Vous êtes sur la page 1sur 85

Mathématiques appliquées 2019-2020 Cl.

Gabriel

Chapitre 4 : séries de Fourier et transformées de Fourier

1 Introduction

Les séries de Fourier constituent un outil fondamental dans l'étude des


fonctions périodiques. C'est à partir de ce concept que s'est développée la
branche des mathématiques connue sous le nom d'analyse harmonique.

Les séries de Fourier ont été introduites par Joseph Fourier en 1822,
mais il fallut un siècle pour que les analystes dégagent les outils d'étude
adaptés : une théorie de l'intégrale pleinement satisfaisante et les premiers
concepts de l'analyse fonctionnelle. Elles font encore actuellement l'objet
de recherches actives pour elles-mêmes, et ont suscité plusieurs branches
nouvelles : analyse harmonique, théorie du signal, ondelettes, etc.

Les séries de Fourier se rencontrent dans la décom-


position de signaux périodiques, dans l'étude des
courants électriques, des ondes cérébrales, dans la
synthèse sonore, le traitement d'images, etc.

Un signal périodique de fréquence f et de forme quel-


conque peut être obtenu en ajoutant à une sinusoïde
de fréquence f (fondamentale), des sinusoïdes dont
les fréquences sont des multiples entiers de f . Ces
signaux ont des amplitudes et des positions de phase
appropriées.

De même, on peut décomposer toute onde récurrente


en une somme de sinusoïdes (fondamentale et harmo-
niques).

L'étude d'une fonction périodique par les séries de


Fourier comprend deux volets :

• l'analyse, qui consiste en la détermination de


la suite de ses coecients de Fourier (souvent
représentés dans un diagramme spectral ou
spectre) ;
• la synthèse, qui permet de retrouver, en un cer-
tain sens, la fonction à l'aide de la suite de ses
coecients.

Figure 1  Les quatre premières sommes partielles de


la série de Fourier pour un signal carré

1
Mathématiques appliquées 2019-2020 Cl. Gabriel

Deux questions se posent alors : premièrement, est-il possible de représenter une fonction non périodique par
quelque chose d'analogue à une série de Fourier ? Ensuite, peut-on étendre ou modier le concept de série de
Fourier de manière à inclure le cas d'un spectre continu ?

De même qu'à la limite continue, une somme est remplacée par une intégrale, la série de Fourier sera remplacée
par une intégrale de Fourier. Celle-ci peut être utilisée pour représenter des fonctions non périodiques, par
exemple un son qui n'est pas répété, une impulsion unique de tension, ou un ash de lumière.

Le théorème intégral de Fourier fait intervenir un spectre continu de fréquences, par exemple un en-
semble de sons musicaux simples ou de couleurs de lumières simples.

La transformation de Fourier est donc une extension, pour les fonctions non périodiques, du développement
en série de Fourier des fonctions périodiques. La transformation de Fourier associe à une fonction intégrable,
dénie sur l'ensemble des nombres réels ou celui des nombres complexes, une fonction appelée transformée de
Fourier dont la variable indépendante peut s'interpréter en physique comme la fréquence ou la pulsation.

La transformée de Fourier s'exprime comme  somme innie  des fonctions trigonométriques de toutes fré-
quences. Une telle sommation se présente sous forme d'intégrale. Séries et transformation de Fourier constituent
les deux outils de base de l'analyse harmonique.

Lorsqu'une fonction représente un phénomène physique, comme l'état du champ électromagnétique ou du champ
acoustique en un point, on l'appelle signal et sa transformée de Fourier s'appelle son spectre.

2 Séries de Fourier

2.1 Introduction
On s'attache ici pour l'essentiel à l'étude du problème suivant :
Une fonction périodique F (x) deP
période T peut elle s'exprimer comme somme d'une série trigonométrique :
(an cos nωx + bn sin nωx) avec ω = 2π/T .
Etudié par Fourier au début du dix-neuvième siècle dans sa recherche de solutions de l'équation de la chaleur
(équation de diusion), ce problème conduit à une branche des mathématiques toujours vivantes.

2.2 Fonctions périodiques


Une fonction f (x) est dite périodique de période T si :
∀x, f (x + T ) = f (x) (1)
(où T est une constante réelle positive). La plus petite des valeurs de T > 0 est appelée  moindre période 
ou  période  de f (x). On dit encore que la fonction f (x) est T -périodique.

Exemples :
• sin x a pour période 2π, 4π, 6π, · · · et pour moindre période 2π ;
• sin nx a pour moindre période 2π
n ;
• tan x a pour moindre période π .
Remarque : si f est une fonction 2π -périodique sur R, alors la fonction g dénie par :
 

g(x) = f x (2)
T

est T -périodique. On peut par cette remarque ramener l'étude des fonctions T -périodiques à celles des fonctions
2π -périodiques.

2
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 2  Graphe d'une fonction périodique

2.3 Polynômes trigonométriques


On appelle polynôme trigonométrique complexe, de pulsation ω∈ R, de période T = 2π
ω toute application U : R → C telle qu'il existe une
suite nie (cn )−N 6n6N pour laquelle
N
R , (3)
X inωx
∀x ∈ U (x) = cn e
n=−N

Remarque : nous avons :


N
X ikωx
U (x) = ck e
k=−N

−1
X N
X
= ck (cos(ωkx) + i sin(ωkx)) + c0 + ck (cos(ωkx) + i sin(ωkx))
k=−N k=1

N
X
= c0 + (ck + c−k ) cos(ωkx) + i (ck − c−k ) sin(ωkx)
k=1

Nous pouvons alors écrire U (x) comme une combinaison linéaire de fonctions trigonométriques {cos(ωkx), sin(ωkx)} de périodes multiples
de T :
N
a0
(4)
X
U (x) = + (ak cos(ωkx) + bk sin(ωkx))
2 k=1

avec les formules de passage (n > 0) :

an = cn + c−n et bn = i(cn − c−n ) (5)

et :
1 1
cn = (an − ibn ) et c−n = (an + ibn ) (6)
2 2

2.4 Dénition des séries de Fourier


Soit f (x) une fonction dénie sur un intervalle ]−L, L[ et déterminée à l'extérieur de l'intervalle par f (x+2L) =
f (x), c'est-à-dire supposons f (x) de période T = 2L.

Denition (Série de Fourier) :


La série de Fourier correspondant à f (x) est dénie par :

a0 X  nπx nπx 
+ an cos + bn sin (7)
2 n=1
L L

où les coecients an et bn ∀n ∈ N sont appelés coecients de Fourier et valent :


Z L
1 nπx
an = f (x) cos dx (8)
L −L L
Z L
1 nπx
bn = f (x) sin dx (9)
L −L L

Remarquons que les fonctions trigonométriques cos nπx


L et sin L sont de période
nπx 2L
n c'est-à-dire de fréquences

3
Mathématiques appliquées 2019-2020 Cl. Gabriel

égales à 2L
n
c'est-à-dire des multiples entiers de fois la fréquence de la fonction f (x) qui vaut 2L .
1

Notons que : Z L
a0 1
= f (x)dx (10)
2 2L −L

est la moyenne de f (x) sur une période.

Remarque : autres notations utilisées en théorie du signal :

Dans la suite, nous utiliserons surtout des fonctions de la variable x de période 2L.
En théorie du signal, on utilise la variable temporelle t, on note T la période (au lieu de 2L) et on introduit son
inverse f = T1 qui est appelée la fréquence fondamentale du signal ; la quantité nπxL devient alors T
2nπt
= 2πnf t
ce qui peut s'interprêter comme un multiple entier n de fois la fréquence fondamentale du signal f = T1 multi-
pliée par 2π .

• Dans ce contexte, le coecient a0 /2 est la valeur moyenne du signal f (t) puisque :


Z T /2
a0 1
= f (t)dt (11)
2 T −T /2

Ce terme est appelé la composante continue ou encore valeur DC du signal.

T +b1 sin T est appelé la fondamentale du signal ou encore la première harmonique


• Le terme a1 cos 2πt 2πt

du signal.

• Le terme an cos 2nπt 2πnt


T + bn sin T est appelé la nième harmonique du signal.

Théorème 2.1 (Translation de l'intervalle d'intégration) :


Comme f (x) a une période de 2L, les coecients de Fourier peuvent aussi être déterminés par les formules :
Z c+2L
1 nπx
an = f (x) cos dx (12)
L c L
Z c+2L
1 nπx
bn = f (x) sin dx (13)
L c L

∀c ∈ R.

Preuve
Tout d'abord, g(x) = f (x) cos nπx
L est 2L−périodique puisque :
 
nπ(x + 2L) nπx nπx
g(x + 2L) = f (x + 2L) cos = f (x) cos + 2nπ = f (x) cos = g(x)
L L L

Ensuite, si g(x) est 2L−périodique, on a : Z L Z c+2L


g(x)dx = g(x)dx ∀c ∈ R
−L c

En eet ∀α, β ∈ R:
Z β Z β+2L
g(x)dx = g(y − 2L)dy où l'on a posé : x = y − 2L
α α+2L
Z β+2L
= g(y)dy comme g(y) est 2L périodique.
α+2L

En particulier, si α = −L et β = c, on a : Z c Z c+2L
g(x)dx = g(y)dy ∀c ∈ R
−L L

4
Mathématiques appliquées 2019-2020 Cl. Gabriel

Par conséquent :
Z c+2L Z −L Z L Z c+2L
g(x)dx = g(x)dx + g(x)dx + g(x)dx
c c −L L
Z c Z L Z c
= − g(x)dx + g(x)dx + g(x)dx
−L −L −L
Z L
= g(x)dx
−L

ce qui termine la preuve.

Théorème 2.2 (Cas particulier) :

Si L = π , la série devient :

a0 X
+ (an cos nx + bn sin nx) (14)
2 n=1

et les coecients de Fourier an et bn ∀n ∈ N deviennent :


1 π
Z
an = f (x) cos nxdx (15)
π −π
Z π
1
bn = f (x) sin nxdx (16)
π −π

Attention

A ce stade, la série correspond à f (x). On ne sait pas si elle converge, et même si elle converge, si elle converge
vers f (x).

Plus précisément, si l'on dénit :

Denition (Somme partielle d'indice N )

N
f a0 X
SN (x) = + (an cos(nπx/L) + bn sin(nπx/L))
2 n=1

Le problème de la convergence peut donc s'énoncer comme suit :

Sous quelles conditions la série lim SN


f
(x) converge-t-elle vers f (x) ?
N →∞

Plusieurs types de convergence peuvent être considérées. Considérons tout d'abord la convergence ponctuelle
ou simple. Pour rappel :

DenitionP (Convergence ponctuelle)


n=0 fn (x) converge ponctuellement sur un ensemble S si et seulement si :
Une série ∞
∀x ∈ S on a lim (f (x) − fn (x)) = 0.
P∞
N →∞ n=0

5
Mathématiques appliquées 2019-2020 Cl. Gabriel

2.5 Conditions de Dirichlet pour la convergence ponctuelle de la série de Fourier

Théorème 2.3 (Conditions susantes de Dirichlet pour la convergence ponctuelle de la série)


Supposons que :
1. f (x) est dénie sur [−L, L] sauf peut-être en un nombre ni de points ;
2. f (x) est périodique de période 2L ;
3. f (x) et f 0 (x) sont continues par morceaux dans [−L, L] ;
alors la série de Fourier converge vers :
• f (x) si x est un point de continuité de f ;

• f (x+0)+f (x−0)
2 si x est un point de discontinuité de f .

On peut alors écrire :



a0 X  nπx nπx 
f (x) = + an cos + bn sin (17)
2 n=1
L L
en tout point de continuité.
Si x est un point de discontinuité, le membre de gauche de l'équation précédente doit être remplacé par la valeur
moyenne de f au point de discontinuité, c'est-à-dire :

f (x+0) + f (x−0) a0 X  nπx nπx 
= + an cos + bn sin (18)
2 2 n=1
L L

Remarques :

• Rappelons qu'une fonction f : (a, b] → C est dite continue par morceaux sur [a, b] si :
1. f est continue sur [a, b] sauf en un nombre ni de points x1 , · · · , xk ;
2. en chacun des points x1 , · · · , xk les limites à gauche et à droite de f existent, c'est-à-dire :
∀j = 1, · · · , k f (xj− ) = lim f (xj − h) et f (xj+ ) = lim f (xj + h)
h→0,h>0 h→0,h>0

En particulier, f (a+ ) et f (b− ) existent.


• On dit qu'une fonction est lisse par morceaux sur [a, b] si f (.) et f 0 (.) sont continues par morceau sur
[a, b]. En particulier f 0 (a+ ) et f 0 (b− ) existent.
• On dit que f : R → C est continue (resp. lisse) par morceaux sur R si elle est continue (resp. lisse) par
morceaux sur tout intervalle borné [a, b] ⊂ R. Un exemple et un contre-exemple de fonction lisse par
morceaux sont donnés à la gure 3.

Figure 3  Une fonction qui est lisse par morceaux et une fonction qui ne l'est pas

• Les conditions 1 et 3 de Dirichlet peuvent alors être remplacées par la formule :  Si f est lisse par
morceaux sur R

6
Mathématiques appliquées 2019-2020 Cl. Gabriel

• Les hypothèses du Théorème de Dirichlet ne peuvent pas être relaxées facilement. Plus précisément, le
contre exemple de Du Bois-Reymond fournit un exemple de fonction continue sur R pour laquelle la série
de Fourier diverge.
• Il existe une version un peu plus forte du théorème de Dirichlet, qui s'énonce comme suit :

Théorème 2.4 (Autres conditions susantes de Dirichlet pour la convergence de la série)


Supposons que :
1. f (x) est périodique de période 2L ;
2. f (x) est bornée ;
3. f (x) possède sur chaque intervale d'une période un nombre ni de discontinuités et d'extrema lo-
caux ;
alors la série de Fourier converge vers :
 f (x) si x est un point de continuité de f ;
 f (x+0)+f (x−0)
2 si x est un point de discontinuité de f .

Cette formulation est un peu plus générale que celle du théorème 2.3 mais les hypothèses sont plus diciles à
vérier.

Preuve du théorème 2.3

Lemme 2.5
Montrons que :
1 sin(M + 21 )x
+ cos x + cos 2x + · · · + cos M x = (19)
2 2 sin 12 x
On a :     
1 1 1 1
cos nx sin x= sin (n + )x − sin (n − )x
2 2 2 2
puisqu'en développant le membre de droite en utilisant les formules d'addition, on a :
 
1 1 1 1 1 1
sin nx cos x + cos nx sin x − sin nx cos x + cos nx sin x = cos nx. sin x
2 2 2 2 2 2

Sommons de n = 1 à M :

1 1 3 1 5 3
sin x {cos x + cos 2x + · · · + cos M x} = x − sin x + sin x − sin x + · · ·
sin
2 2 2 2 2 2
    
1 1
+ sin M + x − sin M − x
2 2
   
1 1 1
= sin M + x − sin x
2 2 2

donc :
1 sin M + 12 x − sin 1
 
2x
cos x + cos 2x + · · · + cos M x =
2 sin 12 x
et :
1 1 1
 
1 1 sin M + 2 x − sin 2x + sin 2x
+ cos x + cos 2x + · · · + cos M x = 1
2 2 sin 2x

1 sin M + 12 x

=
2 sin 12 x

ce qui prouve le lemme.


Remrque : on appelle le n-ième noyau de Dirichlet  nommé ainsi en l'honneur du mathématicien allemand Johann Dirichlet  le polynôme
trigonométrique déni par :
n n n n
(20)
X ikx
X X ikx
X
Dn (x) = e =1+2 cos(kx)Dn (x) = e =1+2 cos(kx).
k=−n k=1 k=−n k=1

C'est donc une fonction 2π -périodique de classe C∞ . Elle vérie de plus :


1
 
sin n+ x
• si x n'est pas un multiple entier de 2π , alors Dn (x) = x
2
 ;
sin 2

• si x est un multiple entier de 2π , alors Dn (x) = 2n + 1.

7
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 4  Tracé des premiers noyaux de Dirichlet.

Le n-ième terme de la série de Fourier d'une fonction 2π -périodique et intégrable f s'écrit :


1
Z π 1
Z π
Sn (f )(x) = f (t)Dn (x − t) dt = Dn (t)f (x − t) dt = (Dn ∗ f )(x). (21)
2π −π 2π −π

L'identité précédente est un produit de convolution, ou l'application d'un opérateur à noyau.

Lemme 2.6
Montrons que :
1

1
Z π sin M + x 1
2
1
dx =
π 0 2 sin 2x 2
et : 1

1
Z 0 sin M + x 1
2
1
dx =
π −π 2 sin 2x 2

En intégrant le lemme 2.5 c'est évident puisque les intégrales de tous les cos sont nulles.
Lemme 2.7
Montrons que :
Z π Z π
lim f (x) sin nxdx = lim f (x) cos nxdx = 0
n→∞ −π n→∞ −π

si f (x) est continue par morceaux.


Pour prouver ce lemme, on a besoin de l'inégalité de Bessel :

Théorème 2.8 Inégalité de Bessel


∀ entier positif M , on a :
M 
a20
Z L
1
(22)
X 
2 2 2
+ an + bn 6 {f (x)} dx
2 n=1
L −L

où an et bn sont les coecients de Fourier de f (x), supposée continue par morceaux.

Prouvons l'inégalité de Bessel :


Posons :
M  
a0 nπx nπx
(23)
X
SM (x) = + an cos + bn sin
2 n=1
L L

C'est la suite des sommes partielles de la série de Fourier correspondant à f (x).


On a : Z L
2
(f (x) − SM (x)) dx > 0
−L

8
Mathématiques appliquées 2019-2020 Cl. Gabriel

comme l'intégrand est positif.


En développant l'intégrand, on obtient :
Z L Z L Z L
2 f (x)SM (x)dx −
2
SM (x)dx >
2
(f (x)) dx (24)
−L −L −L

Multiplions les deux membres de (23) par 2f (x) et intégrons :


L L M  L L

a0 nπx nπx
Z Z X Z Z
2 f (x)SM (x)dx = f (x)dx + an f (x) cos dx + bn f (x) sin dx
−L 2 −L n=1 −L L −L L
( M 
)
a20 X 2 2

= 2L + an + bn
4 n=1

Elevons (23) au carré et intégrons : ( )


M 
L a20
Z 
2
X 2 2
SM (x)dx = L + an + bn
−L 2 n=1

où on a utilisé le résultat :
Z L mπx nπx
Z L mπx nπx
cos cos dx = sin sin dx
−L L L −L L L
si m 6= n

0
=
L si m = n
et :
Z L mπx nπx
cos sin dx = 0
−L L L

qui s'obtiennent directement à l'aide des formules de Simpson inverses :


1
cos A cos B = {cos(A − B) + cos(A + B)}
2
1
sin A sin B = {cos(A − B) − cos(A + B)}
2
1
sin A cos B = {sin(A − B) + sin(A + B)}
2
(25)

En remplaçant dans (24) et en divisant par L, on a :


M 
a20
Z L
X 2 2
 1 2
+ an + bn 6 {f (x)} dx
2 n=1
L −L

En prenant la limite pour M → ∞, on obtient l'inégalité de Bessel.


Prouvons maintenant le lemme 2.7.
La série :
M 
a20 X 2 2

+ an + bn
2 n=1

est convergente (puisque majorée par une intégrale nie, si f (x) est continue par morceaux, donc :

n→∞
lim an = lim bn = 0.
n→∞
(26)

Ce résultat est parfois appelé lemme de Riemann-Lebesgue (cf. théorème 2.13).


Lemme 2.9 Montrons que : Z π 1
lim f (x) sin(M + )xdx = 0 (27)
M →∞ −π 2

si f (x) est continue par morceaux.


On a : π π π
1 1 1
Z Z Z
f (x) sin(M + )xdx = f (x) sin x cos M xdx + f (x) cos x sin M xdx
−π 2 −π 2 −π 2

En appliquant le lemme 2.7 avec f (x) remplacée par f (x) sin 12 x ou f (x) cos 12 x (qui sont bien continues par morceaux), on a le résultat
requis.
Remarquons que ce résultat peut aussi être prouvé si les limites d'intégration sont a et b putôt que −π et π.

Venons au théorème proprement dit.

9
Mathématiques appliquées 2019-2020 Cl. Gabriel

Lemme 2.10 Supposons L = π, c'est-à-dire que la série de Fourier correspondant à f (x) a une période 2L = 2π et montrons que :
M Z π 1
a0 1 f (t + x) sin(M + 2 )t
(28)
X
SM (x) = + (an cos nx + bn sin nx) = dt
2 n=1
π −π 2 sin 12 t

On a, en utilisant les formules des coecients de Fourier lorsque L = π :


1
Z π 1
Z π
an cos nx + bn sin nx = f (u) cos nu cos nxdu + f (u) sin nu sin nxdu
π −π π −π
Z π
1
= f (u) {cos nu cos nx + sin nu sin nx} du
π −π
1
Z π
= f (u) cos n(u − x)du
π −π

et aussi :
a0 1
Z π
= f (u)du
2 2π −π

Donc :
M
a0 X
SM (x) = + (an cos nx + bn sin nx)
2 n=1

π M Z
1 1 X π
Z
= f (u)du + f (u) cos n(u − x)du
2π −π π n=1 −π
Z π ( M
)
1 1 X
= f (u) + cos n(u − x) du
π −π 2 n=1

sin(M + 21 )(u − x)
Z π
1
= f (u) du
π −π 2 sin 21 (u − x)

où on a utilisé le lemme 2.5 en y remplaçant t par u − x. Passons à la variable d'intégration t = u − x, on a :


π−x 1
1 sin(M + 2 )t
Z
SM (x) = f (t + x) 1
dt
π −π−x 2 sin 2 t

Comme l'intégrand a une période 2π, on peut remplacer l'intervalle de −π − x à π − x par tout intervalle de longueur 2π, en particulier
[−π, π]. On a donc :

π 1
1 sin(M + 2 )t
Z
SM (x) = f (t + x) 1
dt
π −π 2 sin 2t

ce qui est le résultat attendu.


Lemme 2.11 Montrons que :
f (x + 0) + f (x − 0 1
Z 0 f (t + x) − f (x − 0) 1
SM (x) − = sin(M + )tdt
2 π −π 2 sin 12 t 2
1
Z π f (t + x) − f (x + 0) 1
+ sin(M + )tdt (29)
π 0 2 sin 12 t 2

On a par le lemme 2.10 :


π 1
1 sin(M + 2 )t
Z
SM (x) = f (t + x) 1
dt
π −π 2 sin 2 t
1 0 sin(M + 12 )t 1 π sin(M + 1
2 )t
Z Z
= f (t + x) dt + f (t + x) dt (30)
π −π 2 sin 12 t π 0 2 sin 1
2 t

Multiplions les intégrales du lemme 2.6 par f (x − 0) et f (x + 0) respectivement et sommons :


1 1
f (x + 0) + f (x − 0) 1 0 f (x − 0) sin(M + 2 )t 1 π f (x + 0) sin(M + 2 )t
Z Z
= 1
dt + 1
dt (31)
2 π −π 2 sin 2t π 0 2 sin 2t

En soustrayant (31) de (30), on a le résultat attendu.


