
2
0
)

G() =
1

2
. (5.44)
Si nous essayons de calculer la transform ee inverse,
G(t) =
1
2
_

e
it

2
0

2
d, (5.45)
nous nous rendons compte quil y a deux p oles sur laxe r eel, ` a =
0
. Pour contourner (litt eralement)
ce probl` eme, on peut remplacer

G() par

G
(ret)
() =
1

2
lim
0
+
1
2
0
_
1
+
0
i

1

0
i
_
, (5.46)

G
(adv)
() =
1

2
lim
0
+
1
2
0
_
1
+
0
+i

1

0
+i
_
. (5.47)
Ceci correspond ` a deux chemins dint egration qui contournent les p oles de mani` ere diff erents.
a) D essiner les chemins dint egration.
b) Renfermer les chemins par des demi-cercles ` a linni et calculer les int egrales par le th eor` eme des
r esidus.
c) Interpreter les fonctions de Green comme la r eponse dun oscillateur harmonique ` a une excitation
courte au temps t = 0. Quelle est la diff erence entre la fonction de Green retard ee G
(ret)
(t) et la
fonction de Green avanc ee G
(adv)
(t) ? Laquelle des deux allez vous utiliser pour calculer leffet
dune excitation f(t) sur un oscillateur harmonique initialement au repos, par y = G f ?
Exercice 12 :
(Fonctions de Green pour equations donde, de Poisson et de Helmholtz) La solution fondamen-
tale G(x, t) (cf exercice 5 du chapitre sur les fonctions de Green) de l equation donde est la solution de
l equation suivante
1
:
_
+
1
c
2

2
t
_
G(x, t) =

2(x, t). (5.48)


Nous pouvons simplier cette equation en faisant dabord une transformation de Fourier par rapport au
temps, t , ce qui m` ene ` a l equation
_


2
c
2
_
G

(x) = (x), (5.49)


ce qui rend explicite le lien avec lexercice 7, equation de Helmholtz, du chapitre sur les fonctions de Green.
La constante dans la premi` ere equation ` a et e choisie pour que le membre de droite de la deuxi` eme ne soit
que (x). En faisant aussi une transformation de Fourier sur x p, nous trouvons l equation el ementaire
_
p
2


2
c
2
_

G

(p) =
1
(2)
3/2
. (5.50)
1. Il sagit de la solution obtenue par transformation de Fourier. Elle reproduit la discontinuit e de la d erivee mais doit en g en eral
etre superpos ee ` a une combinaison lin eaire de solutions homog` enes pour satisfaire les conditions aux limites du probl` eme.
5.3. M

ETHODE DU COL 55
a) Soit
2
< 0. Poser z =
2
/c
2
puis calculer G
z
(x) par int egration dans le plan complexe. Comparer
avec lexercice 7 du chapitre sur les fonctions de Green.
b) Prendre la limite z 0 de la solution trouv ee en (a), et comparer avec la fonction de Green du
Laplacian, exercice 6 du chapitre sur les fonctions de Green.
c) Soit
2
> 0. Si on veut calculer G

(x) on trouve que les p oles de lint egrant dans la transformation


de Fourier se trouvent sur laxe r eelle, comme dans lexercice pr ec edent. Comme dans cet exercice
il faut contourner les p oles en les d eplacant de i, ce qui m` ene ` a des fonctions de Green diff erents.
Calculez-les, et comparez-les avec linterpr etation en termes dondes sph eriques de lexercice 7b du
chapitre sur les fonctions de Green.
d) Calculer pour le cas (c) G(x, t) en faisant un transformation de Fourier inverse sur les fr equences,
t. Interpr eter les r esultats en termes de fonctions de Green avanc ees et retard ees. Montrer alors
quune source S(x, t) localis ee dans le temps et dans lespace donne lieu a une onde (une solution de
l equation donde avec S(x, t) au second membre)
u(x, t) =
_
[S(x

, t

)]
ret
4[x x

[
d
3
x

, (5.51)
o` u [. . .]
ret
signie que le temps t

est evalu e au temps retard e, t

= t [x x

[/c.
Exercice 13 :
Utiliser lint egration par contour pour evaluer la somme
S =

nZ
1
n
2
+a
2
, a > 0 . (5.52)
a) Montrer que S correspond ` a la somme des r esidus en des p oles sur laxe r eel de
f(z) =
1
z
2
+a
2
cot(z). (5.53)
La somme peut donc etre represent ee comme la somme dint egrales sur des petits cercles autour de
ces p oles.
b) Consid erer un contour qui r esulte si on agrandit les petits cercles de la partie (a) jusqu` a ce quils
forment un seul contour long et mince proche de laxe r eel. Dessiner ce contour pour N termes de
la somme S et puis consid erer la limite N . Dans cette limite le contour se coupe en deux
int egrales le long de x i. V erier par le Lemme de Jordan que vous pouvez fermer le contour par
des grands demi-cercles, et en d eduire que la somme S est egale ` a loppos e de la somme des r esidus
en des p oles non-r eels de f(z).
c) Utiliser le calcul des r esidus pour trouver S.
5.3 M ethode du Col
Souvent il nest pas possible de r esoudre une int egrale de mani` ere exacte. Pour certaines classes
dint egrales il est possible de trouver des solutions approximatives avec bonne pr ecision, par exemple
pour des int egrants du type e
Mf(x)
pour M grand. Dans cette section nous commencons en regardant
des int egrales r eelles avant de discuter une extension de la m ethode dans le plan complexe, en utilisant le
th eor` eme de Cauchy.
56 CHAPITRE 5. INT

EGRATION COMPLEXE ET APPLICATIONS AUX INT

EGRALES R

EELLES
5.3.1 M ethode de Laplace
La m ethode de Laplace est tr` es simple : pour une int egrale du type
_
b
a
dxexp(Mf(x)) nous
d eveloppons f(x) en s erie de Taylor autour du maximum global (suppos e ` a x = x
0
et x
0
,= a, b :
f(x) f(x
0
) +
1
2
f

(x
0
)(x x
0
)
2
+O((x x
0
)
3
). (5.54)
Si M est sufsamment grand, nous pouvons n egliger les termes dordre sup erieur, et en plus nous pouvons
int egrer de ` a puisque lint egrant decroit tr` es vite loin de x
0
. Alors
_
b
a
dxe
Mf(x)
e
Mf(x0)
_

1
2
M|f

(x0)|(xx0)
2
= e
Mf(x0)

2
M[f

(x
0
)[
. (5.55)
Exemple 6 : D erivons la formule de Stirling, N!

2NN
N
e
N
. Pour ce faire, nous notons que N! =
(N + 1) =
_

0
e
x
x
N
dx. Le changement de variable, x = Nz tel que dx = Ndz conduit ` a
N! =
_

0
e
Nz
(Nz)
N
Ndz = N
N+1
_

0
e
Nz
e
N ln z
dz = N
N+1
_

0
e
N(lnzz)
dz. (5.56)
Cest une int egrale de la bonne forme, avec f(x) = lnx x. La premi` ere d eriv ee est 1/x 1 et alors
f(x) atteint son maximum en x
0
= 1. La seconde d eriv ee est f

(x) = 1/x
2
. En utilisant la m ethode de
Laplace nous avons donc
N! N
N+1
e
N
_
2
N
(5.57)
qui nest autre que la formule de Stirling.
Exercice 14 :
Un t el escope equip e dun compteur de photons observe une etoile lointaine pendant une minute pour
mesurer le taux darriv ee de photons par minute, . Supposons que le nombre r de photons d etect es suit
une distribution de Poisson de param` etre ,
P(r[) =

r
r!
e

. (5.58)
En utilisant une distribution ` a priori P() = 1/, calculer une approximation de la distribution posterieure
pour , P([r) P(r[)P() en faisant une approximation de Laplace
a) en
b) en log (utiliser alors une distribution ` a priori P(log ) = constant).
Donner le mode (pic de la distribution), la largeur et la normalisation (linverse de la valeur de lint egrale
sur ) en utilisant cet approximation. Comparer ensuite la normalisation avec la normalisation exacte.
5.3.2 M ethode du Col
Si la fonction f est une fonction complexe, alors la m ethode de Laplace ne suft pas, parce que la phase
complexe peut varier rapidement dans la r egion ou la partie r eelle de f est maximale. Ceci peut supprimer
fortement la valeur de lint egrale dans cette r egion.
Mais il est possible de d eformer le chemin dint egration dans le plan complexe aussi longtemps quon
reste dans un domaine danalyticit e de f. Le but est alors de trouver un chemin sur lequel la phase y est
constante. Pour cette raison la m ethode du col sappelle aussi m ethode de la phase stationnaire. En plus,
comme nous allons voir, cest aussi le chemin avec la d ecroissance la plus rapide de la partie r eelle, et la
m ethode est souvent appel ee method of steepest descent en Anglais.
En g en eral, pour une int egrale I =
_

e
f(z)
dz nous cherchons un chemin contin ument d eform e

(de
mani` ere quon ne passe par aucune singularit e de f pendant cette d eformation) tel que
5.3. M

ETHODE DU COL 57
(a) Le long de

la phase mf est constante.


(b) Il existe un point z

tel que (df/ dz)(z

) = 0.
(c) La partie r eelle de f passe par un maximum local ` a z = z

.
Un point v eriant les conditions (b) et (c) est appel e un col associ e ` a f(z). Cest parce que les conditions
the Cauchy-Riemann, eqs. (5.7) et (5.8), impliquent que

2
u(x, y)
x
2
+

2
u(x, y)
y
2
= 0 (5.59)
et de m eme pour v(x, y). Alors si df(z)/dz = 0 mais les deuxi` emes d eriv ees partielles sont non-nulles,
ils doivent avoir le signe oppos e et ce nest pas un maximum ou un minimun mais un col. Consid erons
aussi les lignes de u constant qui sont perpendiculaire au vecteur u = (u/x, u/y) qui pointe dans
la direction de croissance maximale. Nous trouvons que
u v =
u
x
v
x
+
u
y
v
y
= 0. (5.60)
La condition pour quune fonction complexe soit analytique impose donc des contraintes fortes sur cette
fonction.
Pour nous, le fait que les gradients de u et v sont perpendiculaire implique que la direction le long de
laquelle la phase est constante (la condition (a)) est aussi la direction de la d ecroissance la plus rapide de la
partie r eelle de la fonction.
La condition que la phase reste stationnaire nous fournit l equation de courbe

. Le long de cette
courbe la phase est donc constante et on se ram` ene ` a une m ethode du col r eel. Alors, gr ace aux propri et es
des fonctions analytiques, le chemin sur lequel les oscillations de e
f
sont nulles est aussi le chemin sur
lequel ef

pr esente un maximum local le plus accentu e possible.


Pour evaluer lint egrale sur le chemin

nous introduisons comme dans la section 5.1.4 un param` etre


r eel t qui param etrise le chemin ` a travers le col, normalis e tel que
f(z) = f(z

)
t
2
2
+O((z z

)
3
). (5.61)
En comparant cette expression avec la formule de Taylor autour de z

, cf eq. (5.10),
f(z) = f(z

) +
1
2
d
2
f(z

)
dz
2
(z z

)
2
+O((z z

)
3
) (5.62)
nous trouvons que
t = (z z

)
_

d
2
f(z

)
dz
2
. (5.63)
Comme dans le cas de la m ethode de Laplace nous remplacons la vraie int egrale le long de

par son
approximation Gaussienne autour de z

. Par la formule dint egration complexe, (5.17), nous avons que


I

e
f(z)
_

e
t
2
z

(t)dt e
f(z)
_
2
d
2
f(z

)/dz
2
_
1/2
(5.64)
Pour le deuxi` eme pas nous avons suppos e que z

(t) = (d
2
f(z)/dz
2
)
1/2
peut etre consid er e comme
constant ` a l echelle du terme Gaussien, ce qui nous permet d evaluer lint egrale Gaussienne r esultante.
Nous pouvons constater que la formule correspond ` a celle de la m ethode de Laplace, (5.55), sauf quelle est
` a evaluer au col z

du chemin dint egration d eform ee

. En effet, si on a affaire ` a une fonction r eelle, la


phase est d ej` a stationnaire le long de laxe r eel et la m ethode du col coincide avec la m ethode de Laplace.
58 CHAPITRE 5. INT

EGRATION COMPLEXE ET APPLICATIONS AUX INT

EGRALES R

EELLES
Exemple 7 : Essayons de calculer lint egrale suivante :
I =
_

e
iax
2
dx, a > 0. (5.65)
Sans le facteur i ce serait une int egrale Gaussienne, mais maintenant cest une fonction qui oscille rapi-
dement. Pour trouver sa valeur, nous suivons la recette de la phase stationnaire. Consid er e dans le plan
complexe, lint egrant est
iaz
2
= 2axy ia(x
2
y
2
). (5.66)
Pour garder la phase stationnaire nous pouvons donc faire une rotation de 45 degr ees sur la ligne x = y.
Sur cette ligne on a bien que xy 0 et egale ` a z ero ` a lorigine. On a aussi que df/dz = 2iaz est
nulle ` a lorigine et alors la partie r eelle 2axy passe bien par un maximum en ce point. Alors z

= 0,
d
2
f(z

)/dz
2
= 2ai et alors
I =
_
2
2ai
=
_

ai
. (5.67)
Dans ce cas le r esultat est exact parce que les corrections dordre sup erieures disparaissent. Cest aussi
le r esultat quon aurait obtenu naivement en remplacant a ia pour se ramener au cas dune int egrale
Gaussienne simple, mais le passage par le plan complexe est n ec essaire pour sassurer que la solution est
correcte. En effet il est encore n ecessaire de v erier que la rotation du chemin dint egration ne change pas
la valeur de lint egrale. Nous notons que la condition du lemme de Jordan nest pas satistfaite : pour z sur
laxe r eel nous avons que [f(z)[ = 1 pour nimporte quel distance L de lorigine. Le lemme de Jordan etant
sufsant mais pas n ecessaire, il est quand m eme permis de faire la rotation : La contribution ` a lint egrale
qui vient dun ligne verticale de (x, y) = (L, 0) ` a (L, L) qui relie les deux chemins dint egration est

_
(L,L)
(L,0)
f(z)dz

_
(L,L)
(L,0)
[f(z)[dz =
_
L
0
e
2aLy
dy <
_

0
e
2aLy
dy =
1
2aL
. (5.68)
Dans la limite L ceci tend vers z ero.
Exercice 15 :
Utiliser la m ethode du col pour calculer (une approximation de) lint egrale
_

e
ax
2
+ikx
dx. (5.69)
a) Trouver les points z

pour lesquels df(z

)/dz = 0.
b) D eterminer un chemin pour lequel la phase est constante et qui passe par z

. Est-ce un minimum o` u
un maximum de la partie r eelle de f ?
c) Appliquer la formule de la m ethode du col.
Comparer avec le r esultat de lexercice 1.
Exercice 16 :
La fonction Airy peut etre ecrite comme
Ai() =
1
2
_

e
i

t+
t
3
3

dt. (5.70)
D eriver lapproximation suivante pour > 0 avec la m ethode du col :
Ai()
e

2
3

3/2
2

1/4
. (5.71)
5.3. M

ETHODE DU COL 59
Exercice 17 :

Evaluer par la m ethode du col la fonction de Bessel modi ee


I

(x) =
1
2
_
+

d e
i
e
x cos
, (5.72)
(= J

(ix)) avec > 0 entier, pour x r eel tendant vers +.


Exercice 18 :

Evaluer par la m ethode du col la fonction de Bessel


J
0
(x) =
1
2
_
+

d e
ix cos
, (5.73)
pour x r eel tendant vers +.
Quelques r ef erences :
[1] W. APPEL, Math ematiques pour la physique, H & K Editions.
[2] M.J. ABLOWITZ & A.S. FOKAS, Complex Variables, Cambridge Texts in Applied Mathematics.
60 CHAPITRE 5. INT

EGRATION COMPLEXE ET APPLICATIONS AUX INT

EGRALES R

EELLES
Chapitre 6
Notions de probabilit es et de statistique
6.1 Le concept de probabilit e.
6.1.1 Espace d echantillonnage, ev enement, probabilit e.
Un grand nombre de ph enom` enes physiques ou naturels ont un aspect al eatoire. Dans certains cas une
description d eterministe (donc non-al eatoire) pourrait en principe etre possible ; n eanmoins elle sav ererait
irr ealisable en pratique car elle serait dune complexit e extr eme et ferait intervenir un trop grand nombre
de param` etres. On doit ainsi se limiter ` a des th eories probabilistes pour d ecrire des ph enom` enes et des
exp eriences al eatoires. Ceci conduit naturellement ` a lintroduction dun espace d echantillonage.
D enition : Lensemble constitu e par tous les r esultats possibles dune exp erience al eatoire est appel e
lespace d echantillonnage. Chaque r esultat possible est un el ement de . Cet espace peut etre discret
(ni ou inni d enombrable) ou continu.
D enition : Un ev enement est un sous-ensemble / de . Si / est form e dun seul el ement (cest-` a-dire
/ = ), on parle alors d ev enement simple ou el ementaire. L ev enement impossible est lensemble vide
tandis que est l ev enement certain.
Si le r esultat dune exp erience est un el ement de /, on dit que l ev enement / a et e r ealis e.
D enition : Si lon r ep` ete une exp erience n fois et quun ev enement se r ealise h fois alors h/n est la
probabilit e (empirique) de l ev enement en question.
Remarque : Souvent on limite la th eorie de la probabilit e ` a des phenom` enes qui ont un caract` ere al eatoire
intrins` eque. Ceci est parfois appel e lapproche fr equentiste car la probabilit e est d enie exclusivement par
la fr equence dun ev enement.
Il est aussi possible dutiliser de mani` ere consistente la probabilit e pour d ecrire des incertitudes d ues
` a des connaissances insufsantes. Par exemple, un juge doit d ecider si un accus e est coupable ou non. En
r ealit e laccus e est soit coupable, soit non coupable, et il ny a pas de notion de r ep eter le crime et de
compter combien des fois laccus e est coupable. N eanmoins, apr` es avoir etudi e le cas, le juge va avoir une
opinion sur la probabilit e que laccus e ait commis le crime ou non, et il va baser sa d ecision l` a-dessus. Ce
point de vue sapelle Bayesien et il est utile pour inf erer des propri et es ` a priori non-al eatoires, commes les
param` etres dun mod` ele.
Remarque : Dans la notation de la th eorie des ensembles on a :
(a) / B est l ev enement soit /, soit B, soit les deux.
(b) / B est l ev enement ` a la fois / et B.
61
62 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
(c) /

est l ev enement non /.


(d) / B est l ev enement / mais pas B.
(e) Les ev enements / et B sont dits exclusifs si / B = .
6.1.2 Les axiomes des probabilit es.
Soit un espace d echantillonnage. A chaque ev enement /, on associe un nombre r eel P(/). La
fonction P ` a valeurs r eelles d enie sur est appel ee mesure de probabilit e si elle satisfait les axiomes
suivants :
A1. Pour tout / , on a P(/) 0.
A2. Pour l ev enement certain de , on a P() = 1.
A3. Pour toute suite d ev enements exclusifs /
1
, /
2
, /
3
, . . . on a :
P(/
1
/
2
/
3
. . .) = P(/
1
) +P(/
2
) +P(/
3
) +. . . (6.1)
Mod` ele el ementaire ni sym etrique
Ce mod` ele correspond ` a :
(I) Lexistence de n issues possibles de base pour lexp erience. Ces ev enements el ementaires

1
, . . . ,
n
(les cas possibles) forment une partition de .
(II) P(
1
) = = P(
n
) =
1
n
.
Tout ev enement / est lunion dun certain nombre (/) des
i
, on pose alors
P(/) =
(/)
n
_
=
nombre des cas favorables
nombre des cas possibles
_
. (6.2)
Exercice 1 :
Un d e ` a jouer rouge et un noir sont jet es simultan ement au hasard (mani` ere usit ee de dire quon pos-
tule (II) pour les 36 ev enements
ij
= rouge donne i points et noir en donne j). Que valent P(/), P(B),
. . . pour
/ = rouge donne moins de 5 points,
B = noir donne un nombre pair de points,
( = la somme pour les deux d es est paire et 8,
T = / (,
T = / (.
Exercice 2 :
D emontrer les th eor` emes suivants :
(a) Si /
1
/
2
alors P(/
1
) P(/
2
) et P(/
2
/
1
) = P(/
2
) P(/
1
).
(b) Pour tout / on a 0 P(/) 1.
(c) P() = 0.
(d) Si /

est le compl ement de / alors P(/

) = 1 P(/).
(e) Si / et B sont deux ev enements quelconques, alors P(/ B) = P(/) +P(B) P(/ B).
6.1. LE CONCEPT DE PROBABILIT

