Chap 11 Immm

31/03/2020 Des exercices
Page 1
276 Mouvement brownien et surfaces browniennes
(1985), Samorodnitsky et Taqqu (1994) et Embrechts et Maejima (2002)

donner des traitements détaillés des mathématiques des fonctions browniennes fractionnaires et
surfaces, les deux premiers livres comprenant les aspects dimensionnels et le dernier
deux mettant l'accent sur l'auto-similitude. Le mouvement brownien multifractionnel est présenté dans
Ayache et Lévy Véhel (1999) et Ayache, Cohen et Lévy Véhel (2000).
Lévy (1948) a introduit des processus stables; voir Samorodnitsky et
Taqqu (1994), Rogers et Williams (2000) et Mandelbrot (2002). Les enquêtes
par Taylor (1973, 1986) mentionnent de nombreuses propriétés dimensionnelles de ces processus.
Les méthodes de calcul pour générer des chemins et des surfaces browniennes sont
par exemple dans Voss (1985), Peitgen et Saupe (1988), Falconer et
Lévy Véhel (2000) et Embrechts et Maejima (2002).
Des exercices
16.1 Utiliser l'autosimilarité statistique du mouvement brownien pour montrer que, avec probabilité
1, un sentier brownien en 3 a une dimension de boîte d'au plus 2.
16.2 Soit X : [0 , ∞ ) → 3 le mouvement brownien habituel. Montrez que, avec la probabilité 1,
l'image X (F) du troisième ensemble moyen de Cantor F a une dimension de Hausdorff au plus
log 4 / log3. (Plus difficile: montrez qu'il est presque sûrement égal à log4 / log3.)
le résultat analogue pour le mouvement brownien index- α ?
16.3 Soit X : [0 , ∞ ) → 3 le mouvement brownien habituel, et soit F un sous-ensemble compact de
3 . Utilisez le théorème 8.2 pour montrer que si dim H F> 1 alors il y a une probabilité positive
de la piste brownien X (t) frapper F .

16.4 Soit X (t) le mouvement brownien, et c une constante. Montrer que le graphique du processus
X (t) + ct a la dimension 1 1 2
avec probabilité 1. (Ce processus est appelé brownien
mouvement avec dérive.)
16.5 Montrer qu'avec la probabilité 1, la fonction d'échantillon brownienne X : [0 , ∞ ) → est
pas monotone sur aucun intervalle [ t, u ].
16.6 Soit X (t) le mouvement brownien. Montrez qu'avec la probabilité 1, X (t) = 0 pour certains
t> 0. Utilisez l'auto-affinité pour montrer qu'avec la probabilité 1, pour chaque a> 0 , X (t) = 0
pour certains t avec 0 <t <a , et donc X (t) = 0 pour une infinité de t avec 0 <t <a .
16.7 Soit X (t) le mouvement brownien. Montrer que pour q> 0 , E ( | X (t + h) - X (t) | q ) = c | h | q
où c ne dépend que de q .
16.8 Montrer que, si λ> α , alors avec la probabilité 1 pour presque tout t l'inégalité de Hölder
(16.12) échoue.
16.9 Prendre 1
2 ≤ α 1 ≤ α 2 < 1 et soit X 1 (t) et X 2 (t) des fonctions browniennes indépendantes
de [0 , 1] à des indices α 1 et α 2 respectivement. Montrez que, avec la probabilité 1, le
chemin en 2 donné par { (X 1 (t), X 2 (t)) : 0 ≤ t ≤ 1} a Hausdorff et les dimensions de la boîte
de ( 1 + α 2 - α 1 ) / α 2 .
16.10 Vérifier que pour l'indice- α mouvement brownien fractionnaire E ((X (t) - X ( 0 )) (X (t + h) -
X (t)) = 1 2 [ (t + h) 2 α - t 2 α - h 2 α ]. Montrez que c'est positif si 1 2
<α < 1 et négatif
ative si 0 <α < 1 / 2. Qu'est-ce que cela nous apprend sur les fonctions d'échantillonnage?
https://translate.googleusercontent.com/translate_f 1/18
Page 2
Chapitre 17 Mesures multifractales
Une distribution de masse µ peut être répartie sur une région de telle sorte que
la concentration de masse est très irrégulière. En effet, l'ensemble des points où le
la concentration de masse locale obéit à une loi de puissance d' indice α , disons µ (B (x, r)) ≃ r α pour
petit r , peut déterminer une fractale différente pour différentes valeurs de α . Ainsi, un
toute la gamme des fractales peut provenir d'une seule mesure, et nous pouvons examiner
la structure de ces fractales et leur interrelation. Une mesure µ avec un tel
une structure riche est appelée mesure multifractale ou simplement multifractale . Comme avec
fractales, une définition précise du «multifractal» a tendance à être évitée.
Des mesures multifractales ont été observées dans de nombreuses situations physiques,
exemple dans la turbulence des fluides, la distribution des précipitations, la distribution de masse à travers le
univers, doigté visqueux, réseaux de neurones, cours des actions, et dans de nombreux autres
phénomènes.
Une classe importante de multifractaux se produit dans les systèmesTextedynamiques,
d'origine voir
tion 13.7. Si f : D → D est une cartographie sur un domaine D , on peut définir une 'résidence
universe, viscous fingering, neural networks, share prices, and in
mesure »par many other
Proposer une meilleure traduction

1
µ (A) = lim #{k:1 k m et f k (x) ∈ A }
m→∞ m
pour les sous-ensembles A de D , où x ∈ D est un point initial. Ainsi, µ (A) représente la

proportion de temps que les itère de x passer en A . Nous avons vu que le soutien
de µ est souvent un attracteur de f et peut être une fractale. Cependant, la non-uniformité
de µ à travers l'attracteur peut mettre en évidence une structure dynamique supplémentaire qui peut être
enregistré et analysé en utilisant la théorie multifractale.
De nombreuses idées liées aux fractales ont des homologues dans les multifractales, par exemple
la projection de mesures multifractales sur une ligne ou un plan peut être envisagée
d'une manière analogue à la projection des fractales, bien que les calculs puissent être
considérablement plus maladroit.
Il existe deux approches de base de l'analyse multifractale: la théorie fine , où nous
examiner la structure et les dimensions des fractales qui se présentent, et
théorie grossière , où l'on considère les irrégularités de distribution de la mesure
de boules de petit rayon positif mais r puis prendre une limite comme r → 0. Dans de nombreux
façons, l'analyse multifractale fine est parallèle à la recherche de la dimension de Hausdorff des ensembles,
Géométrie fractale: fondements mathématiques et application. Deuxième édition Kenneth Falconer