Lemme 2.12 Si f (x) et f 0 (x) sont continues par morceaux, montrons que :
f (x + 0) + f (x − 0)
lim SM (x) = (32)
M →∞ 2

La fonction :
f (t + x) − f (x + 0)
2 sin 12 t

10
Mathématiques appliquées 2019-2020 Cl. Gabriel

est continue par morceaux sur 0 6 t 6 π car f (x) l'est aussi. Donc :
f (t + x) − f (x + 0) f (x + t) − f (x + 0) 12 t
lim = lim
t→0+ 2 sin 21 t t→0+ t sin 12 t
f (x + t) − f (x + 0)
= lim
t→0+ t

existe puisque par hypothèse f (x) est continue par morceaux, de telle sorte que la dérivée à droite de f (x) en chaque x existe.
Alors, f (t+x)−f (x+0)
2 sin 1 t
est continue par morceaux sur 0 6 t 6 π.
2
De la même manière, la fonction :
f (t + x) − f (x − 0)
2 sin 12 t
est continue par morceaux sur −π 6 t 6 0.
Par les lemmes 2.9 et 2.11, on a :
f (x + 0) + f (x − 0)
 
lim SM (x) − =0
M →∞ 2
ou encore :
f (x + 0) + f (x − 0)
lim SM (x) =
M →∞ 2
ce qui achève de prouver le théorème et établit les conditions de Dirichlet.

2.6 Premiers exemples


1. Soit la fonction f (t) = t sur [−π, π] et périodique de période 2π .

Cette fonction vérie les conditions de Dirichlet d'existence de la série de Fourier.

Calculons ses coecients de Fourier :


π  π
1 t2 1 π2 π2
Z  
1
a0 = tdt = = − =0
π −π π 2 −π π 2 2
Z π
1
an = t cos ntdt ∀n 6= 0
π −π

Une intégration par parties donne directement :


u0 (t) = 1
 
u(t) = t
v 0 (t) = cos nt v(t) = sintnt
soit :

1 π sin nt
 Z
1 t sin nt
an = − dt
π n −π π −π n
1 π
= 0 + 2 [cos nt]−π = 0
n π
De la même façon, on obtient :
Z π
1
bn = t sin ntdt ∀n 6= 0
π −π

11
Mathématiques appliquées 2019-2020 Cl. Gabriel

Une intégration par parties donne directement :


u0 (t) = 1
 
u(t) = t
v 0 (t) = sin nt v(t) = − cost nt
soit :
Z π
1 π 1
bn = − [t cos t]−π + cos ntdt
πn nπ −π
 π
1 1 sin nt
= − (π cos nπ + π cos(−nπ)) +
πn nπ n −π
2 1
= − cos nπ + 2 (sin nπ + sin nπ)
n n π
2
= − cos nπ
n 2
− n si n est pair
= 2
n si n est impair
Nous pouvons donc écrire :

2
sur [−π, π] (33)
X
t= (−1)k+1 sin kt
k
k=1

2. Trouver les coecients de Fourier correspondant à la fonction :


pour − 5 < x < 0

0
f (x) =
3 pour 0 < x < 5
et de période 10, et écrire la série de Fourier correspondante. Comment faudrait-il dénir f en x =
−5, 0, et 5 pour que la série de Fourier converge sur −5 6 x 6 5 vers f (x) ?

Comme la période est de 2L = 10, on a L = 5. Choisissons l'intervalle d'intégration de telle sorte que
c + 2L = 5, c'est-à-dire c = −5. Alors, on a :
c+2L
1 5
Z Z
1 nπx nπx
an = f (x) cos
dx = f (x) cos dx
L c L 5 −5 5
1 0 1 5
Z Z
nπx nπx
= f (x) cos dx + f (x) cos dx
5 −5 5 5 0 5
3 5
Z
nπx 3 5 h nπx i5
= cos dx = sin
5 0 5 5 nπ 5 0
3
= (sin nπ − sin 0) = 0 si n 6= 0

Si n = 0, Z 5 Z 5
3 0πx 3 3
a0 = cos dx = dx = .5 = 3
5 0 5 5 0 5

12
Mathématiques appliquées 2019-2020 Cl. Gabriel

De la même manière, on a :
c+2L
1 5
Z Z
1 nπx nπx
bn = f (x) sin
dx = f (x) sin dx
L c L 5 −5 5
1 0 1 5
Z Z
nπx nπx
= f (x) sin dx + f (x) sin dx
5 −5 5 5 0 5
3 5 3 −5 h
Z
nπx nπx i5
= f (x) sin dx = cos
5 0 5 5 nπ 5 0
−3 3
= (cos nπ − cos 0) = (1 − cos nπ)
nπ nπ
La série de Fourier correspondante à f (x) est donc :
∞ ∞
a0 X  nπx nπx  3 X 3 nπx
+ an cos + bn sin = + (1 − cos nπ) sin
2 n=1
L L 2 n=1 nπ 5
 
3 6 πx 1 3πx 1 5πx
= + sin + sin + sin + ···
2 π 5 3 5 5 5

Comme f (x) vérie les conditions de Dirichlet, la série converge vers f (x) ∀x qui correspond à un point
de continuité et vers f (x+0)+f
2
(x−0)
aux points de discontinuité.
En x = −5, x = 0 et x = 5, la série converge vers 3+0 2 = 2 . Il faut donc dénir comme suit la fonction :
3

2 si x = −5
3


 0 si − 5 < x < 0



2 si x = 0
3
f (x) =
3 si 0 < x < 5



2 si x = 5

 3

3. Développer f (x) = x2 0 < x < 2π en série de Fourier si la période est de 2π .

Comme la période vaut 2L = 2π , on a L = π ; xons c = 0, on a :


Z c+2L Z 2π
1 nπx 1
an = f (x) cos dx = x2 cos nxdx
L c L π 0

En intégrant par parties,


u(x) = x2 u0 (x) = 2x
 
0
v (x) = cos nx v(x) = n1 sin nx
on trouve :
2π
1 x2 1 2 2π
 Z
an = sin nx − x sin nxdx
π n 0 πn 0
Une deuxième intégration par parties :
u0 (x) = 1
 
u(x) = x
v 0 (x) = sin nx v(x) = − n1 cos nx

13
Mathématiques appliquées 2019-2020 Cl. Gabriel

donne :
2π 2π
1 x2
 Z
1 2 2π 1 2
an = sin nx + [x cos nx]0 − cos nxdx
π n 0 π n2 π n2 0
 2 2π
1 x 1 2 2π 1 2 2π
= sin nx + [x cos nx]0 − [sin nx]0
π n 0 π n2 π n3
1 2 4π 4
= (2π cos 2nπ − 0) = = 2 pour n 6= 0
π n2 n2 π n
Si n = 0, on a :
2π  2π
1 x3 1 8π 3 8π 2
Z
1 2
a0 = x dx = = =
π 0 π 3 0 π 3 3
De la même façon, on obtient :
Z c+2L Z 2π
1 nπx 1
bn = f (x) sin dx = x2 sin nxdx
L c L π 0

En intégrant par parties,


u(x) = x2 u0 (x) = 2x
 
0
v (x) = sin nx v(x) = − n1 cos nx
on trouve :
2π
1 2 2π
 Z
1 1 2
bn = − x cos nx + x cos nxdx
π n 0 πn 0

Une deuxième intégration par parties :


u0 (x) = 1
 
u(x) = x
v 0 (x) = cos nx v(x) = n1 sin nx
donne :
Z 2π
1 −1  2 2π 1 2 2π 1 2
bn = x cos nx 0 + [x sin nx]0 − sin nxdx
π n π n2 π n2 0
1 −1  2 2π 1 2 2π 1 2 2π
= x cos nx 0 + [x sin nx]0 + [cos nx]0
π n π n2 π n3
1 −1 1 2 4π
= .4π 2 + 3
.0 = −
π n πn n
Donc nalement :

4π 2 X
 
4 4π
f (x) = + 2
cos nx − sin nx pour 0 < x < 2π
3 n=1
n n

2.7 Séries de Fourier à termes complexes


En utilisant les formules d'Euler :
ejθ = cos θ + j sin θ
−jθ
e = cos θ − j sin θ

on déduit :
ejθ + e−jθ
cos θ =
2
e − e−jθ

sin θ =
2j

14
Mathématiques appliquées 2019-2020 Cl. Gabriel

Remplaçons dans la série de Fourier correspondant à f (x) :



a0 X  nπx nπx 
f (x) = + an cos + bn sin
2 n=1
L L
∞ nπx nπx nπx nπx 
ej L + e−j L ej L − e−j L

a0 X
= + an + bn
2 n=1
2 2j
∞  
a0 X an − jbn j nπx an + jbn −j nπx
= + e L + e L
2 n=1
2 2

Puisque :
Z L
1 nπx
an = f (x) cos dx
L −L L
Z L
1 nπx
bn = f (x) sin dx
L −L L

On a :
L
an − jbn
Z
1  nπx nπx 
= f (x) cos − j sin dx
2 2L −L L L
Z L
an + jbn 1  nπx nπx 
= f (x) cos + j sin dx
2 2L −L L L

et donc :
L
an − jbn
Z
1 nπx
= f (x)e−j L dx ≡ cn
2 2L −L
Z L
an + jbn 1
∀n ∈ N∗ (34)
nπx
= f (x)ej L dx ≡ c−n
2 2L −L

et : Z L
a0 1
= f (x)dx ≡ c0
2 2L −L

La série de Fourier correspondant à f (x) peut se réécrire en utilisant ces nouveaux coecients :

(35)
nπx
X
f (x) = cn e j L

n=−∞

avec :
Z L
1
(36)
nπx
cn = f (x)e−j L dx
2L −L

Remarque : en égalant la série de Fourier à f (x), on a supposé que les conditions de Dirichlet sont vériées
et que f (x) est continue en x. Si f (x) est discontinue en x, le membre de gauche de l'équation (35) doit être
remplacé par f (x+0)+f
2
(x−0)
.

Notons que l'inégalité de Bessel (22) devient alors, en termes des coecients complexes cn :
∞ Z L
1
(37)
X 2
|cn |2 6 |f (x)| dx
n=−∞
2L −L

Exemple
Soit la fonction porte périodisée suivante :
si

 0 −2 6 t < −1
fp (t) = 1 si −1 6 t < 1

0 si 16t<2

15
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 5  Fonction porte périodisée

Les coecients de Fourier valent :


Z T /2
1
cn = F (n) = fp (t)e−jnωt dt
T −T /2
1
1 e−jnωt

1 1  
= = = e−jnπ/2 − ejnπ/2
4 −jnω −1 4 −jnπ/2
1 1  jnπ/2 
= e − e−jnπ/2
nπ 2j
sin nπ/2
= (38)

En particulier, on a :
1 (−1)k π
F (0) = , F (2k) = 0 , F (2k + 1) = , ω=
2 (2k + 1)π 2
En posant :

X
Φ(t) = F (n)ejnωt
n=−∞

On a donc :
∞ ∞
X π 1 X (−1)k j(2k+1) π t
Φ(t) = F (0) + F (2k + 1)ej(2k+1) 2 t = + e 2
2 (2k + 1)π
k=−∞ k=−∞

Examinons cette équation pour t = 1, un point de discontinuité :



1 X (−1)k j(2k+1 π
Φ(t = 1) = + e 2
2 (2k + 1)π
k=−∞

1 X (−1)k h π π i
= + cos((2k + 1) ) + j sin((2k + 1) )
2 (2k + 1)π 2 2
k=−∞

1 X (−1)k h π i
= + j sin((2k + 1) )
2 (2k + 1)π 2
k=−∞

car l'argument du cosinus est un multiple de π/2 et ce terme est donc nul.
Finalement :

1 X (−1)k j π
Φ(t = 1) = + sin((2k + 1) )
2 (2k + 1)π 2
k=−∞

1 X (−1)k j
= + (−1)k
2 (2k + 1)π
k=−∞

1 X j
= +
2 (2k + 1)π
k=−∞

16
Mathématiques appliquées 2019-2020 Cl. Gabriel

La somme innie est en fait nulle car en fait elle se ramène à :


 
1 j 1 1 1 1 1 1
Φ(t = 1) = + + + + ··· + + + + ···
2 π 1 3 5 −1 −3 −5
1 1
= +0=
2 2
On voit qu'en ce point de discontinuité, on a bien :
fp (t = 1 + 0) + fp (t = 1 − 0)
Φ(t = 1) =
2

2.8 Spectre de Fourier


Le développement en série de Fourier d'un signal périodique de période T associe à celui-ci des sinusoïdes d'am-
plitudes nies et de fréquences multiples de la fréquence du fondamental 1/T . On parle d'un spectre qui est
un spectre de raies. Dans le cas général, le résultat de l'analyse peut s'exprimer soit en amplitudes et phases,
soit en composantes cosinus et sinus.

Si les coecients de Fourier sont réels, on peut utiliser un seul graphique pour les représenter ; par exemple, pour
la fonction porte périodisée précédente (cf. gure 5), on a trouvé en (38) les coecients de Fourier suivants :
sin nπ
2
F (n) =

dont la représentation est donnée à la gure 6.

Figure 6  Spectre de la porte périodisée

On introduit souvent en théorie du signal la fonction sinus cardinal, notée Sinc, dénie comme suit :

sin πx
Sinc(x) = (39)
πx
et dont le graphe est représenté à la gure 7.

Les coecients de Fourier de la porte périodisée valent alors :

sin nπ 1
F (n) = 2
= Sinc(n/2)
nπ 2
et représentent donc en fait un échantillonnage de la fonction Sinc(x) (ou de manière équivalente, la fonction
Sinc(x) est l'enveloppe des coecients F (n), comme le montre la gure 8.

17
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 7  La fonction sinus cardinal

Figure 8  Spectre de Fourier de la fonction porte périodisée et graphe de la fonction sinus cardinal

Mais dans le cas général, on utilise deux graphiques, représentant le spectre d'amplitude et le spectre de phase,
comme dans la gure 9.

Ainsi, on peut alors représenter par exemple les spectres d'amplitude et de phase de la fonction porte périodisée.

Figure 9  Spectres d'amplitude et de phase d'un signal périodique

18
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 10  Spectre d'amplitude de la fonction porte périodisée

Figure 11  Spectre de phase de la fonction porte périodisée

2.9 Exercices
Exercice 1
Calculer le terme général du développement de Fourier des fonctions suivantes et écrire les 4 premiers termes
non nuls de celui-ci :

−1 sur [−π, 0[

f (t) = et périodique.
1 sur [0, π[


2t sur [−π, 0[

f (t) = et périodique.
t sur [0, π[

2 sur [−π, 0[
− π+t

f (t) = et périodique.
1
2 (π − t) sur [0, π[

f (t) = t2 sur [−2, 2] et périodique


sin ωt sur [0, ωπ [

f (t) = et périodique.
0 sur [− ωπ , 0]

2.10 Phénomène de Gibbs


Lors de l'étude des séries de Fourier et des transformées de Fourier, il apparaît parfois une déformation du signal, connue sous le nom de
phénomène de Gibbs. Ce phénomène est un eet de bord qui se produit à proximité d'une discontinuité, lors de l'analyse d'une fonction
dérivable par morceaux.
Le phénomène de Gibbs est, en quelque sorte, un  défaut d'approximation  pour une fonction continue de classe C 1 par morceaux. Pour
une telle fonction f , le théorème de Dirichlet assure que la série de Fourier de f converge simplement vers la fonction f sur l'intervalle où

19
Mathématiques appliquées 2019-2020 Cl. Gabriel

f est C1 par morceaux. En tout point x de continuité, la somme de la série de Fourier est f (x).

Le polynôme trigonométrique SN (f )), N-ième somme partielle de la série de Fourier, est une fonction continue ; il est donc normal qu'il ne
puisse approcher uniformément la fonction au voisinage des points de discontinuité. Inversement, sur un segment sur lequel f est dérivable,
on observe une convergence uniforme, conformément au théorème de Weierstrass trigonométrique (c'est le cas des zones de  plateau  dans
l'exemple de la fonction créneau).
π
Au point de discontinuité x, SN (f ) subit une forte oscillation, une sorte de  ressaut  qui se mesure en comparant les valeurs en x − et
N
π
x+ .En eet, toujours d'après le théorème de Dirichlet, la série de Fourier de f converge aussi simplement aux points de discontinuités
N
mais vers la régularisée de Dirichlet, i.e. la demi-somme des valeurs de f de part et d'autre du point de discontinuité. Lorsque N devient
grand, l'amplitude de ces oscillations tend vers une limite strictement plus grande que l'amplitude de la discontinuité, alors que la largeur
de la zone d'oscillation tend vers 0.
On peut montrer que si la fonction contient une discontinuité d'amplitude ∆y, alors la série de Fourier, tout en restant continue, connaîtra un
 sursaut  s en ordonnée au voisinage de cette discontinuité dont la valeur tend vers une valeur constante lorsque n croît, avec s ≈ 1, 18.∆y
(soit 18 pourcents de plus que la valeur de l'amplitude ∆y de la discontinuité au voisinage de celle-ci).

Figure 12  Cas d'une fonction en créneau (à gauche n=10, à droite n=50, les harmoniques sont représentés
en vert) :

Figure 13  Cas d'une fonction en dents de scie (à gauche n=10, à droite n=50)

20
Mathématiques appliquées 2019-2020 Cl. Gabriel

2.11 Propriétés des coecients de Fourier


Théorème 2.13 (Lemme de Riemann-Lebesgue) :
Soit une fonction f périodique et continue par morceaux. Les suites (an (f )) , (bn (f )) , (cn (f )) et (c−n (f )) (n ∈ N) des coe-
cients de Fourier de f sont convergentes et ont pour limite 0.

Preuve
Compte tenu des relations (34) , il est clair qu'il sut de prouver le résultat pour les suites (cn (f )) et (c−n (f )) (n ∈ N). De plus, puisque
N
cn (f ) = c−n (f ), on voit qu'il sut de prouver le résultat pour la suite (c−n ). Pour les fonctions Kj 1[xj ,xj+1 ] en escaliers, on a :
P
f =
j=0

N Z N  nπx nπxj 
1 X xj+1 i nπt 1 X i
j+1
i
c−n (f ) = Kj e L dt = Kj e L −e L
2L j=0 xj 2inπ j=0

et donc la majoration :
N
1 X
|c−n | 6 |Kj |
nπ j=0

Pour une fonction continue par morceaux sur [−L, L] quelconque, la proposition découle alors du fait qu'il existe une suite (φk ) de fonctions
en escaliers telle que −L |f (x) − φk (x)|dx → 0 quand n → ∞. On utilisera ici que :
RL

1
Z L
|cn (f − φk )| 6 |f (t) − φk (t)|dt
2L −L

Si la fonction f est susamment régulière, on a aussi le résultat suivant :

Théorème 2.14 (Majoration des coecients de Fourier) :


Soient k un entier strictement positif, f une fonction 2L-périodique, (cn (f )) la suite des coecients de Fourier complexes de
f. Si f est k fois continument dérivable sur R alors il existe un réel M > 0 tel que ∀n ∈ Z \ {0} on ait :
M
|cn (f )| 6
|n|k

Preuve
Supposons que f est continument dérivable. En intégrant par parties et puisque f (2L) = f (0), on obtient :
1
Z 2L 1 1
Z 2L
−i nπt 0 −i nπt
cn (f ) = f (t)e L dt = f (t)e L dt
2L 0 in 2π 0

et donc :
1 L  0
|cn (f )| 6 sup |f (t)|, t ∈ [0, 2L]
|n| π

Dans le cas d'une fonction f de classe Ck avec k > 1, il sut de montrer par récurrence de la même manière que :

1 Lk−1 2L
Z
(k) −i nπt
cn (f ) = f (t)e L dt
(in)k 2π k 0

de sorte que :

1 Lk−1 2L
Z
(k)
|cn (f )| 6 |f (t)|dt
|n|k 2π k 0

On peut donc prendre plus précisément Lk−1


ou Lk
R 2L n o
M = |f (k) (t)|dt M = sup |f (k) (t)|, t ∈ [0, 2L]
2π k 0 πk

2.12 Convergence absolue, uniforme et normale des séries de Fourier


Quelques rappels :

• DenitionP (Convergence absolue)


Une série ∞
n=0 fn (x) converge absolument sur un ensemble S si et seulement si :

N
converge
X
∀x ∈ S lim |fn (x)|
N →∞
n=0


c'est-à-dire si ∀x ∈ S , la série numérique converge absolument.
P
fn (x)
n=0

omme pour les séries numériques, la convergence absolue implique la convergence simple, il est évident que la convergence absolue
d'une série de fonctions implique la convergence simple de cette série de fonctions.

21
Mathématiques appliquées 2019-2020 Cl. Gabriel

• DenitionP (Convergence uniforme)


Une série ∞
n=0 fn (x) converge uniformément vers f (x) sur un ensemble S si et seulement si :


N
X
lim sup f (x) − fn (x) = 0

N →∞ x∈S
n=0

La convergence uniforme d'une série de fonctions implique également sa convergence simple.

• Denition (Convergence normale)


Si (fn ) est une suite de fonctions à valeurs réelles ou complexes dénies sur un même ensemble S , la série de terme général fn ,

c'est-à-dire fn converge normalement sur S s'il existe une suite de réels un tels que :
P
n=0

 pour tout n, |fn | est majorée par un sur S ;


 la série de terme général un converge.
La convergence normale d'une telle série implique sa convergence uniforme.
La convergence normale d'une série implique également sa convergence absolue en tout point.
A fortiori, la convergence normale d'une série implique sa convergence simple, autrement dit la convergence de la série en tout point.
Les implications réciproques sont fausses.
Rappelons également le Test en M de Weierstrass

Théorème 2.15 (Test en M de Weierstrass))


Supposons que (fn (x) soient une suite de fonctions à valeur réelles ou complexes dénies sur un ensemble A , et supposons qu'il
existe une suite de nombres positifs Mn tels que :
• ∀n > 1, ∀x ∈ S : |fn (x)| 6 Mn ,
P∞
• n=1 Mn < ∞

Alors la série converge absolument et uniformément sur S .


P∞
n=1 fn (x)

Dans le cas de la série de Fourier, on a :


jnπx/L
|cn e | 6 |cn |

L'application du test en M de Weierstrass révèle donc que la série f


lim SN (x) est absolument et uniformément convergente si la série
N →∞


(40)
X
|cn | < ∞
n=−∞

Venons en maintenant à quelques résultats donnant des conditions susantes pour diérentes formes de convergence des séries de Fourier.

Théorème 2.16 (Conditions susantes pour convergence absolue et uniforme des séries de Fourier) :
Si f est une fonction 2L-périodique lisse par morceaux et continue sur R alors la série de Fourier de f (.), c'est-à-dire N →∞
f
lim SN (.)
converge absolument et uniformément vers f (.).

La preuve du théorème 2.16 nécessite le résultat :

Théorème 2.17 Soit f : R → C une fonction 2L-périodique continue et lisse par morceaux dont les coecients de Fourier complexes
sont cn . Les coecients de Fourier c0n de la dérivée f 0 (.) de f (.) sont donnés par :
c0n = jn L
π
cn .

En d'autres termes, pour une fonction continue et lisse par morceaux (c'est-à-dire C 1 par morceaux), on peut dériver terme à terme la série
de Fourier.

Preuve du théorème 2.17


Une intégration par parties (licite pour des fonctions de classe C 1 par morceaux) donne :
1
Z L 1 h 1 −jnπ
Z L
−jnπx/L L
i
0 0 −jnπx/L −jnπx/L
cn = f (x)e dx = f (x)e − f (x)e dx
2L −L 2L −L 2L L −L

1 jnπ
Z L
−jnπx/L
= f (x)e dx
2L L −L
π
= jn icn
L

Venons maintenant à la preuve du théorème :

22
Mathématiques appliquées 2019-2020 Cl. Gabriel

Preuve du théorème 2.16 ∞


Comme mentionné précédemment (cf. équation (40)), il sut de montrer que est convergente. Les coecients de Fourier c0n de
P
|cn |
n=−∞
la dérivée 0
f (.) de f (.) sont donnés par c0n = π
jn L cn . Donc, pour n 6= 0, on a 1 L 0
cn = jn π cn .
L'inégalité de Bessel (37) appliquée à la dérivée 0
f (.) donne :
∞ L
1
Z
0 0
X 2 2
|cn | 6 |f (x)| dx < ∞
n=−∞
2L −L

vu les hypothèses sur f (.).