E. 63
6.1.3 Probabilit es conditionnelles et ind ependantes.
Soient / et B deux ev enements et P(B [ /) la probabilit e que B se r ealise, / etant r ealis e. Comme
nous savons que / est r ealis e, / devient un nouvel espace d echantillonnage remplacant . Cela conduit ` a
la d enition suivante :
P(B [ /) =
P(/ B)
P(/)
(6.3)
ou
P(/ B) = P(/)P(B [ /) = P(B)P(/[ B) . (6.4)
D enition : P(B [ /) est appel ee la probabilit e conditionnelle de B, etant donn e /.
Si P(B [ /) = P(B), cest-` a-dire, si la probabilit e de r ealisation de B nest pas affect ee par ce quil se
passe pour /, alors on dit que / et B sont des ev enements ind ependants. Alors :
P(/ B) = P(/)P(B) . (6.5)
Exemple : dans lexercice 1, les comportements individuels des deux d es sont ind ependants (on les jette
` a distance lun de lautre). Ceci entrane que P(/ B) = P(/)P(B). On a encore que / et ( sont
d ependants : sachant (, ne restent possibles que les 14 ev enements
ij
o` u i + j est pair et 8. On a donc
dans ce cas :
P(/[ () =
P(/ ()
P(()
_
=
11
14
_
.
Exercice 3 :
Evaluer la probabilit e dobtenir un nombre inf erieur ` a 4 au cours dun jet unique dun d e :
(a) Sans autre information.
(b) Sachant que le r esultat obtenu est impair.
Exercice 4 :
Un r ecipient contient 6 boules rouges, 4 blanches et 5 bleues. On tire successivement 3 boules du
r ecipient. Quelles sont les probabilit es de tirer dans lordre des boules rouge, blanche et bleue si :
(a) Chaque boule est remise dans le r ecipient.
(b) Les boules ne sont pas remises dans le r ecipient.
Exercice 5 :
La commande de lorgane I ` a lorgane II dun equipement se fait normalement par la ligne directe,
afig ee dune probabilit e de panne p. En cas de panne, elle est automatiquement d evi ee sur la ligne de
secours form ee de deux troncons dont chacun a probabilit e de panne q. Les pannes sont, pour les trois
troncons, des ev enements ind ependants. Trouver P(() o` u ( est l ev enement la commande se fait.
6.1.4 D enombrements et analyse combinatoire.
Lorsque le nombre d ev enements est grand, le comptage qui doit etre fait pour le calcul des probabilit es
nest pas toujours facile. Lanalyse combinatoire offre des m ethodes de comptage elabor ees.
64 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Arrangements et combinaisons.
Soient n objets distincts. On veut en aligner r dentre eux sur une droite. Le nombre darrangements
possibles est :
A
n
r
= n(n 1)(n 2) (n r + 1) =
n!
(n r)!
. (6.6)
Dans le cas des arrangements, lordre des objets est important. Dans diverses situations, lordre na pas
dimportance. On parle alors de combinaisons. Le nombre de combinaisons de r objets parmi n est :
C
n
r
=
n!
r!(n r)!
. (6.7)
Les coefcients binomiaux C
n
r
sont les coefcients apparaissant dans le d eveloppement du bin ome de New-
ton :
(x +y)
n
= x
n
+C
n
1
x
n1
y +C
n
2
x
n2
y
2
+ +C
n
n
y
n
. (6.8)
Pour de grandes valeurs de n, la formule de Stirling :
n! (2n)
1/2
n
n
e
n
. (6.9)
nous donne une approximation de la fonction factorielle n! de n.
Exercice 6 :
Dans un groupe compos e de cinq math ematiciens et sept physiciens on doit former une commission
comprenant deux math ematiciens et trois physiciens. Quel est le nombre de possibilit es si :
(a) la commission peut comprendre nimporte lequel des math ematiciens et des physiciens.
(b) Un physicien particulier doit etre membre de la commission.
(c) Deux math ematiciens particuliers doivent etre exclus de la commission.
Exercice 7 :
Evaluer la probabilit e pour que n personnes (n 365) choisies au hasard aient des dates de naissance
diff erentes. Combien le groupe doit-il comprendre de membres pour que la probabilit e de dates de naissance
diff erentes soit inf erieure ` a 1/2.
Exercice 8 (statistique de Bose-Einstein) :
k particules indistinguables occupent un espace divis e en cellules num erot ees de 1 ` a , des cellules
vides etant permises. Montrer que le nombre n de congurations distinctes est egal ` a C
k+1
k
. D eterminer
la probabilit e P(m[ k, ) que la premi` ere cellule contienne m particules.
Exercice 9 :
Une tige de longueur 1 est cass ee en trois parties arbitraires x, y, z :
1
..
| |
. .
x
|
. .
y
|
. .
z
Trouver la probabilit e pour que les troncons obtenus permettent de composer un triangle.
6.2. VARIABLES AL

EATOIRES ET DISTRIBUTIONS DE PROBABILIT

E. 65
Exercice 10 (Probl` eme de Buffon) :
Un plan est divis e par des droites parall` eles trac ees ` a la distance L lune de lautre. Sur le plan on jette
au hasard une aiguille (segment) de longueur < L. Trouver la probabilit e pour que laiguille croise lune
des droites. Imaginer une exp erience permettant de d eterminer .
Exercice 11 :
Un jeu t el evis e se pr esente de la mani` ere suivante : trois portes sont dispos ees sur un plateau, derri` ere
lune delles se trouve un prix. Le candidat recoit la r ecompense associ ee ` a la porte quil choisit (le prix ou
rien). Le jeu se d eroule de la mani` ere suivante :
(a) le candidat choisit une porte
(b) avant douvrir la porte propos ee par le candidat, le pr esentateur du jeu ouvre une des deux portes
non-d esign ees derri` ere laquelle il ny a pas de prix et demande au candidat sil maintient son choix
initial ou sil change did ee.
Question : le candidat doit-il garder son premier choix ou changer did ee ?
6.2 Variables al eatoires et distributions de probabilit e.
D enition : Une fonction al eatoire est une application X qui associe ` a chaque point dun espace
d echantillonnage une valeur r eelle. Souvent X poss` ede une signication physique. On parle alors de
variable al eatoire ou variable stochastique.
D enition : Si la variable al eatoire ne peut prendre quun nombre ni ou inni d enombrable de valeurs
on parlera de variable al eatoire discr` ete ; si les valeurs de X forment un continu, on parlera de variable
al eatoire continue.
Soit X une variable al eatoire et un sous-ensemble de IR (par exemple = x
0
un point, ou =
[a, b] un intervalle ni, ou = (, x] un intervalle inni). Lensemble des points de qui sont
appliqu es par X dans forme un sous-ensemble /

de , donc un ev enement
/

= [ X() .
Pour toute mesure de probabilit e P sur on utilise la notation suggestive P(X ) pour la probabi-
lit e P(/

) de cet ev enement. Donc par exemple :


P(X = x
0
) = P( [ X() = x
0
) ,
P(X x
0
) = P( [ X() x
0
) .
6.2.1 Distributions de probabilit es.
Soit un espace d echantillonnage muni dune mesure de probabilit e P. Consid erons une variable
al eatoire discr` ete X ` a valeurs dans (sous-ensemble ni ou inni d enombrable de IR). On d enit la
fonction de probabilit e f de X par :
f(x) = P(X = x) , pour x . (6.10)
Cette fonction satisfait
f(x) 0 x (6.11)
et

xJ
f(x) = 1 . (6.12)
66 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
D enition : La fonction cumulative de distribution ou fonction de r epartition F pour la variable
al eatoire X est d enie par
F(x) = P(X x) , pour x . (6.13)
Donc
F(x) =

ux
f(u) .
La fonction F est la probabilit e que la variable al eatoire X prenne une valeur inf erieure ou egale ` a x.
Ces notions se g en eralisent naturellement dans le cas dune variable al eatoire X continue. Ceci revient
` a postuler lexistence dune fonction f : IR IR telle que
f(x) 0 (6.14)
et
_

f(x) dx = 1 , (6.15)
appel ee densit e de probabilit e. Alors
F(x) = P(X x) =
_
x

f(u) du (6.16)
est la fonction de r epartition de X et on a
f(x) =
dF(x)
dx
.
De plus, F est une fonction monotone croissante en x, telle que
lim
x
F(x) = 0
lim
x+
F(x) = 1
Linterpr etation de f(x) pour une variable al eatoire continue X n ecessite dun d etour par F(x). De
l equation (6.16) nous pouvons conclure que la probabilit e que x
1
< X x
2
est
P(x
1
< X x
2
) = F(x
2
) F(x
1
) =
_
x2
x1
f(x) dx
Etudions maintenant la probabilit e que X soit dans un intervalle innitesimal de taille dx autour de x
0
. Ad-
mettons quil existe une expansion en somme de Taylor pour f autour de x
0
qui converge sur cet intervalle.
Alors la probabilit e que X soit dans cet intervalle est
P(x
0
dx/2 < X x
0
+dx /2) =
_
x0+dx/2
x0dx/2
f(u) du = f(x
0
) dx+O(dx
3
),
la densit e de probabilit e ` a ce point, f(x
0
), fois le volume de lintervalle, dx.
Exercice 12 :
La densit e de probabilit e de la variable al eatoire X est f(x) = c(x
2
+ 1)
1
pour x IR.
(a) Trouver la valeur de c.
(b) Calculer la probabilit e pour que 1/3 X
2
1.
(c) D eterminer la fonction de r epartition F.
6.2. VARIABLES AL

EATOIRES ET DISTRIBUTIONS DE PROBABILIT

E. 67
6.2.2 Distributions jointes et conditionnelles.
On consid` ere maintenant le cas de deux variables al eatoires qui peuvent etre discr` etes ou continues. Soit
un espace d echantillonnage muni dune mesure de probabilit e P
Commencons par le cas discret. Si X et Y sont deux variables al eatoires discr` etes ` a valeurs dans
1
et
2
respectivement, alors on d enit la fonction de probabilit e jointe de X et Y par :
f(x, y) = P(X = x, Y = y) = P( [ X() = x et Y () = y) . (6.17)
Elle satisfait
f(x, y) 0 (6.18)
et

xJ1

yJ2
f(x, y) = 1 . (6.19)
La probabilit e que l ev enement X = x et Y = y ait lieu est donc f(x, y).
La probabilit e que X = x est donn ee par
f
1
(x) = P(X = x) =

yJ2
f(x, y) . (6.20)
De m eme,
f
2
(y) = P(Y = y) =

xJ1
f(x, y) (6.21)
est la probabilit e que Y = y
D enition : Les fonctions f
1
et f
2
sont appel ees les fonctions de probabilit e marginales.
D enition : La fonction de r epartition jointe est d enie par
F(x, y) = P(X x, Y y) =

ux

vy
f(u, v) . (6.22)
Exercice 13 :
La fonction de probabilit e jointe de deux variables al eatoires discr` etes X et Y s ecrit
f(x, y) = c(2x +y) ,
o` u x 0, 1, 2 et y 0, 1, 2, 3.
(a) Trouver c.
(b) Calculer P(X = 2, Y = 1) et P(X 1, Y 2).
(c) D eterminer les fonctions de probabilit e marginales pour X et Y .
La g en eralisation au cas des variables continues est imm ediate :
D enition : La fonction de r epartition jointe de X et Y est d enie par
F(x, y) = P(X x, Y y) . (6.23)
La fonction de probabilit e jointe ou densit e de probabilit e jointe est une fonction f de deux variables telle
que
f(x, y) 0 (6.24)
et
F(x, y) =
_
x

du
_
y

dv f(u, v) . (6.25)
En particulier,
_

du
_

dv f(u, v) = 1 .
68 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Si / repr esente un ev enement quelconque, il lui correspond une r egion 1
A
du plan xy (1
A
=
(X(), Y ())[ /). La probabilit e de cet ev enement sera :
P(/) =
__
RA
f(x, y) dx dy . (6.26)
D enition : Les fonctions de r epartition marginales F
1
et F
2
et les densit es de probabilit e marginales f
1
et f
2
sont
F
1
(x) = P(X x) =
_
x

du
_

dv f(u, v) , (6.27)
F
2
(y) = P(Y y) =
_

du
_
y

dv f(u, v) , (6.28)
f
1
(x) =
dF
1
(x)
dx
=
_

f(x, v) dv , (6.29)
f
2
(y) =
dF
2
(y)
dy
=
_

f(u, y) du . (6.30)
A noter par exemple que F
1
nest rien dautre que la fonction de r epartition de X et que f
1
est sa densit e de
probabilit e.
Exercice 14 :
La densit e de probabilit e jointe de deux variables al eatoires continues X et Y vaut
f(x, y) =
_
_
_
cxy si 0 < x < 4 et 1 < y < 5,
0 autrement.
(a) Trouver P(X 3, Y 2).
(b) Trouver les fonctions de r epartition marginales pour X et Y .
Variables al eatoires ind ependantes.
D enition : Deux variables al eatoires discr` etes X et Y sont des variables al eatoires ind ependantes si
P(X = x, Y = y) = P(X = x)P(Y = y) (6.31)
ou si
f(x, y) = f
1
(x)f
2
(y) . (6.32)
La g en eralisation au cas des variables al eatoires continues donne :
D enition : Deux variables al eatoires continues X et Y sont des variables al eatoires ind ependantes si
P(X x, Y y) = P(X x)P(Y y) pour tout x, y IR (6.33)
ou si
F(x, y) = F
1
(x)F
2
(y) pour tout x, y IR. (6.34)
Exercice 15 :
Montrer que les variables al eatoires X et Y de lexercice 13 sont d ependantes.
6.2. VARIABLES AL

EATOIRES ET DISTRIBUTIONS DE PROBABILIT

E. 69
Changements de variables.
D enition : Soit X une variable al eatoire discr` ete et g : IR IR une fonction. Alors U = g(X) g X
(donc U() = g(X()) pour ) est aussi une variable al eatoire et
P(U = u) =

{x|g(x)=u}
P(X = x) . (6.35)
Exercice 16 :
La fonction de probabilit e dune variable al eatoire discr` ete X ` a valeurs dans 1, 2, 3, . . . vaut f(x) =
2
x
. Trouver la fonction de probabilit e pour la variable U = X
4
+ 1.
Soit maintenant X une variable al eatoire continue dont la densit e de probabilit e est f et consid erons la
nouvelle variable al eatoire U = (X), o` u : IR IR est une application bijective. Alors :
Th eor` eme 4 : La densit e de probabilit e g(u) de U est
g(u) = f(x)

dx
du

, o` u x =
1
(u). (6.36)
Consid erons maintenant le cas de variables al eatoires continues X et Y dont la densit e de probabilit e
jointe est f. On consid` ere deux nouvelles variables al eatoires continues U =
1
(X, Y ) (donc U() =

1
(X(), Y ())) et V =
2
(X, Y ) telles qu` a tout couple (x, y) ne corresponde quun seul couple (u, v).
Alors :
Th eor` eme 5 : La densit e de probabilit e jointe g(u, v) de U et V est
g(u, v) = f(x, y)

(x, y)
(u, v)

, (6.37)
o` u (x, y)/(u, v) est le Jacobien de la transformation r eciproque (u, v) (x, y).
Th eor` eme 6 : La densit e de probabilit e g
1
de U =
1
(X, Y ) est obtenue par diff erentiation par rapport
` a u de la fonction G
1
d enie par
G
1
(u) = P(U u) =
__
R
f(x, y) dx dy (6.38)
o` u 1est la r egion pour laquelle
1
(x, y) u.
Exercice 17 :
Soit f la densit e de probabilit e jointe de deux variables al eatoires continues X et Y . Montrer que la
densit e de probabilit e de la variable al eatoire U = X +Y sexprime comme
g(u) =
_

f(v, u v) dv .
Exercice 18 :
Soient X et Y deux variables al eatoires de densit e de probabilit e jointe
f(x, y) =
_
_
_
c(2x +y) si 2 < x < 6 et 0 < y < 5,
0 autrement.
(a) Calculer les fonctions de r epartition marginales de X et Y .
(b) Trouver la fonction de r epartition jointe.
(c) Calculer les densit es de probabilit e marginales de X et Y .
(d) Ces variables al eatoires sont-elles ind ependantes ou non ?
(e) Calculer P(X +Y > 4).
70 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Distributions conditionnelles.
Nous consid erons le cas de variables al eatoires continues X et Y dont la densit e de probabilit e jointe
est f.
D enition : La densit e de probabilit e conditionnelle de Y , etant donn e X = x (avec x x e) est la fonction
f(y [ x) =
f(x, y)
f
1
(x)
(6.39)
o` u f
1
est la densit e de probabilit e marginale de X. Par convention, on pose f(y [ x) 0 pour les x tels
que f
1
(x) = 0.
Exercice 19 :
Nous consid erons le cas de variables al eatoires continues X et Y dont la densit e de probabilit e jointe
vaut
f(x, y) =
_
_
_
8xy si 0 x 1 et 0 y x,
0 autrement.
(a) Calculer les densit es de probabilit e marginales de X et Y .
(b) Calculer les densit es de probabilit e conditionnelles de X et Y .
(c) X et Y sont-elles ind ependantes ou non ?
Exercice 20 :
Deux personnes conviennent de se rencontrer entre 14 et 15 heures. Aucune des deux nattendra lautre
plus dun quart dheure. Quelle est la probabilit e que ces personnes se rencontrent ?
6.2.3 Moyenne et variance.
D enition : Soit X une variable al eatoire discr` ete ` a valeurs dans lensemble . Lesp erance math ematique
de X est donn ee par
E(X) =

xJ
xP(X = x) =

xJ
xf(x) . (6.40)
Si la variable al eatoire X est continue, alors on a
E(X) =
_

xf(x) dx . (6.41)
Remarque : Lesp erance math ematique, egalement appel ee moyenne, est d esign ee par
X
:

X
= E(X) .
Si g : IR IR est une fonction et si X est une variable al eatoire discr` ete, de fonction de probabilit e f,
alors
E(g(X)) =

xJ
g(x)f(x) , (6.42)
alors que pour une variable al eatoire X continue :
E(g(X)) =
_

g(x)f(x) dx . (6.43)
Si X et Y sont deux variables al eatoires continues de densit e de probabilit e jointe f, lesp erance
de g(X, Y ) sera
E[g(X, Y )] =
_

g(x, y)f(x, y) dxdy . (6.44)


6.2. VARIABLES AL

EATOIRES ET DISTRIBUTIONS DE PROBABILIT

E. 71
Exercice 21 :
Montrer que :
(a) Si c est une constante, alors
E(cX) = cE(X) et E(X +c) = E(X) +c .
(b) Si X et Y sont des variables al eatoires quelconques, alors
E(X +Y ) = E(X) +E(Y ) .
(c) Si X et Y sont des variables al eatoires ind ependantes, alors
E(XY ) = E(X)E(Y ) .
D enition : La variance de la variable al eatoire X est :
Var(X) = E[(X
X
)
2
] . (6.45)
Cest un nombre non n egatif dont la racine positive est appel ee l ecart-type, not ee
X
. On a donc, pour une
variable al eatoire discr` ete :
Var(X) =
2
X
=

xJ
(x
X
)
2
f(x) (6.46)
et pour une variable al eatoire continue :
Var(X) =
2
X
=
_

(x
X
)
2
f(x) dx . (6.47)
L ecart-type caract erise la dispersion des valeurs de la variable al eatoire autour de la valeur moyenne.
Exercice 22 :
Montrer que :
(a)
2
X
= E(X
2
) [E(X)]
2
.
(b) Si c est une constante, alors
Var(cX) = c
2
Var(X) .
(c) Si X et Y sont des variables al eatoires ind ependantes, alors
Var(X Y ) = Var(X) + Var(Y ) .
D enition : Soit X une variable al eatoire de moyenne =
X
et d ecart-type =
X
. La variable
al eatoire r eduite X
R
est d enie par
X
R
=
X

. (6.48)
Par construction, E(X
R
) = 0 et Var(X
R
) = 1.
6.2.4 Moments et fonctions g en eratrices.
D enition : Pour r = 0, 1, 2, . . . , on appelle moment dordre r relatif ` a la moyenne de la variable
al eatoire X la grandeur

r
= E[(X
X
)
r
] .
En particulier,
0
= 1,
1
= 0 et
2
=
2
X
.
De m eme, on appelle moment dordre r relatif ` a lorigine de la variable al eatoire X la grandeur

r
= E[X
r
] .
72 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Exercice 23 :
Etablir la relation entre
r
et
r
. Plus pr ecis ement :
(a) Exprimer
r
en termes des
k
.
(b) Exprimer
r
en termes des
k
.
Le calcul des moments est facilit e par lintroduction de la fonction g en eratrice des moments :
M
X
(t) = E[exp(tX)] . (6.49)
En effet :

r
=
d
r
M
X
(t)
dt
r

t=0
. (6.50)
Exercice 24 :
(a) Etablir le r esultat (6.50) ci-dessus.
(b) Montrer que pour des constantes a et b,
M
aX+b
(t) = e
bt
M
X
(at) .
(c) Montrer que si X et Y sont des variables al eatoires ind ependantes, alors
M
X+Y
= M
X
M
Y
.
Exercice 25 :
La densit e de probabilit e de la variable al eatoire X est
f(x) =
_
_
_
2e
2x
si x 0,
0 si x < 0.
Trouver la fonction g en eratrice des moments et calculer les quatre premiers moments relatifs ` a lorigine.
6.2.5 Variance des distributions jointes. Covariance.
Soient X et Y deux variables al eatoires continues de densit e de probabilit e jointe f. Les esp erances et
variances de X et Y sont respectivement :

X
=
_

xf(x, y) dx dy , (6.51)

Y
=
_

yf(x, y) dxdy , (6.52)

2
X
=
_

(x
X
)
2
f(x, y) dx dy , (6.53)

2
Y
=
_

(y
Y
)
2
f(x, y) dxdy . (6.54)
6.2. VARIABLES AL

EATOIRES ET DISTRIBUTIONS DE PROBABILIT

E. 73
D enition : On appelle covariance la grandeur
Cov(X, Y ) =
XY
=
_

(x
X
)(y
Y
)f(x, y) dxdy . (6.55)
Exercice 26 :
Montrer les relations suivantes :
(a)
XY
= E(XY )
X

Y
.
(b) Var(X Y ) = Var(X) + Var(Y ) 2 Cov(X, Y ).
(c) [
XY
[
X

Y
.
(d) Si X et Y sont ind ependantes, alors Cov(X, Y ) = 0.
6.2.6 In egalit e de Chebychev.
Soit X une variable al eatoire (discr` ete ou continue) de moyenne et variance
2
. Alors pour tout > 0,
P([X [ )

2
. (6.56)
Exercice 27 :
Soit X la variable al eatoire de lexercice 25. Evaluer P([X [ > 1) et appliquer lin egalit e de
Chebychev pour obtenir une borne sup erieure. Comparer les deux r esultats.
6.2.7 La loi des grands nombres.
Th eor` eme 7 : Soient X
1
, X
2
, . . . des variables al eatoires mutuellement ind ependantes,
chacune de moyenne et variance
2
nies et soit
S
n
=
n

i=1
X
i
. (6.57)
Alors, pour tout > 0,
lim
n
P
_

S
n
n


_
= 0 . (6.58)
Donc, la probabilit e pour que la moyenne arithm etique S
n
/n s ecarte de de plus de tend vers z ero
lorsque n .
74 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
6.3 Quelques distributions de probabilit e particuli` eres.
Un certain nombre de distributions se rencontrent souvent en physique. Les principales sont :
6.3.1 La distribution binomiale.
Soient
1
et
2
les deux r esultats possibles qui peuvent se r ealiser avec les probabilit es respectives p
et q = 1 p au cours dune exp erience. Si le r esultat est
1
, nous dirons que lexp erience est un succ` es et
si le r esultat est
2
, nous dirons que lexp erience est un echec.
Consid erons alors la variable al eatoire X repr esentant le nombre de succ` es au cours de n exp eriences
successives. Lespace d echantillonnage est alors constitu e des suites de n nombres 0 ou 1 repr esentant
respectivement l echec ou le succ` es de chacune des exp eriences et X prend les valeurs 0, 1, 2, . . . , n cor-
respondant au nombre de 1 dans la suite. La fonction de probabilit e est alors donn ee par :
f(x) = P(X = x) =
n!
x!(n x)!
p
x
(1 p)
nx
, pour x = 0, 1, . . . , n , (6.59)
On dit que la variable al eatoire X suit une distribution binomiale. En effet, les valeurs de f pour x =
0, 1, 2, . . . , n correspondent aux termes successifs du d eveloppement du bin ome (p + (1 p))
n
.
Exercice 28 :
Montrer que la distribution binomiale jouit des propri et es suivantes :
(a) Sa moyenne est :
= np . (6.60)
(b) Sa variance est (avec q = 1 p) :