© 2003 John Wiley & Sons, Ltd ISBN: 0-470-84861-8 (HB); 0-470-84862-6 (PB)
277
Page 3
278 Mesures multifractales
tandis que la théorie grossière est liée à la dimension de comptage de boîtes. L'approche grossière est
généralement plus pratique quand il s’agit d’analyser des exemples physiques ou des
expériences informatiques, mais la théorie fine peut être plus pratique pour les mathématiques
une analyse. Il existe de nombreux parallèles entre les approches fine et grossière,
et pour de nombreuses mesures, les deux approches conduisent aux mêmes «spectres multifractaux».
Nous décrivons la théorie multifractale grossière et fine, puis considérons la
cas de mesures auto-similaires plus en détail, à la fois pour illustrer la théorie et pour
démontrer des idées centrales telles que la transformation de Legendre.
Tout au long de notre discussion, nous nous référons à l'exemple suivant d'un auto-similaire
mesure multifractale sur un ensemble Cantor. Tout comme le troisième ensemble de Cantor du milieu l'illustre
nombreuses caractéristiques des mathématiques fractales, cette mesure auto-similaire soutenue par le
L'ensemble de chants est typique d'une grande classe de mesures multifractales.
Exemple 17.1
Soit p 1 , p 2 > 0 , avec p 1 + p 2 = 1. On construit une mesure µ sur la

troisième groupe de Cantor moyen Fk ==0 ∩ E k∞ par subdivision répétée . ( Ici E k comprend
les intervalles de niveau 2 k kth de longueur -3k dans la construction habituelle de l'ensemble de Cantor voir
figure 0.1 .) Attribuer l'intervalle gauche de la masse E 1 p 1 et la masse de l'intervalle droit p 2 .
Divisez la masse sur chaque intervalle de E 1 entre ses deux sous-intervalles de E 2 en
le rapport p 1 : p 2 . Continuez ainsi, de sorte que la masse sur chaque intervalle de E k
est divisé dans le rapport p 1 : p 2 entre ses deux sous-intervalles de E k +1 . Cela définit un
distribution de masse sur F, voir proposition 1.7 .
k-r
On voit facilement que si I est un k ème intervalle de niveau de E k alors µ (I) 1=pp2 r où,
dans la construction de I , un intervalle de gauche est pris r fois et un intervalle de droite
k - r fois. Si p 1 = p 2 et k est grand, les masses des k ième intervalles de niveau seront
varient considérablement, voir figure 17.1, ce qui est une manifestation de la multifractalité.
17.1 Analyse multifractale grossière
L'analyse multifractale grossière d'une mesure µ sur n avec 0 <µ ( n ) < ∞ est similaire
à la dimension de comptage de boîtes, en ce que nous comptons le nombre de cubes de maillage C pour
qui μ (C) est plus ou moins r α . (Rappelons que les cubes r-mesh de n sont les cubes de la
forme [ m 1 r, (m 1 + 1 ) r ] × ··· × [ m n r, (m n + 1 ) r ] où m 1 , ..., m n sont des entiers.)
Pour µ une mesure finie sur n et α 0 on écrit
N r (α) = # { r -maille cubes C avec µ (C) rα}, ( 17 . 1 )
et définir le spectre multifractal grossier ou le spectre de singularité grossier de

µ as
+
(N r (α + ε) - N r (α - ε))
Journal
f C (α) = lim lim ( 17 . 2 )
ε→0 r→0 −log r
Page 4
Analyse multifractale grossière 279
0 1
E0
E1
E2
E3
E4
•
•
•
Figure 17.1 Construction de la mesure auto-similaire décrite dans l'exemple 17.1. le

masse à chaque intervalle de E k dans la construction de l'ensemble de Cantor, indiquée par l'aire
du rectangle, est divisé dans le rapport p 1 : p 2 (dans ce cas 1 3
: 23 ) entre les deux
sous-intervalles de E k +1 . La poursuite de ce processus donne une mesure auto-similaire sur le Cantor
ensemble
+
x ≡ max {0 , log x }, ce qui garantit f C (α)
si la double limite existe. (Nous écrivons le journal
0.) La définition (17.2) implique que si η> 0 et ε> 0 est suffisamment petit, alors
r - f C (α) + η N r (α + ε) - N r (α - ε) r - f C (α) - η
( 17 . 3 )
pour tout r suffisamment petit . En gros - f C (α) est l'exposant de la loi de puissance
pour le nombre de r -cubes mailles C tels que µ (C) ≃ r α . Notez que f C (α) n'est pas
la dimension de la boîte de l'ensemble de x telle que µ (C (x, r)) ≃ r α comme r → 0 où
C (x, r) est le cube à mailles r contenant x ; le spectre grossier fournit un global
aperçu des fluctuations de µ à l'échelle r , mais ne donne aucune information sur la
comportement limitant de µ en tout point.
Page 5
Afin de permettre la possibilité de la limite (17.2) ne pas exister, nous définissons la plus faible
et les spectres multifractaux grossiers supérieurs de µ par
+
(N r (α + ε) - N r (α - ε))
Journal
F (α) = lim lim ( 17 . 4 )
C ε→0 r→0
−log r
et +
(N r (α + ε) - N r (α - ε))
Journal
f C (α) = lim lim r → 0 ( 17 . 5 )
ε→0 −log r
pour α 0.
Il est généralement difficile de calculer directement le spectre multifractal grossier f C.
Suite de l'exemple 17.1. Dans cet exemple, l'ensemble

( ) E k est composé de 2 k intervalles
- k , et pour chaque r , un nombre
k k-r
de longueur 3 de ceux-ci ont une masse1ppr2 , où
( ) r
k
est le coefficient binomial habituel. Ainsi, en supposant sans perte de généralité
r
que 0 <p 1 < 1 2
, nous avons
∑m ( k)
N 3 - k (α) = ,
r
r=0
où m est le plus grand entier tel que
k ( log p 2 + α log 3 )
pm
k-m 3 - kα , c'est-à - dire m ≃ .
1p 2
log p 2 - log p 1
Il est désormais possible, mais fastidieux, d'estimer N 3 - k (α) et donc d'examiner sa puissance
exposant de la loi. Cependant, nous rencontrons sous peu une meilleure approche. □
Ensuite, nous introduisons des sommes de moment: pour

et r>q 0∈ le q ème moment de puissance
la somme de µ est donnée par ∑
M r (q) = µ (C) q , ( 17 . 6 )
Mr
où la somme est supérieure à l'ensemble M r de r -cubes mailles C pour lesquels µ (C)> 0.