Par application de l'inégalité de Cauchy-Schwarz, on obtient alors :
 1  1
2
∞ X L c0 X 0 2 2

X
n L X 1
|cn | = |c0 | + 6 |c0 | +    |cn |  < ∞
n=−∞ n6=0
π n π n6=0 n2 n6=0


vu que 1 1
< ∞.
P P
n2
=2 n2
n6=0 n=1

Théorème 2.18 (Conditions susantes pour convergence normale des séries de Fourier) :
Si f est une fonction 2L-périodique de classe Ck sur R avec k > 2 alors la série de Fourier de f est normalement conver-
gente et sa somme est f .

Preuve du théorème 2.18 nπt


Puisque l'on a |cn (f )| 6 M/n2 , la série trigonométrique cn (f )ei est normalement convergente. Pour prouver que sa somme est f ,
P
L
on va d'abord prouver le lemme suivant :

Lemme 2.19 Soit une série trigonométrique normalement convergente sur et sa fonction somme. Alors la
nπt
cn ei
P
L [−L, L] S
n∈ Z
fonction S est continue sur R et l'on a pour tout n ∈ Z :
1
Z L
−i nπt
cn = S(t)e L dt
2L −L

En d'autres termes, la fonction somme S d'une série trigonométrique normalement convergente a les mêmes coecients de Fourier
que f .
Le lemme se prouve comme suit.
La fonction somme S est continue par la théorie générale et 2L-périodique. De plus, on a :
Z L pπt
Z L (n−p)πt
−i
X i
S(t)e L dt = cn e L dt
−L n∈ Z −L

Par ailleurs, on a ∀k ∈ Z que


L
si k 6= 0
Z 
i kπt 0
I(k) = e dt =
si k = 0
L
−L
2L

Ceci termine la preuve du lemme et les coecients de Fourier de la fonction somme S sont bien égaux à ceux de la fonction f .
Revenons à celle du théorème 2.18.
Puisque f et S sont continues, on peut terminer la preuve du théorème (2.18) en invoquant le résultat suivant :

Théorème 2.20 Soit f une fonction continue par morceaux et 2π-périodique. S'il existe un point c ∈ [−π, π] tel que f (c) 6= 0 et f soit
continue en c, alors les coecients de Fourier de f ne sont pas identiquement nuls.
qui reste valable pour les fonctions 2L-périodiques. En d'autres termes, deux fonctions distinctes continues ne peuvent pas avoir les mêmes
coecients de Fourier.

Preuve du théorème 2.20


On suppose que f (c) = a > 0. Puisque f est continue au point c, il existe un réel α > 0 assez petit tel que pour tout x ∈]c − α, c + α[ on
ait f (x) > a/2. Supposons que tous les coecients de Fourier de f soient nuls. Alors, pour tout polynôme triginométrique P (t) positif sur
[c − α, c + α], on a :
Z c+π a
Z c+α Z c−α Z c+π
0= f (t)P (t)dt > P (t)dt + f (t)P (t)dt + f (t)P (t)dt
c−π 2 c−α c−π c+α

Considérons alors le polynôme trigonométrique :


n
P (t) = Pn (t) = (1 + cos(t − c) − cos α)

Pour tout t ∈]c − α, c + α[, on a cos(t − c) > cos α, donc Pn (t) > 1 et, pour tout n,
a
Z c+α
Pn (t)dt > aα. (41)
2 c−α

23
Mathématiques appliquées 2019-2020 Cl. Gabriel

Pour t ∈ [c − π, c + π] \ [c − α, c + α], on a par contre :


(1 + cos(t − c) − cos α) < 1

et donc Pn (t) → 0 quand n → ∞. Si la suite (Pn )n∈N convergeait uniformément vers 0 sur cet intervalle, on pourrait passer à la limite et
écrire :
c−α c+π
Z Z 
lim f (t)P (t)dt + f (t)P (t)dt
n→+∞ c−π c+α
Z c−α Z c+π
= f (t) lim P (t)dt + f (t) lim P (t)dt = 0
c−π n→+∞ c+α n→+∞

On aboutirait à l'inégalité 0 > aα, ce qui est absurde. Malheureusement, la suite (Pn ) ne converge pas uniformément sur [c − π, c + π] \
[c − α, c + α]. Mais c'est le cas sur [c + α + δ, c + π] où δ > 0 est aussi petit que l'on veut, ce qui conduit à la preuve suivante. On remarque
que pour tout n, on a :
c+π
Z Z c+α+δ Z c+π


f (t)Pn (t)dt =
f (t)Pn (t)dt + f (t)Pn (t)dt
c+α c+α c+α+δ
Z c+α+δ Z c+π

6
f (t)Pn (t)dt + f (t)Pn (t)dt
c+α c+α+δ
Z c+π

6 δ sup |f | + f (t)Pn (t)dt
c+α+δ

6 δ sup |f | + π sup |f | sup |Pn (t)|


t∈[c+α+δ,c+π]
n
6 δ sup |f | + π. sup |f | max (− cos α, (1 − cos α + cos(α + δ))

Pour démontrer que la limite est zéro, on choisit successivement ε > 0, étant donné δ > 0 de sorte que δ sup |f | < ε
2 , puis N ∈ N tel que
2 , pour n > N , ce qui termine la preuve.
π. sup |f | max (− cos α, (1 − cos α + cos(α + δ))n <
ε

2.13 Interprétation vectorielle des séries de Fourier


On peut se représenter une décomposition en série de Fourier comme la décomposition d'un vecteur sur une base dans un espace vectoriel.
On fait pour commencer une analogie, les vecteurs de l'espace vectoriel étant des fonctions. Dans un espace vectoriel habituel, de dimension
N , un vecteur ~
v peut s'écrire sur une base de N vecteurs u~i :

N
X
~
v= ci v~i
i=1

où les ci sont les coordonnées de ~v dans la base {u~i }.

Si l'on se place dans l'espace vectoriel abstrait des  fonctions périodiques de période T = 2L , et que l'on appelle  vecteur toute fonction
périodique, l'expression (35) ressemble à la décomposition du vecteur f (x) sur une base dont les vecteurs de base seraient les fonctions
nπx
e−j L et les cn sont les coordonnées de ce vecteur. Notons que le nombre de vecteurs de base est ici inni...

Sur cet espace vectoriel, on peut également dénir un produit scalaire comme suit :
1
Z T /2
hf, gi = f (t)g(t)dt (42)
T −T /2

Le choix des bornes d'intégration n'est pas important. On peut faire l'intégration sur n'importe quel intervalle de longueur T .
Deux fonctions sont orthogonales si et seulement si leur produit scalaire est nul.
Par exemple, f (t) = cos t et g(t) = sin t sont orthogonales puisque :
π
 π
1 1
Z
2
hf, gi = cos t sin tdt = sin (t) =0
2π −π 4π −π

La norme d'une fonction T -périodique est :


" #1
1
Z T /2 2 q
||f || = |f (t)| dt
2
= hf, f i (43)
T −T /2

On dit que f (t) est une fonction de carré intégrable sur [a, b] si et seulement si :
Z b
2
|f (t)| dt < ∞ (44)
a

L'ensemble des fonctions T -périodiques et de carré intégrable sur l'intervalle [−T /2, T /2] est noté L2 [0, T ].
Cet ensemble est d'autant plus intéressant qu'il regroupe l'ensemble des signaux périodiques que l'on rencontre en théorie du signal. Nous
verrons plus loin qu'il correspond aux signaux de puissance nie.
Dans un espace vectoriel habituel, pour calculer la coordonnée ci du vecteur ~v selon la direction du vecteur de base u~i , on réalise le produit
scalaire de ~v et de u~i : ci = ~v.u~i . Ceci ne marche que si les vecteurs de base sont orthogonaux.
On reconnaît dans l'expression (36) des coecients cn un produit scalaire tel que dénit ci-dessus. On peut vérier que les vecteurs de base
fn (t) = ejnωt T sont orthogonaux entre eux en utilisant le produit scalaire (42) :
avec ω = 2π

pour

−jn 2π t −jm 2π t 0 6 m
n=
he T ,e T i =
1 si n=m
(45)

24
Mathématiques appliquées 2019-2020 Cl. Gabriel

En eet, pour n 6= m :
Z T /2
1
hfn , fm i = exp {jωt(n − m)} dt
T −T /2
exp {jωt(n − m)} T /2
 
=
jT ω(n − m) −T /2
1 1 h j(n−m)π −j(n−m)π
i
= e −e
π(n − m) 2j
1
= sin(n − m)π
π(n − m)
= 0

Si n = m, on a :

1
Z T /2 1
Z T /2
jnωt 2

2
||fn || = hfn , fn i = e dt = dt = 1
T −T /2 T −T /2

Les vecteurs de base fn sont donc normés.


La famille des exponentielles complexes :

(46)
n o
−2jωt −jωt jωt 2jωt,···
S= ··· ,e ,e , 1, e ,e

est donc orthonormée. Elle constitue en fait une base orthonormée de l'espace de Hilbert, de dimension innie L2 [0, T ].

2.14 Séries de Fourier des fonctions paires et impaires


2.14.1 Rappel : fonctions paires et impaires
• Une fonction f (x) est paire si et seulement si f (−x) = f (x) ∀x ∈ Dom(f ).
Si une fonction est paire, alors : Z L Z L
f (x)dx = 2 f (x)dx
−L 0

car son graphe est symétrique par rapport à l'axe vertical.


• Une fonction f (x) est impaire si et seulement si f (−x) = −f (x) ∀x ∈ Dom(f ) Si une fonction est impaire,
alors : Z L
f (x)dx = 0
−L

car son graphe est symétrique par rapport à l'origine des axes (0, 0).
Mais une fonction dont la courbe représentative possède un axe ou un centre de symétrie n'est pas forcément
paire ou impaire : il est nécessaire que le centre soit O ou l'axe soit (Oy).

25
Mathématiques appliquées 2019-2020 Cl. Gabriel

2.14.2 Séries de Fourier des fonctions paires et impaires


Par conséquent, si une fonction est paire, la série de Fourier correspondante ne comptera que des termes
cosinusoïdaux et un terme constant et s'écrira :

a0 X kπx
f (x) = + ak cos (47)
2 L
k=1

En eet : Z L
1 kπx
bk = f (x) sin dx = 0
L −L L

L est une fonction impaire.


car f (x) sin kπx
Les coecients ak peuvent se calculer comme suit :
Z L
2
a0 = f (x)dx =
L 0
Z L
2 kπx
ak = f (x) cos dx =
L 0 L
Pour une fonction impaire, la série de Fourier ne comptera que des termes sinusoïdaux et s'écrira donc :

kπx
(48)
X
f (x) = bk sin
L
k=1

En eet :
Z L
1
a0 = f (x)dx = 0
L −L
Z L
1 kπx
ak = f (x) cos dx = 0
L −L L

car f (x) cos kπx


L est une fonction impaire.
Les coecients bk peuvent se calculer comme suit :
Z L
2 kπx
bk = f (x) sin dx
L 0 L

2.14.3 Séries de Fourier en sinus ou en cosinus


Une fonction dénie sur l'intervalle [0, L] et prolongée sur l'intervalle [−L, 0] pour en faire une fonction paire
(resp. impaire) admet un développement en séries de Fourier en cosinus (resp. en sinus). on a alors, dans le cas
d'une fonction paire : Z L
2 nπx
bn = 0 et an = f (x) cos dx
L 0 L
et dans le cas d'une fonction impaire :
Z L
2 nπx
an = 0 et bn = f (x) sin dx
L 0 L
Exemple :
Développons f (x) = sin x ∀0 < x < π en série de Fourier de cosinus ; on la prolonge d'abord en une fonction
paire pour obtenir des cosinus.

26
Mathématiques appliquées 2019-2020 Cl. Gabriel

On a bn = 0 et :
2 L 2 π
Z Z
nπx nπx
an = f (x) cos dx = sin x cos dx
L 0 L π 0 π
2 π 1 π
Z Z
= sin x cos nxdx = (sin(x + nx) + sin(x − nx)) dx
π 0 π 0
 π
1 cos(x + nx) cos(n − 1)x
= − +
π n+1 n−1 0
 
1 1 − cos(n + 1)π cos(n − 1)π − 1
= +
π n+1 n−1
 
1 1 + cos nπ − cos nπ − 1
= +
π n+1 n−1
 
1 1 + cos nπ cos nπ + 1
= −
π n+1 n−1
1 + cos nπ
= −2 si n 6= 1
π(n2 − 1)

Pour n = 1, on obtient : π
π
2 sin2 x
Z 
2
a1 = sin x cos xdx = =0
π 0 π 2 0
Finalement, on a :

2 2 X 1 + cos nπ
f (x) = − cos nx
π π n=2 n2 − 1
 
2 4 cos 2x cos 4x cos 6x
= − + + + · · ·
π π 22 − 1 42 − 1 62 − 1

Exercice 2
Développer f (x) = x ∀0 < x < 2 en séries de sinus et en séries de cosinus.

Exercice 3
Même question pour la fonction f (x) = x2 ∀0 < x < 2 en séries de cosinus.

27
Mathématiques appliquées 2019-2020 Cl. Gabriel

Exercice 4
Même question pour la fonction f (x) = −x2 + 10x ∀0 < x < 10.

2.15 Identité de Parseval


Si an et bn sont les coecients de Fourir de la série correspondant à f (x), si f (x) satisfait aux conditions de
Dirichlet, et si la série de Fourier converge uniformément vers f (x), alors on a la formule suivante :

Théorème 2.21 (Identité de Parseval) :


L ∞
a20 X 2
Z
1 2
an + b2n (49)

{f (x)} dx = +
L −L 2 n=1

Preuve Si f (x) satisfait aux conditions de Dirichlet, on a en tout point de continuité :



a0
an cos nπx nπx
P 
f (x) = 2 + L + bn sin L
n=1

Cette identité est en fait valable ∀x si la série de Fourier converge uniformément, parce qu'alors f (x) est continue
en tout point.

Multiplions par f (x) et intégrons terme par terme entre −L et L (ce qui est justié comme la série converge
uniformément). On obtient :

( )
Z L Z L Z L Z L
2 a0 X nπx nπx
{f (x)} dx = f (x)dx + an f (x) cos dx + bn f (x) sin dx
−L 2 −L n=1 −L L −L L

a20 X
a2n + b2n

= L+L
2 n=1

En divisant par L, on obtient l'identité de Parseval.

L'identité de Parseval se réécrit comme suit en termes des coecients complexes :


Z L +∞
1
(50)
2
X 2
|f (x)| dx = |cn |
2L −L n=−∞

Exemple :
Reprenons la série de Fourier en cosinus de la fonction f (x) = x ∀0 < x < 2 prolongée de façon paire :

X 4 nπx
f (x) = 1 + 2 π2
(cos nπ − 1) cos
n=1
n 2

Ici, L = 2, a0 = 2, an = 4
n2 π 2 (cos nπ − 1)∀n 6= 0, bn = 0. L'identité de Parseval s'écrit :
2 ∞
22 X 16
Z
1
x2 dx = + 4 π4
(cos nπ − 1)2
2 −2 2 n=1
n

28
Mathématiques appliquées 2019-2020 Cl. Gabriel

et donc :  
8 64 1 1 1
=2+ 4 4
+ 4 + 4 + ···
3 π 1 3 5
Finalement, on a :
1 1 1 π4
4
+ 4 + 4 + ··· =
1 3 5 96
On peut en déduire la somme S de la série :
1 1 1
+ 4 + 4 + ···
14 2 3
En eet :
   
1 1 1 1 1 1 1
S = 4
+ 4 + 4 + ··· + 4 4
+ 4 + 4 + ···
1 3 5 2 1 2 3
π4 S
= +
96 16
donc S = 90 .
π4

2.16 Intégration et dérivation des séries de Fourier


Les théorèmes sur l'intégration et la dérivation des séries terme par terme peuvent être appliqués si la convergence de ces séries est uniforme,
mais ces théorèmes donnent des conditions susantes mais non nécessaires. Le théorème suivant est très utile :

Théorème 2.22 (Intégration des séries de Fourier) :


La série
R de Fourier correspondant à f (x) peut être intégrée terme par terme de a à x et la série résultante convergera uniformément
vers ax f (u)du pourvu que f soit continue par morceaux sur −L 6 x 6 L et qu'à la fois a et x soient dans cet intervalle.

Exemple :
Trouvons la série de Fourier correspondant à f (x) = x2 ∀0 < x < 2. En intégrant terme par terme la série correspondant à f (x) =
x ∀0 < x < 2 étendue de façon impaire à −2 < x < 2 :
 
4 πx 1 2πx 1 3πx
f (x) = x = sin − sin + sin + ···
π 2 2 2 3 2

Intégrons les deux membres de 0 à x en appliquant le théorème précédent et multiplions par 2 :


 
2 16 πx 1 2πx 1 3πs
x =C− cos − 2 cos + 2 cos + ···
π2 2 2 2 3 2

où on a posé :  
16 1 1 1
C= 1− + 2 − 2 + ···
π2 22 3 4
Comme cette série représente aussi la série de Fourier en cosinus de la fonction x2 ∀0 < x < 2 étendue de façon paire, on a aussi :
a0 1
Z L 1
Z 2
C = = f (x)dx = f (x)dx
2 L 0 2 0
Z 2
1 2 4
= x dx =
2 0 3

On déduit donc : ∞
X (−1)n−1 1 1 1 π2 4 π2
2
= 1 − 2 + 2 − 2 + ··· = . =
n=1
n 2 3 4 16 3 12

Remarque : la dérivation terme à terme de cette série n'est pas valide. En eet, on obtient :
πx 2πx 3πx

2 cos 2 − cos 2 + cos 2 − ···

Le nième terme de cette série ne tend pas vers 0, la série ne converge donc pour aucune valeur de x.

2.17 Exercices
Exercice 5

• Ecrire le terme général et les 4 premiers termes non nuls du développement en série de cosinus de :

f (x) = −x + 2 sur [0, 2]

et représenter graphiquement la fonction prolongée.

29
Mathématiques appliquées 2019-2020 Cl. Gabriel

• Idem pour :
f (x) = −x2 sur [0, 1]
en série de sinus.
Exercice 6
Tracer chacune des fonctions suivantes et trouver la série de Fourier correspondante.

8 sur 0 < x < 2

f (x) = et de période 4.
−8 sur 2 < x < 4

−x sur − 4 6 x 6 0

f (x) = et de période 8.
x sur 0 6 x 6 4

4x sur 0 < x < 10 et de période 10.

f (x) =


2x sur 0 6 x 6 3

f (x) = et de période 6.
0 sur − 3 < x < 0

Exercice 7
Identiez les fonctions suivantes et trouvez les séries de Fourier correspondantes :

30
Mathématiques appliquées 2019-2020 Cl. Gabriel

2.18 Séries de Fourier en traitement du signal


Pour le traitement du signal, la forme :
∞  
a0 X kπt kπt
f (t) = + ak cos + bk sin
2 L L
k=1

n'a aucune utilité. Elle est remplacée par la série complexe ou la série en cosinus.

Appelons T la période (jusqu'ici notée 2L) et introduisons son inverse f = 1


T qui est appelée la fréquence du
L devient T = 2πkf t.
signal ; kπt 2kπt

En prenant en compte la relation trigonométrique suivante :


 
p −B
A cos x + B sin x = A2 + B2 cos x + arctan
A

qui s'obtient comme suit :


 
p A B
A cos x + B sin x = A2 + B 2 √ cos x + √ sin x
A2 + B 2 A2 + B 2
Posons :
A B
cos ϕ = √ et sin ϕ = √
A2+ B2 A2+ B2
On a :
p
A cos x + B sin x = A2 + B 2 {cos x cos ϕ − sin x sin ϕ}
p
= A2 + B 2 cos(x + ϕ)

où ϕ est donc tel que :

A c'est-à-dire ϕ = Arctan
−B
tan ϕ = − B

A

31
Mathématiques appliquées 2019-2020 Cl. Gabriel

Le développement en série de Fourier de f (t) peut donc se mettre sous la forme :



(51)
X
f (t) = A0 + Ak cos (2πkf t + αk )
k=1

avec :
= a20


 A0p
Ak = a2k + b2k 
 αk = Arctan −bk

ak

.
Exemple : onde en dents de scie.

La représentation spectrale qui lui est associé porte le nom de spectre unilatéral.
En notant X(jk) les coecients ck de la série de Fourier complexe de f (t), on a aussi :

X
f (t) = X(jk)ej2πkf t
k=−∞

avec :
Z T /2
1
X(jk) = f (t)e−j2πkf t
T −T /2

La représentation spectrale graphique porte le nom de spectre bilatéral.

Les relations existant entre les trois représentations de Fourier sont présentées et illustrées dans le tableau et
l'image ci-dessous.

32
Mathématiques appliquées 2019-2020 Cl. Gabriel

33
Mathématiques appliquées 2019-2020 Cl. Gabriel

2.18.1 Interprétation de la formule de Parseval en théorie du signal


Par analogie avec les circuits électriques, on dénit l'énergie instantanée du signal x(t) comme :
e(x, t) = |x(t)|2
L'énergie instantanée est une grandeur dicile à mesurer. Ce qu'on peut mesurer plus aisément est l'énergie
moyenne sur un intervalle de temps ∆t :
Z∆t
E(x) = |x(t)|2 dt
0

Pour un système oscillant, on prend souvent la moyenne sur une période, soit ∆t = T , soit :
ZT
E(x) = |x(t)|2 dt
0

34
Mathématiques appliquées 2019-2020 Cl. Gabriel

et on aura l'énergie totale transportée par le signal en intégrant entre −∞ et +∞. Puisque l'énergie moyenne
croît avec le temps d'intégration, il est parfois utile de considérer la puissance moyenne dénie comme :
Z∆t
1
P (x) = |x(t)|2 dt
∆t
0

et qui est donc indépendante du temps d'intégration ∆t.


Le théorème de Parseval s'écrit alors :
Z∆t +∞
1 X
P (x) = |x(t)|2 dt = |cn |2
∆t n=−∞
0

La puissance peut donc s'écrire aussi comme la somme des énergies transportées par chacune de ses composantes ;
chacune de ces énergies est simplement donnée par l'amplitude |cn | de l'oscillation, au carré.
L'ensemble des amplitudes carrées des composantes du spectre forme donc le spectre d'énergie du signal.

3 Intégrale de Fourier et transformation de Fourier

3.1 Introduction : nécessité de l'intégrale de Fourier


Nous avons considéré jusqu'ici la théorie d'un développement d'une fonction f (x) de période 2L en série de
Fourier. Une question naturelle à se poser est : qu'arrive-t-il si L → ∞ ? Dans ce cas, la série de Fourier devient
une intégrale de Fourier et le dévéloppement en série de Fourier devient une transformation de Fourier.

En traitement du signal, nous avons vu comment la série de Fourier nous permet d'analyser un signal périodique
non sinusoïdal en termes de ses composantes harmoniques. On parle d'analyse du signal dans le sens que cette
décomposition en composantes simples permet de mieux le comprendre, de savoir comment il est construit : par
exemple on pourra diérencier le son émis par un instrument ou d'un autre par les harmoniques qu'il contient.
La série de Fourier nous permet aussi de déterminer la réponse d'un système linéaire, comme la somme des
réponses aux composantes individuelles.