2
= npq . (6.61)
(c) Sa fonction g en eratrice est :
M(t) = (q +p exp(t))
n
. (6.62)
(d) Dessiner la fonction de probabilit e f pour
(i) n = 10 , p = 0.75 , (ii) n = 10 , p = 0.25 , (iii) n = 5 , p = 0.25 .
Exercice 29 :
Une asym etrie gauche-droite a et e mesur ee dans une exp erience dans laquelle N ev enements ont et e
accumul es (donc N est x e, pas al eatoire). Soit Get D les nombres d ev enements respectivement ` a gauche
ou ` a droite (avec N = G+D). Lasym etrie a pour d enition
=
GD
G+D
=
2G
N
1 .
En consid erant G comme la moyenne dune variable al eatoire (, trouvez la variance de la variable
al eatoire c =
2G
N
1.
Exercice 30 :
Une pi` ece de monnaie est lanc ee 100 fois. Soit X le nombre de fois o` u pile a et e ob-
tenu. Pour quelles valeurs de X est-il plausible de dire que la pi` ece nest pas truqu ee ? Pour
cela, vous devez dabord imaginer un crit` ere permettant de dire si une pi` ece est truqu ee ou non.
Quen est-il si on lance la pi` ece 10000 fois ?
6.3. QUELQUES DISTRIBUTIONS DE PROBABILIT

E PARTICULI
`
ERES. 75
6.3.2 La distribution multinomiale.
Soient
1
, . . . ,
k
les k r esultats possibles qui peuvent se r ealiser avec les probabilit es respec-
tives p
1
, . . . , p
k
(avec p
1
+ . . . + p
k
= 1) au cours dune exp erience. Si X
1
, . . . , X
k
sont les variables
al eatoires qui donnent respectivement le nombre de fois que
1
, . . . ,
k
se r ealisent sur un nombre total
de n essais, alors la fonction de probabilit e jointe pour X
1
, . . . , X
k
est :
P(X
1
= x
1
, X
2
= x
2
, . . . , X
k
= x
k
) =
n!
x
1
! x
2
! x
k
!
p
x1
1
p
x2
2
. . . p
x
k
k
. (6.63)
On a, comme pour la distribution binomiale :
E(X
i
) = np
i
,

2
Xi
= np
i
(1 p
i
) ,
pour tout i = 1, . . . , k . (6.64)
Exercice 31 :
Un sondage effectu e aupr` es de 1000 personnes donne le r esultat suivant :
Voterait pour le candidat A : 43%.
Voterait pour le candidat B : 39%.
Voterait pour un autre candidat : 18%.
Donner les incertitudes sur ces pourcentages (ce que ne font jamais les journaux qui publient ce genre de
sondages).
6.3.3 La distribution de Poisson.
Soit X une variable al eatoire discr` ete pouvant prendre les valeurs 0, 1, 2, . . . et soit > 0 une constante
donn ee. Cette variable suit une distribution de Poisson de param` etre si :
f(x) = P(X = x) =

x
e

x!
. (6.65)
Exercice 32 :
Montrer que la distribution de Poisson jouit des propri et es suivantes :
(a) Sa moyenne est :
= . (6.66)
(b) Sa variance est :

2
= . (6.67)
(c) Sa fonction g en eratrice est :
M(t) = exp[(exp t 1)] . (6.68)
(d) Dessinez la fonction de probabilit e f pour
(i) = 0.5 , (ii) = 2 , (iii) = 8 .
Exercice 33 :
Montrer que dans la limite n , p 0 tel que np = x e, la distribution binomiale tend vers celle
de Poisson.
76 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Exercice 34 :
La probabilit e dune r eaction allergique ` a un traitement donn e est de 0.001. Trouver la probabilit e pour
que parmi 2000 personnes :
(a) Exactement 3 aient des probl` emes.
(b) Plus de 2 personnes aient des probl` emes.
Exercice 35 :
Supposons une source radioactive de particules dont lactivit e (intensit e) est constante durant les 50
heures dune exp erience pendant laquelle on observe 19500 particules .
(a) D eterminer le nombre moyen de particules observ ees par intervalle dune minute.
(b) Calculer la probabilit e dobserver respectivement 0, 1 et 6 particules par intervalle de temps. En
d eduire le nombre dintervalles dans lesquels on sattend ` a trouver respectivement 0, 1 et 6 particules.
6.3.4 La distribution normale.
Soit X une variable al eatoire continue ` a valeurs dans IR. Cette variable suit une distribution normale ou
distribution de Gauss de moyenne et d ecart-type si sa densit e de probabilit e est :
f(x) =
1

2
exp
_

(x )
2
2
2
_
pour < x < . (6.69)
Comme la distribution normale poss` ede deux param` etres : la moyenne et la variance
2
, il est commode
dutiliser la notation ^(,
2
) pour cette distribution.
La variable al eatoire r eduite Z =
X

est distribu ee selon la distribution normale r eduite


(not ee ^(0, 1)) :
f(z) =
1

2
exp
_

z
2
2
_
. (6.70)
La fonction de r epartition correspondante est, pour z 0 :
F(z) = P(Z z) =
1

2
_
z

exp
_

u
2
2
_
du =
1
2
+
1

2
_
z
0
exp
_

u
2
2
_
du .
La fonction qui est usuellement tabul ee est la fonction erf d enie comme :
erf(z) =
1

2
_
z
0
exp
_

u
2
2
_
du , pour z 0 . (6.71)
(voir la page 77 pour des valeurs num eriques de cette fonction).
Quelques valeurs importantes :
P(1 Z 1) = 0.6827 ,
P(2 Z 2) = 0.9545 , (6.72)
P(3 Z 3) = 0.9973 .
Exercice 36 :
Montrer que la fonction g en eratrice de la distribution normale est :
M(t) = exp
_
t +

2
t
2
2
_
. (6.73)
Indication : Calculer dabord la fonction g en eratrice de la distribution normale r eduite et utiliser lexer-
cice 24 pour le cas g en eral.
6.3. QUELQUES DISTRIBUTIONS DE PROBABILIT

E PARTICULI
`
ERES. 77
Exercice 37 :
Calculer le skewness et le kurtosis de la distribution normale. Ils sont d enis par :
Skewness :
1
=

3

3/2
2
,
Kurtosis :
2
=

4

2
2
3 .
Valeurs de erf(z) =
1

2
_
z
0
e
u
2
/2
du .
0 z
z 0 1 2 3 4 5 6 7 8 9
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0754
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2258 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2518 .2549
0.7 .2580 .2612 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2996 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
3.1 .4990 .4991 .4991 .4991 .4992 .4992 .4992 .4992 .4993 .4993
3.2 .4993 .4993 .4994 .4994 .4994 .4994 .4994 .4995 .4995 .4995
3.3 .4995 .4995 .4995 .4996 .4996 .4996 .4996 .4996 .4996 .4997
3.4 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4998
3.5 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998
3.6 .4998 .4998 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.7 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.8 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.9 .5000 .5000 .5000 .5000 .5000 .5000 .5000 .5000 .5000 .5000
78 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Exercice 38 :
Montrer que la demi-largeur ` a mi-hauteur (/2) dune gaussienne ^(0,
2
) est egale ` a

2 ln2
1.18 .
0

2
z
Exercice 39 :
Le temps de vie dun tube electronique est distribu e suivant une distribution gaussienne de moyenne =
1000 heures. Quelle est la valeur maximale que peut prendre si le temps de vie du tube d epasse 900 heures
dans 90% des cas ?
Exercice 40 :
Soit des variables al eatoires X
1
, . . . , X
N
ind ependantes et normalement distribu ees avec moyenne
i
et variance
2
i
. Montrer que toutes les combinaisons lin eaires des X
i
sont aussi normalement distribu ees.
Exercice 41 :
Trois r esistances R
1
, R
2
et R
3
(avec
1
= 5 [],
2
= 8 [],
3
= 12 [] et
2
i
= 0.5 [
2
] pour i =
1, 2, 3) sont choisies et connect ees en s erie.
(a) Quelle est la probabilit e que R
1
+R
2
+R
3
> 26 [] ?
(b) Quelle est la probabilit e que 23 [] < R
1
+R
2
+R
3
< 26 [] ?
Exercice 42 :
On fait livrer des sacs de ciment par un camion. Le poids de chaque sac est distribu e suivant une
distribution gaussienne de moyenne = 100 [Kg] et d ecart-type = 5 [Kg]. Si la charge maximale de ce
camion est 4000 [Kg], combien peut-on transporter de sacs si lon veut que la probabilit e que la charge du
camion d epasse 4000 [Kg] reste inf erieure ` a 5%?
Exercice 43 :
Un professeur doit corriger les examens ecrits dune classe de dix el` eves. Il sait par exp erience que le
temps n ecessaire pour corriger une copie est distribu e suivant une distribution normale de moyenne 12 [min]
et d ecart-type 8 [min]. Ce jour-l` a, il veut regarder le match de foot ` a la t el e ` a 20h00.
(a) Sil commence ` a travailler ` a 19h00 et sarr ete ` a 20h00, estimer le nombre de copies corrig ees.
(b) A quelle heure doit-il commencer ses corrections pour etre s ur ` a 90% davoir corrig e toutes les copies
pour 20h00 ?
6.3. QUELQUES DISTRIBUTIONS DE PROBABILIT

E PARTICULI
`
ERES. 79
6.3.5 La distribution khi-carr e
2
.
Soient X
1
, X
2
, X
3
, . . . , X

des variables al eatoires ind ependantes normalement distribu ees de


moyenne 0 et variance 1. Soit :

2
=

i=1
X
2
i
, (6.74)
alors :
P(
2
y) =
1
2
/2
(/2)
_
y
0
u
(/2)1
e
u/2
du , (6.75)
o` u est le nombre de degr es de libert e et la fonction gamma qui ob eit la relation de r ecurrence (x+1) =
x(x) avec (1) = 1 et (1/2) =

.
La densit e de probabilit e correspondante est :
f(u) =
_

_
1
2
/2
(/2)
u
(/2)1
e
u/2
si u > 0,
0 si u 0.
(6.76)
On dit que
2
suit une distribution en khi-carr e ` a degr es de libert e. Voici quelques distributions du
2
:
0
0.1
0.2
0.3
0.4
0.5
f
1 2 3 4 5 6 7 8 9 u
=5
=4
=3
=2
=1
On remarque que pour 2, le maximum de f est atteint en x = 2.
Exercice 44 :
Soit X une variable al eatoire r eduite normalement distribu ee. Montrer que X
2
est distribu ee en
2
avec
un degr e de libert e. (Indication : calculer P(X
2
< y) pour y IR).
Exercice 45 :
Montrer que la distribution en khi-carr e ` a degr es de libert e jouit des propri et es suivantes :
80 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
(a) Sa fonction g en eratrice est :
M(t) = (1 2t)
/2
, pour t
1
2
. (6.77)
(b) Sa moyenne est :
= . (6.78)
(c) Sa variance est :

2
= 2 . (6.79)
(d) Son skewness est :

1
= 2
_
2

. (6.80)
(e) Son kurtosis est :

2
=
12

. (6.81)
Exercice 46 :
Une variable al eatoire X est exponentielle n egative si
P(X > b) = exp(b) pour b 0 . (6.82)
Le param` etre > 0 sinterpr` ete comme un taux dannihilation (X pourrait etre le chemin parcouru,
jusqu` a annihilation, par une particule ionis ee dans un blindage protecteur).
(a) Quel est le domaine de d enition de X ?
(b) Quelle est la densit e f
X
?
(c) Trouver
X
et
2
X
.
(d) Calculer la probabilit e conditionnelle
P(X > b +c [ X > b) .
pour b, c > 0.
Exercice 47 :
Id ealement, un g en erateur de nombres al eatoires simule les valeurs prises par des variables al eatoires
successives X
1
, X
2
, . . . qui sont ind ependantes et de loi uniforme sur [0, 1], cest-` a-dire que pour chacune,
la densit e est
f(t) =
_
_
_
1 si t [0, 1],
0 sinon.
On g en` ere ainsi 1000 nombres au hasard. Le plus petit dentre eux se comporte comme la variable al eatoire
M = minX
1
, , X
1000
.
(a) Que vaut P(M > 2/1000) ? Donner une approximation exponentielle.
(b) Tirer plus g en eralement de lexpression pour
P(M > t) =
_
1
t
f
M
(u) du ,
la densit e f
M
.
(c) Calculer
M
.
6.3. QUELQUES DISTRIBUTIONS DE PROBABILIT

E PARTICULI
`
ERES. 81
6.3.6 Le th eor` eme de la limite centrale.
Th eor` eme 8 (Th eor` eme de la limite centrale) : Soient X
1
, X
2
, X
3
, . . . des variables
al eatoires ind ependantes identiquement distribu ees dont la moyenne et la variance
2
sont nies. Soit :
S
n
=
n

i=1
X
i
, (6.83)
alors :
lim
n
P
_
a
S
n
n

n
b
_
=
1

2
_
b
a
exp
_

u
2
2
_
du , (6.84)
cest-` a-dire, la variable al eatoire r eduite (S
n
n)/

n est asymptotiquement normale.


Remarque : La condition identiquement distribu ees peut etre relax ee.
Exercice 48 :
Soit X une variable al eatoire suivant la distribution binomiale, avec param` etres n et p. X peut etre
consid er ee comme une somme de variables al eatoires :
X = X
1
+. . . +X
n
,
o` u X
i
est associ ee ` a lissue du i-` eme tirage. V erier le th eor` eme de la limite centrale pour X, en montrant
que la distribution binomiale tend vers la distribution normale lorsque n .
82 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
6.4 El ements de statistique.
Vu le temps imparti, nous ne traiterons que de quelques aspects particuliers de statistique. Il sagit donc
dune introduction tr` es imcompl` ete.
6.4.1 Th eorie de l echantillonnage.
Le probl` eme de base est essentiellement le suivant. On a un grand groupe dobjets (une population)
que lon veut etudier. On aimerait d eduire les propri et es de la population en n etudiant quune partie de
celle-ci, soit un echantillon. Le premier probl` eme est celui de l echantillonnage, le second est le proc ed e de
linf erence statistique.
Un probl` eme difcile est celui du choix dun echantillon repr esentatif. Une possibilit e consiste ` a donner
` a chaque el ement de la population une chance egale. On parle alors d echantillon al eatoire.
Ceci est typiquement le cas dans la physique exp erimentale ou la population consiste de tous les ob-
servations possibles pour une exp erience. Chaque fois quand on rep` ete lexp erience on tire de mani` ere
al eatoire une observation de la population. Le but est de d eduire des propri et es de la population ` a partir
dun echantillon de taille ni.
Une population est consid er ee comme connue lorsque lon connait la distribution de probabilit e f(x)
de la variable al eatoire retenue.
Exemple : X=taille (ou poids) des membres dune population.
Statistique d echantillonnage.
Un echantillon de taille n peut- etre d ecrit par les valeurs x
1
, x
2
, , x
n
des variables al eatoires
X
1
, X
2
, , X
n
. Toute grandeur obtenue ` a partir dun echantillon dans le but destimer un param` etre
dune population est dit une statistique d echantillonnage. Une statistique d echantillonnage peut donc etre
consid er ee comme une fonction des variables al eatoires X
1
, X
2
, , X
n
et est donc aussi une fonction
al eatoire. Il y a beaucoup de mani` eres de former un echantillon de taille n. On peut donc consid erer tous les
echantillons possibles de taille n et calculer la statistique pour chacun deux. On obtient ainsi une distribu-
tion d echantillonnage pour laquelle nous pouvons calculer les divers moments (moyenne, variance,...).
Distribution d echantillonnage des moyennes.
Soit f(x) la distribution de probabilit e dune population donn ee dont nous tirons un echantillon de taille
n. Nous voulons trouver une approximation pour la moyenne de la distribution. Lapproche est toujours la
m eme : il faut d enir une statistique reli e ` a la quantit e dint eret. Dans le cas de la moyenne de la population,
une possibilit e est la moyenne arithm etique des x
i
de l echantillon :

X =
1
n
n

i=1
X
i
Alors les r esultats suivants sont vrais :
1.) La moyenne de la distribution d echantillonnage des moyennes, est egale ` a la moyenne de la
population (alors

X est une statistique non-biais e de ).
E(

X) = (6.85)
2.) Si la population est innie, de variance
2
, alors la variance de la distribution des moyennes vaut :

X
=

2
n
(6.86)
3.) Si la population est de taille N, alors la variance de la distribution des moyennes devient :

X
=

2
n
_
N n
N 1
_
(6.87)
6.4. EL

EMENTS DE STATISTIQUE. 83
4.) Si la population est normalement distribu ee (moyenne = , variance=
2
), alors la moyenne de
l echantillon est normalement distribu ee avec une moyenne et une variance

2
n
.
Distribution d echantillonnage des fr equences.
Soit une population innie normalement distribu ee et soit p la probabilit e pour un membre de la popu-
lation de pr esenter ou non une propri et e donn ee.
Consid erons tous les echantillons de taille n extraits de cette population et consid erons la statistique
relative ` a la proportion de succ` es. Ceci correspond donc ` a une distribution binomiale. La moyenne de la
distribution d echantillonnage des fr equences est alors :

P
= p (6.88)
et sa variance :

2
P
=
p(1 p)
n
(6.89)
Distribution d echantillonnage des sommes et diff erences.
Soient deux populations.
Soit S
1
une statistique pour chaque echantillon de taille n
1
tir e de la premi` ere, de moyenne
S1
et
d ecart-type
S1
. De m eme pour S
2
.
Alors, en prenant toutes les combinaisons possibles de ces echantillons nous pouvons obtenir une distri-
bution des diff erences dite distribution d echantillonnage des diff erences. La moyenne et l ecart-type sont
alors :

S1S2
=
S1

S2
(6.90)
et :

S1S2
=
_

2
S1
+
2
S2
(6.91)
Si lon consid` ere la somme, nous obtenons la distribution d echantillonnage des sommes et :

S1+S2
=
S1
+
S2
(6.92)
et :

S1+S2
=
_

2
S1
+
2
S2
(6.93)
Distribution d echantillonnage des variances.
En prenant tous les echantillons al eatoires possible de taille n dune population et en calculant la va-
riance de chacun deux, nous obtenons la distribution d echantillonnage des variances. Alors la variable
al eatoire :
nS
2

2
=
(X
1


X)
2
+ (X
2


X)
2
+ + (X
n


X)
2

2
(6.94)
est distribu ee en chi-carr e avec (n 1) degr es de libert e. La statistique S
2
d enie ci-dessus nest pas un
estimateur non-biais e pour la variance de la population,
2
, si la moyenne est inconnue et est aussi d eriv ee
par les donn ees. La raison est quil faut estimer deux quantiti es, la moyenne et la variance. Un estimateur
non-bias e est alors donn e par

S
2

1
n 1
n

i=1
(X
i


X)
2
. (6.95)
(Si la diff erence est importante il vaut probablement mieux ne pas se er trop aux r esultats !)
84 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Exercice 49 :
500 billes ont un poids moyen de 5.02 grammes et un ecart-type de 0.30 g. Trouver la probabilit e pour
quun echantillon al eatoire de 100 billes ait un poids total :
1) compris entre 496 et 500 g.
2) sup erieur ` a 510 g.
Exercice 50 :
Un candidat aux elections a recueilli 46% des votes. Quelle est la probabilit e pour quun groupe de :
1) 200 personnes
2) 1000 personnes choisies au hasard lui ait donn e une majorit e ?
Exercice 51 :
Deux fabricants diff erents produisent des ampoules electriques.
a) Les A ont une dur ee de vie moyenne de 1400 heures avec un ecart-type de 200 heures.
b) Les B ont une dur ee de vie moyenne de 1200 heures avec un ecart-type de 100 heures.
Si lon teste des echantillons al eatoires de 125 ampoules, quelle est la probabilit e pour que les ampoules
A aient une dur ee moyenne de vie :
1). au moins sup erieure de 160 heures aux ampoules de B?
2). au moins sup erieure de 250 heures aux ampoules de B?
Exercice 52 :
Un echantillon de 6 observations est constitu e al eatoirement ` a partir dune population de densit e de
probabilit e f(x). Quelle est la probabilit e pour que les deux derni` eres observations soient inf erieures aux
quatres premi` eres ?
6.4.2 Th eorie de lestimation.
Lestimation dun param` etre de population donn ee par une valeur unique est dite estimation ponctuelle.
Si lestimation est comprise entre deux valeurs, on parle destimation par intervalle.
Estimation par intervalle de conance.
Soient
S
et
S
la moyenne et l ecart-type de la distribution d echantillonnage dune statistique. Si
la taille de l echantillon est assez grande (plus que 30) alors la distribution d echantillonnage de S sera
approximativement gaussienne (` a cause du th eor` eme de la limite centrale). On peut esp erer trouver S dans
les intervalles
S
m
S
avec probabilit e 68, 27%, 95, 45%et 99, 73%respectivement pour m = 1, 2, 3. Le
pourcentange de conance est aussi appel e niveau de conance. Il y correspond une valeur de z
c
(argument
de la fonction erf) donn ee, appel ee coefcient de conance ou valeur critique (voir table).
Intervalles de conance des moyennes.
Si lon consid` ere la statistique de la moyenne d echantillon (de taille n 30),

X, alors les limites de
conance de la moyenne dune population (pour un niveau de conance donn e) sont :

X z
c

n
(6.96)
Exercice 53 :
On mesure le diam` etre des billes dun echantillon de 200 pi` eces. La moyenne est de 8,24 mm pour un
ecart-type de 0.42 mm. Evaluer les limites de conance ` a 95% et 99% pour le diam` etre moyen des billes.
6.4. EL

EMENTS DE STATISTIQUE. 85
Exercice 54 :
Pour quune mine dor soit rentable il faut que 100g dor soient produit par tonne de minerai. Avant
dacheter le terrain, vous faites quelques tests. Quatre echantillons ont fourni 126g, 137g, 104g et 93g.
a) En supposant = 20g, peut-on exclure une moyenne de 100g (et alors toutes les moyennes plus
petites) avec un niveau de conance de 90%? Combien d echantillons faut-il consid erer pour exclure une
moyenne de 100g avec un niveau de conance de 99%?
b) Consid erez-vous la mine toujours rentable (avec un niveau de conance de 90%) si la variance est
inconnue ?
Intervalles de conance des fr equences.
Si lon consid` ere la statistique qui repr esente le pourcentage de r eussite dans un echantillon de taille
n 30, tir e dune population binomiale o` u p est la probabilit e de r eussite, alors les limites de conance
pour p sont donn ees par :
P z
c

p
(6.97)
Exercice 55 :
Un echantillon de 100 electeurs choisis al eatoirement dans une population indique que 55% a vot e pour
Dupont. Evaluer les limites de conance ` a 95%, 99%, 99, 73% pour la fr equence de toute la population
en faveur de ce candidat.
Intervalles de conance des diff erences et des sommes.
Si S
1
et S
2
sont deux statistiques d echantillonnage avec des distributions normales, les limites de
conance pour les diff erences de param` etres repr esent es par S
1
et S
2
sont :
S
1
S
2
z
c

S1S2
(6.98)
et dans le cas dune somme :
S
1
+ S
2
z
c

S1+S2
(6.99)
Exercice 56 :
La force electromotrice daccumulateurs est de 45.1 V pour un ecart-type de 0.04 V. On monte 4 accu-
mulateurs en s erie. Calculer les limites de conance ` a 95%, 50% pour la force electromotrice totale.
Intervalles de conance des variances.
Le fait que nS
2
/
2
ait une distribution en
2
` a n 1 degr es de libert e permet dobtenir les limites de
conance pour
2
et .
6.4.3 Utilisation du khi-carr e : Ajustement de courbes.
Nous disposons de N points exp erimentaux (x
i
, y
i
,
i
), tels que x
i
est une variable ind ependante
connue et y
i
est la quantit e mesur ee avec une erreur (d eviation standard)
i
. Si lon porte les mesures
sur un diagramme (x, y), il est alors souvent possible de mettre en evidence une courbe continue suivant
approximativement les donn ees. Cest la courbe dajustement. Le but est dobtenir lexpression des y
i
en
fonction des x
i
. Cette op eration destimation sappelle une r egression. Il se peut que plusieurs courbes
repr esentent le m eme ensemble de donn ees : droite, parabole, etc. Il faut alors choisir la meilleure courbe,
o` u le sens de meilleur reste ` a d eterminer.
On suppose que les y
i
sont des variables al eatoires normalement distribu ees avec variance
2
i
et
moyenne p(x
i
; c), o` u p(x
i
; c) est une fonction des x
i
et de r param` etres c = (c
1
, . . . , c
r
).
86 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Pour ces N points, on d enit

2
=
N

i=1
[y
i
p(x
i
; c)]
2

2
i
(6.100)
et on cherche ` a d eterminer la meilleure estimation c

des param` etres c.