(Il y a un problème de stabilité pour q négatif : si un cube C coupe juste le bord
de spt µ , alors µ (C) q peut être très grand. Il existe des moyens de contourner cette difficulté,
par exemple en restreignant les sommes aux cubes avec une partie centrale se croisant
spt µ , mais nous ne poursuivons pas cela ici.) Nous identifions le comportement de la loi de puissance de
M r (q) en définissant
log M r (q)
β (q) = lim , ( 17 . 7 )
r→0 −log r
en supposant que cette limite existe.
Page 6
Analyse multifractale grossière 281
Il n'est guère surprenant que ces sommes de moment soient liées au N r (α) . En utilisant
(17.1), il s'ensuit que si q 0 et α 0
∑
M r (q) = μ (C) q r qα N r (α), ( 17 . 8 )
Mr
et si q < 0
∑
M r (q) = μ (C) q r qα # { r -maille cubes avec 0 <µ (C) rα}. ( 17 . 9 )
Mr
Ces inégalités conduisent à une relation utile entre f c (α) et β (q) dans
termes de transformation de Legendre. La transformée de Legendre f L de β est définie
pour α 0 par
f L (α) = −∞ <qinf { β (q) + αq } , ( 17 . 10 )
<∞
à condition que ce soit fini. Il existe une interprétation géométrique utile de la Legendre
transformer. Pour ceux α pour lesquels le graphe de β a en dessous une ligne de support L α
de pente - α , la transformée de Legendre de β est donnée par la valeur de l'ordonnée à l'origine
de L α avec l'axe vertical, voir figure 17.2.
Il est facile de voir que le spectre grossier est délimité au-dessus par le Legendre
transformée de β .
Proposition 17.2
Soit µ une mesure finie sur n , et supposons que la limite de (17.7) existe. Puis
pour tout α 0,
F (α) f C (α) f L (α) ( 17 . 11 )
C
où f L est la transformée de Legendre de β .
b
courbe b ( q )
La
f (a) = b ( q ) + a q
q
-1
bronzer
une
( q , b ( q ))
b(q)
q
Figure 17.2 La transformée de Legendre de β (q) est f (α) , l'intersection de la tangente L α

de pente - α avec l' axe β
Page 7
Preuve. Prenez d'abord q 0. Puis étant donné ε> 0, (17.8) et (17.5) impliquent que
- f C (α) + ε
M r (q) r q (α + ε) N r (α + ε) r q (α + ε) r ( 17 . 12 )
pour r arbitrairement petit . Il résulte de (17.7) que
- β (q) q (α + ε) - f C (α) + ε,
donc f C (α) β (q) + αq en prenant ε arbitrairement petit. Cette inégalité tient également
lorsque q < 0 par un argument parallèle, en utilisant (17.9) avec α remplacé par α - ε . □
La transformée de Legendre f L de β donnée par (17.10) est appelée Legendre

spectre de µ . Il existe de nombreuses mesures pour lesquelles le spectre de Legendre
est égal au spectre multifractal grossier, c'est-à-dire pour lequel l'égalité se produit dans (17.11).
( )
k
Suite de l'exemple 17.1. Rappelant que dans cet exemple du k ème niveau
r
intervalles de longueurs 3- k ont une masse p r p
k-r
, on a 1 2
( )
∑k
k qr q (k - r)
= (p q q
M 3 - k (q) = p1 p2 )k.
r 1+ p 2
r=0
Par conséquent
q q
log M r (q) log M 3 - k (q) log (p )
β (q) = lim = lim = 1+
p 2 . ( 17 . 13 )
r→0 −log r k→∞ −log 3 - k journal 3
-k,
(Il est facile de voir qu'il suffit de laisser r tendre vers 0 à travers les valeurs 3
comparer (3.14).)
Le spectre de Legendre de µ provient de la transformation de Legendre de β ,
c'est-à-dire en minimisant β (q) + αq sur q ∈. Le calcul élémentaire donne que le
minimum se produit lorsque q satisfait
q q
p 1 log p 1 + p 2 log p 2
α=- q q .
(p 2) log 3
1+ p
Le spectre de Legendre est la valeur minimale, qui est donnée en termes de
paramètre q par
q q q q
log (p ) q (p 1 log p 1 + p log p 2 )
f L (α) = 1+
p 2 - 2
. ( 17 . 14 )
q q
journal 3 (p ) log 3
1+ p 2
Le graphe de f L (α) lorsque p 1 = 1 3

, p 2 = 2 3 est affiché dans la figure 17.3. Comme nous
voir à la section 17.3, f L (α) = f C (α) , c'est-à-dire que le spectre de Legendre coïncide
avec le spectre multifractal grossier. □
Page 8
Analyse multifractale fine 283
f L (a) 0,8
q=0
log 2 / log 3
0,6 q=1
q=2 q = −2
0,4
0,2 q=4 q = −4
0
0 0,2 0,4 0,6 0,8 1.0
une
Figure 17.3 Le spectre multifractal de l'exemple 17.1 avec p 1 = 1 3

,p2=2 3
Dans des situations pratiques, les spectres multifractaux sont souvent difficiles à estimer et
travailler avec. On pourrait espérer calculer le spectre grossier f C par «box-counting».
Par exemple, si µ est une mesure de résidence sur l'attracteur d'un système dynamique dans
le plan, un compte de la proportion des itérations d'un point initial qui se trouvent dans chaque
r -maille carrée C pourrait être utilisée pour estimer le nombre de carrés pour lesquels α i
log µ (C) / log r <α i +1 , où 0 α 1 < ··· <α k . Examen de cet «histogramme»
pour divers r permet au comportement de loi de puissance de N r (α + ε) - N r (α + ε) d'être
étudié et f (α) à estimer. Cependant, cette méthode d'histogramme a tendance à être
calcul lent et maladroit.
En général, il est plus satisfaisant d’utiliser la méthode des moments pour expérimenter
détermination totale d'un spectre multifractal. Ainsi, pour une plage de q , le moment
les sommes (17,6) sont estimées pour divers petits r et le comportement de la loi de puissance
examinés pour estimer β (q) à l' aide de (17,7). La transformation de Legendre de β donne un
Spectre de Legendre de µ , et celui-ci est souvent considéré comme le spectre grossier. le
la méthode des moments est généralement plus gérable numériquement que l'histogramme
méthode.
17.2 Analyse multifractale fine
Une analyse multifractale fine examine directement les fractales déterminées par le local
intensité d'une mesure. Soit µ une mesure sur n avec 0 <µ ( n ) < ∞. nous
définir la dimension locale ou exposant de Hölder de µ à x par
dim loc µ (x) = lim log µ (B (x, r)) , ( 17 . 15 )

r→0 log r
Page 9
à condition que cette limite existe. (Plus généralement, on peut travailler avec des
limites locales conduisant à des dimensions locales supérieures et inférieures, mais nous ne
ici.) Nous étudions les ensembles de points x ∈ n où la dimension locale prend
valeurs particulières. Pour α 0 on définit
Fα={x∈n : dim loc µ (x) = α }

{ }
log µ (B (x, r))
= x∈n : lim =α . (17.16)
r→0 log r
Ainsi, F α comprend les points où la dimension locale existe et est égal à α .