Mais en pratique ce résultat ne nous satisfait pas complètement : les signaux périodiques sont un ensemble
encore trop limité. En particulier, que faire pour analyser une lumière non monochromatique ? Elle ne contient
pas que les harmoniques d'une fréquence fondamentale, mais une série de fréquences qui ne sont liées par aucune
relation particulière.

Plus simplement encore, même quand on s'intéresse à des signaux périodiques, il y a une raison encore plus
fondamentale pour se poser le problème des signaux non périodiques : c'est que toute mesure est faite sur un
temps de durée limitée. Par conséquent, même si le signal est périodique, ce qu'on enregistre ne l'est plus :
Quelle sera alors la réponse du système ?

D'où la question : est-il possible de généraliser la méthode de décomposition introduite par la série de Fourier
à des fonctions non périodiques ? La réponse est donnée par la transformée de Fourier (TF).

3.2 Passage de la série de Fourier à la transformée de Fourier en théorie du signal


La généralisation de la décomposition de Fourier peut être introduite de manière assez simple dans le cas des
signaux de durée nie (cf. gure ci-dessous). Soit x(t) un signal de durée nie ∆t :

35
Mathématiques appliquées 2019-2020 Cl. Gabriel

On peut alors construire à partir de x(t) un signal périodique y(t) en répétant x(t) avec une périodicité T > ∆t
(cf. gure ci-dessous) :

Dans ce cas, le signal de durée limitée x(t) peut être vu comme la limite de y(t) pour T → ∞ : plus la période
augmente, plus les contributions non nulles s'éloignent les unes des autres, et pour T qui tend vers l'inni, il ne
reste plus que la contribution centrale. On écrit donc :
x(t) = lim y(t)
T →∞

Comme y(t) est périodique, sa série de Fourier existe, écrivons-la (en utilisant la série de Fourier complexe
(35)) :

X
y(t) = cn eiωn t
n=−∞

avec ω = 2π/T et ωn = nω . On peut alors se poser la question suivante : que devient la série de Fourier de y(t)
lorsque y(t) → x(t), c'est-à-dire à la limite T → ∞ ?

Essayons de deviner la réponse sans faire le calcul complet, grâce à quelques observations.

3.2.1 Pulsation continue


Si T → ∞, alors ωn+1 − ωn = (n + 1 − n)ω = ω → 0 : les pulsations des harmoniques se rapprochent de plus
en plus les unes des autres. A la limite, on passe d'une série discrète de pulsations à une pulsation ω continue
qui prend toutes les valeurs réelles.

C'est raisonnable : comme à la limite il n'y a plus de période T , l'échelle de temps caractéristique du signal
disparaît, toutes les échelles de temps sont en principe présentes et la notion de pulsation fondamentale n'a plus
de sens.

3.2.2 Passage des coecients de Fourier cn à la transformée de Fourier


Que deviennent les coecients cn dans cette limite ? A partir de la dénition (36), on obtient :
Z T /2
1
lim cn = lim y(t)e−iωn t dt = 0
T →∞ T →∞ T −T /2

La limite directe des coecients cn ne nous permet pas de dénir un équivalent  continu  des coecients de
la série ; mais la diculté vient du facteur 1/T qui tend vers zéro. On peut donc s'en débarrasser si on considère
la limite :
Z T /2
lim T cn = lim y(t)e−iωn t dt
T →∞ T →∞ −T /2

36
Mathématiques appliquées 2019-2020 Cl. Gabriel

Pour cette grandeur, la limite est dénie. De manière un peu intuitive, nous pouvons la déterminer en considérant
que lorsque T → ∞, y(t) → x(t) et que nous savons que les pulsations ωn doivent être remplacées à la limite
par une pulsation ω continue : en eet, on peut montrer que :
Z ∞
lim T cn = x(t)e−iωt dt
T →∞ −∞

On va donc prendre cette dernière quantité comme la généralisation à une fonction non périodique de durée
limitée des coecients de la série de Fourier. On se rappellera qu'on a du multiplier par T dans le passage à la
limite : il sera donc normal de trouver un facteur T qui intervient quand on voudra comparer série de Fourier
et transformée de Fourier.

3.2.3 Dénition de la transformée de Fourier d'un signal


On dénira donc la transformée de Fourier (TF) du signal x(t) comme suit :
Z∞
X(ω) = T F [x(t)] = x(t)e−iωt dt
−∞

Remarquons que l'opération que l'on fait pour obtenir la TF est toujours la même : il s'agit de  projeter  la
fonction x(t) sur une base de fonctions exponentielles. La diérence, et il faut bien comprendre ce point, est que
ici il n'y a pas un ensemble discret de fonctions fn = eiωn t sur lesquelles projeter, mais une innité de fonctions
eiωt chacune associée à une pulsation ω ∈ R : on passe donc d'une série de coecients cn à une fonction continue
X(ω) de la pulsation ω .

Comme pour la SF, la connaissance de sa transformée X(ω) doit nous permettre de retrouver x(t). Il est possible
d'obtenir ce résultat à partir du même passage à la limite que nous avons utilisé plus haut, mais contentons
nous de donner le résultat nal : on montre que la fonction x(t) peut s'écrire en termes de sa TF comme :
Z∞
−1 dω
x(t) = TF [X(ω)] = X(ω)eiωt

−∞
Z∞
= T F −1 [X(f )] = X(f )ei2πf t df
−∞

Que signie tout ça ? Nous voyons ici que une fonction quelconque (de durée limitée pour le moment) x(t) peut
être exprimée comme une intégrale (qui remplace la somme de la SF) de fonctions exponentielles complexes eiωt
(pour tout ω ∈ R), chacune multipliée par une amplitude donnée par la valeur X(ω) (calculée donc en ω ).
En d'autres mots, la T F [x(t)] représente le spectre du signal x(t), et donne, pour chaque pulsation ω , l'amplitude
X(ω) correspondante à la contribution eiωt .

37
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.3 Intégrale de Fourier


Théorème 3.1 Supposons que :
• f (x) et f 0 (x) sont continues par morceaux sur tout intervalle ni ;

|f (x)|dx converge, c'est-à-dire f (x) est absolument intégrable sur (−∞, ∞).
R∞
• −∞

alors le théorème de Fourier intégral arme que :


Z ∞
f (x) = {A(α) cos αx + B(α) sin αs} dα (52)
0

où :
1
Z ∞
A(α) = f (x) cos αxdx (53)
π −∞
Z ∞
1
B(α) = f (x) sin αxdx. (54)
π −∞

Le résultat (52) s'applique si x est un point de continuité de f (x). Si x est un point de discontinuité, on doit remplacer f (x) par
f (x+0)+f (x−0)
2 comme dans le cas des séries de Fourier. Notons que es conditions ci-dessus sont susantes mais non nécessaires.

La similitude de (52) et de (53, 54) avec les résultats correspondant pour les séries de Fourier est visible. Le membre de droite de (52) est
parfois appelé développement de Fourier intégral de f (x).

3.4 Formes équivalentes du théorème de Fourier intégral


Le théorème de Fourier intégral peut aussi être écrit sous la forme :
1
Z ∞ Z ∞
f (x) = f (u) cos α(x − u)dudα (55)
π α=0 u=−∞
1
Z ∞ Z∞
jα(x−u)
f (x) = f (u)e dudα
2π −∞ −∞
Z ∞ ∞
1
Z
f (x) = e
jαx
dα f (u)e
−jαu
du (56)
2π −∞ −∞

où il est sous-entendu que si f (x) n'est pas continue en x, le membre de gauche doit être remplacé par f (x+0)+f (x−0)
2 .
Montrons que les formules (52) et (55) sont deux formes équivalentes du théorème de Fourier intégral.
Partons de la forme :
1
Z ∞ Z ∞
f (x) = f (u) cos α(x − u)dudα (57)
π α=0 u=−∞

Ce résultat peut être écrit sous la forme :


1
Z ∞ Z ∞
f (x) = f (u) {cos αx cos αu + sin αx sin αu} dudα
π α=0 u=−∞

ou encore :
Z ∞
f (x) = {A(α) cos αx + B(α) sin αx} dα (58)
α=0

où l'on a posé :
1
Z ∞
A(α) = f (u) cos αudu
π −∞
Z ∞
1
B(α) = f (u) sin αudu. (59)
π −∞

Inversement, en remplaçant (59) dans (58), on obtient bien (57). Les deux formes sont donc bien équivalentes.
Montrons à présent que (55) et (56) sont équivalentes.
On a par (55) et le fait que cos α(x − u) est une fonction paire de α:
1
Z ∞ Z ∞
f (x) = f (u) cos α(x − u)dudα (60)
2π −∞ −∞

Alors, en utilisant le fait que sin α(x − u) est une fonction impaire de α, on a :
1
Z ∞ Z ∞
0 = f (u) sin α(x − u)dudα (61)
2π −∞ −∞

Multiplions (61) par j et ajoutons à (60), on a donc :


1
Z ∞ Z ∞
f (x) = f (u) {cos α(x − u) + j sin α(x − u)} dudα
2π −∞ −∞
1
Z ∞ Z ∞
jα(x−u)
= f (u)e dudα
2π −∞ −∞

De la même manière, on peut déduire que (55) résulte de (56).

38
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.5 Intégrales de Fourier des fonctions paires et impaires


Les formules précédentes peuvent être simpliées si f (x) est une fonction soit impaire, soit paire, on a alors :
Z ∞ Z ∞
2
f (x) = sin αxdα f (u) sin αudu si f (x) est impaire (62)
π 0 0
Z ∞ Z ∞
2
f (x) = cos αxdα f (u) cos αudu si f (x) est paire (63)
π 0 0

3.6 Preuve du théorème de Fourier intégral


Nous présentons ici une démonstration heuristique du théorème de Fourier intégral en réalisant un passage à la limite L → ∞ dans la
décomposition en série de Fourier.
Soit : ∞  
a0 nπx nπx
(64)
X
f (x) = + an cos + bn sin
2 n=1
L L
avec :
1
Z L nπu 1
Z L nπu
an = f (u) cos du et bn = f (u) sin du
L −L L L −L L

Alors, en remplaçant ces coecients dans (64), on trouve :


L ∞ Z
1 1 X L nπ
Z
f (x) = f (u)du + f (u) cos (u − x)du (65)
2L −L L n=1 −L L

Si on suppose que −∞∞


|f (u)|du converge, le premier terme du membre de droite de (65) tend vers zéro lorsque L → ∞, alors que la partie
R

restante semble tendre vers : ∞ Z


1 X ∞ nπ
lim f (u) cos (u − x)du (66)
L→∞ L n=1 −∞ L

Cette dernière étape n'est pas rigoureuse et rend cette démonstration heuristique.
Appelons ∆α = π/L, les équations (65) et (66) peuvent être écrites :

(67)
X
f (x) = lim ∆αF (n, ∆α)
∆α→0
n=1

où on a noté : ∞
1
Z
F (α) = f (u) cos α(u − x)du (68)
π −∞

Mais la limite (67) est égale à : Z ∞ 1


Z ∞ Z ∞
f (x) = F (α)dα = dα f (u) cos α(u − x)du (69)
0 π 0 −∞

qui est bien la formule de Fourier intégrale.


Cette démonstration fournit plutôt un résultat possible. Pour la rendre rigoureuse, il faut partir de l'intégrale double (69) et examiner sa
convergence. Nous allons maintenant nous y atteler.

Lemme 3.2 Montrons que :


Z L sin αv π
lim dv = (70)
a→∞ 0 v 2
Z 0 sin αv π
lim dv = (71)
a→∞ −L v 2

Posons αv = y. Alors :
Z L sin αv
Z αL sin y
Z ∞ sin y π
lim dv = lim dy = dy = (72)
α→∞ 0 v α→∞ 0 y 0 y 2

Cette dernière égalité peut en eet être obtenue comme suit ; remarquons d'abord que l'on a :
∞ ∞ ∞
Z 
sin y
Z Z
dy = e
−xy
sin ydx dy (73)
0 y y=0 x=0

En eet :

 M
−xy sin y
Z
−xy
e sin ydx = lime
x=0 M →∞ −y 0
 
−M y sin y sin y
= lim e −
M →∞ −y −y
sin y
=
y

39
Mathématiques appliquées 2019-2020 Cl. Gabriel

Changeons à présent l'ordre des intégrations dans l'intégrale double (73) :


∞ ∞
Z Z 
e
−xy
sin ydx dy (74)
y=0 x=0

on obtient :
∞ ∞ ∞ y=L
Z Z  Z  Z 
−xy −xy
e sin ydy dx = lim e sin ydy dx
x=0 y=0 x=0 L→∞ y=0
( y=L )


cos y −xy x
Z
−xy
= lim − e − sin ye dx
x=0 L→∞ 1 + x2 1 + x2 y=0

  
cos L −xL x 1
Z
−xL
= lim − e − sin Le + dx
x=0 L→∞ 1 + x2 1 + x2 1 + x2
Z ∞ 1 M
= dx = lim [arctan x]0
x=0 1 + x2 M →∞
π
= lim [arctan M ] =
M →∞ 2

De la même façon, on obtient pour (71), en posant αv = −y :


Z 0 sin αv
Z αL sin y
Z ∞ sin y π
lim dv = lim dy = dy = (75)
α→∞ −L v α→∞ 0 y 0 y 2

Nous utiliserons pour la suite le théorème suivant :

Théorème 3.3 (Théorème de Riemann-Lebesgue) :


Si F (x) est continue par morceaux sur l'intervalle (a, b), alors :
Z b Z b Z b
lim
α→∞
F (x)e
iαx
dx = lim
α→∞
F (x) sin αxdx = lim
α→∞
F (x) cos αxdx = 0 (76)
a a a

Preuve

• Commençons par prouver le théorème dans le cas des fonctions en escalier.


Si φ est une fonction en escalier attachée à la subdivision (tj ) du segment [a; b], et prenant les valeurs (cj ), on a :
n−1 Z
b X xk+1
Z
iαx iαx
φ(x)e dx = ck e dx


a
k=0 x k

n−1
n−1
iαxk+1 − e iαx
e k 1
X X iαx
6 |ck | 6

sup |ck | k+1 − eiαxk
|α|
e
k=0

k=0
n−1
1
(77)
X
6 sup |ck | 2
|α| k=0

qui tend bien vers 0, terme par terme quand |α| → ∞.

• Considérons maintenant une fonction F continue par morceaux sur [a, b] et ε > 0. Il existe une fonction en escalier qui vérie
||F − φ||∞ 6 ε/|b − a|. Nous avons par ailleurs :

b b b
Z Z Z
iαx iαx iαx

F (x)e dx 6
(F (x) − φ(x))e dx + φ(x)e dx
a a a

 Le premier terme du membre de droite est majoré par ε ;


 Pour le second, on sait qu'il existe un rang Nε à partir duquel :
b
Z
iαx

φ(x)e dx 6 ε
a

En conséquence, pour tout ε>0 il existe Nε tel que :


b
Z
iαx
∀n > Nε
F (x)e dx 6 2ε
a

Ce qui termine la preuve du théorème de Riemann-Lebesgue.

Remarque : le théorème reste vrai pour toute fonction F (x) qui est Riemann-intégrable.
Lemme 3.4 Le théorème de Riemann-Lebesgue implique les relations suivantes :
Z L sin αv π
lim dv
f (x + v) = f (x + 0) (78)
α→∞ 0 v 2
Z 0 sin αv π
lim f (x + v) dv = f (x − 0) (79)
α→∞ L− v 2

40
Mathématiques appliquées 2019-2020 Cl. Gabriel

où f (x) et f 0 (x) sont supposées continues par morceaux.


Pour prouver (78), en utilisant (70), il sut de montrer que :
Z L sin αv
lim {f (x + v) − f (x + 0)} dv = 0
α→∞ 0 v

Ceci découle encore une fois du théorème de Riemann, parce que :


f (x + v) − f (x + 0)
F (v) =
v

est continue par morceaux sur (0, L) comme lim F (v) existe et que f (x) est continue par morceaux.
v→0+

La preuve de (79) est analogue à celle de (78) si on utilise (71).


Lemme 3.5 Si vérie en plus la condition supplémentaire que converge, montrons que :
R∞
f (x) −∞
|f (x)|dx

Z ∞
sin αv π
lim f (x + v)
dv = f (x + 0) (80)
α→∞ 0 v 2
Z 0
sin αv π
lim f (x + v) dv = f (x − 0) (81)
α→∞ −∞ v 2

Prouvons (80).
On a :
Z ∞ sin αv
Z L sin αv
Z ∞ sin αv
f (x + v) dv = f (x + v) dv + f (x + v) dv (82)
0 v 0 v L v
Z ∞ sin αv
Z L sin αv
Z ∞
sin αv
f (x + 0) dv = f (x + 0) dv + f (x + 0) dv (83)
0 v 0 v L v

Soustrayons membre à membre :


Z ∞ sin αv
Z L sin αv
Z ∞ sin αv
{f (x + v) − f (x + 0)} dv = {f (x + v) − f (x + 0)} dv + f (x + v) dv
0 v 0 v L v
Z ∞ sin αv
− f (x + 0) dv (84)
L v

Notons les intégrales apparaissant dans (84) par I, I1 , I2 et I3 respectivement, on a I = I1 + I2 + I3 de sorte que :
|I| 6 |I1 | + |I2 | + |I3 | (85)
Maintenant,
∞ Z ∞

f (x + v) sin αv dv 6 1
Z

|I2 | 6 |f (x + v)|dv
L
v L L
et aussi : Z ∞

sin αv
|I3 | 6 |f (x + 0)| dv
L v

Comme 0∞ |f (x)|dx et 0∞ sinvαv dv convergent toutes les deux, on peut choisir L assez grand pour que |I2 | 6 ε/3 et |I3 | 6 ε/3. Aussi,
R R
on peut choisir α assez grand pour que |I1 | 6 ε/3. Alors, par (85), on a que |I| 6 ε pour α et L susamment grands, ce qui établit le
résultat (80).
Pour établir (81), on procède exactement de la même façon.
Venons en maintenant à la preuve de la formule de Fourier intégrale (52).
On doit prouver que :
1
Z L Z ∞ f (x + 0) + f (x − 0)
lim f (u) cos α(x − u)dudα =
L→∞ π α=0 u=−∞ 2
Comme : Z ∞
Z ∞


f (u) cos α(x − u)du 6 |f (u)|du
−∞ −∞

qui converge, il s'ensuit par le test M de Weierstrass pour les itégrales que −∞ f (u) cos α(x − udu converge absolument et uniformément
R∞

pour tout α. On peut aussi montrer de ceci que l'ordre des intégrales peut être inversé pour obtenir :
1
Z L Z ∞ 1
Z ∞ Z L
dα f (u) cos α(x − u)du = f (u)du cos α(x − u)dα
π α=0 u=−∞ π u=−∞ α=0

1
Z ∞ sin L(u − x)
= f (u) du
π u=−∞ u−x
1
Z ∞ sin Lv
= f (x + v) dv
π v=−∞ v
1
Z 0 sin Lv 1
Z ∞ sin Lv
= f (x + v) dv + f (x + v) dv
π −∞ v π 0 v

où l'on a posé u = x + v.

En faisant tendre L → ∞, on voit par le lemme précédent que l'intégrale donnée converge vers f (x+0)+f (x−0)
2 comme demandé.

41
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.7 Transformées de Fourier


3.7.1 Dénition
De (56) il s'ensuit que si l'on pose :
Z ∞
F (α) = f (u)e−jαu du (86)
−∞

alors :
Z ∞
1
f (x) = F (α)ejαx dα (87)
2π −∞

La fonction F (α) est appelée la transformée de Fourier de f (x) et est parfois écrite F (α) = F {f (x)}. La nota-
tion F {f } peut aussi être remplacée par T F {f } ou encore simplement fˆ .

La fonction f (x) est alors la transformée de Fourier inverse de F (α) et est écrite f (x) = F −1 {F (α)} =
T F −1 {F (α)}.

En physique, dans la plupart des exemples, la variable x concernée est, soit une longueur, soit un temps.
Usuellement, la notation x représente une longueur. Dans ce cas, la variable α a les dimensions de l'inverse
d'une longueur. Elle est appelée nombre d'onde et est notée généralement k. Lorsque l'on considère une fonction
f (t) du temps, on utilise pour la transformée de Fourier de f (t) la notation :
Z ∞
F (ω) = f (t)ejωt dt (88)
−∞

où la variable ω , qui a les dimensions de l'inverse d'un temps, est la pulsation 1 .

En physique, la formule d'inversion (87) s'interprète comme une décomposition de f (x) en une somme d'oscil-
lations harmoniques. Si x est une longueur, F (α = k) est l'amplitude correspondant au nombre d'onde k. Si
x = t est un temps, F (α = ω) est l'amplitude correspondant à la pulsation ω . Elle s'écrit alors :
Z ∞ Z ∞
1
f (t) = F (ω)e −jωt
dω = F (f )e−j2πf t df (89)
2π −∞ −∞

où l'on a posé α = ω = 2πf .

Remarque : les constantes 1 et 1/2π précédent les intégrales dans les formules (86) et (87) peuvent être rempla-
cées par n'importe quelles constantes dont le produit vaut 1/2π .

Par exemple, certains électroniciens ou physiciens utilisent (pour des raisons de symétrie avec la transformation
de Fourier inverse) la transformation suivante :
Z +∞
1
F {f } : ω 7→ fˆ(ω) = √ f (t) e−jωt dt (90)
2π −∞

avec t en secondes et ω la pulsation (en rad.s−1 ). La transformation inverse s'écrit alors :


Z +∞
1
f (t) = √ fˆ(ω) e+jωt dω (91)
2π −∞

Cette dénition n'est cependant pas adaptée au traitement des produits de convolution : à cause du facteur
√1 , on a F(f ∗g) 6= F(f )·F(g), à moins d'introduire un tel facteur dans la dénition du produit de convolution.

1. La convention adoptée ici relativement au signe précédant j dans l'exponentielle imaginaire n'est pas la même dans les
deux cas. Ce choix est lié au fait qu'en physique, l'on est fréquemment amené à considérer la transformée de Fourier spatiale et
temporelle d'une fonction f (x, t) dépendant à la fois de l'espace et du temps. Cette transformée de Fourier spatiale et temporelle
est généralement dénie par l'intégrale double suivante :
Z Z
F {f (x, t)} = dx dtf (x, t)ej(ωt−kx)

En ce qui concerne les fonctions d'une variable, nous utiliserons dans la suite la convention de l'équation (86)

42
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.7.2 Conditions susantes d'existence (conditions de Dirichlet)


La transformée de Fourier d'une fonction f (x) existe si f (x) est absolument intégrable, c'est-à-dire :
Z ∞
|f (x)| dx < +∞ (92)
−∞

On écrit cette dernière condition sous la forme f ∈ L1 (R). En ee, si f (x) est absolument intégrable, alors :
Z ∞ Z ∞
f (x)e−jωx dx = (93)

|f (x)| dx < +∞
−∞ −∞

puisque l'on a f (x)e−jωx = |f (x)|.


Notons que cette condition garantit l'existence de la transformée de Fourier, mais n'est pas nécessaire. Pour que
la transformation inverse redonne la fonction f (x), les conditions supplémentaires :
• f est continue par morceaux sur tout intervalle ni
• f 0 est continue par morceaux sur tout intervalle ni

sont également susantes (cf. le théorème (3.1)).