Puisque les y
i
sont normalement distribu ees, l equation (6.100) suit bien une distribution en
2
avec
degr es de libert e : Si on part de N points exp erimentaux et de r param` etres,
= N r . (6.101)
Dans cette approche, on doit consid erer deux op erations absolument distinctes :
Calcul de la meilleure estimation des param` etres c

.
Pour cela on cherche les valeurs de c qui minimisent l equation (6.100), cest-` a-dire, on calcule

2
c
k

c=c

= 0 pour k = 1, . . . , r. (6.102)
On a donc autant d equations que de param` etres.
Test de lhypoth` ese avec un niveau de conance .
On doit v erier que lhypoth` ese y
i
= p(x
i
; c) est bonne. Pour cela on se sert de la valeur que prend
l equation (6.100) au minimum, i.e. quand c = c

, soit
2
min
(c

), que lon compare avec la valeur


2
,
d etermin ee par le niveau de conance (en g en eral, = 5%) :
=
_

2
,
f

(u) du (6.103)
et obtenue ` a laide dune table num erique (voir page 88).
On a deux possibilit es :
si
2
min
(c

)
2
,
, on accepte lhypoth` ese,
si
2
min
(c

) >
2
,
, on rejette lhypoth` ese.
u

2
,
REJET ACCEPTATION
=
_

2
,
f

(u) du
f

Une quantit e ` a connatre aussi est lerreur sur c

. Pour cela, faisons un d eveloppement du


2
autour de
sa valeur minimale. On obtient

2
(c) =
2
min
(c

) +
r

k=1

2
c
k

c=c

(c
k
c

k
) +
1
2
r

j=1
r

k=1

2
c
j
c
k

c=c

(c
j
c

j
)(c
k
c

k
) +. . .
Or dapr` es l equation (6.102), le deuxi` eme terme de ce d eveloppement est nul. Il reste donc

2
(c) =
2
min
(c

) +
1
2
r

j=1
r

k=1

2
c
j
c
k

c=c

(c
j
c

j
)(c
k
c

k
) +. . . (6.104)
6.4. EL

EMENTS DE STATISTIQUE. 87
Ceci est l equation dun parabolode en r + 1 dimensions si lon n eglige les termes dordre > 2 ou dans le
cas dun t lin eaire (i.e. quand p(x
i
; c) est une fonction lin eaire en c).
Consid erons la matrice rr suivante
H(c

) =
1
2
_
_
_
_
_
_
_
_

2
c
2
1


2

2
c
1
c
r
.
.
.
.
.
.
.
.
.

2
c
r
c
1


2

2
c
2
r
_
_
_
_
_
_
_
_
. (6.105)
La matrice derreur 1 qui d enit les variances
2
(c

k
) et les covariances Cov(c

j
, c

k
) est donn ee par
1 =
_
_
_
_

2
(c

1
) Cov(c

1
, c

r
)
.
.
.
.
.
.
.
.
.
Cov(c

r
, c

1
)
2
(c

r
)
_
_
_
_
H(c

)
1
. (6.106)
Remarquons que la matrice 1 est sym etrique.
88 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Table des valeurs
2
,
pour la loi de khi-carr e avec degr es de libert e :
=
_

2
,
f

(u) du
u

2
,

f
@
@
@ @

0.995 0.990 0.975 0.950 0.900 0.750 0.500 0.250 0.100 0.050 0.025 0.010 0.005 0.001
1 0.00004 0.00016 0.00098 0.00393 0.01579 0.1015 0.4549 1.323 2.706 3.841 5.024 6.635 7.879 10.83
2 0.0100 0.0201 0.0506 0.1026 0.2107 0.5754 1.385 2.773 4.605 5.991 7.378 9.210 10.60 13.82
3 0.0717 0.1148 0.2158 0.3518 0.5844 1.213 2.366 4.108 6.251 7.815 9.348 11.34 12.84 16.27
4 0.2070 0.2971 0.4844 0.7107 1.064 1.923 3.357 5.385 7.779 9.488 11.14 13.28 14.86 18.47
5 0.4117 0.5543 0.8312 1.145 1.610 2.675 4.351 6.626 9.236 11.07 12.83 15.09 16.75 20.52
6 0.6757 0.8721 1.2373 1.635 2.204 3.455 5.348 7.841 10.64 12.59 14.45 16.81 18.55 22.46
7 0.9893 1.239 1.690 2.167 2.833 4.255 6.346 9.037 12.02 14.07 16.01 18.48 20.28 24.32
8 1.344 1.646 2.180 2.733 3.490 5.071 7.344 10.22 13.36 15.51 17.53 20.09 21.96 26.12
9 1.735 2.088 2.700 3.325 4.168 5.899 8.343 11.39 14.68 16.92 19.02 21.67 23.59 27.88
10 2.156 2.558 3.247 3.940 4.865 6.737 9.342 12.55 15.99 18.31 20.48 23.21 25.19 29.59
11 2.603 3.053 3.816 4.575 5.578 7.584 10.34 13.70 17.28 19.68 21.92 24.72 26.76 31.26
12 3.074 3.571 4.404 5.226 6.304 8.438 11.34 14.85 18.55 21.03 23.34 26.22 28.30 32.91
13 3.565 4.107 5.009 5.892 7.041 9.299 12.34 15.98 19.81 22.36 24.74 27.69 29.82 34.53
14 4.075 4.660 5.629 6.571 7.790 10.17 13.34 17.12 21.06 23.68 26.12 29.14 31.32 36.12
15 4.601 5.229 6.262 7.261 8.547 11.04 14.34 18.25 22.31 25.00 27.49 30.58 32.80 37.70
16 5.142 5.812 6.908 7.962 9.312 11.91 15.34 19.37 23.54 26.30 28.85 32.00 34.27 39.25
17 5.697 6.408 7.564 8.672 10.09 12.79 16.34 20.49 24.77 27.59 30.19 33.41 35.72 40.79
18 6.265 7.015 8.231 9.390 10.86 13.68 17.34 21.60 25.99 28.87 31.53 34.81 37.16 42.31
19 6.844 7.633 8.907 10.12 11.65 14.56 18.34 22.72 27.20 30.14 32.85 36.19 38.58 43.82
20 7.434 8.260 9.591 10.85 12.44 15.45 19.34 23.83 28.41 31.41 34.17 37.57 40.00 45.32
21 8.034 8.897 10.28 11.59 13.24 16.34 20.34 24.93 29.62 32.67 35.48 38.93 41.40 46.80
22 8.643 9.542 10.98 12.34 14.04 17.24 21.34 26.04 30.81 33.92 36.78 40.29 42.80 48.27
23 9.260 10.20 11.69 13.09 14.85 18.14 22.34 27.14 32.01 35.17 38.08 41.64 44.18 49.73
24 9.886 10.86 12.40 13.85 15.66 19.04 23.34 28.24 33.20 36.42 39.36 42.98 45.56 51.18
25 10.52 11.52 13.12 14.61 16.47 19.94 24.34 29.34 34.38 37.65 40.65 44.31 46.93 52.62
26 11.16 12.20 13.84 15.38 17.29 20.84 25.34 30.43 35.56 38.89 41.92 45.64 48.29 54.05
27 11.81 12.88 14.57 16.15 18.11 21.75 26.34 31.53 36.74 40.11 43.19 46.96 49.64 55.48
28 12.46 13.56 15.31 16.93 18.94 22.66 27.34 32.62 37.92 41.34 44.46 48.28 50.99 56.89
29 13.12 14.26 16.05 17.71 19.77 23.57 28.34 33.71 39.09 42.56 45.72 49.59 52.34 58.30
30 13.79 14.95 16.79 18.49 20.60 24.48 29.34 34.80 40.26 43.77 46.98 50.89 53.67 59.70
40 20.71 22.16 24.43 26.51 29.05 33.65 39.34 45.62 51.80 55.76 59.34 63.69 66.77 73.40
50 27.99 29.71 32.36 34.76 37.69 42.94 49.33 56.33 63.17 67.50 71.42 76.15 79.49 86.66
60 35.53 37.48 40.48 43.19 45.46 52.29 59.33 66.98 74.40 79.08 83.30 88.38 91.95 99.61
70 43.28 45.44 48.76 51.74 55.33 61.70 69.33 77.58 85.53 90.53 95.02 100.4 104.2 112.3
80 51.17 53.54 57.15 60.39 64.28 71.14 79.33 88.13 96.58 101.9 106.6 112.3 116.3 124.8
90 59.20 61.75 65.65 69.13 73.29 80.62 89.33 98.65 107.6 113.1 118.1 124.1 128.3 137.2
100 67.33 70.06 74.22 77.93 82.36 90.13 99.33 109.1 118.5 124.3 129.6 135.8 140.2 149.4
6.4. EL

EMENTS DE STATISTIQUE. 89
Fit ` a un param` etre.
Quand on na quun seul param` etre c, l equation (6.100) devient

2
=
N

i=1
[y
i
p(x
i
; c)]
2

2
i
.
On obtient c

, la meilleure estimation du param` etre, ` a laide de (6.102) :


0 =
d
2
dc

c=c

= 2
N

i=1
y
i
p(x
i
; c)

2
i
dp(x
i
; c)
dc

c=c

. (6.107)
On obtient la variance sur c

` a laide de (6.106) :

2
(c

) =
_
1
2
d
2

2
dc
2

c=c

_
1
. (6.108)
Dans ce cas particulier, l equation (6.104) s ecrit

2
(c)
2
min
(c

) =
_
1
2
d
2

2
dc
2

c=c

_
(c c

)
2
= [
2
(c

)]
1
(c c

)
2
.
Si lon evalue l equation pr ec edente au point c = c

(c

) on a

2
(c

(c

))
2
min
(c

) = 1 . (6.109)
On peut donc trouver c

et (c

) ` a partir du graphique de
2
en fonction de c. Au point c

, la fonction est
minimale, tandis quau point c

(c

) la fonction vaut
2
min
(c

) + 1.
Exercice 57 :
On dispose de deux balances, dont lune (B
2
) est plus pr ecise que lautre (B
1
). On dispose aussi de n
pi` eces de monnaie de 1 Fr. des ann ees 1964 et 1970. On p` ese ces pi` eces sur les deux balances. Les r esultats
sont tabul es et lon obtient les valeurs suivantes pour les moyennes y(B

) et leurs erreurs (B

) correspon-
dant aux deux balances :
ann ee
1964
1970
y(B
1
) (B
1
)
3.0733 0.0205
3.0968 0.0183
y(B
2
) (B
2
)
3.0806 0.0080
3.1045 0.0059
Tester lhypoth` ese y
1964
(B

) = y
1970
(B

) = s epar ement pour les mesures faites avec les deux balances.
Fit ` a plusieurs param` etres.
La m ethode est la m eme que pr ec edemment, mais ici on doit en plus tenir compte de la corr elation entre
les estimations qui est donn ee par les termes non-diagonaux de la matrice derreur (6.106).
Ici nous allons traiter en d etail le t dune droite.
Exercice 58 :
Montrer que si toutes les mesures exp erimentales sont effectu ees avec la m eme pr ecision, les meilleures
estimations des param` etres a et b de la droite dajustement
y = a +bx , (6.110)
90 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
sont
a

=
_

i
y
i
__

j
x
2
j
_

i
x
i
__

j
x
j
y
j
_
N

i
x
2
i

_

i
x
i
_
2
, (6.111)
b

=
N

i
x
i
y
i

i
x
i
__

j
y
j
_
N

i
x
2
i

_

i
x
i
_
2
. (6.112)
Exercice 59 :
Si la pr ecision des mesures est diff erente, l equation (6.100) devient

2
=
N

i=1
[y
i
(a +bx
i
)]
2

2
i
. (6.113)
Montrer que la meilleure estimation des param` etres a et b, donn ee par (6.102), est
a

=
CD AE
BD A
2
, (6.114)
b

=
BE AC
BDA
2
, (6.115)
o` u lon a d eni les constantes suivantes :
A =
N

i=1
x
i

2
i
, B =
N

i=1
1

2
i
, C =
N

i=1
y
i

2
i
,
D =
N

i=1
x
2
i

2
i
, E =
N

i=1
x
i
y
i

2
i
, F =
N

i=1
y
2
i

2
i
.
(6.116)
De m eme, montrer que la matrice derreur 1 d enie par (6.106) est donn ee par
1 =
_
B A
A D
_
1
=
1
BD A
2
_
D A
A B
_
. (6.117)
Exercice 60 :
On consid` ere les six points exp erimentaux suivants :
x
i
0 1 2 3 4 5
y
i
0.92 4.15 9.78 14.46 17.26 21.90

i
0.50 1.00 0.75 1.25 1.00 1.50
Trouver l equation de la droite dajustement, d eterminer les erreurs sur les estimations et v erier que lhy-
poth` ese du t lin eaire est raisonnable (niveau de conance = 5%).
6.4. EL

EMENTS DE STATISTIQUE. 91
Exercice 61 :
On veut ajuster les donn ees (x
i
, y
i
) avec une parabole d equation :
y = a +bx +cx
2
. (6.118)
Montrer que si toutes les mesures exp erimentales sont effectu ees avec la m eme pr ecision, les meilleures
valeurs des param` etres sont donn ees par les conditions :

i
y
i
= a

N +b

i
x
i
+c

i
x
2
i
, (6.119)

i
x
i
y
i
= a

i
x
i
+b

i
x
2
i
+c

i
x
3
i
, (6.120)

i
x
2
i
y
i
= a

i
x
2
i
+b

i
x
3
i
+c

i
x
4
i
. (6.121)
Lin earisation des probl` emes non lin eaires.
Quelquefois, quand on rencontre les probl` emes o` u la d ependance des mesures y
i
nest pas une fonction
lin eaire des param` etres, on peut faire une transformation de variables z
i
= g(y
i
) pour lin eariser le probl` eme.
Consid erons par exemple la fonction
y(x;
1
,
2
) =
1
exp(
2
x) ,
o` u
1
et
2
sont des param` etres. On prend
z = lny = ln
1

2
x c
1
+c
2
x .
Donc z est lin eaire en c = (c
1
, c
2
) = (ln
1
,
2
).
On doit faire la remarque suivante : les erreurs statistiques des variables z
i
= g(y
i
) nont pas la m eme
distribution que celles des y
i
. Il faut utiliser la formule de propagation derreur pour faire le calcul :

2
(z
i
)
_
z
i
y
i
_
2

2
(y
i
) , pour i = 1, . . . , N. (6.122)
Exercice 62 :
Une source radioactive a N
0
noyaux au temps t = 0. Elle se d esint` egre suivant la loi suivante :
N(t) = N
0
exp
_

_
.
On effectue les mesures suivantes :
essai num ero 1 2 3 4 5 6 7 8 9 10
temps t
i
0 15 30 45 60 75 90 105 120 135
#coups/15[sec] 106 80 98 75 74 73 49 38 37 22
Lerreur sur le nombre de coups N est egal ` a

N. D eterminer la meilleure estimation du param` etre et
son erreur, ` a laide dun t lin eaire.
92 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
6.4.4 Inf erence Bayesienne
R` egles de base
Les r` egles de base du calcul Bayesien d ecoulent des r esultats probabilistes suivants que nous avons vus
auparavant. Soient X et Y deux variables al eatoires. Nous ecrivons P(x) pour la fonction de probabilit e
P(X = x). Alors
(a) R` egle du produit (voir Eq. (6.4) et Eq. (6.39))
P(x, y) = P(x)P(y[x) = P(y)P(x[y) (6.123)
(b) Marginalisation : (voir Eq. (6.21))
P(y) =

xJx
P(x, y) (6.124)
Ici nous remplacons x (les param` etres) et y D (les donn ees). Nous introduisons en plus le mod` ele
/. La premi` ere r` egle peut alors etre re- ecrite sous la forme de l equation de Bayes,
P([D, /) =
P(D[, /)P([/)
P(D[/)
(6.125)
Chaque expression dans cette equation a un nom sp ecique :
P([D, /) est la probabilit e post erieure. Cest la fonction de probabilit e pour les param` etres du
mod` ele et donc le r esultat recherch e.
P(D[, /) est le likelihood, et est souvent ecrit en fonction des param` etres comme L(). Cest la
probabilit e dobserver les donn ees D pour un mod` ele / et avec les param` etres donn es. Ceci est
d etermin e par lexp erience. Pour des donn ees tir ees dune variable al eatoire normale comme d ecrit
dans lEq. (6.100) le likelihood est proportionnel ` a exp(
2
/2) et normalis e tel que lint egrale sur
les y
i
donne 1.
P([/) est la probabilit e a priori des param` etres, donc la probabilit e avant de faire lexp erience.
Cela sapelle souvent prior. En labsence de connaissances sur les param` etres, il faut choisir cette
expression de mani` ere ` a ce que leur contenu dinformation soit minimal. Les deux exemples typiques
sont les param` etres de location avec P([/) constant et les param` etres d echelle o` u P([/) 1/.
P(D[/) est important pour comparer des mod` eles diff erents et nous allons discuter ce facteur plus
tard. Toutefois il est constant pour un mod` ele et des donn ees xes et ninuence pas la probabilit e
post erieure.
Avec l equation de Bayes nous pouvons donc d eriver la probabilit e post erieure des param` etres. Si
nous ne somme pas int eress e par certains des param` etres, nous pouvons les marginaliser en les int egrant.
Lexemple suivant illustre explicitement tous ces concepts.
Exemple : Inf erence Bayesienne de la moyenne et variance pour une distribution normale
Nous avons pr esent e plus t ot les deux diff erents estimateurs pour la variance, S et

S. Nous allons
maintenant les d eriver par inf erence Bayesienne. Ceci met en evidence une des diff erences principales
entre lapproche fr equentiste et lapproche Bayesienne. Dans la premi` ere, il faut construire des estimateurs
et evaluer leurs propri et es, ce qui est un processus mal d eni. Souvent ces estimateurs d ecoulent de mani` ere
naturelle dun calcul Bayesien.
Alors soient x
i

n
i=1
des donn ees tir ees dune distribution normale ^(, ) avec et inconnus. Il
nous faut des probabilit es a priori pour ces param` etres. En labsence dautres informations il faut choisir
des priors non-informatifs. La moyenne est clairement un param` etre de location, avec une reparam etrisation
naturelle + c, son prior est alors plat. La variance est toujours positive, et cest son echelle qui est
inconnue. Donc son prior est 1/. Ces priors sont impropres, mais la distribution normale les r egularise de
mani` ere sufsante. Toutefois, il est possible de d enir des priors propres au prix de compliquer les calculs.
6.4. EL

EMENTS DE STATISTIQUE. 93
Nous allons toutefois introduire un facteur constant 1/

qui d ecrit la largeur du prior sur , mais qui peut


etre arbitrairement petit.
Le likelihood est le produit dune distribution normale pour chaque x
i
pour et connus et constants,
P(x
i

n
i=1
[, ) =
1
(2
2
)
n/2
exp
_

i=1
(x
i
)
2
2
2
_
(6.126)
=
1
(2
2
)
n/2
exp
_

n( x)
2
+nS
2
2
2
_
(6.127)
Donc x et S (ou

S) sufsent pour d ecrire cette situation. La probabilit e post erieure est alors
P(, [x
i

n
i=1
) =
1
(2
2
)
n/2
exp
_

n( x)
2
+nS
2
2
2
_
1

P(x
i

n
i=1
)
(6.128)
Cette fonction d ecrit nos connaissances sur et pour des donn ees et priors donn ees. Il est possible de
calculer les param` etres qui maximisent le post erieur, m eme si ce na pas dimportance particuli` ere dans le
calcul Bayesien. Dans la base , ln les priors sont plats et le maximum du post erieur est le m eme que
le maximum du likelihood. Le maximum du likelihood est ` a x, = S.
Exercice 63 :
Calculer la distribution post erieure pour si est connu. D emontrer quelle est proportionelle ` a une
distribution normale autour de x avec un ecart-type de /

n.
La prochaine question est : Avec les donn ees et les priors non-informatifs, quel est ? La diff erence
est que nous cherchons la r eponse pour un inconnu et ind etermin e. Il faut donc marginaliser sur . La
probabilit ee post erieure pour peut etre ecrite comme
P([x
i

n
i=1
) =
P(x
i

n
i=1
[)P()
P(x
i

n
i=1
)
. (6.129)
Pour trouver P(x
i

n
i=1
[) il faut int egrer sur , P(x
i

n
i=1
[) =
_
P(x
i

n
i=1
[, )P()d. Pour P()
constant cest une int egrale Gaussienne quon peut r esoudre, et on trouve
lnP(x
i

n
i=1
[) = nln(

2)
nS
2
2
2
+ ln

2/

, (6.130)
o` u

est la taille du prior sur , P(). Les deux premi` eres expressions sont le logarithme du likelihood,
et la troisi` eme est souvent appel ee le facteur de Occam qui p enalise les mod` eles trop g en eraux (avec
grand