Dans l'analyse multifractale fine, nous cherchons à trouver les dimensions de F α pour une plage
de α . Dans la plupart des exemples intéressants, F α est dense dans le support de µ so dim
BFα=
faible
B F α = dim B ( spt µ) (et de même pour les dimensions de la boîte supérieure) par Proposition
3.4, les dimensions de comptage de boîtes sont donc peu utiles pour distinguer les F α .
Ainsi, nous nous concentrons sur le spectre multifractal fin (Hausdorff) ou singularité
spectre de µ défini par
f H (α) = dim H F α . ( 17 . 17 )
(Nous ne considérons pas ici le spectre d'emballage fin qui a une définition similaire
en utilisant la dimension d'emballage.)
Clairement, 0 f H (α) dim H ( spt µ) pour tout α 0, et il découle de la proposition
tion 4.9 b) que
0 f H (α) α. ( 17 . 18 )
Suite de l'exemple 17.1. On peut coder les points x de l'ensemble de Cantor F comme
(i 1 , i 2 , ...) de la manière habituelle, avec i k = 1 si x est dans le sous-intervalle gauche au k ème
étape de la construction de l'ensemble de Cantor, et i k = 2 si x est dans le sous-intervalle droit.
Ensuite, en écrivant n j (x | k ), j = 1 , 2, pour le nombre d'occurrences de j dans le premier k
- k )) = p n 1 (x | k ) n 2 (x | k )
termes de la séquence codant x , nous avons µ (B (x, 3 1 p 2 , pour que
( )
µ (B (x, 3 - k )) -1 n 1 (x | k ) n 2 (x | k )
Journal = log p 1 + log p 2 .
-k
journal 3 journal 3 k k
Ainsi, si n j (x | k ) / k → α j , j = 1 , 2, alors x ∈ F α où α = - (α 1 log p 1 +

α 2 log p 2 ) / log3. Dans ce cas, nous pouvons maintenant calculer f H (α) = dim H F α comme
dans la proposition 10.1, ce qui donne une expression paramétrique équivalente à (17.14).
Nous reportons un calcul formel à la section suivante, où il sera fait dans un
contexte plus général. □
Tout comme la dimension Hausdorff d'un ensemble n'est jamais supérieure à sa dimension de boîte,
il existe une inégalité fondamentale entre les spectres fin et grossier.
Page 10
Analyse multifractale fine 285
Lemme 17.3
Soit µ une mesure finie sur n . Puis
f H (α) f (α) f C (α) ( 17 . 19 )

C
pour tout α 0.
Preuve. L'inégalité droite de (17.19) est évidente. Nous prouvons la gauche

inégalité dans le cas où µ est une mesure sur; la preuve est similaire pour n 2
sauf que les mesures de boules et de cubes doivent être comparées au lieu de mesures
d'intervalles.
Pour α 0 fixe, écrire par souci de concision f ≡ f H (α) = dim H F α ; nous pouvons supposer
f> 0. Étant donné 0 <ε <f alors H f - ε (F α ) = ∞. Par (17.16) il y a un ensemble
F0
α ⊂ F α avec H f - ε (F 0 α )> 1 et un nombre c 0 > 0 tel que
3 r α+ε µ (B (x, r)) < 2 ε-αrα-ε ( 17 . 20 )
pour tout x ∈ F α0 et tout 0 <r c 0 , en utilisant le théorème d'Egoroff. On peut choisir δ

avec 0 <δ 1 2 c 0 tel que H f - ε δ (F 0
α) 1.
Pour chaque r δ, nous considérons les intervalles r -maille (de la forme [ mr, (m + 1 ) r ] avec
m ∈) qui coupent F 0 α . Un tel intervalle I contient un point x de F 0 α , avec
B (x, r) ⊂ I ∪ I L ∪ I R ⊂ B (x, 2 r),
où je L et I R sont les r intervalles -mesh immédiatement à gauche et à droite de I .

Par (17.20)
3 r α+ε µ (B (x, r)) µ (I ∪ I L ∪ I R ) µ (B (x, 2 r)) <r α - ε ,
pour que
r α+ε µ (I 0 ) <r α - ε , ( 17 . 21 )
où I 0 est l' un de I , I L et I R . Par définition de H f - ε δ il y a au moins

r ε - f H f -δ ε (F 0 , donc il y a
α) r ε - f intervalles de maillage r distincts qui coupent F 0 α
au moins 3
r ε1 - f intervalles de maillage r distincts I 0 qui satisfont (17.21) (notons que deux
les vals I séparés par 2 r ou plus donnent lieu à des intervalles différents I 0 ). Nous concluons
que pour r δ
N r (α + ε) - N r (α - ε) 1 3
r ε-f ,
donc à partir de (17.4) (α)