3.7.3 Composantes de la Transformée de Fourier, spectre d'amplitude et spectre de phase


Si la fonction f (x) ne possède pas de symétrie particulière, sa transformée de Fourier est une fonction complexe :
F {f (x)} (α) = F (α) = Fr (α) + jFi (α)

Plutôt que les composantes, on peut utiliser le module et la phase de la transformée de Fourier, respectivement
appelés spectre d'amplitude et spectre de phase :
p
|F (α)| = Fr (α)2 + Fi (α)2
Fi (α)
arg {F (α)} = atan
Fr (α)

3.7.4 Importance de la phase


Il est fréquent en traitement du signal de ne parler que des spectres d'amplitudes et de de laisser quelque peu
les spectres de phases. Cette attitude est due au fait que lors du ltrage de signaux audio, on se contente de
modier le spectre d'amplitudes car l'oreille est peu sensible aux distorsions de phase. Cependant, lorsque l'on
désire conserver la forme d'un signal, en particulier dans le cas du ltrage d'images, il est très important de ne
pas négliger le spectre de phases.

Un exemple en est donné à la gure 14, où une série de photos basées sur le portrait de Joseph Fourier illustre
l'importance de la phase dans la reconstitution des signaux.
• L'image du haut de la gure est le portrait de Joseph Fourier.

• Au centre, on y voit les spectres d'amplitudes et de phases de l'image de Fourier ; les niveaux de gris
correspondent à la valeur de ces fonctions.
• Les deux images du bas sont des images reconstruites par transformation inverse. Pour construire celle
de gauche, on a utilisé le spectre d'amplitudes et remplacé le spectre de phases par un spectre de phases
nulles. Pour celle de droite, on a fait l'inverse : le spectre de phases a été conservé alors que le spectre
d'amplitudes a été remplacé par des amplitudes constantes.
De ces illustrations, on déduit que la phase contient une part importante de l'information concernant la forme
d'un signal. Les deux dernières images illustrent particulièrement bien ce fait puisque le portrait initial ne peut
pas êre reconstruit avec un seul des deux spectres.

43
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 14  Transformations de Fourier directes et inverses d'une image

44
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.7.5 Exemples
1. Exemple 1 : transformée de Fourier d'une fonction porte

• Trouvons la transformée de Fourier de :


1 si |x| < a

f (x) =
0 si |x| > a

• Dessinons la transformée de Fourier pour a = 3

• La transformée de Fourier de f (x) est :


Z ∞ a
e−jαu
Z
F (α) = f (u)e−jαu du = (1)e−jαu du =
−∞ −a −jα
jαa −jαa
e −e sin αa
= =2 pour α 6= 0
jα α

Pour α = 0, on obtient : F (α) = 2α.


• Les graphes de f (x) et F (α) pour a = 3 sont donnés ci-dessous :

2. Exemple 2 : transformée de Fourier d'exponentielles


Soient les fonctions x1 (t) = exp(−at)U(t) et x2 (t) = exp(at)U(−t) où a est un réel positif et U(t) la
fonction échelon de Heaviside.

45
Mathématiques appliquées 2019-2020 Cl. Gabriel

Calculons les transformées de Fourier de ces deux signaux ; on obtient :


Z +∞
1
X1 (f ) = T F {x1 (t)} = e−(a+j2πf )t dt = (94)
0 a + j2πf
et de la même façon :
1
X2 (f ) = T F {x2 (t)} = (95)
a − j2πf
Calculons maintenant la transformée de Fourier d'une exponentielle symétrisée s(t) = x1 (t) + x2 (t) =
exp(−a|t|) = exp(−at)U(t) + exp(at)U(−t).

En utilisant déjà la propriété de linéarité que nous prouverons plus tard (101), on a :
1 1 2a
S(f ) = + = 2
a + j2πf a − j2πf a + 4π 2 f 2
ce qui démontre que la transformée de Fourier d'une exponentielle symétrisée est une lorentzienne.

Pour rappel, une fonction lorentzienne, ou courbe lorentzienne, est une fonction de la forme suivante :
1 1
L(x) = L(x) =
1 + x2 1 + x2
C'est l'expression la plus simple d'une lorentzienne, centrée en x = 0.
Plus généralement, une forme paramétrée par l'abscisse x0 du sommet et la largeur Γ à mi-hauteur
(couramment appelée largeur de la lorentzienne) est la fonction L dénie par :
2
Γ 1 πΓ
L(x) = =
2π 1 2
1 + ( x−x 0 2
Γ/2 )

2Γ + (x − x0 )2

46
Mathématiques appliquées 2019-2020 Cl. Gabriel

En son sommet, elle atteint :


2
L(x0 ) =
πΓ
C'est une courbe en cloche.

Figure 15  Fonction lorentzienne pour x0 = 0, Γ = 1

3. Exemple 3 : transformée de Fourier de la fonction gaussienne


Soit la fonction gaussienne :
f : R → R, x 7→ e−α x , avec α > 0.
2
(96)
Elle est intégrable sur R. Sa transformée de Fourier
F = F(f ) : R → C

dénie par Z +∞ Z +∞
2
−i ξ x
F (ξ) = f (x)e dx = e−α x e−i ξ x dx
−∞ −∞
est telle que : r
π − ξ2
∀ξ ∈ R F (ξ) = e 4α .
α
On propose ci-dessous une démonstration de ce résultat utilisant une équation diérentielle linéaire.

Preuve
On utilise une équation diérentielle vériée par la fonction f .

Par dénition : Z +∞
r
−α x2 π
F (0) = e dx donc F (0) = .
−∞ α
D'autre part, f est (au moins) de classe C 1 et vérie l'équation diérentielle linéaire :
∀x ∈ R f 0 (x) = −2α xf (x) = −2αg(x), en notant g : R → R, x 7→ xf (x).

On justie (comme précédemment) que g (donc f 0 ) est intégrable (sur R). Dès lors (propriétés de la
transformation de Fourier relatives à la dérivation) :
• Comme f , f 0 sont intégrables et f tend vers 0 à l'inni,

∀ξ ∈ R F(f 0 )(ξ) = iξ F (ξ).

47
Mathématiques appliquées 2019-2020 Cl. Gabriel

• Comme f et g sont intégrables, F est dérivable et :


∀ξ ∈ R F(g)(ξ) = iF 0 (ξ).

Il résulte alors de l'équation diérentielle ci-dessus, par transformation de Fourier, que :


∀ξ ∈ R iξF (ξ) = −2αiF 0 (ξ)
ou encore :
ξ 1
∀ξ ∈ R F 0 (ξ) = − F (ξ) = −2β ξ F (ξ), avec β = .
2α 4α
Ainsi, F vérie une équation diérentielle analogue à la précédente : il existe une constante K (réelle ou
complexe) telle que :
∀ξ ∈ R F (ξ) = K e−β ξ .
2

r
π
On conclut en remarquant que K = F (0) = ..
α

3.8 Transformées de Fourier en sinus et en cosinus


Si f (x) est une fonction impaire, le théorème de Fourier intégral se réduit à (62). Si l'on pose :
Z ∞
FS (α) = f (u) sin αudu (97)
0

alors il résute de (62) que :


2
Z ∞
f (x) = FS (α) sin αxdα (98)
π 0

On appelle FS (α) la transformée de Fourier en sinus de f (x), et f (x) est la transformée de Fourier inverse en sinus de FS (α).

De la même façon, si f (x) est une fonction paire, le théorème de Fourier intégral se réduit à (63). Si l'on pose :
Z ∞
FC (α) = f (u) cos αudu (99)
0

alors il résute de (63) que :


2
Z ∞
f (x) = FS (α) cos αxdα (100)
π 0

On appelle FC (α) la transformée de Fourier en cosinus de f (x), et f (x) est la transformée de Fourier inverse en cosinus de FC (α).

3.9 Propriétés de la transformation de Fourier


3.9.1 Propriété de linéarité
L'intégration étant une opération linéaire, la transformation de Fourier l'est aussi, c'est-à-dire que, λ etµ étant
des scalaires, on a :

F {λf (x) + µg(x)} = λF (α) + µG(α) (101)


En d'autres termes, la transformation de Fourier commute avec l'addition et la multiplication par
un scalaire.

3.9.2 Translation
Cherchons la transformée de Fourier de f (x − a) (avec a réel). En posant u = x − a, on obtient :
Z ∞ Z ∞
F {f (x − a)} = f (x − a)e−iαx dx = e−iαa f (u)e−iαu du
−∞ −∞

soit :

F {f (x − a)} = e−iαa F (α) (102)


A la translation de f (x) correspond un déphasage de F (α) proportionnel à α c'est-à-dire que la
transformée de Fourier de f (x − a) s'obtient en multipliant F (α) par le facteur de phase e−iαa .

48
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.9.3 Modulation
Inversement, la transformée de Fourier de eiα0 x f (x) (avec α0 réel) est donnée par :
Z ∞
F eiα0 x f (x) = f (x)e−i(α−α0 )x dx

−∞

soit :
(103)

F eiα0 x f (x) = F (α − α0 )
A la modulation de f (x) correspond une translation de F (α).

Figure 16  Eet d'un changement d'origine (translation) sur la transforméede Fourier d'une gaussienne. (a) :
fontion gaussienne translattée d'une quantité a = 12 dans l'espace direct. (b) et (c) : parties réelle et imaginaire
de la TF. (d) : module de la TF, indépendant du décalage a. (e) : phase de la TF, c'est une droite de pente 2πa.
La pente est positive si la fontion est décalée vers la gauche, négative si la fontion est décalée vers la droite.

3.9.4 Changement d'échelle


Changer l'unité pour la variable x revient à multiplier celle-ci par une constante réelle a 6= 0. En posant u = ax,
on obtient : Z ∞ Z ∞
1
F {f (ax)} = f (ax)e−iαx dx = f (u)e−iαu/a du
−∞ |a| −∞
soit :
1 α
(104)

F {f (ax)} = |a| F a

Une compression de l'échelle des x entraîne une dilatation de l'échelle des α.

En termes plus physiques, une compression de l'échelle des longueurs entraîne une dilatation de l'échelle des
nombres d'onde . De même, une compression de l'échelle des temps entraîne une dilatation de l'échelle des
pulsations. C'est là une propriété extrèmement importante en pratique de la transformation de Fourier.

49
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 17  Illustration de la propriété de changement d'échelle. A gauche une fonction gaussienne f (t) (bleu)
et la même fonction f (t/a) dilatée d'un facteur a = 2 (rouge). A droite les TF respectives : noter l'inversion des
proportions (la dilatation dans l'espace direct est devenue une compression dans l'espace de Fourier). On note
aussi la valeur à l'origine dans l'espace de Fourier, plus élevée pour la courbe rouge (fˆ(0) est l'intégrale de f ).

3.9.5 Conjugaison complexe


On a : Z ∞ Z ∞ ∗
F {f ∗ (x)} = f ∗ (x)e−iαx dx = f (x)eiαx dx
−∞ −∞
soit :
F {f ∗ (x)} = F ∗ (−α) (105)

3.9.6 Transformée de Fourier de f 0 (x)


Supposons f (x) intégrable, dérivable et à dérivée intégrable. Sa dérivée f 0 possède alors une transformée de
Fourier, donnée par : Z ∞
0
F {f (x)} = f 0 (x)e−iαx dx (106)
−∞

Intégrons par parties l'intégrale au second membre de l'équation (106) :


∞
Z ∞
F {f 0 (x)} = f (x)e−iαx −∞ + iα f (x)e−iαx dx (107)

−∞

Comme f 0 est intégrable, f (x) a bien une limite nie pour x → ±∞. Cette limite ne peut être diérente de 0,
sans quoi f ne serait pas intégrable. Le terme tout intégré de la formule (107) est donc nul. Il reste :

F {f 0 (x)} = iαF {f (x)} = iαF (α) (108)

A la dérivation de f (x) par rapport à x correspond donc la multiplication de F (α) par iα.

Plus généralement, pour la dérivée d'ordre m, on a :

(109)

F f (m) (x) = (iα)m F (α)

Le résultat (109) conduit à une majoration importante. De la formule :


Z ∞
m
(iα) F (α) = f (m) (x)e−iαx dx
−∞

on déduit l'inégalité : Z ∞
|α|m |F (α)| 6 |f (m) (x)|dx (110)
−∞

Plus f (x) est dérivable, à dérivées intégrables, plus sa transformée de Fourier F (α) décroît rapidement à l'inni.

3.9.7 Transformée de Fourier de l'Intégrale de x(t)


En supposant que f (0) = 0, on montre de la même manière que :
nR o
(111)
x 1
F −∞
f (u)du = iα F (α)

3.9.8 Propriété de dualité


La propriété de dualité permet d'obtenir facilement de nouvelles paires de transformées de Fourier à partir de
paires déjà connues. Cette propriété s'énonce comme suit, pour une fonction f (x), si :
F {f (x)} = F (α)

alors :
F {F (x)} = 2πf (−α) (112)

50
Mathématiques appliquées 2019-2020 Cl. Gabriel

Ceci se démontre en débutant avec l'expression de la transformée de Fourier inverse :


Z ∞
1
f (−x) = F (α)e−iαx dα
2π −∞

et en échangeant maintenant les variables x et α ; on obtient :


Z ∞
1
f (−α) = F (x)e−iαx dx
2π −∞

et le membre de droite n'est rien d'autre que 1


2π F {F (x)} ce qui prouve la propriété.

Cette propriété devient, pour un signal x(t), si :


F {x(t)} = X(f )

alors :
F {X(t)} = x(−f ) (113)

En eet, on a alors :
Z ∞
x(−t) = X(f )ej2πf t df
−∞

et en échangeant maintenant les variables t et f ; on obtient :


Z ∞
x(−f ) = X(t)ej2πf t dt
−∞

et le membre de droite n'est rien d'autre que F {X(t)} ce qui prouve la propriété.

3.9.9 Dérivation de F (α) par rapport à α


On a : Z ∞
d d
F (α) = f (x)e−iαx dx
dα dα −∞

soit, en dérivant sous le signe somme :


Z ∞
d
F (α) = −i xf (x)e−iαx dx = F {−ixf (x)}
dα −∞

soit nalement :
d
dα F (α) = F {−ixf (x)} (114)
(La dérivation sous le signe somme est légitime si xf (x) est intégrable).

Plus généralement, on a :
F {(−ix)m f (x)} = F (m) (α) (115)
Ce résultat conduit encore à une majoration :
Z ∞
|F (m) (α)| 6 |x|m |f (x)|dx (116)
−∞

Plus f (x) décroît rapidement à l'inni, plus F (α) est dérivable (avec des dérivées bornées).

3.10 Le théorème de convolution pour les transformées de Fourier


3.10.1 Dénition
La convolution de deux fonctions f (x) et g(x) appartenant à L1 est dénie par :
Z ∞
f ∗ g(x) = f (u)g(x − u)du (117)
−∞

51
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 18  Convolution de deux fonctions f et g . (a) : graphe de f (x0 ). (b) : graphe de g(x0 ). (c) : graphe
de g(x − x )pour une valeur particulière x0 de x (la pésence du signe - devant x0 a pour eet de renverser
0

le sens de la fonction).
R∞ (d) : produit des deux fonctions f (x0 ).g(x − x0 ) : l'aire de recouvrement hachurée
h0 = h(x0 ) = −∞ f (x )g(x0 − x0 )dx0 est la valeur du produit de convolution (f ∗ g)(x) pour x = x0 . (e) :
0

lorsqu'on répète l'opération pour toutes les valeurs de x possibles, on obtient la fonction h.

3.10.2 Interprétation graphique de la convolution


Considérons la convolution entre deux fonctions f (x) et g(x) :
Z +∞
[f ∗ g] (x) = f (u)g(x − u)du
−∞

Le calcul de la convolution consiste donc à calculer la surface située sous la courbe f (u)g(x − u) pour un x xé.
Le signal g(x − u) est simplement le signal initial g(u) retourné par rapport à l'origine des x pour donner g(−u)
puis translaté de x.

En calculant alors l'ensemble des surfaces obtenues en faisant glisser y , c'est-à-dire pour tous les décalages de
x, on obtient le produit de convolution pour tout x, comme l'explique la gure (18).

3.10.3 Signication physique de la convolution


Il s'agit de l'intégrale de recouvrement de deux fonctions de u : f d'une part, et g(x − u) = g(−(u − x)) qui
représente la fonction g dont on a inversé le sens de l'abcisse et décalé l'origine au point x.

52
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 19  Eet d'une moyenne glissante (convolution par une porte de largeur a) sur une fonction f présentant
des oscillations rapides. (a) : la fonctionf , (b) : la porte (de largeur a = 0, 8 sur cet exemple), (c) : la fonction f
et l'aire du produit f (x0 ).g(x0 − x0 ) avec x0 = 2 sur l'exemple. (d) : résultat de la convolution. La convolution
a pour eet d'atténuer ces oscillations en moyennant les valeurs de f sur l'intervalle de largeur a (les parties de
la courbe au dessus et en dessous de la moyenne sur l'intervalle se compensent).

Cas particulier :convolution par une porte


Soit g(x) = a1 Π xa une porte de largeur a et d'intégrale 1. La convolution d'une fonction f quelconque par g
s'écrit :
+∞ x+a/2
x − x0
Z   Z
1 1
h(x) = f (x0 )Π dx0 = f (x0 )dx0
a −∞ a a x−a/2

Il s'agit d'une moyenne glissante, c'est-à-dire d'une valeur moyenne de f sur un intervalle de largeur a autour
du point x. Cette opération a pour eet d'atténuer les uctuations rapides de f comme illustré sur la gure 19
et est notamment utilisé en traitement du signal pour réduire le bruit.

3.10.4 Transformée de Fourier et produit de convolution


On peut montrer que f ∗ g = g ∗ f appartient aussi à L1 (nous l'admettrons). On peut alors calculer la trans-
formée de Fourier de cette fonction.

Un important théorème, souvent appelé le théorème de convolution, établit que la transformée de Fourier
de la convolution de f (x) et de g(x) est égale au produit des transformées de Fourier de f (x) et
de g(x), c'est-à-dire en formule :

F {f ∗ g} = F {f } F {g} (118)

Formellement : Z ∞ Z ∞
F {f ∗ g} = e−iαx f (u)g(x − u)dxdu (119)
−∞ −∞

Eectuons le changement de variable x − u = v , dx = dv dans l'intégrale (119). On obtient :


Z ∞ Z ∞
F {f ∗ g} = e−iα(u+v) f (u)g(v)dudu (120)
−∞ −∞

53
Mathématiques appliquées 2019-2020 Cl. Gabriel

L'intégrale double (120) est le produit ordinaire de deux intégrales simples :


Z ∞ Z ∞
F {f ∗ g} = e−iαu f (u)du e−iαv g(v)dv (121)
−∞ −∞

On obtient ainsi la relation :


F {f ∗ g} = F {f } F {g} (122)
La transformée de Fourier du produit de convolution de deux fonctions est donc bien égale au produit ordinaire
des transformées de Fourier de ces deux fonctions.

A cause de la symétrie des intégrales de Fourier et de Fourier inverse représentant respectivement f (x) et F (α),
il existe un résultat analogue reliant le produit (ordinaire) f (x)g(x) et le produit de convolution
de F (α) et de G(α) :
F −1 {F ∗ G} = 2πF −1 {F } F −1 {G} = 2πf (x)g(x) (123)
Cette dernière formule peut encore être écrite comme suit :

F {f (x)g(x)} = 1
2π F ∗G (124)

3.10.5 Propriétés du produit de convolution


L'opération de convolution a d'autres propriétés importantes. Par exemple, on a pour des fonctions f, g et h :
f ∗g = g∗f
f ∗ (g ∗ h) = (f ∗ g) ∗ h
f ∗ (g + h) = f ∗g+f ∗h
c'est-à-dire que la convolution obéit aux lois de l'algèbre de commutativité, associativité et distributivité.

Preuve

• Le produit de convolution est distributif sur l'addition :


Z +∞
def.
(f ∗ (g + h))(x) = f (x − t)(g(t) + h(t)) dt
−∞
Z +∞
= [f (x − t)g(t) + f (x − t)h(t)] dt
−∞
Z +∞ Z +∞
= f (x − t)g(t) dt + f (x − t)h(t) dt
−∞ −∞
def.
= (f ∗ g)(x) + (f ∗ h)(x).

• Le produit de convolution est associatif lorsqu'on considère des fonctions intégrables (pour lesquelles s'applique le théorème de
Fubini) :
+∞ +∞
Z Z 
def.
((f ∗ g) ∗ h)(y) = f ((y − x) − t)g(t) dt h(x) dx
−∞ −∞
Z +∞ Z +∞
= f (y − T )g(T − x)h(x) dx dT
−∞ −∞
+∞ +∞
Z Z 
= f (y − T ) g(T − x)h(x) dx dT
−∞ −∞
def.
= (f ∗ (g ∗ h))(y)
où T =x+t , soit t=T −x , et dt = dT .

• Le produit de convolution est commutatif. On le voit aisément en opérant le changement de variable suivant :
Z +∞
def.
(f ∗ g)(x) = f (x − t)g(t) dt
−∞
Z −∞
= f (T )g(x − T ) d(−T )
+∞ .
Z +∞
= f (T )g(x − T ) dT
−∞
def.
= (g ∗ f )(x)

où T = x − t, soit t = x − T, et dt = d(−T )

54
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.11 Résumé des propriétés de la transformation de Fourier


Fonction Transformée de Fourier
Linéarité a · g1 (x) + b · g2 (x) a · ĝ1 (ξ) + b · ĝ2 (ξ)
Contraction du domaine f (a · x) 1 ˆ
|a| · f (ξ/a)
Translation temporelle g(x + x0 ) ĝ(ξ) · eiξx0
Modulation dans le domaine temporel g(x) · eixξ0 ĝ(ξ − ξ0 )
Produit de convolution (f ∗ g)(x) fˆ(ξ) · ĝ(ξ)
Produit (f · g)(x) 1 ˆ
2π (f ∗ ĝ)(ξ)
Dérivation dans le domaine temporel f 0 (x) (voir conditions ci-dessous) iξ · fˆ(ξ)
Dérivation dans le domaine fréquentiel x · f (x) i ˆ0
2π f (ξ)
Symétrie réelle et paire réelle et paire
Symétrie réelle paire (à symétrie hermitienne)
Symétrie réelle et impaire imaginaire pure et impaire
Symétrie imaginaire pure et paire imaginaire pure et paire
Symétrie imaginaire pure et impaire réelle et impaire
Forme gaussienne gaussienne

3.12 Identités de Parseval pour les intégrales de Fourier


Nous avons prouvé précédemment (cf. section 2.15) l'identité de Parseval pour les séries de Fourier. L'analogue
existe pour les intégrales de Fourier.

Si F (α) et G(α) sont les transformées de Fourier de f (x) et de g(x) respectivement, on peut montrer,à la
condition que les intégrales existent, que :
Z ∞ Z ∞
1
f (x)g(x)dx = F (α)G(α)dα (125)
−∞ 2π −∞

où la barre signie le complsexe conjugué.

En particulier, si f (x) = g(x) et donc F (α) = G(α), alors on a :


Z ∞ Z ∞
1
2
|f (x)| dx = |F (α)|2 dα (126)
−∞ 2π −∞

La formule (125) et son cas particulier (126) sont appelées identités de Parseval pour les intégrales de Fourier.