). Pour trouver le maximum de la probabilit e post erieure pour , nous pouvons diff erencier cet
expression par , et le facteur /

n additionel fait que le maximum nest plus ` a S mais ` a

S
2
=
n
n 1
S
2
. (6.131)
La question nale porte sur lexercice 55(b) : Quel est pour des donn ees connues, si on ne connais
pas ?
Exercice 64 :
a) Marginaliser sur pour obtenir la distribution Students t,
P([D) 1/
_
n( x)
2
+ (n 1)

S
2
_
n/2
. (6.132)
Cest la distribution correcte ` a utiliser pour trouver la moyenne si la variance est inconnue.
94 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
b) Utiliser la variable t ( x )/(

S/

n) et le fait que la fonction de probabilit e P([D) doit etre


normalis e comme fonction de pour calculer la valeur de t limite pour un niveau de conance de
90% et n = 4 (donc
_
t0.9

P(t)dt = 0.9), et d emontrer que t


0.9
1.64. Revisiter ensuite la question
(b) de lexercise 55.
c) Quelle serait lapproche Bayesienne pour 55(b) ? Quelle est la diff erence ` a la r eponse trouv e par (b)
ci-dessus ? La diff erence est-elle importante dans ce cas ?
Exercice 65 :
Il y a 11 r ecipients d enombr es par u 0, 1, 2, ..., 10. Chacun contient 10 boules, dont u noirs et
10 u blanches. Fred choisit un r ecipient de mani` ere al eatoire et tire 10 boules (en les remettant dans le
r ecipient). Bill voit quil a tir e 3 boules noires.
a) Quelle est (pour Bill) la probabilit e que Fred ait choisit le r ecipient u?
b) Quelle est la probabilit e que la prochaine boule soit noire ?
c) Quelle serait la r eponse ` a la question (b) selon lapproche fr equentiste ?
Comparaison de mod` eles
La quantit e n ecessaire pour comparer des mod` eles est la probabilit e pour le mod` ele /avec des donn ees
D, cest-` a-dire P(/[D). Avec la formule de Bayes nous pouvons voir que cest
P(/[D) =
P(D[/)P(/)
P(D)
. (6.133)
Normalement P(D) et P(/) sont des constantes, telles que P(D[/) P(/[D). Pour calculer
P(D[/) nous utilisons Eq. (6.125) et le fait que P([D, /) est normalis e,
_
dP([D, /) = 1. Nous
avons donc
P(D[/) =
_
dP(D[, /)P([/). (6.134)
Exercice 66 :
Apparu dans Guardian du 4 Janvier 2002 :
When spun on edge 250 times, a Belgian one-euro coin came up heads 140 times and tails 110 times. It
looks very suspicious to me, said Barry Blight, a statistics lecturer at the London School of Economics. If
the coin were unbiased the chance of getting a result as extreme as that would be less than 7%.
Quel est votre avis ? Consid erez deux hypoth` eses ou mod` eles, /
1
: la pi` ece nest pas truqu ee, p = 1/2 et
/
2
: il y a un biais arbitraire, p [0, 1] de mani` ere uniforme. Vous pouvez utilisier que
_
1
0
dpp
n
(1 p)
m
=
n!m!
(n +m+ 1)!
pour n, m N. (6.135)
Quelques r ef erences :
[1] W. FELLER, An introduction to the probability theory and its applications, vol. 12, J. Wiley
(1968).
[2] S. KARLIN, A rst course in Stochastic Processes, Academic Press (1966).
[3] M. R. SPIEGEL, Probabilit es et Statistique, McGraw Hill (1981).
[4] J. MEDHI, Stochastic Processes, J. Wiley (1994).
[5] I. N. GIBRA, Probability and statistical inference for scientists and engineers, Prentice-Hall, Inc
(1973).
6.4. EL

EMENTS DE STATISTIQUE. 95
[6] FRODESEN, SKJEGGESTAD AND T OFTE, Probability and Statistics in particle physics, Universi-
tetsforlaget (1979).
[7] E. T. JAYNES, Probability Theory, Cambridge University Press (2003).
[8] DAVID J.C. MCKAY, Information Theory, Inference, and Learning Algorithms, Cambridge Uni-
versity Press (2003).
96 CHAPITRE 6. NOTIONS DE PROBABILIT

ES ET DE STATISTIQUE
Chapitre 7
El ements de la th eorie des groupes
7.1 D enition dun groupe
La notion de groupe est un concept important pour la physique, sp ecialement en relation avec des
consid erations de sym etrie. Cest ainsi parce quun grand nombre de groupes apparat tout naturellement,
p.ex. le groupe des translations de lespace, le groupe des rotations, le groupe form e des transformations de
Lorentz en relativit e, les groupes cristallographiques (form es des transformations de sym etrie des structures
cristallines). Les groupes susmentionn es sont tous des groupes de transformations, c.-` a-d. des ensembles
dont les el ements sont des transformations de certains objets ou espaces ; ces ensembles ont une loi de
composition interne, donn ee par lex ecution successive des transformations. En g en eral, un groupe est un
ensemble abstrait muni dune loi de composition ayant certaines propri et es.
D enition :
(a) Un groupe est un ensemble G muni dune loi de composition

(cest ` a dire associant ` a chaque couple
ordonn e (a, b) d el ements de G un autre el ement a

b) qui satisfait les conditions suivantes :


(0) a

b G pour tout a, b G,
(1) elle est associative : (a

b)

c = a

(b

c) pour tout a, b, c G,
(2) il existe un el ement neutre e : a

e = e

a = a pour tout a G,
(3) ` a chaque a G est associ e un el ement a
1
G satisfaisant a

a
1
= a
1

a = e ; a
1
est appel e
linverse de a.
(b) G est un groupe ni sil ne contient quun nombre ni d el ements.
(c) Un sous-groupe G
0
dun groupe G est une collection non-vide d el ements de G qui est un groupe pour
la loi de composition induite par G.
(Donc a, b G
0
a

b G
0
et a
1
G
0
; en particulier e G
0
et e est egalement l el ement neutre
de G
0
).
G
0
est un sous-groupe propre de G sil est diff erent de G et de e (le groupe form e par le seul el ement e).
Remarque : Il est usuel d ecrire simplement ab pour le compos e a

b. Il ne faut pas confondre cette no-


tation avec une multiplication ; pour certains groupes concrets (par exemple des groupes de matrices) la
composition est effectivement une multiplication, dans dautres cas cela peut etre par exemple une addition.
Exercice 1
GL(n, IR) est d eni comme lensemble des matrices r eelles nn non-singuli` eres, SL(n, IR) comme le
sous-ensemble des matrices unimodulaires (i.e. d eterminant egal ` a 1). Montrer que GL(n, IR) est un groupe
et que SL(n, IR) est un sous-groupe de GL(n, IR). Ces groupes sont-ils nis ou non ?
D enition :Une transformation dun ensemble /de n el ements sappelle une permutation.
Le groupe de toutes les permutations de lensemble / de n el ements sappelle le groupe sym etrique
(groupe de permutations) o
n
.
97
98 CHAPITRE 7. EL

EMENTS DE LA TH

EORIE DES GROUPES


Le nombre d el ements dun groupe ni sappelle lordre du groupe.
Th eor` eme : Tout groupe ni dordre n est isomorphe ` a un sous-groupe du groupe de permutations o
n
.
(D emonstration : On peut comprendre un groupe dordre n comme un groupe de permutations sur ses
propres el ements.)
Exercice 2
Nous consid erons o
3
, / = 1, 2, 3,
e = [(1, 2, 3) (1, 2, 3)] , a = [(1, 2, 3) (2, 3, 1)] , b = [(1, 2, 3) (3, 1, 2)] ,
c = [(1, 2, 3) (1, 3, 2)] , d = [(1, 2, 3) (3, 2, 1)] , f = [(1, 2, 3) (2, 1, 3)] .
Remplir la table de multiplication suivante et v erier que o
3
est un groupe (dit le groupe sym etrique
de 3 el ements) :
e a b c d f
e
a
b
c
d
f
Ce groupe est-il commutatif ? (ab = ba a, b, o
3
)
D eterminer au moins un sous-groupe propre de S
3
. Montrer que les transpositions ( echanges de deux
el ements) ne forment pas un sous-groupe.
Quest-ce quest lordre de S
3
? Quest-ce quest lordre de S
n
?
7.2 Repr esentations
Un groupe est un ensemble abstrait ou souvent un ensemble dont les el ements sont des transforma-
tions de certains objets physiques (groupes de transformations ; leurs el ements agissent sur des objets phy-
siques ou des appareils de mesure, p.ex. rotation dun champ magn etique, d eplacement dun d etecteur). Pour
d ecrire les ph enom` enes physiques ou les etats des syst` emes physiques, on utilise un espace math ematique
(p.ex. lespace de phase en m ecanique, un espace de Hilbert ou les rayons dun espace de Hilbert en
m ecanique quantique). Il faut donc bien distinguer entre lespace physique (lespace dans lequel ont lieu
les ph enom` enes physiques souvent IR
3
ou lespace-temps IIM) et lespace math ematique servant ` a d ecrire
ces ph enom` enes.
A chaque transformation du syst` eme physique doit correspondre une transformation dans lespace
math ematique (la description math ematique du changement d etat sous cette transformation). Donc chaque
transformation du syst` eme physique sera repr esent ee par une application de lespace math ematique dans
lui-m eme ; le produit (compos e) de deux transformations sera repr esent e par la composition des deux ap-
plications correspondantes de lespace math ematique, etc. En dautres termes lensemble de ces applica-
tions sera lui-m eme un groupe, on parle dune repr esentation du groupe de transformations dans les-
pace math ematique. Dans la majorit e des situations lespace math ematique est un espace vectoriel et lon
consid` ere des repr esentations lin eaires, c.-` a-d. des repr esentations par des applications lin eaires dans cet
espace vectoriel.
D enition :
(a) Une repr esentation dun groupe G est un homomorphisme de G dans lensemble des applications in-
versibles dun espace E.
7.2. REPR

ESENTATIONS 99
(b) Une repr esentation lin eaire dun groupe G est un homomorphisme de G dans lensemble des applica-
tions lin eaires inversibles dun espace vectoriel E.
(c) Une repr esentation est d` ele si cet homomorphisme est injectif, c.-` a-d. si ` a toute paire d el ements
diff erents de G correspondent deux applications diff erentes de E.
(d) La dimension dune repr esentation lin eaire est d enie comme la dimension de lespace vectoriel E.
Commentaires : Pour d enir une repr esentation dun groupe G dans un espace E, on doit donc associer
` a chaque el ement a de G une application D(a) de E dans E, et cette correspondance a D(a) doit
pr eserver la structure de groupe, c.-` a-d. doit etre telle que
D(e) = 1l D(ab) = D(a)D(b) pour tout a, b G
(loi de composition interne de G ` a gauche, composition des applications de E ` a droite). On aura alors
D(a
1
)D(a) = D(a
1
a) = D(e) = 1l
et de m eme
D(a)D(a
1
) = 1l ,
donc chaque application D(a) poss` ede un inverse [D(a)]
1
, et cet inverse est egal ` a D(a
1
) :
_
D(a)

1
= D(a
1
) .
Si D est une repr esentation lin eaire dans un espace vectoriel E de dimension nie, apr` es le choix dune
base dans E, D(a) peut etre repr esent e par une matrice rr, o` u r = dimE est la dimension de E.
La famille dapplications D(a) [ a G forme egalement un groupe ; si la repr esentation est d` ele, ce
groupe est isomorphe au groupe G.
Dans la suite nous ne consid erons que des repr esentations lin eaires.
Exercice 3
Soit les matrices :
T(e) =
_
_
1 0 0
0 1 0
0 0 1
_
_
T(c) =
_
_
1 0 0
0 0 1
0 1 0
_
_
T(a) =
_
_
0 1 0
0 0 1
1 0 0
_
_
T(d) =
_
_
0 0 1
0 1 0
1 0 0
_
_
T(b) =
_
_
0 0 1
1 0 0
0 1 0
_
_
T(f) =
_
_
0 1 0
1 0 0
0 0 1
_
_
Montrer que ces matrices d enissent une repr esentation lin eaire 3-dimensionnelle du groupe o
3
.
Etant donn ee une repr esentation lin eaire D(G) dun groupe G dans lespace E, on dit quun sous-
espace F de E est invariant sous D(G) si, quels que soient x F et g G,
D(g) x F .
Lespace E lui-m eme et lespace constitu e du seul vecteur nul sont des sous-espaces invariants triviaux.
Une repr esentation est dite r eductible sil existe au moins un sous-espace invariant non trivial. Elle est
dite irr eductible dans le cas contraire.
Montrer que la repr esentation de o
3
ci-dessus est r eductible en trouvant le sous-espace invariant non
trivial.
100 CHAPITRE 7. EL

EMENTS DE LA TH

EORIE DES GROUPES


Les matrices rr de la forme
A =
_
_
_
_
_
_
_
_
A
(1)
A
(2)
.
.
.
A
(N)
_
_
_
_
_
_
_
_
,
o` u les blocs A
(i)
sont des matrices r
i
r
i
et les el ements en dehors des blocs sont tous nuls, sont appel ees
somme directe de matrices.
Une repr esentation lin eaire D dun groupe G dans un espace E est appel ee somme directe de
repr esentations D
(1)
, . . . , D
(N)
si dans une base convenable de lespace E, chaque D(g) est somme directe
de D
(1)
(g), . . . , D
(N)
(g) :
D(g) =
_
_
_
_
_
_
_
_
_
D
(1)
(g)
D
(2)
(g)
.
.
.
D
(N)
(g)
_
_
_
_
_
_
_
_
_
pour tout g G.
On ecrit alors
D = D
(1)
D
(2)
D
(N)
.
Montrer que la repr esentation ci-dessus de o
3
peut se mettre sous la forme de somme directe de deux
repr esentations D = D
(1)
D
(2)
. Trouver la base convenable.
7.3 Groupes et alg` ebres de Lie
Grosso modo un groupe de Lie est un groupe dont les el ements peuvent etre index es par un certain
nombre de param` etres r eels (continus) ind ependants et tel que la loi de composition et le passage ` a lin-
verse d ependent contin ument (en fait analytiquement) de ces param` etres. Le groupe forme une vari et e
diff erentiable. Un exemple de groupe de Lie est le groupe ` a un param` etre propos e dans lExercice 4, ainsi
que les matrices orthogonales avec d eterminant 1, SO(N), des exercises 5 et 6, et les matrices unitaires avec
d eterminant 1, SU(N). Le nombre de param` etres n ecessaires est la dimension du groupe de Lie. Chaque
groupe de Lie d etermine une alg` ebre de Lie de m eme dimension, qui correspond formellement ` a lespace
tangent ` a lorigine ( el ement neutre du groupe). La dimension de SO(3) et SU(2) est trois. Comme vari et e
diff erentiable le groupe SU(2) est la sph` ere S
3
(voir exercice 7 b), deuxi` eme point) et SO(2) le cercle S
1
.
D enition : Une alg` ebre de Lie sur IR est un espace vectoriel L de dimension nie sur IR muni dune loi
de composition interne not ee [, ] et satisfaisant
[X +Y, Z] = [X, Z] +[Y, Z] pour tout , IR, X, Y, Z L, (1)
[X, Y ] = [Y, X] pour tout X, Y L (2)
et
_
X, [Y, Z]

+
_
Y, [Z, X]

+
_
Z, [X, Y ]

= 0 pour tout X, Y, Z L. (3)


Nous utilisons les lettres X, Y, Z pour d esigner des el ements de L. Lop eration [, ] est appel ee le
crochet de Lie, et l el ement [X, Y ] de L est appel e le produit de Lie de X et Y ou le commutateur de X et Y
(le crochet [, ] poss` ede les m emes propri et es que lop eration de commutation dop erateurs). (2) exprime
7.3. GROUPES ET ALG
`
EBRES DE LIE 101
lantisym etrie du crochet de Lie, (1) et (2) donnent sa bilin earit e. La relation (3) est appel ee identit e de
Jacobi. Clairement on a
[X, X] = 0 pour tout X L.
Les vecteurs de base T
a
de cet espace vectoriel sappellent les g en erateurs du groupe de Lie associ e. La
structure de lalg` ebre (et donc aussi du groupe) est d ecrite par les relations de commutation
[T
a
, T
b
] = f
ab
c
T
c
(sommation implicite sur lindex c !). Les constantes f
ab
c
sapellent les constantes de structure, comme ils
d et erminent la structure de lalg` ebre (en effet ils sont souvent appel e lalg` ebre du groupe de Lie associ e).
Le lien entre lalg` ebre de Lie et son groupe de Lie est donn e par lapplication exponentielle. Pour des
repr esentations matricielles dun groupe de Lie (et nous nallons consid erer que celles-l` a), ceci veut dire
quon peut ecrire une el ement A du groupe comme
A(s
a
) = exp (s
a
T
a
)

n=0
1
n!
(s
a
T
a
)
n
o` u les s
a
sont les param` etres du groupe, et les g en erateurs sont aussi des matrices. Proche de l el ement
neutre (cest-` a-dire pour des param` etres s
a
innit esimales), ceci peut etre consid er e comme
A(s
a
) 1l +s
a
T
a
.
Souvent les physiciens ajoutent un facteur i pour que des g en erateurs hermitiens donnent lieu ` a des matrices
A unitaires. Pour calculer les g en erateurs on utilise
T
b
=
dA(s
a
)
ds
b

s=0
.
Lensemble des g en erateurs de tout groupe de Lie forme une alg` ebre de Lie avec le commutateur comme
crochet de Lie. Il est usuel de noter g lalg` ebre de Lie associ ee au groupe G. Comme en g en eral lalg` ebre
de Lie correspond ` a lespace tangent du groupe de Lie (vu comme vari et e diff erentiable) ` a l el ement neutre,
lapplication exponentielle ne donne acc` es qu` a un voisinage connexe de l el ement neutre.
Exercice 4
Soit lensemble des matrices 22 d enies par :
A(s) = exp(s
3
)

n=0
s
n
n!

n
3
, s IR,
3
=
_
1 0
0 1
_
.
(a) Montrer que A(s) est la matrice 22
A(s) = 1l cosh(s) +
3
sinh(s) .
(b) Montrer que A(s)A(t) = A(s + t), que lensemble de ces matrices forme un groupe (groupe ` a un
param` etre) et que lapplication s A(s) est inniment diff erentiable.
(c) Calculer la d eriv ee
X =
dA(s)
ds

s=0
.
X est appel e le g en erateur du groupe A(s)
sIR
.
Exercice 5 : Le groupe de rotation en deux dimensions
Consid erons les rotations dangle autour de lorigine dans IR
2
.
102 CHAPITRE 7. EL

EMENTS DE LA TH

EORIE DES GROUPES


Donner lexpression des vecteurs images e

1
, e

2
dune base orthonorm ee e
1
, e
2
par ces rotations.
En d eduire une repr esentation 2dimensionnelle du groupe continu des rotations dans IR
2
.
Montrer que cette repr esentation est isomorphe au groupe des matrices sp eciales orthogonales de
dimension 2 :
SO(2)
_
R /
22
(IR) : R
T
R = 1l, det(R) = +1
_
.
Donner la dimension de SO(2), cest-` a-dire, le nombre de param` etres ind ependants caract erisant ce
groupe. Quel est le g en erateur de lalg` ebre ?
Montrer que la repr esentation ainsi construite, interpr et ee comme agissant dans
|
C
2
, est r eductible.
Calculer sa d ecomposition en somme directe de repr esentations irr eductibles.
Exercice 6 : Le groupe de rotation en trois dimensions
Soit le groupe des rotations spatiales (sur IR
3
).
En vous inspirant de lexercice pr ec edent, donner une repr esentation matricielle de dimension 3 des
rotations dangles , et , respectivement, autour des trois axes dune base orthonorm ee de IR
3
.
V erier que ces matrices appartiennent ` a SO(3). Donner la dimension de SO(3).
Calculer les g en erateurs J
k
de ce groupe, ainsi que leur alg` ebre (les relations de commutation pour
les g en erateurs).
Soit R
k
(
k
), une rotation innit esimale dangle
k
autour de laxe k. Exprimer en fonction des
g en erateurs de SO(3)
lim
n
R
n
k
(
k
).
On pourra poser
k
= n
k
.
Donner lexpression J
2
de la somme des carr es des g en erateurs. En notant j(j + 1) ses valeurs
propres, en d eduire ce que lon d esigne par spin j de la repr esentation irr eductible.
Montrer que ces g en erateurs peuvent etre vus comme des applications lin eaires de IR
3
dans lui-m eme.
En d eduire que sous une rotation des vecteurs de base de IR
3
e

= Re,
ceux-ci se transforment comme
J

k
= R
1
J
k
R.
Exprimer J

k
en fonction des J
i
pour une rotation particuli` ere. Justier lemploi du terme vectoriel
pour d esigner ces g en erateurs.
Comme vous vous souvenez parfaitement du cours sur les tenseurs, vous savez quune mani` ere cano-
nique dintroduire une base tensorielle des tenseurs de rang 2 est
e
ij
= e
i
e
j
.
Comment se transforme cette base sous laction des rotations (R)
i
j
de SO(3) ?
Montrer que tout tenseur t
ij
peut sexprimer comme la somme dune quantit e scalaire proportionnelle
` a
ij
, dun tenseur antisym etrique, et dun tenseur sym etrique de trace nulle. Donner le nombre de
composantes ind ependantes de chacun de ces termes. V erier alors que tout tenseur antisym etrique
(resp. sym etrique) conserve cette propri et e sous laction des rotations (vous venez de caract eriser la
d ecomposition irr eductible dune repr esentation tensorielle de SO(3)). Donner le spin de chacune
de ces repr esentations irr eductibles.
Lorsque lon r esout les equations dEinstein lin earis ees, on peut montrer quune onde gravitationnelle
se propageant dans la direction e
1
est d ecrite par un tenseur de polarisation dont les composantes sont
donn ees par
h
ij
=
_
_
0 0 0
0 h
+
h

0 h

h
+
_
_
Quel spin pourrait- etre associ e aux ondes gravitationnelles (spin du graviton) ? Comment cette
matrice se transforme-t-elle sous une rotation dangle autour de e
1
?
7.3. GROUPES ET ALG
`
EBRES DE LIE 103
Exercice 7 : Le groupe SU(2)
Soit
0
= 1l la matrice identit e 2 2 et
k
, k = 1, 2, 3 les matrices de Pauli :

1
=
_
0 1
1 0
_
,
2
=
_
0 i
i 0
_
,
3
=
_
1 0
0 1
_
.
Si a
|
C
3
, on pose a =

3
k=1
a
k

k
. La relation

k
=
jk

0
+i
3

l=1

jkl

l
implique que pour a, b
|
C
3
(a )(b ) = (a b)
0
+i(a b) , (5.1)
o` u (a b) =

3
k=1
a
k
b
k
.
(a) Toute matrice 2 2 complexe A est une combinaison lin eaire de
0
,
1
,
2
et
3
:
A = a
0