f f - ε ; comme cela est vrai pour tous les positifs ε nous concluons
C
F (α) f = f H (α) . □
C
Page 11
Tout comme de nombreuses fractales que nous avons rencontrées ont une boîte égale et Hausdorff
dimensions, de nombreuses mesures multifractales communes ont un grossier et un
spectres, c'est-à-dire l'égalité dans (17.19). Dans la section suivante, nous montrerons que cette
c'est le cas pour les mesures autosimilaires.
En mettant en place des mesures de type Hausdorff adaptées à des fins multifractales, nous
peut définir une quantité β (q) jouant un rôle similaire dans la théorie fine à celui de (17.7)
dans la théorie grossière. La transformée de Legendre de ce β (q) donne une borne supérieure
pour le spectre multifractal fin, et encore une fois dans de nombreux cas donne la valeur réelle.
17.3 Multifractales auto-similaires
Dans cette section, nous calculons le spectre multifractal fin d'une mesure auto-similaire
sur, dont l'exemple 17.1 est un cas spécifique. Non seulement les mesures auto-similaires
important en soi, mais aussi les méthodes à décrire s’adaptent à de nombreuses
autres classes de mesures.
Nous considérons une mesure auto-similaire µ supportée sur un sous-ensemble auto-similaire F
de. Soit S 1 , ..., S m : → contractent des similitudes avec les ratios c 1 , ..., c m .
Comme au chapitre 9, le système de fonctions itérées { S 1 , ..., S m } a un (unique non
compact vide) attracteur F ⊂. Nous supposons qu'une forte condition de séparation
tient, c'est-à-dire qu'il y a un intervalle fermé I tel que S i (I) ⊂ I pour tout i , et
S i (I) ∩ S j (I) = Ø chaque fois que i = j .
Comme au chapitre 9, nous indexons les intervalles dans la construction naturelle de F par
les séquences finies I k = { (i 1 , ..., i k ) : 1 i m }, écrivant i = (i 1 , ..., i k ) pour a
séquence typique de I k . Donc
I i = I i 1 , ..., i k = S i 1 ◦ ··· ◦ S i k (I). ( 17 . 22 )
Pour plus de commodité, nous supposons que | Je | = 1, donc pour i = (i 1 , i 2 , ..., i k ) ∈ I k nous avons
| Je i | = c i ≡ c i 1 c i 2 ··· c i k . ( 17 . 23 )
Nous définissons une mesure auto-similaire µ avec support F par subdivision répétée.
Soit
∑ m p 1 , ..., p m des «probabilités» ou des «rapports de masse», c'est-à-dire p i > 0 pour tout i et
i = 1 p i = 1. Division répétée de la masse aux intervalles I i 1 , ..., i k entre les sous-

tervales I i 1 , ..., i k , 1 , ..., I i 1 , ..., i k , m dans les rapports p 1 : ···: p m définit une mesure µ sur
F , voir proposition 1.7. Donc
µ (I i 1 , i 2 , ..., i k ) = p i ≡ p i 1 p i 2 ··· p i k . ( 17 . 24 )
Il est facile de voir que µ est une mesure auto-similaire , dans le sens où
∑m
-1
µ (A) = p i µ (S je (UNE)) ( 17 . 25 )
i=1
pour tous les ensembles A .
Page 12
Multifractales auto-similaires 287
Ensuite, étant donné un nombre réel q , nous définissons β = β (q) comme le nombre positif satisfaisant
∑m
q β (q)
p je c je = 1; ( 17 . 26 )
i=1
puisque 0 <c i , p i < 1 un tel nombre β (q) existe et est unique. en outre
β: → est une fonction décroissante avec
lim β (q) = ∞ et lim β (q) = −∞ . ( 17 . 27 )

q → −∞ q→∞
La différenciation (17.26) implicitement par rapport à q donne
m
( )
0= ∑ d β log c i
q β (q)
p je c je log p i + , ( 17 . 28 )
dq
i=1
et différencier donne à nouveau

( ( )2 )
∑m
q β (q) d 2β dβ
0= p je cje log c i + log p i + log c i .
i=1
dq2 dq
Ainsi, d 2 β / d q 2 0, donc β est convexe en q . Le journal fourni p i / journal c i n'est pas le même
pour tout i = 1 , ..., m , alors d 2 β / d q 2 > 0 et β est strictement convexe; nous supposons
désormais cela vaut pour éviter les cas dégénérés.
Nous montrerons que le spectre multifractal fin (Hausdorff), f H (α) = dim F α ,
est la transformée de Legendre de β , où, comme précédemment, la transformée de Legendre f de β
est défini par
f (α) = −∞ <qinf { β (q) + αq } , ( 17 . 29 )
<∞
à condition que ce soit fini. Depuis β : → est une fonction convexe, il existe une plage
de α , disons α ∈ [ α min , α max ] pour lesquels le graphe de β a une ligne de support L α de
pente - α , et pour un tel α, cette ligne de support est unique (donc - α min et - α max sont
les pentes des asymptotes du graphe de β ). Puis la transformée de Legendre
de β est f : [ α min , α max ] → donnée par la valeur de l'ordonnée à l'origine de L α avec le
axe vertical, voir à nouveau la figure 17.2. Il est clair que f est continue dans α .
Puisque β est strictement convexe, pour un α donné, l'infimum dans (17.29) est atteint à
un q = q (α) unique . En égalisant la dérivée de β (q) + αq à 0, cela se produit lorsque
dβ
α=- ( 17 . 30 )
dq
pour que
dβ
f (α) = αq + β (q) = - q + β (q). ( 17 . 31 )
dq
Page 13
Notez que si l'un quelconque de q ∈ , β ∈ et α ∈ (α min , α max ) est donné, les deux autres
sont déterminés par (17.26), (17.30) et (17.31). Utilisation (17h30) et réorganisation
(17.28) donne ∑m q β
i = 1 p je c je log p i
α= ∑m q β
. ( 17 . 32 )
i = 1 p je c je log c i
En inspectant cette expression, nous voyons que
α min = min log p i / log c i et α max = max log p i / log c i ( 17 . 33 )

1 i m 1 i m
qui correspondent à q approchant ∞ et −∞, respectivement.

Pourvu que les nombres {log p i / log c i } m i = 1 sont tous différents, f (α min ) =
f (α max ) = 0, voir exercice 17.8.
Différencier (17.31) par rapport à α et utiliser (17.30),
df dq dβ dq
=α +q+ = q. ( 17 . 34 )
dα dα dq dα
Puisque q diminue à mesure que α augmente, il s'ensuit que f est une fonction concave de α .
Certaines valeurs de q présentent un intérêt particulier, voir figure 17.4. Si q = 0 alors β (q) =
dim H F = dim H ( spt µ) , en comparant (17.26) et la formule de dimension pour
fensembles similaires (9.13).

(α) ; par conséquent, dim H FDe=plus,
dim Hpar (17,34),
( spt q = α0 fcorrespond
µ) = max (α) . au maximum de
Lorsque q = 1 (17,26) implique β (q) = 0 alors f (α) = α par (17,31). En outre,
d f (α) / d α = q = 1, de sorte que la courbe f (α) se trouve sous la ligne f = α et touche
juste au point correspondant à q = 1. Il s'ensuit plus tard que α ( 1 ) =
f (α ( 1 )) = dim H µ , où
dim H µ = inf {dim H E : E est un ensemble borel avec µ (E)> 0} ( 17 . 35 )
est la dimension de Hausdorff de la mesure µ . Ainsi, la dimension de µ est la