Démontrons la formule (125). On a :


Z ∞ Z ∞ Z ∞
1
f (x)g(x)dx = f (x) G(α)e−iαx dαdx
−∞ −∞ 2π −∞
Z ∞Z ∞
1
= f (x)G(α)e−iαx ddx
2π −∞ −∞
Z ∞ Z ∞
1
= G(α)dα f (x)e−iαx dx
2π −∞ −∞
Z ∞
1
= F (α)G(α)dα
2π −∞
et on a donc prouvé l'égalité (125), parfois appelée second théorème de Parseval. La formule (126), appelée
premier théorème de Parseval, s'en déduit comme un cas particuler (avec g(x) = f (x)).
Des résultats analogues peuvent être écrits pour les transformées de Fourier en sinus et en cosinus. Si FS (α) et
GS (α) sont les transformées de Fourier en sinus respectivement de f (x) et de g(x), alors :
Z ∞ Z ∞
2
f (x)g(x)dx = FS (α)GS (α)dα (127)
0 π 0

De la même manière, si FC (α) et GC (α) sont les transformées de Fourier en cosinus respectivement de f (x) et
de g(x), alors :
Z ∞ Z ∞
2
f (x)g(x)dx = FC (α)GC (α)dα (128)
0 π 0

55
Mathématiques appliquées 2019-2020 Cl. Gabriel

Dans le cas particulier où f (x) = g(x), (127) et (128) deviennent respectivement :


Z ∞ Z ∞
2
2
{f (x} dx =
2
{FS (α)} dα (129)
0 π 0

et :
Z ∞ Z ∞
2
2
{f (x} dx =
2
{FC (α)} dα (130)
0 π 0

3.13 Exercices
Exercice 8
La fonction porte Π est dénie par :
si − 1/2 6 t 6 1/2

1
Π(t) = (131)
0 sinon
1. Calculez la transformée de Fourier de la fonction porte.
2. En déduire la transformée de Fourier des fonctions impulsions ΠT dénies par
1
si − T /2 6 t 6 T /2

ΠT (t) = T (132)
0 sinon
Que se passe t'il lorsque l'on fait tendre T vers 0 ?
3. Utilisez les propriétés de la transformée de Fourier pour trouver les transformées des fonctions :
 
t−1
f (t) = Π , g(t) = tΠ(t), h(t) = t2 Π(t)
2

Exercice 9
La fonction triangle Λ est dénie par :
si − 1 6 t 6 1

1 − |t|
Λ(t) = (133)
0 sinon
1. Calculez la dérivée de Λ et exprimez Λ0 (t) à l'aide de la fonction porte Π.
2. Appliquez à l'expression précédente l'opérateur F . En déduire la transformée de Fourier de Λ.
3. Vériez que Λ = Π ∗ Π et retrouvez le résultat de la question précédente.

Exercice 10

1. Calculez la transformée de Fourier de f (x) = e−|x| .


2. En déduire les transformées de Fourier de
1 x 1
g(x) = , h(x) = et k(x) =
1 + x2 (1 + x2 )2 1 + (x − a)2

où a ∈ R (Indication : comparer h avec la dérivée de g ).

Exercice 11
On pose f (t) = e−πt .
2

1. Vériez que
f 0 (t) = −2πtf (t) (134)
2. On pose
fˆ(s) = F(f )(s)
Montrez que en appliquant F à la relation (134) que fˆ est solution d'une équation diérentielle du premier
ordre.

56
Mathématiques appliquées 2019-2020 Cl. Gabriel

3. En déduire que
2
fˆ(s) = e−x
4. Déduire de ce qui précède la transformée de Fourier de la fonction
1 t2
fσ (t) = √ e− 2σ2
σ 2π
5. Démontrez que
fσ1 ∗ fσ2 = f√σ2 +σ2
1 2

Exercice 12
Soient fa (x) = a
π(x2 +a2 ) et ga (x) = πx .
sin(ax)
Montrez que l'on a

fa ∗ fb = fa+b , ga ∗ gb = gmin(a,b) .

Exercice 13
Soient f ∈ L1 (R) et g(x) = e2πix . Calculez f ∗ g .

3.14 Distribution de Dirac et extension de la Transformée de Fourier aux distri-


butions
3.14.1 Introduction
La transformationn de Fourier ne s'applique strictement qu'aux signaux qui vérient les conditions de Dirichlet. Il serait agréable d'étendre
le formalisme an de pouvoir dénir une transformée de Fourier pour les signaux de puissance moyenne nie 2 , et de retrouver la série de
Fourier comme cas particulier de la transformée de Fourier.
Cette extension est possible en utlisant la théorie des distributions, et en particulier la distribution de Dirac. La théorie des distributions
sort du cadre de ce cours, nous nous contenterons ici d'une approche heuristique.

3.14.2 Transformée de Fourier de la fonction rectangle


Nous allons maintenant approfondir un peu notre connaissance de la TF par un exemple, qui nous permettra aussi de faire quelques re-
marques intéressantes.
Considérons pour commencer un signal qui n'est pas à carré sommable (la TF du signal n'est donc pas dénie) mais dont on connaît la
série de Fourier. Le plus simple est le signal constant :
x(t) = x0 = cte
dont la série de Fourier est donnée par les coecients c0 = x0 et cn = 0 ∀n 6= 0. Imaginons de mesurer ce signal pendant un intervalle de
temps de durée nie et considérons la fonction x1 (t) dénie comme suit :
pour

 x0 −T 6t6T
x1 (t) =
 0 ailleurs
= x0 .Rect(t/T )

c'est-à-dire une fonction constante sur un intervalle de durée 2T , ce qu'on appelle une fonction rectangle, notée Rect(t/T ). Elle n'est pas
périodique, donc sa série de Fourier n'est pas dénie mais elle est d'énergie nie, et on peut donc en calculer la Transformée de Fourier :
+∞
Z
−iωt
X1 (ω) = x1 (t)e dt
−∞

+T
Z
−iωt
= x0 e dt
−T

1 h −iωt i+T
= −x0 e
iω −T

e−iωt − e+iωt
= −x0

sin ωT
= x0 2T
ωT
= x0 2T sinc(ωT )

2. Les signaux d'énergie nies sont les signaux tels que :


Z ∞
Ex = |x(t)|2 dt < +∞
−∞
où Ex désigne l'énergie du signal. L'ensemble des signaux d'énergie nie est l'espace L2 .
Les signaux de puissance moyenne nie sont les signaux qui vérient :
1
Z T /2
Px = lim |x(t)|2 dt < +∞
T →+∞ T −T /2
où Px désigne la puissance moyenne. On notera que ces signaux ne sont pas nécessairement absolumen intégrables. L'ensemble des
signaux de puissance moyenne nie est souvent noté L2 (T )

57
Mathématiques appliquées 2019-2020 Cl. Gabriel

où on a introduit la fonction sinus cardinal sinc(y) = sin(y)/y . Traçons X1 (ω) (la fonction est réelle pour ce cas particulier, on peut donc
la dessiner sans prendre le module) :

3.14.3 Dualité temps-fréquence, inuence de la durée du signal sur son spectre


En comparant maintenant avec la série de Fourier de x(t) = x0 = cte, on remarque que la raie spectrale ω = 0 qu'on avait trouvée pour la
série de Fourier semble remplacée par un pic plus complexe et élargi autour de la même pulsation. Que devient ce pic si on change la durée
T du signal ? La TF du signal de durée limitée tend-il à se rapprocher de la SF de celui de durée innie ? On peut évaluer la forme du pic
central de X1 (ω) en calculant :
• La hauteur du pic : x0 2T = x0 ∆t avec ∆t la durée du signal ;
• la largeur du pic ∆ω : on a ∆ω = 4π/2T = 4π/∆t entre deux zéros.
La largeur du pic ∆ω est inversement proportionnelle à la durée ∆t :
∆ω∆t = cte (135)
C'est une relation importante entre la largeur du spectre d'un signal et sa durée, qui est toujours vériée : plus le signal est court, plus sa
TF et donc son spectre sont élargis sur un grand intervalle de fréquences. On parle ainsi de dualité temps-fréquence.
La gure ci-dessous montre la TF de deux fonctions rectangle de durée diérente. Donc, plus la durée ∆t du signal est grande, plus le pic
de sa TF est haut et étroit : en même temps que le signal x1 (t) s'approche du signal de durée innie x(t) (sa durée devient de plus en plus
grande), le spectre X1 (ω) s'approche de plus en plus d'une raie très étroite centrée sur la pulsation ω = 0.

3.14.4 Distribution de Dirac : dénition et première propriétés


Que se passe-t-il à la limite T → ∞? Le signal x1 (t) tend vers le signal constant x(t) = x0 : que devient sa TF ? Retrouvera-t-on la SF du
signal constant ?
Presque, mais pas exactement. Voyons. En principe, nous savons que nous ne sommes pas autorisés à calculer la TF de la fonction limite
lim x1 (t) = x(t), car cette fonction n'est pas à carré sommable. Mais nous pouvons essayer de calculer la limite de la TF de la fonction
T →∞
x1 (t) :
Z +∞
−iωt
lim X1 (ω) = lim x1 (t)e dt
T →∞ T →∞ −∞

= lim x0 2T sinc(ωT )
T →∞

+∞ pour t = 0

=
0 pour t 6= 0

Le résultat n'est donc pas une fonction ! Ce n'est pas étonnant qu'on ne puisse pas le calculer directement par TF. Cependant, c'est un
résultat intéressant et raisonnable : nous avons trouvé, comme prévu, un spectre qui consiste en une seule raie spectrale à la pulsation
ω = 0, nul ailleurs, comme nous nous attendions par comparaison avec la SF.

Seulement, l'amplitude en ω = 0 est innie. Nous voudrions pouvoir  garder  ce résultat : pour cela il faut admettre cette limite de
fonction dans notre univers mathématique. On dénit alors la distribution delta de Dirac δ(y). Une distribution (égalementappelée fonction
généralisée) est un objet qui généralise la notion de fonction. Dans notre cas, la distribution δ(y) dépendante de la variable y est la fonction
nulle partout sauf en zéro où elle est divergente. Ces conditions ne sont pas susantes pour la dénir de manièrere univoque car il manque
une condition de normalisation. Si on rajoute une telle condition, on parvient à dénirr le delta de Dirac par les propriétés suivantes :
0 pour t 6= 0

δ(t) =
+∞ pour t = 0
(136)

58
Mathématiques appliquées 2019-2020 Cl. Gabriel

et telle que :
Z ∞
δ(t)dt = 1 (137)
−∞

L'impulsion de Dirac est ainsi une impulsion inniment ne, d'amplitude innie, et d'aire unité.
L'impulsion de Dirac jour le rôle d'une fonction indicatrice lorsqu'elle intervient dans une intégration. En eet, elle est nulle sauf lorsque
son argument est nul, auquel cas sont amplitude est innie, mais son  aire  unité. Ainsi on peut écrire que x(t)δ(t − t0 ) = x(t0 )δ(t − t0 ).
Par conséquent :
Z ∞
x(t)δ(t − t0 )dt = x(t0 ) (138)
−∞

3.14.5 Une approche heuristique de la distribution de Dirac


Considérons la fonction :
 
1 x
gε (x) = Π (139)
ε ε

C'est une porte de largeur ε et de hauteur 1/ε. Son intégrale vaut 1 :


Z ∞
gε (x)dx = 1 (140)
−∞

Lorsque ε → 0 cette fonction a une largeur qui tend vers 0 et une hauteur qui tend vers l'inni, mais son intégrale est toujours égale à 1.
On appelle distribution de Dirac et on notera δ(x) cette limite :
 
1 x
δ(x) = lim Π (141)
ε→0 ε ε

δest donc de largeur nulle (on parle aussi de support nul ou de mesure nulle), de hauteur innie et d'intégrale 1. On parle de  pic de
Dirac  ou d'impulsion de Dirac. Le graphe de δ sera représenté par convention par une èche vers le haut, de hauteur 1, centrée en x = 0.

Il est facile de voir que N δ(x) (avec N ∈ R \ {0}) est d'intégrale N , mais un problème se pose si N = 0. On admettra que 0.δ(x) = 0.
Nous avons également les propriétés suivantes :
• Changement d'origine : δ(x − a) vaut 0 partout sauf en x=a (on parle de pic de Dirac localisé en x = a.

59
Mathématiques appliquées 2019-2020 Cl. Gabriel

• La somme :
K1 δ(x − x1 ) + K2 δ(x − x2 ) (142)
représente une distribution à deux pics, d'intégrales K1 et K2 , localisés en x1 et x2 .

3.14.6 La distribution de Dirac vue comme dérivée de la fonction de Heaviside


Approche heuristique
La fonction de Heaviside H(x) a une pente nulle partout sanf en 0 où elle est innie. Peut-on en déduire que la dérivée de H(x) est une
distribution δ ?
Pour le voir, on peut approcher H(x) par la limite lorsqueε → 0 de la fonction Gε (x) dénie par :
0 si x 6 − 2ε


Gε (x) = x
ε + 12 si |x| 6 2ε (143)
 0 si |x| > 2ε

Cette fonction a une pente 1


ε qui tend vers l'inni dans un intervalle de largeur ε → 0 autour de l'origine. Il est facile de voir que sa dérivée
est une fonction porte :
 
0 1 x
Gε (x) = Π
ε ε

qui tend vers δ(x) lorsque ε → 0. Et puisque Gε (x) → H(x) lorsque ε → 0, on en déduit que H 0 (x) = δ(x).

Démonstration plus rigoureuse


Calculons la primitive de δ :
Z x
δ(t)dt
−∞

Cette intégrale vaut 0 si x<0 et 1 si x>0 et n'est pas dénie en 0 : c'est exactement la dénition de H(x). D'où :
Z x
H(x) = δ(t)dt (144)
−∞

et :
dH
= δ(x) (145)
dx

60
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.14.7 Dérivées de la distribution δ


Approche heuristique
Nous avons introduit la distribution de Dirac comme limite d'une fonction porte inniment haute et étroite et dont l'intégrale vaut 1 :
 
1 x
δ(x) = lim Π
ε→0 ε ε

Dans le même ordre d'idées, on peut imaginer approcher la dérivée de δ par la dérivée de cette porte, représentée sur la gure ci-dessous.

La dérivée de Π(x/ε) vaut δ(x + ε/2) − δ(x − ε/2). lorsque ε → 0 on tend vers la superposition de deux distributions de Dirac centrés en
0, de signes opposés, chacune d'intégrale innie. Bien sûr, c'est simplement une représentation, il n'est pas question de faire le calcul de la
limite de la porte.
La dénition propre de δ0 est, au sens des distributions
Z ∞
0
f (x)δ (x)dx = −f (0)
0
(146)
−∞

où f est une fonction quelconque (dite test) ayant une dérivée en 0. De même, on dénit la dérivée d'ordre m par :
Z ∞
f (x)δ
(m)
(x)dx = (−1) f
m 0(m)
(0) (147)
−ßnf ty

3.14.8 Transformée de Fourier de la distribution de Dirac


A l'aide des résultats précédents, il est facile d'exprimer la transformée de Fourier de l'impulsion de Dirac, qui vaut simplement :
Z ∞
−i2πf t
T F {δ(t)} = δ(t)e dt
−∞

= e
−i2πf 0
=1 (148)
La transformée de Fourier de l'impulsion de Dirac est donc une fonction constante, quelque soit la pulsation/fréquence.

3.15 Applications et conséquences


Munis de ces quelques résultats, on peut rechercher les transformées de Fourier de quelques fonctions qui n'admettraient pas de TF au sens
habituel. Ce faisant, on pourra donner un nouvel éclairage à la transformée de Fourier.

3.15.1 Transformée de Fourier d'une impulsion retardée


Par simple application de la propriété (102) du retard temporel, on peut écrire que :
−i2πf τ
T F {δ(t − τ )} = e
n o
−1 −i2πf τ
TF e = δ(t − τ )

La transformée de Fourier d'une impulsion de Dirac placée en t=τ est une exponentielle complexe.

3.15.2 Transformée de Fourier d'un signal continu


On recherche la transformée de Fourier d'un signal constant, c'est-à-dire d'un signal continu (au sens électronique, pas au sens mathéma-
tique). Nous avons vu que T F {δ(t)} = 1. En utilisant la propriété de dualité (113), on en déduit que :
T F {1} = δ(−f ) = δ(f )

La transformée de Fourier d'un signal constant est donc une raie, ou une masse, à la fréquence nulle.

3.15.3 Transformée de Fourier d'une exponentielle complexe


La propriété de modulation (??) : n o
j2πf0 t
TF e x(t) = X(f − f0 )

implique, en prenant x(t) = 1 que : n o


j2πf0 t
TF e = δ(f − f0 )

c'est-à-dire une impulsion de Dirac dans le domaine fréquentiel à la fréquence f = f0 .

61
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.15.4 Transformée de Fourier des fonctions trigonométriques


Pour déterminer la transformée des fonctions trigonométriques, il sut d'appliquer les formules d'Euler :

ej2πf0 t + e−j2πf0 t
cos(2πf0 t) =
2
ej2πf0 t − e−j2πf0 t
sin(2πf0 t) =
2j

Il vient alors :
1
T F {cos(2πf0 t} = [δ(f − f0 ) + δ(f + f0 )]
2
1
T F {sin(2πf0 t} = [δ(f − f0 ) − δ(f + f0 )]
2

3.15.5 Transformée de Fourier de la fonction signe


On montre facilement que :
1
T F {sgn(t)} =
jπf

3.15.6 Transformée de Fourier de l'échelon unité


L'échelon unité peut-être exprimé comme la somme :
1
U (t) = [sgn(t) + 1]
2
On a par conséquent :
1 1
T F {U (t)} = T F {sgn(t)} + T F {1}
2 2
1 1
= + δ(f )
j2πf 2

3.16 Relation entre série et transformée de Fourier


Soit x(t) une fonction périodique de période T0 . On a alors :

X
x(t) = xT0 (t − mT0 )
m=−∞

où xT0 (t) est le motif de base, de durée T0 . Le signal x(t) étant périodique, il admet une décomposition en série de Fourier sous la forme :

X j2πnf0 t
x(t) = cn e
m=−∞

où f0 = 1/T0 et :
1
Z
−j2πnf0 t
cn = xT0 (t)e dt
T0 [T0 ]

On déduit immédiatement de cette relation que :


1
cn = XT0 (nf0 )
T0

où XT0 (f ) est la transformée de Fourier de xT0 (t). On a alors :

∞ ∞
1
XT0 (nf0 )ej2πnf0 t
P P
x(t) = xT0 (t − mT0 ) = T0
m=−∞ m=−∞

On en déduit que la transformée de Fourier de x(t) s'écrit :



1 X n
j2πnf0 t
o
T F {x(t)} = XT0 (nf0 )T F e
T0 m=−∞

soit :

1
P
X(f ) = T F {x(t)} = T0 XT0 (nf0 )δ(f − f0 )
m=−∞

La transformée de Fourier d'un signal périodique de période T0 est donc constituée d'impulsions de Dirac, situées tous les mutiples de f0 ,
et dont le poids est la transformée de Fourier du motif de base à la fréquence considérée.
La périodicité dans le domaine temporel conduit à une transformée de Fourier constituée de raies.

62
Mathématiques appliquées 2019-2020 Cl. Gabriel

En prenant enn xT0 = δ(t), on obtient les formules de Poisson :

∞ ∞
1
ej2πnf0 t (149)
P P
δ(t − mT0 ) = T0
m=−∞ n=−∞

puis en écrivant et en égalant les transformées de Fourier de chacun des deux membres :

∞ ∞
ej2πmf0 t = 1
(150)
P P
T0 δ(f − nf0 )
m=−∞ n=−∞

soit enn :
( )
∞ ∞
1
(151)
P P
TF δ(t − mT0 ) = T0 δ(f − nf0 )
m=−∞ n=−∞

Cette relation montre que la transformée de Fourier d'un peigne de Dirac est également un peigne de Dirac, ces deux peignes étant de pas
inversement proportionnels.

3.17 Relations d'incertitude pour les signaux d'énergie nie


Nous avons vu que la transformée de Fourier d'une porte est d'autant plus large que la porte est étroite.En fait, onvoit ainsi qu'à un signal
de durée limitée correspond une transformée de Fourier à support inni, et réciproquement (exemple des fonctions sinusoïdales). On ne peut
pas trouver de fonction qui soit à support limité simultanément dans les deux domaines. Mieux encore, plus une fonction est  concentrée 
dans un domaine, plus elle est  étalée  dans le domaine dual. Ces constatations sont quanitiées par les relations d'incertitude, appelées
ainsi en référence aux relations d'incertitude de Gabor-Heisenberg.
L'énergie d'un signal est dénie par : Z +∞
2
Ex = |x(t)| dt
−∞

et l'on a la relation de Parseval : Z +∞ Z +∞


2 2
Ex = |x(t)| dt = |X(f )| df.
−∞ −∞

On peut alors considérer :

|x(t)|2 |X(f )|2


et
Ex Ex

comme des densités de probabilité et dénir les moments de ces densités :

=  temps moyen 
 R +∞
 t
 1
Ex −∞
t|x(t)|2 dt

=  fréquence moyenne 
R +∞
 f 1
f |X(f )|2 df

Ex −∞

et on dénit alors les  variances  par :

=  variance temporelle 
 R +∞
2
 (∆t)
 1
Ex −∞
(t − t)2 |x(t)|2 dt

=  variance fréquentielle 
R +∞
 (∆f )2
 1
(f − f )2 |X(f )|2 df
Ex −∞

Sans perte de généralité, on choisit une origine des temps et des fréquences telles que t=0 et f = 0.

On considère maintenant la fonction de λ positive suivante :


+∞
2
dx(t)
Z
(152)

I(λ) = λ + tx(t) dt > 0
−∞
dt

63
Mathématiques appliquées 2019-2020 Cl. Gabriel

soit, après développement :


+∞ dx(t) 2 +∞ +∞

dx(t)
Z Z Z
2 2
I(λ) = λ dt dt + 2λ
tx(t) dt + |tx(t)| dt
−∞ −∞ dt −∞

ou :
+∞ dx(t) 2 d|x(t)|2
Z Z +∞ Z +∞
2 2
I(λ) = λ dt dt + λ
t dt + |tx(t)| dt
−∞ −∞ dt −∞

Les relations sur la transformée de Fourier d'une dérivée et la relation de Parseval fournissent :
1.
+∞ dx(t) 2
Z Z +∞
2 2 2
dt dt =
|j2πf X(f )| df = 4π (∆f ) Ex
−∞ −∞

2.
+∞ d|x(t)|2
Z Z +∞
2 +∞
h i
2
t dt = t|x(t)| + |x(t)| dt = Ex
−∞ dt −∞ −∞

en supposant que t[x(t)|2 → 0 quand t → +∞ ;

3.
Z +∞
2 2 2
t |x(t)| dt = (∆t) Ex
−∞

Il reste donc :
h i
2 2 2 2
I(λ) = λ 4π (∆f ) + λ + (∆t) Ex > 0

La fonction considérée étant toujours de même signe, le discriminant doit donc être négatif, ce qui conduit à :

∆t.∆f > 1
4π (153)

Le produit durée moyenne par bande moyenne est ainsi borné inférieurement, ce qui induit une relation d'inceritude, du type Gabor-
Heisenberg entre les deux domaines. Il n'est pas possible de trouver de signal qui soit à support limité simultanément dans les deux
domaines. Qui plus est, la relation précédente permet de quantier cette remarque et d'exhiber les signaux  limites .
En eet, les signaux qui sont conjointement les plus  compacts  sont ceux qui permettent d'atteindre la borne, c'est-à-dire les signaux
tels que ∆t.∆f = 1/4π. Ce sont les signaux tels que :
h i
2 2 2 2
I(λ0 ) = λ0 4π (∆f ) + λ0 + (∆t) Ex = 0

soit :
dx(t)
λ0 + tx(t) = 0
dt

Ce sont les signaux gaussiens :


2
− t
x(t) = Ae 2λ0

dont la transformée de Fourier est également gaussienne :


−λ0 f 2
X(f ) = Ae

4 Applications de l'analyse de Fourier à la physique et à l'électronique

4.1 Application de la convolution à la résolution d'équations diérentielles li-


néaires
4.1.1 Exemple de l'oscillateur harmonique
On considère une masse accrochée à un ressort. On exerce sur la masse une force F (t) et on s'intéresse à
l'allongement x(t) du ressort avec les conditions initiales suivantes :
x(0) = x0
0
x (0) = 0 (154)

64
Mathématiques appliquées 2019-2020 Cl. Gabriel

L'équation diérentielle du mouvement de la masse est celle d'un oscillateur harmonique, elle s'écrit :
x00 (t) + ω 2 x(t) = F (t) (155)
avec ω la pulsation propre de l'oscillateur. C'est une équation linéaire. Nous allons montrer que la solution d'une
telle équation peut s'écrire comme une convolution entre deux fonctions : F (t) (second membre) et une fonction
R(t) appelée  réponse impulsionnelle .