0
+ia
avec a
0

|
C, a
|
C
3
, le facteur i etant mis par commodit e. Montrer que det A = a
2
0
+ a
2
et v erier
que si A est inversible, alors
A
1
=
1
det A
(a
0

0
ia ) .
(b) Le groupe SU(2) est form e des matrices 2 2 complexes, unitaires (A

A
T
= A
1
) et unimo-
dulaires (det A = 1).
Montrer quil sagit bien dun groupe (muni de la loi de multiplication des matrices).
Montrer que A a
0

0
+ia appartient ` a SU(2) si et seulement si a
0
, a
k
IR et a
2
0
+a
2
= 1.
Cons equence : SU(2) est un groupe de Lie de dimension 3.
(c) Soit n IR
3
avec n
2
= 1. Pour IR posons
U(n, ) = exp
_

i
2
n
_
.
Montrer que : U(n, ) = cos
_

2
_

0
i sin
_

2
_
n (utiliser (5.1)).
V erier que U(n, ) [0 < 4, n x e forme un sous-groupe ` a 1 param` etre de SU(2).
Calculer U(n, 2) ainsi que lim
4
U(n, ).
Calculer le g en erateur X(n) =
dU(n,)
d

=0
de ce sous-groupe.
(d) Montrer que chaque matrice A ,= 1l de SU(2) d etermine de facon unique un vecteur n IR
3
de norme 1 et un (0, 2) tels que A = U(n, ) : le groupe SU(2) peut etre identi e avec les
matrices de la forme U(n, ), n IR
3
, n
2
= 1 et 0 2 (pour = 0 ou = 2, le vecteur
n est quelconque).
(e) Montrer que le commutateur entre deux g en erateurs X(n) et X(n

) est donn e par


[X(n), X(n

)] = (n n

) X
o` u X = (X
1
, X
2
, X
3
) et X
k
= X(e
k
) est le g en erateur pour n = e
k
(le k
-i` eme
vecteur de la base
orthonorm ee de IR
3
).
Consid erer en particulier le cas n = e
i
, n

= e
j
. D eterminer egalement le commutateur entre les
matrices J
k
= iX
k
. Comparer avec les relations de commutation des g en erateurs de SO(3).
104 CHAPITRE 7. EL

EMENTS DE LA TH

EORIE DES GROUPES


(f) Lalg` ebre de Lie su(2) du groupe SU(2) est lespace vectoriel r eel 3-dimensionnel engendr e par
X
1
, X
2
et X
3
, ceux-ci formant une base de su(2), le crochet de Lie etant le commutateur entre
matrices de su(2). Montrer que su(2) est une alg` ebre de Lie.
Indication : Remarquer que pour tout n IR
3
, su(2) n X X(n).
(g) Si A = U(n, ) SU(2) (cf Exercice 5(d)), soit D(A) SO(3) la matrice 33 d ecrivant la rotation
dans IR
3
par un angle [0, 2] et daxe n. Ceci d enit une repr esentation du groupe SU(2) dans
lespace E = IR
3
(un homomorphisme SU(2) SO(3)). V erier que cette repr esentation nest pas
d` ele : si A SU(2), la rotation D(A) associ ee ` a A est identique ` a celle d etermin ee par A. Ainsi
SU(2) est une sorte de d edoublement du groupe des rotations propres SO(3).
Exercice 8 : Le groupe de Lorentz
Consid erons lespace de Minkowski IIM, en dautres termes lespace-temps de la physique relativiste,
form e des quadri-vecteurs x = (x
0
, x
1
, x
2
, x
3
) o` u x

IR pour ( = 0, 1, 2, 3). Cet ensemble est muni de


la forme bilin eaire
xy = x
0
y
0
+x
1
y
1
+x
2
y
2
+x
3
y
3
x

, (6.1)
o` u x
0
= x
0
, x
1
= x
1
, x
2
= x
2
et x
3
= x
3
. La convention de sommation dEinstein est toujours sous-
entendue dans ce qui suit. Une transformation de Lorentz est une application lin eaire IIMIIM laissant
cette forme bilin eaire invariante, c.-` a-d. telle que
(x)

(y)

= x

pour tout x, y IIM . (6.2)


Nous consid erons comme une matrice 44. Introduisons encore le tenseur m etrique g :
g

= g

=
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
. (6.3)
Alors x

= g

et x

= g

. En d esignant les el ements de la matrice par

, (6.2) peut etre ecrit


comme
g

= g

x, y IIM .
On doit donc avoir g

= g

(pour toutes les valeurs des indices libres et ), ou de facon


equivalente :

T
g = g . (6.4)
(a) Montrer que pour une transformation de Lorentz, det = +1 ou det = 1.
(b) V erier que

1
= g
T
g (6.5)
et que
gg
T
g = g . (6.6)
(c) Montrer que : (
0
0
)
2
= 1 +

3
i=1
(
0
i
)
2
(utiliser (6.6) ecrit avec les indices).
(d) V erier que P : (x
0
, x
i
) (x
0
, x
i
), T : (x
0
, x
i
) (x
0
, x
i
) et PT sont des transformations
de Lorentz.
(e) V erier que lensemble des matrices 44 satisfaisant (6.4) est un groupe, la loi de composition
etant la multiplication des matrices. Ce groupe est le groupe de Lorentz L.
(f) Une transformation de Lorentz est dite orthochrone si
0
0
> 0. Montrer que cette condition est
n ecessaire et sufsante pour quun vecteur x du genre temps (c.-` a-d. tel que xx < 0), pointant vers
le futur (x
0
> 0) soit transform e en un vecteur du m eme type.
(g) Montrer que le produit de deux transformations de Lorentz orthochrones est orthochrone.
7.3. GROUPES ET ALG
`
EBRES DE LIE 105
(h) Le groupe de Lorentz propre est lensemble des transformations orthochrones ` a d eterminant +1,
not e L
0
. L
0
PL
0
est appel e le groupe de Lorentz orthochrone. Montrer que
L
0
PL
0
= [
0
0
> 0
et que L
0
et L
0
PL
0
sont bien des sous-groupes du groupe de Lorentz.
(i) D esignons par O(3) le groupe des matrices r eelles 33 orthogonales. Consid erer lensemble des
transformations de Lorentz de la forme
=
_
1 O
O R
_
,
o` u R O(3). Montrer que cet ensemble est un sous-groupe du groupe de Lorentz.
(j) Le groupe de Poincar e (ou groupe de Lorentz inhomog` ene) T est form e de toutes les transformations
IIMIIM laissant invariant la grandeur (x y)(x y) pour tout couple de quadri-vecteurs x, y. Les
el ements de T sont des couples (, a), o` u est une transformation de Lorentz et a est un quadri-
vecteur d ecrivant une translation dans IIM : x IIM
(, a)x = x +a , c.-` a-d.
_
(, a)x

+a

. (6.7)
D eriver la loi de composition de T :
(, a)(

, a

) = (

, a + a

) (6.8)
et v erier que T est un groupe.
Montrer que le groupe de Lorentz est isomorphe ` a un sous-groupe de T (que lon note abusive-
ment L).
De m eme se convaincre que le groupe des translations T (constitu e des el ements de la forme (1l, a))
est un sous-groupe de T isomorphe au groupe additif IR
4
, not e (IR
4
, +).
V erier que T est le produit semi-direct de ces deux sous-groupes, c.-` a-d. que
(i) T est un sous-groupe invariant. Un sous-groupe G
0
de G est dit invariant si
g G
0
g
1
G
0
pour tout g G ,
(ii) T L ne contient que l el ement neutre de T,
(iii) chaque el ement de T poss` ede une d ecomposition unique en un produit dun el ement de T et
un el ement de L.
106 CHAPITRE 7. EL

EMENTS DE LA TH

EORIE DES GROUPES


Chapitre 8
Espaces de Hilbert et op erateurs
lin eaires
8.1 Une courte introduction ` a lint egrale de Lebesgue
8.1.1 Intervalles et mesures
Intervalles sur R
n
Un intervalle sur R
n
est un produit de n intervalles sur R. Autrement dit, si a
1
< b
1
, a
2
< b
2
, . . .,
a
n
< b
n
o` u a
i
et b
i
sont des nombres r eels ou , un intervalle I de R
n
est lensemble des (x
1
, x
2
, . . . , x
n
)
v eriant les in egalit es a
i
< x
i
< b
i
, pour tout i 1, 2 . . . , n :
I
_
(x
1
, . . . , x
n
)

x
i
a
i
, b
i
), i = 1, . . . , n
_
,
I peut etre ouvert ou ferm e sur un, ou plusieurs de ses bords, selon que les in egalit es respectives sont strictes
ou non et et ) signient ici [ ou ]. Il est born e, ou non born e, si ses bornes a
i
ou b
i
sont des r eels
nis ou innis. I est lensemble vide sil ne contient aucun el ement, I = ; ou d eg en er e ` a un point sil nen
contient quun seul.
Exemples : [0, 1], ]0, a], ]a, a[= , [a, a] = a, [a, +[, . . .
Fonctions dintervalle
D enitions : Soit
n
lensemble des intervalles born es de R
n
. Une fonction dintervalle sur
n
est une
application de
n
dans R :
:
n
R.
est dite monotone si I
1

n
, I
2

n
:
I
1
I
2
(I
1
) (I
2
).
est dite additive si I
1

n
, I
2

n
avec I
1
I
2
= et I
1
I
2

n
(I
1
I
2
) = (I
1
) +(I
2
).
Mesures
D enition : Une mesure sur
n
est une fonction dintervalle monotone et dont ladditivit e est etendue ` a
tout ensemble d enombrable dintervalles

p=1
I
p

n
, tels que I
i
I
j
= , i ,= j.
107
108 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
Propri et es : Par additivit e appliqu ee ` a lensemble vide, une mesure v erie () = 0. On en d eduit par
monotonie que I
n
, (I) 0.
D enition : Une mesure est dite ext erieurement r eguli` ere si > 0 et I
n
, il existe un intervalle
I

tel que I I

et
(I) (I

) (I) +,
soit, de mani` ere equivalente, (I) = inf
_
(I

I I

, I

ouvert
_
.
Une mesure est dite int erieurement r eguli` ere si > 0 et I
n
, il existe un intervalle ferm e I

tel
que I

I et
(I) (I

) (I),
soit, de mani` ere equivalente, (I) = sup
_
(I

I, I

ouvert
_
.
Examples : Pour I = a
1
, b
1
) a
n
, b
n
)
n
, on d enit la fonction dintervalle telle que
(I) =
n

i=1
(b
i
a
i
).
Exercice 1 :
Montrer que est une mesure r eguli` ere. Cette mesure est appel ee la mesure de Lebesgue sur les inter-
valles.
Exercice 2 :
Soit N R
n
un ensemble sans point daccumulation (P est un point daccumulation dun ensemble
S si tout voisinage de P inclut un el ement de S autre que P).
`
A chaque point x N on associe un poids
m(x) 0. Soit la fonction dintervalle
:
n
R
I

xIN
m(x).
Montrer que est une mesure r eguli` ere. Ceci est une distribution de masse discr` ete, ou mesure atomique,
que lon note habituellement =

xN
m(x)
x
, avec
x
la mesure de Dirac :

x
(I) =
_
1 si x I,
0 si x / I.
Exercice 3 :
Soit
1
une mesure r eguli` ere sur
p
et
2
sur
q
. Pour I
p+q
tel que I = I
1
I
2
o` u I
1

p
et
I
2

q
, montrer que la fonction dintervalle
(I)
1
(I
1
)
2
(I
2
),
est une mesure r eguli` ere sur
p+q
.
8.1. UNE COURTE INTRODUCTION
`
A LINT

EGRALE DE LEBESGUE 109


Ensembles n egligeables et notion de presque partout
D enition : Un ensemble M R
n
est dit n egligeable si > 0, il existe un ensemble dintervalles
I
k
tel que
_

_
k=1
I
k
M,

k=1
(I
k
) < .
Exercice 4 :
Montrer que tout ensemble d enombrable de R
n
est n egligeable, i.e. n egligeable par rapport ` a la
mesure de Lebesgue.
Montrer que toute union d enombrable densembles n egligeables est n egligeable.
D enition : Une fonction est dite d enie sur R
n
si elle est d enie sur un ensemble R
n
M o` u M est
n egligeable.
Par additivit e d enombrable de la mesure, il est toujours possible de trouver un ensemble M
n egligeable commun ` a toute suite de fonctions d enies.
D enition : Deux fonctions f et g sont dites egales (ou presque partout egale) sil existe un ensemble
M, n egligeable, tel que
f(x) = g(x), x R
n
M.
On ecrit alors f =

g. Les relations de ordre sont d enies de mani` eres equivalentes et not ees f <

g et
f >

g. De mani` ere g en erale, une condition sera satisfaite presque partout si elle est satisfaite sur R
n
M,
o` u M est n egligeable.
Exercice 5 :
Soit lapplication f de R dans R d enie par
f : R R
x
_
1 si x Q,
0 si x R Q.
Montrer que f est presque partout nulle, i.e. f =

0, avec la mesure de Lebesgue.


D enition : Une suite f
k
de fonction sur R
n
est dite convergente vers f, i.e. presque partout conver-
gente vers f, sil existe un ensemble M, n egligeable, tel que
lim
k
f
k
(x) =

f(x), x R
n
M.
On admettra egalement dans cette d enition les suites de fonctions f
k
qui ne sont d enies que sur
R
n
M, pourvu que M soit n egligeable.
110 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
8.1.2 Int egration
Fonctions en escalier
D enition : Une fonction s : R
n
R est en escalier sur R
n
sil existe des intervalles born es
I
1
, . . . , I
p
R
n
tel que la restriction de s ` a chacun de ces intervalles soit une fonction constante, et
nulle ailleurs.
_
_
_
s[
Ij
= a
j
R, x I
j
,
s(x) = 0, x /
p

j=1
I
j
.
On notera que lensemble de ces fonctions est un espace vectoriel, o
0
(R
n
), engendr e par les fonctions
caract eristiques dintervalle born e
I
: R
n
0, 1 d enies par

I
(x) =
_
1 si x I,
0 si x / I.
Si f, g appartiennent ` a o
0
(R
n
) alors il en est de m eme de f +g, inf(f, g), sup(f, g), [f[.
Exercice 6 :
Montrer que si f o
0
(R
n
) et g o
0
(R
n
) alors fg o
0
(R
n
).
Int egrale de Lebesgue
D enition : Si f o
0
(R
n
) est une fonction en escalier sur R
n
, non nulle sur un ensemble dintervalles
I
1
, . . . , I
p
avec
f[
Ij
= c
j
R,
lint egrale de Lebesgue de f par rapport ` a la mesure est d enie par
_
fd
p

j=1
(I
j
)c
j
.
Exercice 7 :
Montrer que les propri et es classiques de lint egrale sont v eri ees :
f g
_
fd
_
gd.

_
fd

_
[f[ d.
Lapplication de o
0
(R
n
) dans R qui ` a f associe
_
fd est lin eaire.
Th eor` eme : Si pour une suite croissante de fonctions en escalier f
k
de o
0
(R
n
), les valeurs des
int egrales restent born ees dans leur ensemble, i.e.
A R

k N,
_
f
k
d A,
alors la suite f
k
converge presque partout vers une fonction nie f : R
n
R
lim
k
f
k
=

f.
8.1. UNE COURTE INTRODUCTION
`
A LINT

EGRALE DE LEBESGUE 111


D enition : On appelle classe o
1
(R
n
) lensemble des fonctions qui sont des limites, presque partout, de
suites croissantes f
k
de fonctions en escalier de o
0
(R
n
).
On peut alors etendre lint egrale de Lebesgue ` a cette nouvelle classe de fonctions par passage ` a la limite
de lint egrale de Lebesgue d enie sur o
0
(R
n
). On notera que o
1
(R
n
) nest pas un espace vectoriel (en
g en eral si f o
1
(R
n
), f nappartient pas forc ement ` a o
1
(R
n
)).
D enition : Si f est une fonction appartenant ` a o
1
(R
n
), son int egrale est d enie par
_
fd lim
k
_
f
k
d.
Exercice 8 :
Montrer que cette limite est ind ependante du choix de la suite de fonction f
k
. On utilisera le lemme
suivant :
Lemme : Pour toute suite de fonctions en escalier qui tend monotoniquement vers z ero presque partout,
la suite des valeurs des integrales tend aussi vers z ero.
D enitions : On appelle o
2
(R
n
) lensemble des fonctions sommables, obtenu en formant les diff erences
des fonctions appartenant ` a o
1
(R
n
)
o
2
(R
n
)
_
f = g h

g o
1
(R
n
), h o
1
(R
n
)
_
.
Il en r esulte que o
2
(R
n
) est un espace vectoriel r eel. Lint egrale de Lebesgue sur o
2
(R
n
) est d enie par
_
fd
_
gd
_
hd,
pour f o
2
(R
n
) telle que f = g h, avec g o
1
(R
n
) et h o
1
(R
n
). On notera que les propri et es de
lint egrale sur o
0
(R
n
) se prolongent sur o
2
(R
n
).
Fonctions mesurables
La classe de fonction o
2
(R
n
) permet de d enir des fonctions sommables ` a partir de la limite de suites
croissantes de fonctions en escalier de o
0
(R
n
). Cependant, il existe certainement des suites de fonctions en
escalier convergentes presque partout mais dont la limite nest pas sommable.
D enition : Une fonction f est dite mesurable si elle est la limite presque partout dune suite de fonctions
escalier s
k

lim
k
s
k
=

f.
D enition : Pour un intervalle I et une fonction mesurable f tel que
I
f est sommable on d enit
lint egrale de f sur I par
_
I
fd =
_

I
fd .
Ici
I
est, de nouveau, la fonction charact eristique sur lintervalle I.
112 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
Th eor` eme de Lebesgue : Lorsque les fonctions f
k
, suppos ees sommables sur un intervalle I,
convergent presque partout vers une fonction f, et que de plus, il existe une fonction sommable g telle
que
[f
k
[ g, k,
alors la fonction f est aussi sommable et
lim
k
_
f
k
d =
_
fd.
8.1.3 Espaces L
p
de Lebesgue
D enition : Soit

L
p
(R
n
, ) lespace des fonctions f : R
n
C telles que [f[
p
soit sommable. Pour
une fonction f

L
1
(R
n
, ) aussi la partie r eelle et la partie imaginaire de f sont sommables et on d enit
_
fd
_
(f) d +i
_
(f) d,
On d enit une relation d equivalence sur

L
p
(R
n
, ) par
f g f =

g, f, g

L
p
(R
n
, ).
Lensemble des classes d equivalence [f] des fonctions de

L
p
(R
n
, ) est not e L
p
(R
n
, ).
Th eor` eme de Fubini : Soit R
n
= R
p
R
q
et
1
et
2
des mesures (d enombrablement nies
1
) sur
p
et

q
respectivement. Soit f : R
n
C une fonction
1

2
sommable, alors :
x R
p
M o` u M est
1
n egligeable, la fonction
f
x
: R
q
C,
y f(x, y),
est
2
sommable.
La fonction
F : R
p
M C,
x
_
R
q
f
x
(y)d
2
,
est
1
sommable.
De plus on a l egalit e
_
R
p
Fd
1
=
_
R
n
fd.
Ceci justie la notation
_
R
n
fd =
_
R
p
__
R
q
f(x, y)d
2
_
d
2
,
et les int egrales sur R
n
peuvent etre r eduites ` a des int egrales sur R.
Exercice 9 :
Soit f et g des fonctions de L
2
(R
n
, ). Montrer que lint egrale
_


fg

d <
existe. Montrer que L
2
(R
n
, ) est un espace vectoriel complexe o` u
(f, g)
_

fg d,
d eni un produit scalaire.
1. Il existe une partition d enombrable de R
p
form ee densemble de mesure nie.
8.2. D

EFINITION ET EXEMPLES DESPACES DE HILBERT 113


Th eor` eme de Riesz-Fischer : Si f
k
une suite de Cauchy de fonctions de L
2
(R
n
, ),
lim
i,j
[[f
i
f
j
[[ = 0, avec [[f
k
[[

_
[f
k
[
2
d,
alors il existe une fonction f L
2
(R
n
, ), d enie, telle que
lim
k
f
k
=

f.
En cons equence, L
2
(R
n
, ) est un espace de Hilbert.
Exercice 10 : Soit f
n
(x) = nx
n
d enie sur lintervalle [0, 1]. Montrer que lim
n
f
n
= 0 presque
partout. Montrer que
_
1
0
f
n
(x)dx 1 et lim
n
_
1
0
f
n
(x)dx = 1 .
Ceci est un exemple dune suite de fonctions avec int egrales born es mais
0 =
_
1
0
lim
n
f
n
(x)dx ,= lim
n
_
1
0
f
n
(x)dx = 1 .
Montrer que la suite f
n
nest pas major ee par une fonction g sommable, cest-` a-dire quil nexiste pas de
fonction g sommable tel que [f
k
[ g presque partout.
Indication : Pour tout n N trouver un x
n
[0, 1] tel que f
n
(x) > n 1 pour x > x
n
.
Les d emonstrations des th eor` emes ci-dessus et beaucoup plus peut etre trouv e dans les ouvrages sui-
vants :
F. Riesz et B. Nagy, Lecons danalyse fonctionnelle, Gauthier-villars, Paris 1960.
A. N. Kolmogorov and S. V. Fomin, Measure, Lebesgues integrals and Hilbert Spaces, Academic
Press, NY 1961.
H. Kestelman, Modern Theories of Integration, Dover Publications, NY 1960.
W. Rudin, Analyse r eelle et complexe, Masson, Paris 1978.
8.2 D enition et exemples despaces de Hilbert
Un espace de Hilbert Hest un espace vectoriel lin eaire complexe, muni dun produit scalaire hermitien,
et qui est complet. Plus pr ecis ement, un espace de Hilbert est d eni par les trois axiomes suivants :
(I) H est un espace vectoriel lin eaire sur le corps C :
` a chaque couple , d el ements de Hest associ e un autre el ement de H, appel e +, et ` a chaque
couple ,, C, H est associ e un el ement de H, et ces associations ont les propri et es
suivantes (o` u ,
k
H, et , C) :
(a) commutativit e : + = +
(b) associativit e : + (
1
+
2
) = ( +
1
) +
2
, () = ()
(c) distributivit e : ( +) = + , ( +) = +
(d) existence element neutre 1 C : 1 = .
De plus il existe un el ement unique 0 H (appel e le vecteur z ero) tel que
0 + = , 0 = 0 H
2
.
2. 0 d esigne le nombre complexe = 0. Les el ements de Hsont appel es des vecteurs.
114 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
(II) Il existe dans H un produit scalaire strictement positif :
` a chaque couple , de vecteurs de H est associ e un nombre complexe [) et cette association
poss` ede les propri et es suivantes :
(a) hermiticit e :[) = [) ([))