dimension d'un ensemble sur lequel une partie significative de µ est concentrée.
On peut maintenant énoncer le résultat principal sur le spectre multifractal fin d'un
mesure auto-similaire, que le spectre multifractal de Hausdorff est donné par le
Transformée de Legendre (17.29) de β (q) donnée par (17.26).
Théorème 17.4
Soit µ une mesure auto-similaire comme ci-dessus et
Fα={x∈n : dim loc µ (x) = α } .
Si α / ∈ [ α min , α max ] alors F α = Ø, et si α ∈ [ α min , α max ] alors
f H (α) ≡ dim H F α = f (α), ( 17 . 36 )
où f est la transformée de Legendre de β (q) .
Page 14
pente-a max
b (0) = dim H spt m
q
0 1
b(q)
pente − a min
(A)
F
f=a
dim H spt m
q=0
dim m q=1
f (a)
q→∞ q → −∞
0
une minute un max une
0
(B)
Figure 17.4 Forme des fonctions multifractales pour une mesure auto-similaire typique. ( A ) La
courbe β (q) , ( b ) le «spectre multifractal» f (α) = dim H F α , qui est le trans-
forme de β (q)
Nous donnons d'abord une preuve partielle simple, puis un

preuve de ce théorème.
Comme d'habitude dans ce type de travail, il est commode de redéfinir F α en termes de
intervalles de composants I i plutôt que les billes B (x, r) . Pour x ∈ spt µ on écrit I k (x)
pour le k ème ensemble de niveaux I i 1 , ..., i k qui contient x . Nous allons aller et venir entre
l'ensemble I k (x) et la balle B (x, r) où | I k (x) | est comparable à r .
Page 15
Lemme 17.5
Pour tout x ∈ F
log µ (B (x, r)) log µ (I k (x))

dim loc µ (x) ≡ lim = lim , ( 17 . 37 )
r→0 log r k→∞ journal | I k (x) |
avec soit les deux, soit aucune de ces limites existantes. En particulier
{ }
log µ (I k (x))
Fα= x ∈ F : lim =α . ( 17 . 38 )
k→∞ journal | I k (x) |
Preuve. Soit b = min 1 i m | Je i | et soit d l'écart minimum entre les intervalles

Je 1 , ..., je m . Soit x ∈ F et soit 0 <r < 1, et soit k l'entier tel que
| I k (x) | r < | I k −1 (x) | b −1 | I k (x) | .
Alors I k (x) ⊂ B (x, r) et B (x, dr) ∩ E ⊂ I k (x) puisque l'écart entre I k (x) et
tout autre intervalle de niveau k est d'au moins d | I k −1 (x) | > dr . Puis
µ (B (x, dr)) µ (I k (x)) µ (B (x, r)).
Par conséquent,
log µ (B (x, dr)) = log µ (B (x, dr)) log µ (I k (x)) log µ (B (x, r))
log (dr) - log d log r journal | I k (x) | log br
log µ (B (x, r))
= .
log b + log r
Soit r → 0, c'est-à-dire k → ∞, donne le résultat. □
Nous donnons maintenant une preuve directe de la borne supérieure dim H F α f (α) ; cela est inclus
car il utilise l'idée de sommer sur une classe restreinte sur des intervalles, une technique
qui est fréquemment utilisé dans la théorie multifractale.
Preuve partielle du théorème 17.4. Nous montrerons que f (α) β (q) + qα pour q> 0.
Le cas de q 0 est similaire, mais avec des changements de signe, voir l'exercice 17.13, et
prendre toutes les valeurs de q ensemble donne dim H F α f (α) .
Prendre ε> 0. Soit Q k représentent les k ième séquences de niveau i = (i 1 , ..., i k ) ∈ I k
tel que
| Je i | α + ε µ (I i ). ( 17 . 39 )
Page 16
Puis:
∑ ∑
| Je i | β + q (α + ε) | Je i | β µ (I i ) q
i∈Qk i∈Qk
∑
| Je i | β µ (I i ) q
i∈Ik
∑
= (c i 1 c i 2 ... c i k ) β (p i 1 p i 2 ... p i k ) q
i 1 , ..., i k
( )k
∑m
q β
= p je c je =1, (17.40)
i=1
en utilisant une expansion multinomiale et (17.26).

Pour chaque entier K , écrivez
F K = { x ∈ F : µ (I k (x)) | I k (x) | α + ε pour tout k K}.

⋃
Alors, pour tout k K , l'ensemble F K ⊂ i∈Qk I i par (17,39), donc par (17,40),
H β + q (α + ε) (F K )
1, puisque pour un k ème intervalle de niveau, | Je i | c k où c =
ck
max 1 i m c i . Soit k → ∞ donne⋃ ∞ H β + q (α + ε) (F K ) 1, de sorte que dim H (F K )
β + q (α + ε) . Mais F α ⊂ K = 1 F K par (17,38), puisque si log µ (I k (x)) / log | I k (x) |
→ α puis µ (I k (x)) | I k (x) | α + ε pour tout k suffisamment grand. Ainsi dim H (F α )
β + q (α + ε) pour tout ε> 0, donnant dim H (F α ) β + qα . □
∗
[ Le reste de cette section peut être omis.]
Nous nous embarquons maintenant sur une preuve complète du théorème 17.4. L'écriture
∑m
q β
(q, β) = p je c je ( 17 . 41 )
i=1
pour q, β ∈ , β (q) est défini par (q, β (q)) = 1, voir (17.26). Nous avons besoin du
après estimation de près de (q, β (q)) .
Lemme 17.6
Pour tout ε> 0,

(q + δ, β (q) + ( - α + ε) δ) < 1 ( 17 . 42 )
et
(q - δ, β (q) + (α + ε) δ) < 1 ( 17 . 43 )
pour tout δ> 0 suffisamment petit .
Page 17
Preuve. Rappelant que d β / d q = - α , l'expansion autour de q donne
β (q + δ) = β (q) - αδ + O (δ 2 ) <β (q) + ( - α + ε) δ
si δ est assez petit. Depuis (q + δ, β (q + δ)) = 1 et diminue dans

son deuxième argument, (17.42) suit. L'inégalité (17,43) est dérivée dans un
façon. □
Pour prouver le théorème 17.4, pour chaque α nous concentrons une mesure ν sur F α et
examiner le comportement de la loi de puissance de ν (B (x, r)) comme r → 0, afin que nous puissions utiliser
Proposition 4.9 pour trouver la dimension de F α . Étant donné q ∈ et β = β (q) , (17,26)
permet de définir une mesure de probabilité ν sur spt µ par subdivision répétée
tel que
ν (I i 1 , ..., i k ) = (p i 1 p i 2 ··· p i k ) q (c i 1 c i 2 ··· c i k ) β , ( 17 . 44 )
pour chacun (i 1 , ..., i k ) , et en l'étendant à une mesure sur F de la manière habituelle.