On s'intéresse d'abord au cas où la force est de type δ(t), c'est-à-dire une force très intense pendant un temps
très bref (une impulsion). On appelle R(t) la solution (allongement) correspondante, elle obéit à l'équation de
l'oscillateur. Il vient :
R00 (t) + ω 2 R(t) = δ(t)

puis on convolue les deux membres de l'équation ci-dessus par la fonction F (t) :
F ∗ R00 + ω 2 F ∗ R = F ∗ δ

et on utilise l'égalité F ∗ δ = F et la propriété de dérivation d'un produit de convolution x ∗ y 0 = (x ∗ y)0 .On


obtient :
(F ∗ R)00 + ω 2 (F ∗ R) = F

Cette équation est identique à l'équation à laquelle satisfait x :


x00 + ω 2 x = F

La solution devant être unique, on a nécessairement :


x=f ∗R

La réponse impulsionnelle R(t) décrit le mouvement de la masse lorsqu'on lui applique une force impulsionnelle
qui n'a de valeur qu'à l'instant t = 0 et qui est nulle ensuite : R(t) est donc, lorsque t > 0, la solution de
l'équation sans second membre. Le calcul exact de R(t) sera détaillé au paragraphe 4.1.3

4.1.2 Généralisation
Soit un système physique régi par une équation diérentielle linéaire :
a0 y + a1 y 0 + a2 y 00 + · · · + an y (n) = F

et R la réponse impulsionnelle solution de :


a0 R + a1 R0 + a2 R00 + · · · + an R(n) = δ

Le raisonnement du paragraphe précédent s'applique et on a là aussi la relation de convolution :


y =F ∗R

c'est une propriété tout à fait remarquable et qui permet de remplacer la résolution parfois laborieuse d'une
équation diérentielle par un calcul d'intégrale. Cela ne marche que si l'équation est linéaire.

Vocabulaire : l'écriture de la solution de l'équation sous forme d'une convolution permet de séparer deux
contributions :
• Une contribution externe au système physique F (t) (la force excitatrice dans l'exemple du ressort) ;

65
Mathématiques appliquées 2019-2020 Cl. Gabriel

• Une contribution propre au système physique : c'est la réponse impulsionnelle R(t) (qui dépend de la
raideur et de la masse dans l'exemple du ressort) appelée parfois fonction d'appareil.
La seule connaissance de la réponse impulsionnelle R(t) permet de calculer la solution pour n'importe quel
second membre, de sorte que l'on a pas besoin de savoir de quoi est fait le système physique si l'on connait
sa réponse impulsionnelle : il pourrait être traité comme une  boîte noire . On utilise parfois le vocabulaire
suivant, inspiré du domaine du traitement du signal :
• le système physique (ressort+masse par exemple) est appelé système linéaire ou ltre ;
• le second membre de l'équation est appelé excitation ou signal d'entrée ;
• la solution y(t) de l'équation diérentielle est appelée réponse ou signal de sortie ;
• la relation y = F ∗ R est appellée relation entrée-sortie.
et le comportement du système peut-être schématisé par le dessin ci-dessous :

On parle de système causal lorsque laréponse impulsionnelle R(t) = 0 pour t < 0. Dans ce cas la variable
t désigne le temps. La signication physique est assez simple à comprendre : imaginons R(t < 0) 6= 0 dans
l'exemple du ressort. Une force de type impulsion appliquée à l'instant t = 0 aurait alors pour eet de faire
bouger la masse (R(t) est l'allongement du ressort) à t < 0 c'est à dire avant que la force soit appliquée. Un tel
système violerait le principe de causalité.

4.1.3 Calcul de la réponse impulsionnelle : exemple du ressort


Reprenons l'équation de l'oscillateur harmonique du paragraphe 4.1.1 :
x00 (t) + ω 2 x(t) = F (t)

La réponse impulsionnelle R(t) obéit à l'équation diérentielle :


R00 (t) + ω 2 R(t) = δ(t) (156)
Il existe plusieurs méthodes pour calculer R. On peut eectuer une transformée de Fourier de l'équation pré-
cédente, qui a pour eet de transformer l'équation diérentielle en équation linéaire simpe, comme nous le
montrerons dans la section 4.2.

Nous proposons ici une méthode plus traditionnelle (solution générale de l'équation sans second membre +
solution particulière). Comme le δ(t) du second membre nous embête, nous recourons à l'astuce suivante,
consistant à introduire la primitive G de la réponse impulsionnelle :
Z
G= Rdt

avec la condition G(t 6 0) = 0 pour respecter la causalité. Puis on intègre l'équation (156) par rapport au
temps :
Z Z
R0 (t) + ω 2 R(t)dt = δ(t)dt

qui s'écrit aussi :


G00 (t) + ω 2 G(t) = H(t)

66
Mathématiques appliquées 2019-2020 Cl. Gabriel

avec H(t) la distribution de Heaviside. Pour t > 0 l'équation s'écrit donc :


G00 (t) + ω 2 G(t) = 1

ce qui est facile à résoudre. La solution de l'équation sans second membre est :
G0 (t) = A cos ωt + B sin ωt

avec A, B , réels. Une solution particulière constante est G1 = ω2 .


1
La condition G(0) = 0 donne A = − ω12 , de
sorte que :
1
G(t) = (1 − cos ωt) + B sin ωt
ω2
La réponse impulsionnelle est la dérivée de G. La constante B s'annule à cause de la condition R(0) = 0 (ressort
au repos à t 6 0). On a nalement pour t > 0 :
1
R(t) = sin ωt
ω
et R(t) = 0 pour t < 0. On peut écrire :
H(t)
R(t) = sin ωt
ω

4.2 Fonctions de transfert et ltrage


4.2.1 Filtre passe-bas du premier ordre avec un circuit RC série
On considère le circuit RC de la gure 20.

Figure 20  Circuit RC . x(t) est la tension d'entrée, y(t) est la tension mesurée aux bornes du condensateur.
Un générateur délivre une tension alternative x(t) dans un circuit composé d'une résistance R et d'un conden-
sateur C montés en série. On mesure la tension y(t) aux bornes du condensateur. x(t) sera appelé le  signal
d'entrée  et y(t) le  signal de sortie .

La loi des mailles permet d'écrire l'équation diérentielle à laquelle satisfait la charge q(t) du condensateur :
dq q
R + = x(t)
dt C
Posons y = C,
q
il vient :
dy
RC + y = x(t)
dt
C'est une équation diérentielle linéaire dont la solution y(t) s'écrit comme la convolution :
y(t) = (x ∗ R)(t) (157)
avec R(t) la réponse impulsionnelle, comme nous l'avons vu au paragraphe 4.1.1. Une autre manière de le
montrer est de calculer la TF de l'équation diérentielle :
RC2iπν ŷ(ν) + ŷ(ν) = x̂(ν)

67
Mathématiques appliquées 2019-2020 Cl. Gabriel

La transformation de Fourier a permis de transformer l'équation diérentielle en une équation linéaire. Le calcul
de ŷ(ν) est immédiat :
1
ŷ(ν) = x̂(ν)
1 + 2iπνRC
et en posant :
1
R̂(ν) =
1 + 2iπνRC
on fait apparaître ŷ comme le produit de deux quantités :
ŷ(ν) = x̂(ν).R̂(ν) (158)
Cette relation entre les signaux d'entrée et de sortie dans l'espace de Fourier est dite relation de ltrage linéaire.
Le signal de sortie y(t) est ainsi nommé également signal ltré. Par TF inverse, on retrouve l'équation (157).
On peut aussi calculer R(t) en utilisant le résultat (94) :
1 t
R(t) = H(t) exp −
RC RC

La quantité R̂(ν) est appelée fonction de transfert. C'est la TF de la réponse impulsionnelle. Et comme la réponse
impulsionnelle, elle ne dépend que des caractéristiques du circuit RC (résistance R et capacité C ) et non pas
de la tension d'entrée x(t). Son graphe (parties réelle et imaginaire, module et phase) est représenté à la gure 21.

Figure 21  Fonction de transfert du circuit RC pour RC = 1.


Une autre représentation, en échelle logarithmique (pour ν > 0) est montrée gure 22. Cette représentation,
très utilisée dans le domaine de l'électronique, est connue sous le nom de diagramme de Bode. Le module de
R̂(ν) y est converti en décibels (dB) par la formule :
 
G(ν) = 20 log10 R̂(ν)


de sorte qu'une division d'un facteur 10 entre deux valeurs de R̂(ν) pour deux fréquences ν1 et ν2 se traduit
par une perte de 20 dB entre les valeurs de G à ces mêmes fréquences. G(ν) est parfois nommé  gain . Cette
représentation est commode car elle fait apparaître deux régimes diérents pour le comportement de G :
• G(ν) est constant pour |ν| << 1
RC et vaut 0 ;
• G(ν) est une. et vaut 0

68
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 22  Diagramme de Bode de la fonction de transfert R̂(ν) du circuit RC pour RC = 1. En haut le gain
G(ν) en fonction de la fréquence ν . En bas, la phase de R̂(ν) en fonction de ν
Signication physique de la fonction de transfert
La signication physique de cette fonction de transfert est facile à appréhender lorsque la tension d'entrée x(t)
est sinusoïdale de fréquence ν0 par exemple :
x(t) = x0 cos(2πν0 t)
Dans ce cas, x̂(ν) est la somme de deux distributions δ :
x0
[δ(ν − ν0 ) + δ(ν + ν0 )]
x̂(ν) =
2
Le ltrage correspondant à l'équation (158) permet d'écrire ŷ(ν) comme une somme de deux distributions δ
également :
x0 h i
ŷ(ν) = R̂(ν0 )δ(ν − ν0 ) + R̂(−ν0 )δ(ν + ν0 )
2
et on obtient le signal de sortie y(t) par TF inverse, en utilisant la propriété R̂(−ν0 ) = R̂(ν0 ) :

y(t) = x0 R̂(ν0 ) cos(2πν0 t + φ0 )

où φ0 est la phase de R̂(ν0 ). On retiendra que :


Lorsque le signal d'entrée est une sinusoïde de fréquence ν0 , le signal de sortie est aussi une sinusoïde :
• de même fréquence ν0 :
• dont l'amplitude a été multipliée par |R̂(ν0 )| ;
h i
• qui est déphasée d'une quantité φ0 = arg R̂(ν0 ) .
Le rôle du module de la fonction de transfert est comparable à celui d'un equalizer de chaîne stéréo : il agit
comme un coecient d'atténuation du signal à la fréquence ν0 . La phase de la fonction de transfert agit pour
sa part par un déphasage de ce signal. Le diagramme de Bode de la gure 22 montre qu'un signal de basse
fréquence ν << RC 1
sera quasiment inchangé (y(t) ≈ x(t)), le circuit n'a pas d'eet sur les signaux basses
fréquences. Par contre, à haute fréquence ν >> RC 1
, le signal de sortie aura une amplitude faible, qui tend vers
0 à mesure que ν augmente. Un tel ltrage est donc dit  passe-basfg car il laisse passer les basses fréquences
et bloque les fréquences élevées. La gure 23 illustre ce comportement.

69
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 23  Illustration de l'eet du ltrage d'un signal sinusoïdal x(t) par un circuit RC (avec RC = 1). (a)
signal d'entrée x(t) = cos(2πν0 t) avec ν0 = 0, 5. (b) représentations dans l'espace de Fourier de la fonction de
transfert (module) et de x̂(ν) (somme de deux Dirac). (c) signal ltré y(t) qui est une sinusoîde de fréquence ν0
amortie et déphasée. (d), (e), (f ) : même chose avec ν0 = 3. On constate un amortissement plus important pour
cette fréquence plus élevée, ainsi qu'un déphasage de presque π/2 (comme prévu par le diagramme de Bode).

4.2.2 Filtre passe-haut du premier ordre avec un circuit RL série


Considérons le circuit électrique contenant une résistance R et une bobine L montés en série, alimentés par un
générateur de tension alternative U .

Le circuit est analysé avec la loi des mailles pour donner :


U = UR + UL

Dans le régime transitoire :


dI
UR = RI, UL = L
dt
L'équation diérentielle qui régit le circuit est alors la suivante :
dI
U =L + RI (159)
dt
Avec :
• U la tension aux bornes du montage, en V ;

• I l'intensité du courant électrique en A ;


• L l'inductance de la bobine en H ;
• R = Rt la résistance totale du circuit en Ω.

70
Mathématiques appliquées 2019-2020 Cl. Gabriel

C'est une équation diérentielle linéaire dont la solution pour I(t), si U est constante et égale à E et pour la
condition initiale Ibobine (t = 0) = 0, est :
E
(160)
t
I(t) = (1 − e− τ )
R
L
avec τ = qui est la constante de temps du circuit, en s.
R
En eet, on sait que l'on peut écrire la solution sous la forme :
RI(t) = U ∗ RI (t) (161)
avec RI la réponse à une impulsion de courant, comme nous l'avons vu au paragraphe 4.1.1, qui est solution de
l'équation diérentielle :
dRI
Rδ = L + RRI (162)
dt
et donc :
dI L d L dRI
UL (t) = L = {U ∗ RI (t)} = U ∗ = U ∗ RU
dt R dt R dt
où RU est la réponse à une impulsion de tension, qui est solution de l'équation diérentielle :
Z
R
δ = RU + RU dt (163)
L

On a bien sûr entre les deux réponses impulsionnelles, en comparant les formules (162) et (163) la relation :
L dRI
RU = (164)
R dt
c'est-à-dire, au niveau des transformées de Fourier :
L
RˆU = iω R̂I (165)
R
Une autre manière d'arriver au même résultat est de réécrire l'équation diérentielle (159) comme suit :
Z
R
U = UL + UL dt (166)
L

et de calculer la TF de l'équation diérentielle (166) :


R 1
Û (ω) = ÛL (ω) + ÛL (ω) (167)
L iω
Ici encore, la transformation de Fourier a permis de transformer l'équation diérentielle en une équation linéaire.
Le calcul de UˆL (ω) est immédiat :

Û (ω)
UˆL (ω) = R
1 + iLω

et en posant :
iLω iω
1
R̂(ω) = R
= R
= ωc iω (168)
1 + iLω 1 + iLω
R
1 + ωc

(où l'on a posé ωc = R/L),on fait apparaître UˆL comme le produit de deux quantités :
ÛL (ω) = Û (ω).R̂(ω) (169)
La quantité R̂(ω) est appelée fonction de transfert. C'est la TF de la réponse impulsionnelle, c'est-à-dire de
RU , on a donc R̂U (ω) = R̂(ω). Et comme la réponse impulsionnelle, elle ne dépend que des caractéristiques du

71
Mathématiques appliquées 2019-2020 Cl. Gabriel

circuit RL (résistance R et inductance L) et non pas de la tension d'entrée U (t). Par TF inverse, on retrouve
l'équation (161). On peut aussi calculer R(t) en réécrivant le résultat (168) comme suit :

ωc +1−1 1
R̂(ω) = iω
=1−
1+ ωc 1 + ωiωc
et en utilisant (94), on obtient nalement :
R −t R 1 t
R(t) = RU (t) = δ(t) − e L U(t) = δ(t) − e− τ U(t) , (170)
L τ
De la même façon, on a aussi :
iω 1
R 1 ωc R ωc RL 1 R 1
R̂I = iω
= iω
= iω
= R
(171)
L iω 1 + ω L1+ ω LR1+ ω L L + 2iπf
c c c

Par conséquent, on obtient pour RI (t) en utilisant (94)


R −Rt
RI (t) = e L U(t) (172)
L
Cette réponse est bien compatible avec la réponse impulsionnelle en tension puisqu'elles sont liées par la relation
(164) ; en eet, en dérivant (172), on obtient bien (170).
On peut retrouver l'expression du courant (160) dans le cas d'une tension U = E constante en calculant
explicitement la convolution (161) :
RI(t) = U ∗ RI (t)
Z ∞
= U(u)ERI (t − u)du
−∞
Z ∞
R R
= E U(t − u)e− L (t−u) du
L 0
R t −Rt Ru
Z
= E e L e L du
L 0
R R L h R u it
= E e− L t eL
L R 0
R R
= Ee− L t e L t − 1
 R

= E 1 − e− L t

comme attendu.

Le module et la phase de la fonction de transfert sont égaux à :


ω
vo
|R̂(ω)| = = r ωc
(173)
vi 
ω
2
1+ ωc

et
   
π ω π ω
φ(ω) = arg R̂(ω) = − arg 1 + j = − arctan (174)
2 ωc 2 ωc
Dans les diagrammes de Bode, on utilise :
• Le gain en décibels :
   2 !
ω ω
GdB (ω) = 20 · log |R̂(ω)| = 20 · log − 10 · log 1 + (175)
ωc ωc

• La phase en radians :
 
π ω
φ(ω) = arg R̂(ω) = − arg 1 + j
2 ωc
 
π ω
= − arctan (176)
2 ωc

72
Mathématiques appliquées 2019-2020 Cl. Gabriel

On distingue alors deux situations idéales :


• Lorsque ω  ωc :
 
ω
GdB ∼ 20 · log et φ ' 90 (Le signal est ltré) (177)
ωc

• Lorsque ω  ωc :
GdB ' 0 et φ ' 0 (Le ltre est passant) (178)

On remarque que pour ω = ωc , on a GdB = −3dB .

Figure 24  Diagramme de Bode d'un ltre passe haut (système du 1er ordre)
4.2.3 Filtre passe bande du second ordre avec un circuit RLC série

On peut obtenir un ltre passe-bande passif avec le circuit RLC décrit sur le schéma ci-dessus. On trouve alors
la fonction de transfert suivante :
1
R̂(ω) = L 1
 (179)
1+j Rω − RCω

73
Mathématiques appliquées 2019-2020 Cl. Gabriel

qui est de la forme :


1
1
 (180)
1 + jQ x − x

avec :
ω
• x=
ω0
1
• ω0 = √
LC
r
1 L
• Q=
R C
En eet, l'équation diérentielle du circuit est :
Z
dI 1
RI(t) + L + I(t)dt = Ve (181)
dt C
En dérivant cette équation par rapport au temps, on obtient :
dI d2 I 1 dVe
R + L 2 + I(t) = (182)
dt dt C dt
ou encore, on passant à la variable Vs (t) = RI(t) :
dVs L d2 Vs 1 dVe
+ 2
+ Vs (t) = (183)
dt R dt RC dt
Prenons la TF des deux membres de l'équation précédente :
L 1 ˆ
jω Vˆs + (jω)2 Vˆs + Vs = jω Vˆe (184)
R RC

Cette équation permet de calculer le rapport Vˆs /Vˆe ; on obtient :

Vˆs jω
= L 2 1
Vˆe jω − Rω + RC
1
= L 1
 (185)
1+j Rω − RCω

c'est-à-dire exactement (179).


On a ainsi :
1
R̂(ω) =   (186)
ω ω0
1 + jQ ω0 − ω

On en déduit que :
1
|R̂(ω)| = r  2 (187)
ω ω0
1+ Q2 ω0 − ω

et :
  
1
arg(R̂(ω)) = − arctan Q x − (188)
x

74
Mathématiques appliquées 2019-2020 Cl. Gabriel

5 Echantillonnage

5.1 Généralités
On se représente en général la variation d'une grandeur comme continue, c'est-à-dire que d'une part la grandeur possède une valeur à n'im-
porte quel instant pris arbitrairement, et d'autre part il existe à tout instant un intervalle dans lequel la variation est d'autant plus faible
que les instants sont proches. Il est souvent avantageux de représenter la grandeur comme une suite de valeurs discrètes, en abandonnant
la description de ce qui se passe entre ces valeurs appelées échantillons.

Figure 25  Signal continu Figure 26  Signal échantillonné résultant


L'échantillonnage consiste à prélever les valeurs d'un signal à intervalles dénis, généralement réguliers. Il produit une suite de valeurs
discrètesnommées échantillons.
Le traitement numérique du signal par ordinateur exige que le signal soit converti en une suite de nombres (numérisation). Cette conversion
se décompose, sur le plan théorique, en trois opérations :
• l'échantillonnage prélève, le plus souvent à intervalles réguliers, la valeur du signal ;
• la quantication transforme une valeur quelconque en une valeur prise dans une liste nie de valeurs valides pour le système ;
• le codage fait correspondre à chaque valeur valide pour le système un code numérique.

5.2 Fréquence d'échantillonnage


Si le signal est un signal temporel, la fréquence d'échantillonnage est le nombre d'échantillons par unité de temps.Si l'unité de temps est la
seconde, la fréquence d'échantillonnage s'exprime en hertz et représente le nombre d'échantillons utilisés par seconde.
Le choix de la fréquence d'échantillonnage dépend de l'idée préalable qu'on peut se faire de la plus grande fréquence présente dans le signal.
Exemples :

• Hauteur des marées :


On se propose de relever la hauteur de l'eau dans un port de mer. On sait qu'il y a deux marées par jour. On veut vérier si le
niveau de l'eau varie régulièrement. On décide de relever la hauteur d'eau toutes les demi-heures. La fréquence d'échantillonnage est
de 48 échantillons par jour.

Si on préfère l'unité SI pour le temps, qui est la seconde, on dira que la fréquence d'échantillonnage est de 1
30×60 ≈ 0, 00055Hz .

• La fréquence d'échantillonnage pour le son :


Un microphone transforme d'abord la pression acoustique, qui est la grandeur physique correspondant au son, en signal électrique
dit analogique, parce que ses variations reètent celles de la grandeur qu'il transmet.

Pour représenter utilement ce signal, plusieurs milliers d'échantillons par seconde seront nécessaires.

Le théorème d'échantillonnage de Nyquist-Shannon indique qu'un échantillonnage à la fréquence Fe ne peut transmettre sans perte
d'information que les fréquences inférieures à F2e (fréquence de Nyquist).
• Fréquence d'échantillonnage pour la parole et pour la musique :
Une fréquence d'échantillonnage de 7 kHz sut pour la transmission de la parole, mais elle ne donne pas satisfaction pour la musique.
En eet, avec cette fréquence, on ne peut reproduire les sons que jusqu'à la fréquence de 3 500 Hz, alors que la haute-délité propose
de restituer les fréquences jusqu'à 20 kHz, un peu au-delà de la limite de l'audible pour l'oreille humaine.