, H
(b) linearit e : [
1
+
2
) = [
1
) + [
2
) C, ,
j
H
3
.
(c) norme induite : [[[[ [[)]
1/2
> 0 sauf si = 0.
(III) H est complet :
toute suite de Cauchy (en norme) dans Hposs` ede une limite dans H. En dautres termes, si
n
est
une suite d el ements de Htelle que
lim
m,n
[[
n

m
[[ = 0 ,
4
alors il existe un el ement (unique) de H tel que lim
n
[[
n
[[ = 0 .
Les espaces de Hilbert utilis es en m ecanique quantique sont tous s eparables, c.-` a-d. ils ont une base
nie ou d enombrablement innie. Un espace de Hilbert s eparable est donc un espace Hv eriant, en
plus des axiomes (I)-(III), laxiome suivant :
(IV) base orthonorm ee d enombrable :
il existe une base orthonorm ee d enombrable de H, c.-` a-d. une suite nie ou innie
1
,
2
,
3
, ...
de vecteurs de Htelle que

j
[
i
) =
jk
et telle que tout vecteur de H peut s ecrire comme combinaison lin eaire de
1
,
2
,
3
, ... .
La dimension de Hest alors d enie comme le nombre de vecteurs dune telle base (elle peut etre nie
ou innie).
In egalit es importantes dans un espace de Hilbert
In egalit e de Cauchy-Schwarz :
[[)[ [[[[ [[[[ (8.1)
In egalit e du triangle :
[[ +[[ [[[[ +[[[[ (8.2)
[[ +[[
2
2 [[[[
2
+ 2 [[[[
2
(8.3)
D emonstration : si = , (8.1) est evident ([) = [[[[
2
) .
Si ,= , supposons p.ex. que ,= 0. Alors, pour C :
0 [[ +[[
2
= +[ +) = [[[[
2
+[) +

[) +[[
2
[[[[
2
.
En choisissant = [)/ [[[[
2
, on obtient
0

1
[[[[
2
[[)[
2
,
ce qui implique (8.1) en multipliant par [[[[
2
.
3. Contrairement aux math ematiciens, les physiciens supposent le produit scalaire lin eaire dans le deuxi` eme argument et anti-
lin eaire dans le premier :
1
+
2
| = |
1
+
2
= |
1
+

|
2
=
1
| +

2
|.
4. c.-` a-d. pour tout > 0 il existe un nombre N = N() tel que ||n m|| < si n, m > N .
8.2. D

EFINITION ET EXEMPLES DESPACES DE HILBERT 115


Pour (8.2), on peut prendre = 1 :
[[ +[[
2
= [[[[
2
+ [) + [) + [[[[
2
(8.4)
[[[[
2
+ [[)[ + [) + [[[[
2
[[[[
2
+ 2 [[[[ [[[[ + [[[[
2
= ([[[[ + [[[[)
2
Pour (8.3), remarquons que
[[ [[
2
= [[[[
2
[) [) + [[[[
2
do u
[) + [) [[[[
2
+[[[[
2
.
En ins erant cette in egalit e dans l equation (8.4), on obtient (8.3).
Exercice 10 (Lespace de Hilbert C
n
) :
D esignons par C
n
un espace vectoriel lin eaire de dimension n sur le corps des nombres complexes C,
o` u n = 1, 2, ... est un nombre naturel (ni). D esignons par , , . . . des vecteurs de C
n
. V erier que C
n
est un espace de Hilbert s eparable.
Indications :
(i) Utiliser la notation = (
1
, . . . ,
n
), = (
1
, . . . ,
n
), pour les vecteurs de C
n
, avec
k
,
k

C.
(ii) Exprimer le produit scalaire entre et en termes des composantes
k
et
k
.
(iii) Donner n vecteurs
1
,
2
, . . . ,
n
de C
n
qui forment une base orthonorm ee de C
n
.
(iv) La norme dun vecteur de C
n
est d enie par [[[[ =
_
[) . Exprimer la norme de en termes
de composantes
k
de .
(v) Soit
1
,
2
, . . . une suite d el ements de C qui est Cauchy, c.-` a-d. telle que
lim
m,k
[[
m

k
[[ = 0 .
Montrer que cette suite poss` ede une limite dans C, c.-` a-d. quil existe un vecteur de C
n
tel que la
suite
k
converge vers en norme, c.-` a-d. lim
k
[[
k
[[ = 0 .
Exercice 11 (Lespace de Hilbert l
2
) :
Formellement lespace l
2
est obtenu en posant n = dans lExercice 10. Ce sera donc un espace
vectoriel lin eaire sur le corps C de dimension innie. Ses el ements sont des suites innies de nombres
complexes
= (
1
,
2
,
3
, . . .) . (8.5)
Mais pour pouvoir d enir la norme (nie) dune telle suite , il faut imposer la condition suppl ementaire
suivante :
[[[[

k=1
[
k
[
2
< . (8.6)
Donc l
2
est form e de toutes les suites (8.5) v eriant la condition (8.6).
(a) Est-ce que les suites suivantes d enissent des el ements de l
2
ou non :

1
= (1, 1/

2, 1/

3, 1/

4, . . .)
2
= (1, i/2, 1/3, i/4, 1/5, . . .) ?
116 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
(b) Montrer que lensemble l
2
des suites v eriant la condition (8.6) forme un espace de Hilbert
s eparable, plus pr ecis ement que
(i) l
2
est un espace vectoriel lin eaire sur C,
(ii) l
2
peut etre muni dun produit scalaire strictement positif,
(iii) l
2
est un espace complet,
(iv) il existe un ensemble d enombrable
1
,
2
,
3
, . . . d el ements de l
2
qui forme une base ortho-
norm ee de l
2
, c.-` a-d. tel que
j
[
k
) =
jk
et tel que chaque el ement de l
2
est combinaison lin eaire
de
1
,
2
. . . .
(c) Dapr` es (b,iv) tout el ement de l
2
est combinaison lin eaire de
1
,
2
, . . . . En g en eral cest une
combinaison lin eaire dun nombre inni parmi les vecteurs
1
,
2
, . . . , qui doit alors etre interpr et ee
comme limite dune suite de combinaisons lin eaires nies (la limite etant par rapport ` a la norme
de l
2
). Pour rendre cela explicite, soit = (
1
,
2
,
3
, . . .) un vecteur de l
2
, montrer quil existe
une suite
n
(n = 1, 2, . . .) de vecteurs de l
2
telle que chaque
n
est combinaison lin eaire dun
nombre ni seulement des vecteurs
1
,
2
, . . . et telle que [[
n
[[ 0 lorsque n (8.6).
Exercice 12 (Lespace de Hilbert L
2
((a, b)) :
On peut envisager cet espace comme suit : on se place dans lexemple consid er e dans lExercice 11 et
on interpr` ete un el ement de lespace l
2
comme une fonction ` a valeurs complexes d enie sur les nombres
naturels N = 1, 2, 3, ... . On remplace largument discret [c.-` a-d. k N] par une variable continue x (x
varie sur un intervalle (a, b) . Donc on consid` ere des fonctions ` a valeurs complexes d enies sur un intervalle
(a,b) satisfaisant lanalogue de la condition (8.6), ` a savoir
[[[[

_
b
a
[(x)[
2
dx <
5
(8.7)
En utilisant cette d enition il faut se rappeler que L
2
est isomorphe ` a l
2
et peut alors etre ecrit aussi en
utilisant un argument discret (cest un espace de Hilbert s eparable). Pour la d enition formelle voir la
section 8.1.3.
(a) Montrer que lensemble de ces fonctions est un espace vectoriel lin eaire sur le corps C.
(b) Montrer quon peut d enir un produit scalaire [ ) dans lensemble des fonctions v eriant (8.7) tel
que [[[[
2
= [) . Est-ce que laxiome (II) est satisfait ?
D enition : on d esigne par L
2
((a, b)) lespace des classes d equivalence des fonctions v eriant
(8.7), deux fonctions etant equivalentes si elles sont egales presque partout (par exemple pour tout x
sauf un ensemble ni de points). L
2
(a, b)) est un espace de Hilbert s eparable.
(c) Soit (a, b) = (0, 1) . Est-ce que la fonction (x) = e
ikx
(o` u k est un nombre r eel x e) appartient ` a
L
2
((a, b)) ? Pour quelles valeurs de la constante r eelle la fonction (x) = x

d enit un el ement
de L
2
((a, b)) ?
(d) Soit (a, b) = R = (, +) . Est-ce que la fonction (x) = e
ikx
(o` u k est un nombre r eel x e)
appartient ` a L
2
(R) ? Pour quelles valeurs de la constante r eelle la fonction (x) = (1 + [x[)

d enit un el ement de L
2
(R) ?
(e) Soit (a, b) = (, +). Donner une base orthonorm ee de L
2
((a, b)) [Indication : s eries de Fourier].
Montrer que L
2
((a, b)) est isomorphe ` a l
2
.
(f) D eterminer la dimension de L
2
((a, b)) .
(g) Donner une fonction continue (x) appartenant ` a L
2
((0, )) mais qui ne converge pas vers z ero
lorsque x .
(h) Soit (a, b) = (1, +1) et la fonction d enie par (x) = 0 si 1 < x < 0 et (x) = 1 si
0 x < 1 . Montrer quil existe une suite
n
de fonctions continues sur (1, +1) telle que
[[
n
[[ 0 .
5. En Analyse la norme |||| est parfois d esign ee par ||||
2
.
8.3. DIFF

ERENTS TYPES DE SOUS-ENSEMBLES DUN ESPACE DE HILBERT H 117


Remarques :
(i) Les fonctions (x) = e
ikx
sont tr` es importantes en m ecanique quantique o` u elle sont appel ees des
ondes planes.
(ii) Les vecteurs de lespace de Hilbert L
2
((a, b)) sont des fonctions (plus pr ecis ement des classes
d equivalence de fonctions). L
2
((a, b)) est un espace dont les el ements sont des fonctions, c.-` a-d. un
espace de fonctions. Ce type despaces est courant en analyse et souvent utilis e en physique.
(iii) Il existe des classes d equivalence ne contenant aucune fonction continue ou continue par mor-
ceaux. Dans des applications pratiques on a affaire ` a des fonctions continues, et normalement on
fait comme si les el ements de L
2
((a, b)) etaient des fonctions individuelles et non pas des classes
d equivalence.
(iv) Lint egrale dans (8.7) est une int egrale de Riemann usuelle si est continue par morceaux. Pour
dautres fonctions il faut utiliser la d enition plus g en erale de lint egrale (int egrale de Lebesgue)
de la section pr ec edente.
8.3 Diff erents types de sous-ensembles dun espace de Hilbert H
Sous-ensembles denses
Soit H un espace de Hilbert et T un sous-ensemble de H. On dit que T est dense dans H si, etant
donn e Het > 0 , il existe un el ement T tel que
[[ [[ < .
Vari et es lin eaires et sous-espaces
Soit / un sous-ensemble lin eaire dun espace de Hilbert H [c.-` a-d. , / et C +
appartient egalement ` a /; en dautres termes, toutes les combinaisons lin eaires nies
6
d el ements de m
appartiennent encore ` a /]. Un tel ensemble /sera appel e une vari et e lin eaire dans H.
Une vari et e lin eaire /dans H est clairement un espace vectoriel lin eaire complexe muni dun produit
scalaire (ce dernier etant donn e par le produit scalaire d eni dans H, c.-` a-d. si , /, alors leur
produit scalaire [)
M
dans / est simplement [) , leur produit scalaire dans H). En g en eral / ne
sera pas complet par rapport ` a la norme [[ [[ c.-` a-d. la limite dune suite de Cauchy
n
avec
n
/
nappartiendra pas ` a / mais seulement ` a H. Si / est complet (c.-` a-d. si / v erie lui-m eme tous les
axiomes I ` a IV), on dira que /est un sous-espace de H.
Attention : La terminologie concernant les sous-ensembles lin eaires nest pas uniforme : certains auteurs
utilisent le terme sous-espace ou sous-espace vectoriel pour une vari et e lin eaire.
Compl ement orthogonal
Deux vecteurs , de H sont dits orthogonaux ( ) si [) = 0 . Une suite
1
,
2
,
3
, . . . de
vecteurs de Hest dite orthonorm ee si
j
[
k
) =
jk
.
Soit ^ un sous-ensemble de H. On d enit son compl ement orthogonal ^

dans H comme etant len-


semble des vecteurs de H qui sont orthogonaux ` a chaque vecteur de ^ :
^

= H

[) = 0 ^ . (8.8)
6. C.` a.d. les vecteurs de la forme =
P
N
k=1

k
, avec
k
C ,
k
Met N < .
118 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
Th eor` eme de d ecomposition :
Soit / un sous-espace de H, /

son compl ement orthogonal. Alors tout vecteur de H peut etre


d ecompos e de facon unique en
=
1
+
2
, avec
1
/et
1
/

. (8.9)
[La d emonstration est donn ee dans lannexe, 8.8].
Remarque : Dans la situation du th eor` eme de d ecomposition, on dit que H est la somme directe de /
et /

, et on ecrit H = / /

. Dans la suite il est sous-entendu que toute d ecomposition en somme


directe est une d ecomposition orthogonale .
Exercice 13 (Sous-ensembles de l
2
) :
(a) Soit /
1
lensemble des el ements de l
2
qui nont quun nombre ni de composantes non-nulles
[c.-` a-d. = (
1
,
2
,
3
, . . .) appartient ` a /
1
si
k
= 0 ` a lexception dun nombre ni de valeurs
de k].
- Montrer que /
1
est dense dans l
2
.
- /
1
est-il une vari et e lin eaire dans l
2
?
- /
1
est-il un sous-espace de l
2
?
(b) Soit /
2
lensemble des el ements de l
2
tels que
1
= 0 .
- /
2
est-il dense dans l
2
?
- /
2
est-il une vari et e lin eaire dans l
2
?
- /
2
est-il un sous-espace de l
2
?
- Montrer que /
2
est isomorphe ` a l
2
.
(c) Soit /
3
lensemble des /
2
qui nont quun nombre ni de composantes non-nulles.
- /
3
est-il dense dans l
2
?
- /
3
est-il dense dans /
2
?
- D eterminer le compl ement orthogonal /

3
de /
3
.
(d) Soit /
4
lensemble des /
1
tels que
1
=
3
=
5
=
7
=
9
= . . . = 0 [c.-` a-d.
lensemble des combinaisons lin eaires nies des vecteurs
2
,
4
,
6
,
8
, . . . ]
- D eterminer le compl ement orthogonal /

4
de /
4
.
- D eterminer le plus petit sous-espace /
4
de l
2
qui contient /
4
.
- V erier quon a la d ecomposition suivante de l
2
en la somme directe de deux sous-espaces dont
chacun est isomorphe ` a l
2
tout entier : l
2
= /
4
/

4
.
Remarque : /
4
est appel e ladh erence de /
4
ou la fermeture de /
4
.
Exercice 14 (Compl ement orthogonal) :
Soit H un espace de Hilbert et ^ un sous-ensemble quelconque de H. Montrer que le compl ement
orthogonal ^

de ^ est un sous-espace de H.
Exercice 15 (Sous-espaces de L
2
((a, b))) :
(a) Indiquer un sous-espace de dimension 1 et un sous-espace de dimension 2 de L
2
((, +)) .
(b) Soit a
1
< a
2
< b
2
< b
1
. Montrer que L
2
((a
2
, b
2
)) peut etre identi e de facon naturelle avec
un sous-espace de L
2
((a
1
, b
1
)) [ etablir un isomorphisme entre L
2
((a
2
, b
2
)) et un sous-espace de
L
2
((a
1
, b
1
))].
(c) Soit a < b < c . Montrer que L
2
((a, c)) est la somme directe de L
2
((a, b)) et de L
2
((b, c)) :
L
2
((a, c) = L
2
((a, b)) L
2
((b, c)) .
8.4. APPLICATIONS LIN

EAIRES 119
(d) D esignons par /
+
lensemble des fonctions paires dans L
2
((a, a)) [a > 0] et par /

len-
semble des fonctions impaires : /
+
si (x) = (x) et /

si (x) = (x) pour


tout x (a, a) .
(i) Montrer que
+

si
+
/
+
et

.
(ii) Montrer que chaque L
2
((a, a)) peut etre ecrit comme =
+
+

avec
+
/
+
et

.
(iii) D eduire des r esultats pr ec edents que /
+
et /

sont des sous-espaces de L


2
((a, a)) et que
/
+
/

= L
2
((a, a)) .
8.4 Applications lin eaires
Une application lin eaire dun espace vectoriel lin eaire 1 (sur le corps C) dans lui-m eme est une cor-
respondance / qui associe ` a chaque el ement de 1 un autre el ement / de 1 et qui v erie la
condition de lin earit e
+ /( +) = / +/ , 1, C.
Si 1 est un espace de Hilbert H, on parle dun op erateur lin eaire plut ot que dune application lin eaire.
Si dimH = n < , un op erateur lin eaire peut etre donn e (dans une base x ee de H) sous forme dune
matrice n n :
/ = a
jk
j, k = 1, . . . n .
Si dim H = , il est peu commode dutiliser le langage matriciel. Etant donn e une matrice ,
celle-ci ne correspond en g en eral pas ` a une application lin eaire de Hdans H. Ceci sera expliqu e en relation
avec lExercice 19 qui se trouve un peu plus loin.
Un op erateur lin eaire born e / est une application de H dans Htelle que
/( +) = / + / , H, C
et
[[/[[ sup
0=H
[[/[[
[[[[
< . (8.10)
(8.10) d enit la norme [[/[[ de lop erateur / [` a ne pas confondre avec la norme [[[[ dun vecteur !
L eq. (8.10) d enit la norme de / en termes de la norme dans H de certains vecteurs]. (8.10) implique que
[[/[[ [[/[[ [[[[ H . (8.11)
Si dim H = , la donn ee dun op erateur lin eaire est equivalente ` a la donn ee dune matrice n n et
la nitude de / (la condition (8.10)) est automatiquement vraie. Si dimH = , le supremum dans (8.10)
nest pas n ecessairement ni, voir lExercice 19.
Ladjoint /

dun op erateur lin eaire born e est une application lin eaire de H dans Htelle que
[/) = /

[) H . (8.12)
(Si dim H = n < , ladjoint de / est donn e par la matrice adjointe /

/
T
). Lexistence et lunicit e
de /

seront d emontr ees plus loin.


Un op erateur lin eaire born e est appel e autoadjoint si /

= /, en dautres termes si
[/) = /[) , H . (8.13)
Exercice 16 (Op erateurs lin eaires born es) :
120 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
(a) Lop erateur identit e 1l est d eni par
1l = H .
V erier que 1l est un op erateur lin eaire born e autoadjoint et calculer sa norme.
(b) Faire de m eme pour lop erateur z ero 0 d eni par 0 = 0.
(c) Soit
1
,
2
,
3
, . . . la base orthonorm ee de l
2
introduite dans lExercice 11 (b,iv). Un op erateur
lin eaire born e est enti` erement d eni si on connat son action sur chacun des vecteurs
k
. Par exemple,
soit ( un op erateur lin eaire tel que
(

k
=
(i)
k
k

k
k = 1, 2, . . . ;
si =

k=1

k
= (
1
,
2
,
3
, . . .) est un vecteur de l
2
, on doit avoir
( =

k=1

k
(
k
=
_
i
1
,
1
2

2
,
i
3

3
,
1
4

4
, . . .
_
.
Montrer que cet op erateur ( est born e, et d eterminer sa norme et son adjoint (

. Donner une
repr esentation matricielle de ( et de (

.
(d) Soit / et B des op erateurs lin eaires born es et C.
(i) Montrer que /+B et /B sont egalement des op erateurs lin eaires born es.
ii) Montrer que (/B)

= B

.
(iii) Montrer que /

(/

= /.
(iv) Supposons / et B autoadjoints. Sous quelles conditions / + B ou /B sont-ils egalement
autoadjoints ?
8.5 Le dual dun espace de Hilbert
Le dual H

dun espace de Hilbert H est par d enition lensemble des fonctionnelles lin eaires born ees
sur H, c.-` a-d. lensemble des applications f : H C telles que
f( +) = f() +f() lin earit e
et
[[f()[[ c [[[[ H, f born ee
o` u c est une constante (ind ependante de ).
Lespace H

est un espace vectoriel lin eaire (la somme de deux fonctionnelles lin eaires born ees p.ex.
est encore une fonctionnelle lin eaire born ee), et H

est egalement norm e, avec norme


[[f[[
H
= sup
0=H
[f()[
[[[[
. (8.14)
Chaque vecteur de Hd etermine un el ement f

de H

, en posant
f

() = [) (o` u varie sur H) . (8.15)


En effet, le produit scalaire (pour x e) est lin eaire en , et
[[f

[[
H

= sup
0=H
[[)[
[[[[
sup
0=H
[[[[ [[[[
[[[[
(utiliser lin egalit e de Cauchy-Schwarz (8.1))
= [[[[ .
8.5. LE DUAL DUN ESPACE DE HILBERT 121
En fait on a
[[f

[[
H

= [[[[ (8.16)
puisque le supremum est atteint pour = :
[)
[[[[
=
[[[[
2
[[[[
= [[[[ .
Nous avons ainsi montr e que chaque vecteur de H peut etre identi e avec un el ement de lespace dual
H

. Il sav` ere que le contraire est egalement vrai (on peut donc identier H

et H) :
Proposition (Lemme de Riesz) :
Soit H un espace de Hilbert, f une fonctionnelle lin eaire born ee sur H. Alors il existe un (unique)
vecteur de Htel que
f() = [) H . (8.17)
En particulier :
[[f[[
H
= [[[[
H
[[[[ . (8.18)
(La d emonstration de cette proposition est donn ee en annexe 8.8.)
Corollaire : Existence de ladjoint /

dun op erateur lin eaire born e /


Soit / un op erateur lin eaire born e. Soit un vecteur x e de H. En utilisant lin egalit e de Cauchy-
Schwarz (8.1) et (8.11), on obtient :
[[/)[ [[[[ [[/[[ [[[[ [[/[[ [[[[ c

[[[[ .
Comme c

est ni, le produit scalaire [/) (consid er e comme fonction de ) d enit une fonctionnelle
lin eaire born ee sur H. Donc dapr` es le Lemme de Riesz il existe un unique vecteur

(qui d epend de )
tel que
[/) =

[) H . (8.19)
On d enit /

. Comme chaque de Hd etermine de facon unique un vecteur

dans H, on obtient
ainsi (en faisant varier sur H) une application /

de Hdans H.
V erions que cest bien un op erateur lin eaire : /

(
1
+
2
) est lunique vecteur (
1
+
2
)

tel que

1
+
2
[/) = (
1
+
2
)

[) H. Or

1
+
2
[/) =
1
[/) +
2
[/)
=

1
[) +

2
[)
= /

1
[) + /

2
[)
= /

1
+/

2
[) H .
Donc on doit avoir (
1
+
2
)