Avec (17.23) et (17.24), cela donne trois façons de quantifier le I i :
q β
| Je i | = c i , µ (I i ) = p i , ν (I i ) = p c ( 17 . 45 )
je je
pour tout i = (i 1 , ..., i k ) .

La proposition suivante contient le nœud du spectre multifractal cal-
culation.
Proposition 17.7
Avec q, β, α et f comme ci-dessus, et avec ν déterminé par (17.44),
( a ) ν (F α ) = 1,
( b ) pour tout x ∈ F α, nous avons log ν (B (x, r)) / log r → f (α) comme r → 0.
Preuve. Soit ε> 0 donné. Alors pour tout δ> 0
ν { x : µ (I k (x)) | I k (x) | α - ε } = ν { x : 1 µ (I k (x)) δ | I k (x) | (ε - α) δ }

∫
µ (I k (x)) δ | I k (x) | (ε - α) δ dν (x)
∑
= µ (I i ) δ | Je i | (ε - α) δ ν (I i )
i∈Ik
∑
q+δ β + (ε - α) δ
= p je c je
i∈Ik
( )k
∑m
q+δ β + (ε - α) δ
= p cje
je
i=1
= [ (q + δ, β + (ε - α) δ) ] k,
Page 18
où est donnée par (17.41), en utilisant (17.45) et une expansion multinomiale. Choos-
ing δ assez petit et en utilisant (17,42) donne que
ν { x : µ (I k (x)) | I k (x) | α - ε } γk ( 17 . 46 )
où γ < 1 est indépendant de k . Donc
∑∞
ν { x : µ (I k (x)) | I k (x) | α - ε pour certains k K} γk γ K / ( 1 - γ).
k=K
Il s'ensuit que pour ν- presque tout x nous avons
log µ (I k (x))
lim α - ε.
Cela est vrai pour tout ε> 0, donc nous obtenons l'inégalité de gauche de
log µ (I k (x)) log µ (I k (x))

α lim lim α.
k→∞ journal | I k (x) | k→∞ journal | I k (x) |
L'inégalité de droite suit de la même manière, en utilisant (17,43) pour estimer

ν { x : µ (I k (I)) | I k (x) | α + ε }. De (17,37) nous concluons que pour ν- presque tout x
log µ (I k (x))
dim loc µ (x) = lim =α
et il s'ensuit que ν (F α ) = ν (F) = 1.

Pour ( b ), notez qu'à partir de (17.45)
log ν (I k (x)) log µ (I k (x)) journal | I k (x) |

=q +β , ( 17 . 47 )
journal | I k (x) | journal | I k (x) | journal | I k (x) |
donc pour tout x ∈ F α

log ν (I k (x))
→ qα + β = f ( 17 . 48 )
journal | I k (x) |
comme k → ∞, en utilisant (17.31). La partie ( b ) suit, appliquant (17.37) avec ν remplaçant

µ. □
Notre principal théorème 17.4 sur le spectre multifractal des mesures auto-similaires
suit maintenant facilement.
Preuve du théorème 17.4. À partir de (17.45)

∑k
log µ (I i ) log p i j
= ∑ kj = 1
journal | Je i | j = 1 log c i j
Page 19
où i = (i 1 , ..., i k ) , donc par (17,33) log µ (I i ) / log | Je i | ∈ [ α min , α max ] pour tout i .
Ainsi, les seuls points limites possibles de log µ (I i ) / log | I i |, et ainsi de (17,37) de
log B (x, r) / log r , sont en [ α min , α max ]. En particulier, F α = Ø si α / ∈ [ α min , α max ].
Si α ∈ (α min , α max ) alors par la proposition 17.7 il existe une mesure ν concen-
calculée sur F α avec lim r → 0 log ν (B (x, r)) / log r = f (α) pour tout x ∈ F α , donc (17,36)
découle de la proposition 4.9. Pour les cas α = α min et α = α max , voir Exercice
17.14. □
Ainsi, pour une mesure auto-similaire, la dimension de F α peut être calculée par
en prenant la transformée de Legendre de β (q) donnée par (17.26).
Les dimensions de spt µ et de la mesure µ , voir (17.35), peuvent facilement être
trouvé à partir du spectre multifractal.
Proposition 17.8
Soit µ une mesure auto-similaire comme ci-dessus. Concernant α = α (q) en fonction de q ,
( a ) f (α) prend son maximum lorsque α = α ( 0 ) , avec f (α ( 0 )) = dim H spt µ .

( b ) f (α ( 1 )) = α ( 1 ) = dim H µ .
Preuve. La partie ( a ) et que f (α ( 1 )) = α ( 1 ) ont été notés comme une conséquence de (17,34).
Pour la dimension de la mesure µ , si q = 1 alors β = 0 de (17,26), donc par
(17.44) la mesure ν est identique à µ . Par la proposition 17,7 µ (F α ( 1 ) ) = 1 et
dim loc µ (x) = f (α ( 1 )) pour tout x ∈ F α ( 1 ) , donc par la proposition 4.9, dim H E = f (α ( 1 ))
pour tout E avec µ (E)> 0. Ainsi ( b ) découle de la définition de la dimension
d'une mesure (17,35). □
Ensuite, nous montrons que le spectre grossier d'une mesure auto-similaire est également égal
en f (α) , la transformée de Legendre de β .
Proposition 17.9
Soit µ une mesure auto-similaire sur comme ci-dessus. Puis
F (α) = f C (α) = f H (α) = f (α) ( 17 . 49 )

C
pour tout α = α (q) pour lequel q 0.
Preuve. Nous notons d'abord que par le théorème 17.4 et le lemme 17.3 nous avons f (α) =
f H (α) f (α) f C (α) , où les spectres grossiers sont donnés par (17.4) et (17.5).
C
Pour prouver l'inégalité inverse, soit d la séparation minimale de I i et I j
-1
pour i = j , et écrivez a = 2 / d . Étant donné r <a , soit Q l'ensemble de toutes les séquences
i = (i 1 , ..., i k ) ∈ I k tel que | I i 1 , ..., i k | ar mais | I i 1 , ..., i k −1 | > ar . Puis
abr < | Je i | = c i ar ( 17 . 50 )
Page 20
si i ∈ Q , où b = min 1 i m c i . On note que chaque point de F se situe exactement

un ensemble I i avec i ∈ Q , et aussi que pour i distinct , j ∈ Q les ensembles I i et I j ont
séparation au moins dar = 2 r .
Supposons q> 0 et soit β, α et f les valeurs correspondantes données par
(17.26), (17.30) et (17.31). Puis
-α| Je i | α } = # { i ∈ Q : 1 (a α | I i | - α µ (I i )) q }
# { i ∈ Q : µ (I i ) a
q - αq
= # { i ∈ Q : 1 a αq p }
je cje
∑
q - αq
a αq p jec je
i∈Q
∑
q β - β - αq
= un αq p
je cje cje
i∈Q
∑
- β - αq q β
a αq (abr) p jec je
i∈Q
a αq (ab) -fr -f,
∑
q β
en utilisant (17,50), (17,31)
∑ m et que p je c
i = 1, une identité qui suit par la répétition
i∈Q
q β q β
substitution simplifiée dei = 1 p c
je , jei , i =en soi. Chaque intervalle r- mesh se croise
p je cje
au plus l' un des ensembles I i pour i ∈ Q . Avec N r (α) comme dans (17.1)
N r (α) = # { r -intervalles de maillage C : µ (C) rα}