75
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 27  Exemple d'échantillonnage de période Te


5.3 Spectre d'un signal échantillonné
Étudions le spectre du signal échantillonné xe (t), en supposant que la transformée de Fourier du signal x(t), notée X(f ) existe. Le signal
échantillonné xe (t) est le produit de x(t) et d'un peigne de Dirac dans le domaine du temps :
X X
xe (t) = x(t)ΠTe (t) = x(t)δ(t − nTe ) = x(nTe )δ(t − nTe )
n∈ Z n∈ Z
donc sa transformée de Fourier consistera en la convolution des spectres de ces signaux dans le domaine des fréquences, c'est-à-dire :

Xe (f ) = X(f ) ∗ F [ΠTe ] (f )
 
1 X n
= X(f ) ∗ δ f−
Te n∈Z Te
 
1 X n
= X X(f −
Te n∈Z Te
1 X
= X(f − nfe ) (189)
Te n∈Z

La gure suivante illustre graphiquement ce qu'exprime l'équation (189). Supposons que le signal x(t) soit à bande limitée [−B, B]. Le
spectre du peigne de Dirac est en soi un peigne de Dirac de fréquence 1/Te = fe . On sait d'ailleurs que la convolution d'un signal avec un
peigne de Dirac résulte en la translation du signal sur l'axe de la variable indépendante. Par conséquent, la convolution de X(f ) avec un
peigne de Dirac constitue la reproduction de X(f ) (dilaté d'un facteur 1/Te ) recentré en 0, ±fe , ±2fe , ±3fe ·.

76
Mathématiques appliquées 2019-2020 Cl. Gabriel

Figure 28  Schéma du spectre d'un signal échantillonné.


En d'autres mots :

Ceci a deux eets importants :


• Il n'est nécessaire de connaître le spetre que dans l'intervalle [−fe /2, fe /2] puisque le spectre du signal échantillonné est périodique
et de période fe ;
• Si le supportde x̂(f ) (les valeurs de f pour lesquelles x̂ n'est pas nulle) n'est pas inclus dans [−fe /2, fe /2] alors les spectres périodisés
adjacents se superposent. Ce péhnomène est appelé repliement de spectre.

5.4 Aliasing ou repliement de spectre


Les fréquences supérieures à f2e seront rendues comme des produits d'intermodulation entre la fréquence d'échantillonnage et ces fréquences.
C'est ce qu'on appelle repliement de spectre ou aliasing (métaphore américaine, du latin alias, faux nom d'une personne : la fréquence qu'on
n'a pu coder réapparaît sous l'apparence d'une autre).
Le repliement de spectre (Aliasing en anglais) est un phénomène qui introduit, dans un signal qui module une fréquence porteuse ou dans
un signal échantillonné, des fréquences qui ne devraient pas s'y trouver, lorsque la fréquence porteuse ou la fréquence d'échantillonnage
sont inférieures à deux fois la fréquence maximale contenue dans le signal.

Figure 29  Repliement du spectre d'un signal sinusoïdal de fréquence f = 0.9, confondu avec un signal de
fréquence f = 0.1 lors d'un échantillonnage de période T = 1.0.
Imaginons une onde sinusoïdale de fréquence f = 10 Hz échantillonnée à la fréquence fe = 11 Hz :

77
Mathématiques appliquées 2019-2020 Cl. Gabriel

Le signal apparent est alors le suivant :

Ainsi, par échantillonnage, il y a repliement des fréquences élevées parmi les fréquences basses.
C'est le même phénomène, qui dans les Western, fait tourner les roues des diligences à l'envers,... au cinéma les lms sont tournés à 24
images par seconde.On dit que l'échantillonnage de la caméra se fait à 24 Hz. Chaque image est donc censée couvrir 1/24ième de seconde
dans la vidéo nale, soit 41ms. Ceci est nécessaire pour donner au cerveau l'illusion qu'une série de 24 photographies prises les une à la
suite des autres constituent un mouvement uide pendant 1 seconde.
41 millisecondes est une durée assez courte pour faire croire à notre cerveau qu'un mouvement est uide, mais ça reste susamment long
pour que les objets continuent de se déplacer. Ainsi, pour un hélicoptère dont les pales tournent à 500 tours par minutes, cet intervalle de
temps permet à chaque pâle de faire le tiers d'un tour complet, ce qui est loin d'être négligeable.
Il sut alors que la vitesse de rotation de l'hélice soit une fraction exacte de la cadence de capture d'image de la caméra pour donner
l'impression que les pales tournent étrangement.
Le signal échantillonné représente correctement le signal continu si on peut le reconstituer sans ambiguïté. Il faut pour cela que deux
signaux diérents ne fournissent pas les mêmes échantillons. Nous allons d'abord déterminer les conditions nécessaires, liant la fréquence
d'échantillonnage et les fréquences qui composent le signal, pour atteindre cet objectif.

Montrons que deux sinusoïdes dont la fréquence a le même écart à un multiple quelconque de la fréquence d'échantillonnage
peuvent produire les mêmes échantillons.
Preuve Soit une sinusoïde d'amplitude unitaire, de fréquence f0 et de phase à l'origine ϕ0 :
y(x) = cos(2πf0 x + ϕ0 ).

En l'échantillonnant à une fréquence fe , on prend une valeur avec un pas P = 1


fe , donc pour chaque x = nP = n
fe où n est un nombre
entier quelconque, on obtient la suite d'échantillons e :
 
2πnf0
en = cos + ϕ0 .
fe

Considérons maintenant les sinusoïdes d'amplitude unitaire, de fréquence kfe ± f0 , où k est un nombre entier, et de phase à l'origine ±ϕ0
telles que :
0
y (x) = cos(2π (kfe + f0 ) x + ϕ0 ) et 00
y (x) = cos(2π (kfe − f0 ) x − ϕ0 )

L'échantillonnage à la même fréquence donne la suite de nombres e


0
'et e
00
:
       
0 2πn(kfe + f0 ) nkfe nf0 nf0 2πnf0
en = cos + ϕ0 = cos 2π + 2π + ϕ0 = cos 2nkπ + 2π + ϕ0 = cos + ϕ0 ,
fe fe fe fe fe
2πn(kfe − f0 )
       
00 nkfe nf0 nf0 2πnf0
en = cos − ϕ0 = cos 2π − 2π − ϕ0 = cos 2nkπ − 2π − ϕ0 = cos + ϕ0 .
fe fe fe fe fe

78
Mathématiques appliquées 2019-2020 Cl. Gabriel

Les échantillons tirés de ces deux sinusoïdes de fréquence f0 et kfe ± f0 sont identiques. On a donc prouvé le :

Lemme 5.1 Des sinusoïdes dont les fréquences ont le même écart à un multiple quelconque de la fréquence d'échantillonnage peuvent
produire les mêmes échantillons.

Nous déduisons de cette observation qu'il faut que le signal d'origine ne puisse contenir qu'une seule des sinusoïdes de fréquence kfe ± f0 .
Cette condition n'est remplie que si l'on sait par avance que le signal d'origine ne présente des fréquences que dans un intervalle situé entre
deux multiples entiers de fe /2. Dans tous les autres cas, une même suite d'échantillons peut renvoyer à plusieurs signaux diérents. Dans la
plupart des applications, la fréquence du signal d'origine est comprise entre 0 et une fréquence maximale. Si cette fréquence maximale est
supérieure à fe /2, il existe alors au moins une sinusoïde de fréquence plus basse qui présente les mêmes échantillons : on parle de repliement
du spectre.
Cependant, montrer qu'un échantillonnage à une fréquence de moins de deux fois ou moins la fréquence maximale d'un signal ne peut pas
le représenter ne prouve pas qu'un échantillonnage à une fréquence supérieure puisse le faire. Pour arriver à cette conclusion, il faut mettre
en ÷uvre les concepts et les théorèmes de l'analyse spectrale.

5.5 Théorème de Shannon-Nyquist


• Dans le cas général, le théorème d'échantillonnage énonce que l'échantillonnage d'un signal exige un nombre d'échantillons par unité
de temps supérieur au double de l'écart entre les fréquences minimale et maximale qu'il contient.
• Dans le cas le plus courant, la fréquence minimale du signal est négligeable par rapport à la fréquence maximale et le théorème
arme simplement :

Théorème 5.2 La représentation discrète d'un signal exige des échantillons régulièrement espacés à une fréquence d'échan-
tillonnage supérieure au double de la fréquence maximale présente dans ce signal.
Réciproquement, l'échantillonnage avec des échantillons régulièrement espacés peut décrire un signal à condition qu'il ne
contienne aucune fréquence supérieure à la moitié de la fréquence d'échantillonnage, dite fréquence de Nyquist.

Preuve

1. Démonstration de Shannon

La démonstration qui suit reprend celle de Shannon formulée en 1949.

Les théorèmes d'analyse spectrale montrent que tout signal peut se décomposer en une somme de sinusoïdes de fréquences, d'ampli-
tudes et de phases diverses. On considère un signal inscrit entre une fréquence minimale et une fréquence maximale. L'expérience
détermine quelle est la plage de fréquence qui intéresse. Même si les coecients de fréquences hors de cet intervalle ne sont pas nuls,
on les néglige dès lors qu'ils ne contribuent pas de façon signicative à la valeur moyenne quadratique totale.

La transformée de Fourier ŝ(ω) d'une fonction s(x) :


Z ∞
−iωx
ŝ(ω) = s(x)e dx
−∞

la décrit par les fréquences f qu'elle contient, exprimées dans ces équations par l'intermédiaire de la pulsation ω = 2πf . La
transformée de Fourier inverse donne la valeur de s(x) en fonction de la valeur de ŝ(ω) :
1
Z ∞
iωx
s(x) = ŝ(ω)e dω.
2π −∞

Le signal dont s'occupe le théorème est limité en fréquence. Au-delà de fmax , correspondant à une pulsation ωmax = 2πfmax , les
coecients fréquentiels sont négligeables.

Figure 30  Spectre d'un signal limité en fréquence de 0 à B

79
Mathématiques appliquées 2019-2020 Cl. Gabriel

Par conséquent,
1
Z ωmax
iωx
s(x) = ŝ(ω)e dω.
2π −ωmax

Recherchons la valeur des échantillons en régulièrement espacés prenant les valeurs de s(x) pour x multiple de la demi-période
correspondant à fmax (ce qui revient bien à utiliser une fréquence d'échantillonnage fe = 2.fmax ) ; x = 2fmax
n
où n est un nombre
entier :   Z ω
n 1 max iω n
2fmax
en = s = ŝ(ω)e dω.
2fmax 2π −ωmax

On reconnaît dans cette l'intégrale le coecient du nième terme du développement en série de Fourier de la fonction périodique
ŝe (ω),
en prenant l'intervalle [−fmax ; fmax ] comme période :
1
Z ωmax n en

c−n = ŝe (ω)e 2fmax dω =
2ωmax −ωmax 2fmax

La reconstitution de la fonction ŝe est donnée par :


∞ n
X iω
ŝe (ω) = cn e 2fmax

n=−∞

Les valeurs des échantillons en prélevés à x = 2fmax


n
déterminent donc les coecients du développement en série de Fourier de ŝe (ω)
dans l'intervalle de fréquences [−fmax ; fmax ]. Les valeurs des échantillons déterminent aussi entièrement ŝ(ω) puisque :

si

ŝe (f ) f ∈ [−fe /2, fe /2]
ŝ(f ) =
0 ailleurs

Puisque la transformée de Fourier d'une fonction la dénit entièrement, déterminer ŝ(f ), c'est déterminer s(x). Ainsi, nous avons
montré qu'à tout signal de bande de fréquences limitées correspond une et une seule représentation discrète constituée à partir
d'échantillons de ce signal pris à intervalles réguliers espacés de la demi période de la fréquence maximale du signal. On peut éviter
le passage par la série de Fourier donnant ŝ(ω) en exprimant directement la fonction s(x) en fonction de son échantillonnage.

Reconstitution du signal : formule  de  Shannon


Soit une liste d'échantillons en = s 2fmax
n
= 2fmax c−n = ωmax
π c−n .

Si l'on reprend l'expression de s(x) à partir de ŝ(ω),

1
Z ωmax
iωx
s(x) = ŝ(ω)e dω
2π −ωmax

en y remplaçant cette fonction par son développement en série de Fourier,


 
ωmax ∞
1
Z nπ
X −iω
s(x) =  c−n e ωmax  eiωx dω
2π −ωmax n=−∞
 
ωmax ∞  
1
Z nπ
X iω x−
=  c−n e ωmax  dω
2π −ωmax n=−∞

et c−n par la valeur du coecient déjà calculée, on obtient :


 
ωmax ∞  
1 π
Z nπ )
X iω(x−
s(x) =  en e ωmax  dω
2π −ωmax n=−∞
ωmax
∞ ωmax
1
Z nπ )
X iω(x−
= en e ωmax dω
2ωmax n=−∞ −ωmax

On peut calculer l'intégrale :


ωmax
Z  
iω x− nπ
e ωmax dω,
−ωmax

ce qui conduit à :

X sin(ωmax x − nπ)
s(x) = en .
n=−∞
ωmax x − nπ

sin θ
La fonction sinus cardinal vaut 1 pour θ = 0 et 0 pour tous les autres θ multiples de π . Dans le cas présent, elle vaut 1
θ
pour l'échantillon n, c'est-à-dire pour x = 2fmax
n
, et 0 pour tous les autres échantillons, tandis que ses autres valeurs participent à
l'interpolation entre les échantillons.
2. Démonstration avec le peigne de Dirac

80
Mathématiques appliquées 2019-2020 Cl. Gabriel

Le développement du traitement du signal dans les années suivant la publication de Shannon va donner lieu à de nombreux ranements de la
théorie mathématique de l'échantillonnage. Le plus radical est l'utilisation de la théorie des distributions pour décrire l'échantillonnage. En
fournissant une extension à la notion de fonction, ainsi qu'à la transformation de Fourier par voie de conséquence, elle donne une structure
mathématique idéale à l'échantillonnage. C'est la description qui prévaut dans la plupart des manuels aujourd'hui. La démonstration de
Shannon, en eet, si elle répond aux critères de rigueur d'une philosophie pragmatiste, laisse le mathématicien idéaliste insatisfait. Pour les
signaux porteurs d'information, limités a priori en durée et en résolution (par le bruit de fond), la transformation de Fourier fournit une
description en fréquences adéquate, et de cette transformée, on peut revenir, par la transformation inverse, à la description temporelle. Mais
dans le cas d'une fonction périodique, donc sans limite de durée, la transformation de Fourier aboutit à un spectre de raies, correspondant
aux coecients de la série de Fourier. Ce spectre d'un signal périodique idéal ne répond pas aux conditions de Dirichlet et on ne peut pas
lui appliquer la transformation de Fourier inverse, pour retrouver la fonction périodique. La théorie des distributions permet de surmonter
cette limitation théorique.
Un raisonnement simple reposant sur les propriétés de la transformée de Fourier et de la distribution de Dirac montre que la transformée
d'un signal échantillonné est périodique, et identique à la transformée de Fourier du signal lui-même dans la bande de fréquences d'origine.
Considérons la distribution obtenue en multipliant le signal s(t) par un peigne de Dirac , somme d'impulsions de Dirac δ(t) d'énergie Te et
espacés de Te , la période d'échantillonnage.



X
s (t) = s(t) · Te · IIITe (t) = s(t) · Te · δ(t − nTe ).
n=−∞

La transformée de Fourier sb* (f ) de ∗


s (t) est la convolution de la transformée de Fourier de s(t) par celle du peigne de Dirac :

sb* (f ) = F [s (t)] = F [s(t)] ∗ F [Te · IIITe (t)] = ŝ(f ) ∗ IIIfe (f ),

X
sb* (f ) = ŝ(f ) ∗ δ (f − nfe ).
n=−∞

L'impulsion de Dirac étant l'élément neutre de la convolution, on obtient :


+∞
X
sb* (f ) = ŝ(f − nfe ).
n=−∞

Cette expression donne la somme de la transformée du signal non échantillonné et de toutes les translatées de celle-ci avec un pas égal à la
fréquence d'échantillonnage fe = 1/Te . Si cette fréquence est supérieure au double de la fréquence maximale du signal, les translatés ne se
chevauchent pas et on peut reconstituer de façon exacte la transformée de Fourier du signal et donc le signal lui-même.
Par contre, la transformée de Fourier d'un signal de durée limitée s'étend nécessairement sur toute l'étendue des fréquences. Une partie des
spectres translatés se recouvre donc inévitablement. Ce phénomène est appelé  repliement de spectre . Si on veut éviter le franglais on
utilise en général le terme repliement de préférence à  aliasing . Toute l'information utile est contenue dans l'intervalle [−fe /2, fe /2] à
condition que les parties de spectre qui se recouvrent aient une énergie négligeable par rapport au bruit de fond où à la résolution du système.

Figure 31  Transformée de Fourier d'un signal

Figure 32  Transformée de Fourier d'un signal échantillonné. L'échantillonnage est correct si le recouvrement
entre deux lobes est inférieur à la limite de résolution ou de bruit de fond (trait rouge).
Reconstitution avec la fonction sinc
Puisque la transformée sb* (f ) du signal correctement échantillonné contient, dans l'intervalle [−fe /2, fe /2], la transformée bs(f ) du signal
d'origine s(t), on obtient cette dernière transformée en multipliantsb* (f ) par une fonction porte Πfe /2 (f ) valant 1/fe sur l'intervalle[−fe /2, fe /2]
et 0 ailleurs :
1
s(f ) = sb* (f ) ·
b · Πfe /2 (f ).
fe
Il sut ensuite de prendre la transformée de Fourier inverse pour reconstituer s(t). La transformée de Fourier inverse transforme le produit
de fonctions en produit de convolution, et la transformée de Fourier inverse d'une fonction porte est un sinus cardinal. La fonction s(t)
s'obtient alors comme le produit de convolution de l'échantillonnage par un sinus cardinal. Le calcul conduit alors à la formule :
+∞  
X π
s(t) = s(nTe ) · sinc (t − nTe ) ..
n=−∞
Te

On a ainsi obtenu le signal initial s(t) en ltrant l'échantillonnage de ce signal par un ltre parfait, passe tout de 0 à la moitié de la
fréquence d'échantillonnage, et coupe tout ailleurs.

81
Mathématiques appliquées 2019-2020 Cl. Gabriel

6 Annexe : quelques transformées de Fourier remarquables

82
Mathématiques appliquées 2019-2020 Cl. Gabriel

Table des matières

1 Introduction 1
2 Séries de Fourier 2
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Fonctions périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.3 Polynômes trigonométriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.4 Dénition des séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.5 Conditions de Dirichlet pour la convergence ponctuelle de la série de Fourier . . . . . . . . . . . . 6
2.6 Premiers exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.7 Séries de Fourier à termes complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.8 Spectre de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

83
Mathématiques appliquées 2019-2020 Cl. Gabriel

2.9 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.10 Phénomène de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.11 Propriétés des coecients de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.12 Convergence absolue, uniforme et normale des séries de Fourier . . . . . . . . . . . . . . . . . . . 21
2.13 Interprétation vectorielle des séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.14 Séries de Fourier des fonctions paires et impaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.14.1 Rappel : fonctions paires et impaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.14.2 Séries de Fourier des fonctions paires et impaires . . . . . . . . . . . . . . . . . . . . . . . 26
2.14.3 Séries de Fourier en sinus ou en cosinus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.15 Identité de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.16 Intégration et dérivation des séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.17 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.18 Séries de Fourier en traitement du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.18.1 Interprétation de la formule de Parseval en théorie du signal . . . . . . . . . . . . . . . . . 34
3 Intégrale de Fourier et transformation de Fourier 35
3.1 Introduction : nécessité de l'intégrale de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Passage de la série de Fourier à la transformée de Fourier en théorie du signal . . . . . . . . . . . 35
3.2.1 Pulsation continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.2 Passage des coecients de Fourier cn à la transformée de Fourier . . . . . . . . . . . . . . 36
3.2.3 Dénition de la transformée de Fourier d'un signal . . . . . . . . . . . . . . . . . . . . . . 37
3.3 Intégrale de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Formes équivalentes du théorème de Fourier intégral . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.5 Intégrales de Fourier des fonctions paires et impaires . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.6 Preuve du théorème de Fourier intégral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Transformées de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.7.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.7.2 Conditions susantes d'existence (conditions de Dirichlet) . . . . . . . . . . . . . . . . . . 43
3.7.3 Composantes de la Transformée de Fourier, spectre d'amplitude et spectre de phase . . . 43
3.7.4 Importance de la phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.7.5 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.8 Transformées de Fourier en sinus et en cosinus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.9 Propriétés de la transformation de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.9.1 Propriété de linéarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.9.2 Translation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.9.3 Modulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.9.4 Changement d'échelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.9.5 Conjugaison complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.9.6 Transformée de Fourier de f 0 (x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.9.7 Transformée de Fourier de l'Intégrale de x(t) . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.9.8 Propriété de dualité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.9.9 Dérivation de F (α) par rapport à α . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.10 Le théorème de convolution pour les transformées de Fourier . . . . . . . . . . . . . . . . . . . . 51
3.10.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.10.2 Interprétation graphique de la convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.10.3 Signication physique de la convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.10.4 Transformée de Fourier et produit de convolution . . . . . . . . . . . . . . . . . . . . . . . 53
3.10.5 Propriétés du produit de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.11 Résumé des propriétés de la transformation de Fourier . . . . . . . . . . . . . . . . . . . . . . . . 55
3.12 Identités de Parseval pour les intégrales de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.13 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.14 Distribution de Dirac et extension de la Transformée de Fourier aux distributions . . . . . . . . . 57
3.14.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.14.2 Transformée de Fourier de la fonction rectangle . . . . . . . . . . . . . . . . . . . . . . . . 57
3.14.3 Dualité temps-fréquence, inuence de la durée du signal sur son spectre . . . . . . . . . . 58
3.14.4 Distribution de Dirac : dénition et première propriétés . . . . . . . . . . . . . . . . . . . 58
3.14.5 Une approche heuristique de la distribution de Dirac . . . . . . . . . . . . . . . . . . . . . 59
3.14.6 La distribution de Dirac vue comme dérivée de la fonction de Heaviside . . . . . . . . . . 60
3.14.7 Dérivées de la distribution δ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

84
Mathématiques appliquées 2019-2020 Cl. Gabriel

3.14.8 Transformée de Fourier de la distribution de Dirac . . . . . . . . . . . . . . . . . . . . . . 61


3.15 Applications et conséquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.15.1 Transformée de Fourier d'une impulsion retardée . . . . . . . . . . . . . . . . . . . . . . . 61
3.15.2 Transformée de Fourier d'un signal continu . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.15.3 Transformée de Fourier d'une exponentielle complexe . . . . . . . . . . . . . . . . . . . . . 61
3.15.4 Transformée de Fourier des fonctions trigonométriques . . . . . . . . . . . . . . . . . . . . 62
3.15.5 Transformée de Fourier de la fonction signe . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.15.6 Transformée de Fourier de l'échelon unité . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.16 Relation entre série et transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.17 Relations d'incertitude pour les signaux d'énergie nie . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Applications de l'analyse de Fourier à la physique et à l'électronique 64
4.1 Application de la convolution à la résolution d'équations diérentielles linéaires . . . . . . . . . . 64
4.1.1 Exemple de l'oscillateur harmonique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.1.2 Généralisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.1.3 Calcul de la réponse impulsionnelle : exemple du ressort . . . . . . . . . . . . . . . . . . . 66
4.2 Fonctions de transfert et ltrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.1 Filtre passe-bas du premier ordre avec un circuit RC série . . . . . . . . . . . . . . . . . . 67
4.2.2 Filtre passe-haut du premier ordre avec un circuit RL série . . . . . . . . . . . . . . . . . 70
4.2.3 Filtre passe bande du second ordre avec un circuit RLC série . . . . . . . . . . . . . . . . 73
5 Echantillonnage 75
5.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.2 Fréquence d'échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.3 Spectre d'un signal échantillonné . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.4 Aliasing ou repliement de spectre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.5 Théorème de Shannon-Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6 Annexe : quelques transformées de Fourier remarquables 82

85