= /

1
+ /

2
, c.-` a-d. /

(
1
+
2
) = /

1
+ /

2
, ce qui
exprime la lin earit e de /

.
Exercice 17 (Norme de lop erateur adjoint) :
Soit / un op erateur lin eaire born e.
(i) Montrer que son adjoint /

est born e et que [[/

[[ [[/[[ .
(ii) Montrer ensuite que [[/[[ [[/

[[ donc [avec (i)] quon a en fait [[/

[[ = [[/[[ .
122 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
Bras et kets (Notations de Dirac, utilis ees par les physiciens)
Les vecteurs de lespace de Hilbert sont appel es des kets et d esign es par un crochet [ ) dans lequel on
met une lettre qui sp ecie le vecteur (plus g en eralement l etat en m ecanique quantique). Donc un vecteur
de Hest not e [) .
Les vecteurs de lespace dual H

sont appel es des bras et d esign es par un crochet [. Dapr` es la


Proposition qui pr ec` ede, chaque de H d etermine un bra [ et chaque bra est de la forme [ pour
un certain vecteur de H. [Lutilisation de ces notations sera pouss ee plus loin au cours de m ecanique
quantique.]
En mettant un bra [ et un ket [) ensemble on obtient lobjet [) le produit scalaire entre les
vecteurs et (la valeur de la fonctionnelle f

(voir (8.15)) au point de H) ,. En mettant les mots bra


et ket ensemble, on obtient le mot braket (bracket est le mot anglais pour crochet).
R` egle : Lorsquun bra se trouve ` a gauche dun ket, ils se contractent pour donner un nombre :
([)([)) = [) .
Si /est un op erateur lin eaire born e dans Het H, alors / est un vecteur de H, donc il correspond
un ket [/) ` a ce vecteur. On ecrit
[/) = /[) , (8.20)
c.-` a-d. les op erateurs sont consid er es comme agissant sur les kets.
Le vecteur / d etermine egalement un bra. On ecrit
/[ = [)/

, (8.21)
c.-` a-d. les op erateurs agissent sur les bras ` a gauche, et lorsquon sort un op erateur dun bra, cet op erateur
doit etre remplac e par son adjoint. Ceci est logique, puisquon a en termes du produit scalaire :
[/) = /

[) . (8.22)
On utilise la notation suivante pour le produit scalaire dans (8.22) :
[/) [/[) . (8.23)
Exercice 18 (Bra ` a droite dun ket) :
Regardons lexpression
/
12
[
1
)
2
[ (8.24)
o` u
1
,
2
sont deux vecteurs de H.
(i) Montrer que cette expression d enit un op erateur lin eaire dans H(agir avec /
12
sur un ket [) ).
(ii) Calculer la norme de cet op erateur ([[
1
[[ [[
2
[[) .
(iii) V erier que, si
1
=
2
= et [[[[ = 1 alors /

est le projecteur orthogonal sur le sous-espace


uni-dimensionnel engendr e par , c.-` a-d. que /

appliqu e ` a un multiple du vecteur le laisse invariant,


tandis que tout vecteur orthogonal ` a est appliqu e sur 0 par /

.
(iv) Soit
1
,
2
, . . . un ensemble de vecteurs orthonorm es
j
[
k
) =
jk
. Quelle est la signication
g eom etrique de lop erateur

k
[
k
)
k
[ ?
Discuter le cas particulier o` u les vecteurs
k
forment une base orthonorm ee de H.
8.6. OP

ERATEURS NON-BORN

ES 123
8.6 Op erateurs non-born es
La th eorie des op erateurs dans un espace vectoriel de dimension innie fait apparatre de nouveaux
probl` emes :
(i) un op erateur dans un espace de dimension innie peut etre non-born e (cela arrive en m ecanique quan-
tique pour des observables d ecrivant des grandeurs physiques qui peuvent prendre des valeurs arbitrairement
grandes par exemple la position dune particule dans lespace inni, le moment cin etique dune particule) ;
(ii) un op erateur dans un espace de dimension innie nest pas n ecessairement d eni sur tous les vecteurs
(souvent on a une expression formelle pour un op erateur, mais elle na pas de sens sur certains vecteurs
un exemple est une matrice , comme on verra dans lExercice 19, ou lop erateur formel d/dx qui
na un sens que sur des fonctions donde diff erentiables).
Exercice 19 (Domaine dune application lin eaire) :
a) Consid erons la matrice suivante
/ =
_
_
_
_
_
_
_
_
_
_
_
1 1 1 1
1 0 0 0
1 0 0 0
1 0 0 0
1 0 0 0
1 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
_
_
_
_
_
_
_
_
_
_
_
.
En se r ef erant ` a la base orthonorm ee
1
,
2
,
3
, . . . de l
2
de lExercice 11 (b,iv), calculer laction
de /sur chacun des vecteurs
1
,
2
,
3
, . . . . Pour quels k le vecteur image /
k
appartient-il encore
` a l
2
?
Conclusion : Dans un espace de Hilbert H de dimension innie, un op erateur lin eaire nest pas
n ecessairement d eni sur tous les vecteurs de H. On appelle domaine de lop erateur le sous-ensemble
de H sur lequel lop erateur est d eni.
(b) Dans la base
1
,
2
,
3
, . . . utilis ee d ej` a dans (a), d eterminer le domaine maximal possible de
lop erateur lin eaire B d eni par
B
k
= k
k
k = 1, 2, . . .
[donc, si =

k=1

k
= (
1
,
2
,
3
, . . .) est un vecteur de l
2
, on doit avoir
B =

k=1
k
k

k
= (1
1
, 2
2
, 3
3
, 4
4
, . . .)] .
Montrer que ce domaine [d esign e par D(B)] est une vari et e lin eaire dans l
2
, et que D(B) est dense
dans l
2
. Quelle serait la matrice qui repr esente cet op erateur ?
(c) Faire de m eme pour lop erateur ( d eni par
(
k
=
(i)
k
k

k
k = 1, 2, . . .
Exercice 20 (Op erateurs de multiplication dans L
2
((a, b))) :
Soit (a,b) un intervalle dans R. Si est une fonction de (a,b) dans C, on peut lui associer un op erateur
/ dans L
2
((a, b)) en posant
7
(/)(x) = (x)(x) pour L
2
((a, b)) .
En dautres termes la fonction image / de sous /est obtenue ` a partir de la fonction en multipliant
par la fonction . Un op erateur de ce type est appel e un op erateur de multiplication.
7. Sans se soucier d eventuels probl` emes de domaine dans les points (a), (b) et (c).
124 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
(a) Montrer que / est un op erateur lin eaire.
(b) Montrer que /

est egalement un op erateur de multiplication, c.-` a-d. quil existe une fonction
: (a, b) C telle que
(/

)(x) = (x)(x) .
Quelle est la relation entre (x) et (x) ?
(c) Soit B un deuxi` eme op erateur de multiplication : (B)(x) = (x)(x) o` u : (a, b) C est une
fonction x ee. Montrer que le produit /B est egalement un op erateur de multiplication et calculer le
commutateur [/, B] /B B/.
(d) Quelle condition faut-il imposer ` a la fonction pour que lop erateur / soit
(i) born e
(ii) autoadjoint
(iii) unitaire [c.-` a-d. tel que /

/ = //

= 1l]
(iv) un projecteur [c.-` a-d. tel que /

= / = /
2
] ? Dans le cas (i), quelle serait la norme de / (en
termes de la fonction que lon supposera continue) ?.
(e) Si / est non-born e, quel est son domaine ?
(f) Consid erer le cas particulier o` u (a, b) = (0, 1) et (x) = ( + x)
1
, o` u > 0 est une constante.
Montrer que lop erateur /est born e et autoadjoint. D eterminer ses valeurs propres (voir la d enition
ci-dessous) et sa norme.
(g) Quest-ce qui change si on met = 0 dans lexemple pr ec edent ?
8.7 Spectre dun op erateur
Soit / un op erateur lin eaire dans un espace de Hilbert H. Un nombre complexe z est appel e valeur
propre de /sil existe un vecteur ,= 0 dans H tel que / = z [ est alors appel e un vecteur propre de
/].
Si dim H < et / est autoadjoint, il existe une base orthonorm ee de H form ee de vecteurs propres
de /, et les valeurs propres de / sont toutes r eelles (diagonalisation dune matrice hermitienne n n). Si
dim H = , il se peut que / ne poss` ede aucune valeur propre. Pour couvrir ces cas, on introduit la notion
de spectre. Un nombre complexe z appartient au spectre de / sil existe une suite
n
de vecteurs de
H[plus pr ecis ement dans le domaine T(/)] telle que
[[
n
[[ = 1 n et lim
n
[[(/z)
n
[[ = 0 . (8.25)
Donc le spectre (/) de /est lensemble des nombres complexes z pour lesquels on peut trouver une telle
suite
n
.
La notion de spectre est une g en eralisation de la notion de valeur propre. En effet, si z est valeur propre
de /, alors z appartient au spectre de / : il suft de poser
n
= pour tout n, o` u est un vecteur propre
de / pour la valeur propre z ([[[[ = 1 , (/ z) = 0). Mais la d enition (8.25) est plus g en erale ; il se
peut quil existe une suite
n
v eriant (8.25) sans que z soit valeur propre de /. (8.25) veut dire que z
est presque valeur propre : pour tout > 0 il existe un vecteur tel que [[[[ = 1 et / z dans le
sens que [[(/z)[[ < .
Il est facile ` a montrer que le spectre dun op erateur autoadjoint est r eel [voir lannexe 8.8]. Il se peut
que le spectre ne consiste quen des valeurs propres (appel e un spectre purement discret en physique). Dans
le cas o` u lop erateur na aucune valeur propre, on parle dun spectre purement continu (voir lexercice
suivant pour des exemples
8
). En g en eral un op erateur poss` ede un spectre mixte, c.-` a-d. un certain nombre
de valeurs propres (mais lensemble de tous les vecteurs propres nengendre pas lespace de Hilbert mais
seulement un sous-espace de H) ainsi que du spectre continu.
Exercice 21 (Spectre dun op erateur autoadjoint) :
Soit H = L
2
((a, b)) et soit / lop erateur de multiplication par la variable x : (/)(x) = x(x) .
8. Le spectre continu est un sous-ensemble de R ayant la puissance du continu, p.ex. un intervalle.
8.7. SPECTRE DUN OP

ERATEUR 125
(a) Quelles sont les valeurs propres de /? [Indication : Exercice 20 (f)].
(b) Soit z un nombre complexe nappartenant pas ` a lintervalle [a, b] . Montrer que, si d esigne la
distance de z ` a lintervalle [a, b] , on a pour tout vecteur :
[[(/z)[[
2

_
b
a
[(x z)[
2
dx
2
[[[[
2
.
Conclure que le spectre de / est contenu dans [a, b] .
(c) Soit z [a, b] . Montrer que z appartient au spectre de / en construisant une suite
n
v eriant
(8.25). Conclusion : le spectre de A est identique ` a lintervalle [a, b] .
(d) Soit (/)(x) = (x)(x) comme dans lExercice 20, o` u est une fonction continue et r eelle (donc
/ est autoadjoint). Quel est le spectre de /? Sous quelles conditions lop erateur / poss` ede-t-il des
valeurs propres ?
Exercice 22 (Spectre de lop erateur dimpulsion) :
Formellement lop erateur dimpulsion pour une particule en une dimension (avec = 1) est donn e par
lexpression T = id/ dx. Son domaine ne peut contenir que des fonctions diff erentiables (avec d eriv ee
de carr e int egrable).
(a) Consid erons une particule conn ee dans un interval ni 1, p.ex. 1 = (a, +a) .
(i) Montrer que lop erateur id/ dx nest pas autoadjoint [trouver des fonctions diff erentiables pour
lesquelles (8.13) nest pas satisfait].
(ii) Pour associer un op erateur autoadjoint ` a id/ dx, il faut prendre comme domaine de T un sous-
ensemble des fonctions diff erentiables en imposant des conditions ` a la limite aux extr emit es de 1 .
Exemple : on nadmet que des fonctions donde satisfaisant (+a) = (a) . Montrer que, si
et satisfont cette condition, alors (8.13) est satisfait.
(iii) D eterminer les valeurs propres de T (avec comme domaine celui indiqu e dans (ii)).
(b) Consid erons une particule dans R. Dans ce cas on na pas besoin dimposer des conditions ` a la limite
(` a linni), car si et

appartiennent ` a L
2
(R) , on peut montrer assez facilement que (x) 0
lorsque x .
(i) Quelles sont les valeurs propres de T dans ce cas ?
(ii) Comparer avec le r esultat de (a) lorsque a .
Exercice 23 (Sous-espace associ e ` a une valeur propre dun op erateur) :
Soit / un op erateur lin eaire born e dans un espace de Hilbert Het une valeur propre de A. D esignons
par /
{}
lensemble des vecteurs propres de / ` a valeur propre , c.-` a-d.
/

= H

/ = .
Montrer que /
{}
est un sous-espace de H.
Exercice 24 (Projecteurs) :
Soit /un sous-espace dun espace de Hilbert H, /

son compl ement orthogonal. Alors tout vecteur


de H poss` ede une d ecomposition unique en =
1
+
2
, avec
1
/,
2
/

(dapr` es le
Th eor` eme de d ecomposition). La correspondance
1
d enit une application dans H, la projection
orthogonale sur le sous-espace /. Cette application sera appel ee le projecteur T
M
sur le sous-espace
/. [Il serait plus pr ecis dappeler T
M
le projecteur orthogonal sur /].
(a) V erier que T
M
a les propri et es suivantes :
(i) T
M
est lin eaire,
(ii) T
M
est born e,
(iii) T
M
est autoadjoint,
(iv) T
M
est idempotent, c.-` a-d. T
2
M
= T
M
.
126 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
(b) D eterminer la norme [[T
M
[[ dun projecteur.
(c) En se placant dans lespace de Hilbert l
2
, donner un exemple dun projecteur T
M
sur un sous-espace
m de dimension 1 . De m eme pour dim/ = 0 , dim/= 3 , dim/= .
(d) Soit H un espace de Hilbert et T est une application lin eaire de H dans H ayant les propri et es
suivantes :
T est idempotent, c.-` a-d. T
2
= T
T est autoadjoint, c.-` a-d. on a T[) = [T) , pour tout , H
Montrer que T est un projecteur (orthogonal), c.-` a-d. quil existe un sous-espace /de H tel que T
est identique au projecteur T
M
sur ce sous-espace.
Indications : Prendre / = H

T = . Utiliser le r esultat de lExercice 23 pour voir que /


est un sous-espace. Pour H, poser
1
= T et
2
= T et v erier que
1
/et
2
/

.
Exercice 25 (Isom etries et op erateurs unitaires) :
D enition : Un op erateur lin eaire born e | dans un espace de Hilbert Hest appel e une isom etrie (ou un
op erateur isom etrique) si |

| = 1l .
(a) Montrer quune isom etrie pr eserve le produit scalaire, c.-` a-d. que
|[|) = [) , H . (8.26)
(b) Soit | une isom etrie.
(i) Montrer que T ||

est un projecteur.
(ii) Montrer que T est egal au projecteur T
M
sur le sous-espace / = |

H [limage de H
par |]. (Indication : Tenir compte du r esultat de lExercice 24 (d).
(iii) Montrer que dim/= dimH.
D enition : Une isom etrie est appel ee un op erateur unitaire si le sous-espace /dans (b) est egal ` a
H, en dautres termes si T = 1l . Donc un op erateur lin eaire born e est unitaire si
|

| = 1l et ||

= 1l . (8.27)
(c) Montrer que, si dimH < , tout op erateur isom etrique est unitaire (donc la premi` ere equation
dans (8.27) implique la deuxi` eme dans ce cas).
Indication : Utiliser (b.iii).
Remarque : Si dimH = , il existe des sous-espaces stricts de Hde dimension innie, donc il existe des
isom etries qui ne sont pas unitaires. En physique les op erateurs unitaires sont particuli` erement importants
et il faut exiger les deux conditions dans (8.27) pour sassurer que | soit unitaire.
8.8 ANNEXE
8.8.1 D emonstration du Th eor` eme de d ecomposition
Nous utiliserons lidentit e suivante : si et sont des vecteurs dans H, alors
[[ +[[
2
+[[ [[
2
= [[[[
2
+[) +[[[[
2
+[[[[
2
[) [) +[[[[
2

= 2[[[[
2
+ 2[[[[
2
. (8.28)
Nous d esignons par d la distance de ` a /, c.-` a-d.
d = inf
M
[[ [[ .
(a) Montrons dabord quil existe un unique vecteur
0
/tel que d = [[
0
[[ .
8.8. ANNEXE 127
(i) Existence : choisissons une suite
k

k = 1, 2, . . . dans /telle que


lim
k
[[
k
[[ = d .
Prenons = (
j
)/2 et = (
k
)/2 dans (8.28). Nous obtenons que

1
2
(
j

k
)

2
=
1
2
[[
j
[[
2
+
1
2
[[
k
[[
2


1
2
(
j
+
k
)

2
.
Comme
j
+
k
/:


1
2
(
j
+
k
)

2
d
2
. Donc
1
4
[[
j

k
[[
2

1
2
[[
j
[[
2
+
1
2
[[
k
[[
2
d
2
0 lorsque j, k .
Donc
k
est une suite de Cauchy (dans H). D esignons sa limite par
0
. On a
0
/, puisque /est
un sous-espace ferm e. Donc [[
0
[[ d . Dautre part
[[
0
[[ [[
k
[[ +[[
k

0
[[ d + 0 = d .
Ceci montre que [[
0
[[ = d .
(ii) Unicit e : Supposons quil existe deux vecteurs
(1)
0
et
(2)
0
dans /tels que


(1)
0


(2)
0

= d .
En prenant = (
(1)
0
)/2 et = (
(2)
0
)/2 dans (8.28), on obtient comme dans (i) que
1
4

(1)
0

(2)
0

1
2


(1)
0

2
+
1
2


(2)
0

2
d
2
= 0 .
Donc

(1)
0

(2)
0

= 0 , c.-` a-d.
(1)
0
=
(2)
0
.
(b) Pour d emontrer (8.9), prenons
1
=
0
. Donc
2
=
0
, et il faut montrer que
2
/

, en
dautres termes que [
2
) = 0 pour chaque /. Soit donc ,= 0 un vecteur x e de /, et posons
a = [
2
) . Soit
=
1
+
a
[[[[
2
.
Clairement /, donc [[ [[ d . Ainsi
[[ [[
2
=
2

a
[[[[
2
[
2

a
[[[[
2
)
= [[
2
[[
2

a
[[[[
2
[
2
)
a
[[[[
2

2
[) +
[a[
2
[[[[
4
[[[[
2
= [[
2
[[
2

[a[
2
[[[[
2

[a[
2
[[[[
2
+
[a[
2
[[[[
2
= [[
2
[[
2

[a[
2
[[[[
2
= d
2

[a[
2
[[[[
2
d
2
.
Comme [[ [[
2
d
2
(voir plus haut), nous pouvons conclure que a = 0 .
Montrons encore lunicit e de la d ecomposition (8.9). Supposons que
1
,
2
/,
1
,
2
/

et

1
+
1
=
2
+
2
.
Nous devons montrer que
1
=
2
et
1
=
2
. Or
0 = [[0[[
2
= [[
1
+
1
(
2
+
2
)[[
2
= [[(
1

2
) + (
1

2
)[[
2
= [[
1

2
[[
2
+[[
1

2
[[
2
,
car
1

2
[
1

2
) = 0 . Donc [[
1

2
[[ = [[
1

2
[[ = 0 , et par cons equent on a
1
=
2
et
1
=
2
.
128 CHAPITRE 8. ESPACES DE HILBERT ET OP

ERATEURS LIN

EAIRES
8.8.2 D emonstration du Lemme de Riesz
(a) Soit / lensemble des vecteurs H tels que f() = 0 . Montrons que / est un sous-espace
ferm e :
(i)
1
,
2
/, C f(
1
+
2
) = f(
1
) +f(
2
) = 0 + 0 = 0 ,
(ii) si
n
/ et lim
m,n
[[
m

n
[[ = 0 , alors la suite
n
poss` ede une limite dans H
(c.-` a-d. H), et il faut montrer que appartient ` a /(compl etude de /), c.-` a-d. que f() = 0 . Or
[f()[ = [f(
n
+
n
)[ = [f(
n
) +f(
n
)[ [[f[[
H
[[
n
[[ .
Comme [[
n
[[ 0 pour n , on doit avoir f() = 0 .
(b) Si f 0 , on prend = 0; on a alors bien 0 = f() = 0[) = 0 H.
Si f ,= 0 , il existe un vecteur de H tel que f() ,= 0 . On ecrit =
1
+
2
avec
1
/ et

2
/

(en utilisant le Th eor` eme de d ecomposition (cfr. 8.3). Alors


f(
2
) = f(
1
) = f() f(
1
) = f() ,= 0 .
en particulier
2
,= 0 (puisque f(0) = 0) .
Si est un vecteur quelconque de H, consid erons le vecteur
f()
f(2)

2
. On a alors
f(
f()
f(
2
)

2
) = f()
f()
f(
2
)
f(
2
) = 0 ,
donc le vecteur
f()
f(2)

2
appartient ` a /. Comme
2
/, on aura

2
[
f()
f(
2
)

2
) = 0 ,
c.-` a-d.
f(
2
)
2
[) = f()[[
2
[[
2
,
donc
f() =
f(
2
)
[[
2
[[
2

2
[) H .
En posant =
f(2)
||2||
2

2
(ce qui est bien un vecteur de H, puisque [[
2
[[ , = 0), on obtient (8.15).
(c) Montrons encore que est unique. Si
1
,
2
sont deux vecteurs tels que
f() =
1
[) =
2
[) H,
alors

1

2
[) = 0 H.
En particulier, pour =
1

2
: [[
1

2
[[
2
.
Dapr` es laxiome III, on doit avoir
1

2
= 0, c.-` a-d.
1
=
2
+0 =
2
.
8.8.3 D emonstration du fait que le spectre dun op erateur autoadjoint est r eel
On a (utiliser (8.1))
[
n
[(/z)
n
)[ [[
n
[[ [[(/z)
n
[[ = [[(/z)
n
[[ 0 ,
et de m eme
(/z)
n
[
n
) 0 lorsque n .
8.8. ANNEXE 129
Donc
lim
n

n
[(/z)
n
) (/z)
n
[
n
) = 0 . (8.29)
Or, comme /

= / :

n
[(/z)
n
) = (/

z)
n
[
n
) = (/ z)
n
[
n
) .
En ins erant cette identit e dans (8.29) et en d esignant par la partie imaginaire du nombre complexe z, on
voit que
0 = lim
n
(z z)
n
[
n
) = lim
n
2i
n
[
n
) = 2i lim
n
[[
n
[[
2
= 2i ,
do` u = 0 .