# { i ∈ Q : µ (I i ) a -α| Je i | α }
a αq (ab) - f (α) r - f (α) ,
en utilisant (17,50). Il s'ensuit qu'il existe un nombre c tel que pour des
ε et r
- f (α + ε) ,
N r (α + ε) - N r (α - ε) N r (α + ε) cr
ainsi, par (17,5), f C (α) f (α + ε) pour tout ε> 0; puisque f est continue f C (α)
f (α) . □
Le spectre grossier, tel que nous l'avons défini, ne se comporte pas assez bien pour
donner l'égalité en (17,49) pour α correspondant à q < 0.
Suite de l'exemple 17.1. La proposition 17.9 nous permet de compléter notre

q q
analyse de cet exemple. Avec β (q) = log (p ) / log3, le gros et le fin
1+ p 2
les spectres multifractaux de µ sont égaux à la transformée de Legendre f (α) de β (q) , qui
est f C (α) = f H (α) = f (α) pour α ∈ [ α min , α max ], où α min = min i = 1 , 2 log p i /
- log3 et α max = max i = 1 , 2 log p i / - log3. Comme précédemment, cela conduit à la
expression paramétrique de f donnée dans (17.14).
Ces méthodes se généralisent à de nombreuses autres mesures multifractales. En particulier,

la dérivation du spectre multifractal pour des mesures auto-similaires s'étend à

Chap 11 Immm

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chap 11 Immm

Transféré par

Droits d'auteur :

Formats disponibles

31/03/2020 Des exercices

276 Mouvement brownien et surfaces browniennes

(1985), Samorodnitsky et Taqqu (1994) et Embrechts et Maejima (2002)

de la piste brownien X (t) frapper F .

Chapitre 17 Mesures multifractales

Proposer une meilleure traduction

pour les sous-ensembles A de D , où x ∈ D est un point initial. Ainsi, µ (A) représente la

Géométrie fractale: fondements mathématiques et application. Deuxième édition Kenneth Falconer

278 Mesures multifractales

Soit p 1 , p 2 > 0 , avec p 1 + p 2 = 1. On construit une mesure µ sur la

17.1 Analyse multifractale grossière

N r (α) = # { r -maille cubes C avec µ (C) rα}, ( 17 . 1 )

et définir le spectre multifractal grossier ou le spectre de singularité grossier de

Analyse multifractale grossière 279

Figure 17.1 Construction de la mesure auto-similaire décrite dans l'exemple 17.1. le

280 Mesures multifractales

Suite de l'exemple 17.1. Dans cet exemple, l'ensemble

où m est le plus grand entier tel que

Ensuite, nous introduisons des sommes de moment: pour

où la somme est supérieure à l'ensemble M r de r -cubes mailles C pour lesquels µ (C)> 0.

en supposant que cette limite existe.

Analyse multifractale grossière 281

où f L est la transformée de Legendre de β .

Figure 17.2 La transformée de Legendre de β (q) est f (α) , l'intersection de la tangente L α

282 Mesures multifractales

pour r arbitrairement petit . Il résulte de (17.7) que

La transformée de Legendre f L de β donnée par (17.10) est appelée Legendre

Le graphe de f L (α) lorsque p 1 = 1 3

Analyse multifractale fine 283

Figure 17.3 Le spectre multifractal de l'exemple 17.1 avec p 1 = 1 3

17.2 Analyse multifractale fine

dim loc µ (x) = lim log µ (B (x, r)) , ( 17 . 15 )

284 Mesures multifractales

Fα={x∈n : dim loc µ (x) = α }

Ainsi, F α comprend les points où la dimension locale existe et est égal à α .

Ainsi, si n j (x | k ) / k → α j , j = 1 , 2, alors x ∈ F α où α = - (α 1 log p 1 +

Analyse multifractale fine 285

Soit µ une mesure finie sur n . Puis

f H (α) f (α) f C (α) ( 17 . 19 )

Preuve. L'inégalité droite de (17.19) est évidente. Nous prouvons la gauche

3 r α+ε µ (B (x, r)) < 2 ε-αrα-ε ( 17 . 20 )

pour tout x ∈ F α0 et tout 0 <r c 0 , en utilisant le théorème d'Egoroff. On peut choisir δ

B (x, r) ⊂ I ∪ I L ∪ I R ⊂ B (x, 2 r),

où je L et I R sont les r intervalles -mesh immédiatement à gauche et à droite de I .

3 r α+ε µ (B (x, r)) µ (I ∪ I L ∪ I R ) µ (B (x, 2 r)) <r α - ε ,

où I 0 est l' un de I , I L et I R . Par définition de H f - ε δ il y a au moins

donc à partir de (17.4) (α)

286 Mesures multifractales

17.3 Multifractales auto-similaires

I i = I i 1 , ..., i k = S i 1 ◦ ··· ◦ S i k (I). ( 17 . 22 )

i = 1 p i = 1. Division répétée de la masse aux intervalles I i 1 , ..., i k entre les sous-

pour tous les ensembles A .

Multifractales auto-similaires 287

lim β (q) = ∞ et lim β (q) = −∞ . ( 17 . 27 )

La différenciation (17.26) implicitement par rapport à q donne

et différencier donne à nouveau

288 Mesures multifractales

En inspectant cette expression, nous voyons que

α min = min log p i / log c i et α max = max log p i / log c i ( 17 . 33 )

qui correspondent à q approchant ∞ et −∞, respectivement.

fensembles similaires (9.13).

dim H µ = inf {dim H E : E est un ensemble borel avec µ (E)> 0} ( 17 . 35 )

est la dimension de Hausdorff de la mesure µ . Ainsi, la dimension de µ est la

Fα={x∈n : dim loc µ (x) = α } .