Séries – Décompositions et transformations de fonctions

Beaucoup de phénomènes physiques peuvent être évalués par une série de valeurs
successives. Par exemple la croissance de population bactérienne peut se mettre sous la forme
d’une série géométrique (la population double toutes les unités de temps par exemple), ou la
radioactivité d’un élément (la radioactivité est divisée par deux au bout d’une demi-vie de
l’élément), ou encore la hauteur des rebonds d’une balle en caoutchouc que l’on laisse tomber
sous l’effet de la pesanteur, etc. On peut d’ailleurs remarquer que (du moins pour ces trois
exemples) il est également possible de mettre le phénomène en équation, ce qui permet
d’avoir un suivi, non plus discret (toutes les unités de temps) mais continu des variations
évaluées. On peut ainsi légitimement être amené à se poser le problème des liens éventuels
existants entre une fonction continue et une série.
Si l’on prend comme exemple les séries géométriques, c’est à dire celles dont les éléments
sont obtenus en multipliant la valeur précédente par une constante (par exemple 1, 2, 4, 8, 16,
2
… (croissance bactérienne) où chaque terme est égal au double du précédent, ou encore 1, ,
3
4 8 2
, , …(rebonds), où le coefficient multiplicatif est ), on peut se poser la question de
9 27 3
connaître la somme de ces séries, c’est à dire la valeur obtenue si l’on effectue une somme de
toutes ces valeurs jusqu’à l’infini : cela nous donnerait ici, le nombre total de bactéries, ou la
hauteur totale des rebonds. On peut montrer que si la raison de la série géométrique
(coefficient multiplicatif)est strictement inférieure à 1, cette somme est donnée par la
a
formule : S = , avec a valeur initiale de la série, et r, raison de cette série.
1− r
Dans les exemples ci-dessus, la raison de la croissance bactérienne est 2 (chaque valeur est
obtenue en multipliant la précédente par deux) et donc la série ne converge pas : la croissance
continue à l’infini, selon une courbe exponentielle. Dans le second exemple, la raison est 2/3,
et la somme de cette série est donc 3 : la somme des hauteurs de tous les rebonds est 4. On
peut remarquer ici, que dès les 4 premiers rebonds on atteint 80% de la hauteur totale. Dans
une série géométrique on obtient une bonne approximation de la somme en sommant les
quelques premiers éléments.
Il existe bien d’autres séries que les séries géométriques. En fait toute série de valeurs
(a0 , a1, a2 ,...) , dans laquelle un élément est donné par une formule ou une règle fixe, est
 ( 2 2 2
) x 2 x3

une série. Par exemple 1 ,2 ,..., n ,... ou encore x,
 2 3
x n 
, ,..., ,... Les séries
n 

géométriques ne sont que des cas particuliers. Les sommes de ces séries sont alors notées :
∞ ∞ xn
2
∑n , ou encore ∑ pour les deux séries ci-dessus respectivement.
n =1 n =1 n

Une des raisons principales de l’utilisation des séries est le remplacement de fonctions par
leur développement en série. Ceci se pratique lorsque l’utilisation directe de la fonction
complique, voire empêche, certains calculs (par exemple des intégrales sur les fonctions
racines ou logarithmiques) alors que le même calcul est aisé sur la série correspondante. Il se
peut également que le calcul initial (intégration par exemple) soit faisable sur la fonction,
mais que le résultat obtenu soit totalement inutilisable du fait de sa complexité, alors que le
passage par une série n’entraîne pas de telles conséquences.
Tout le problème repose alors sur la possibilité de transformer une fonction donnée en une
série. Pour cela, l’on dispose de quelques outils, notamment de la décomposition en série de
MacLaurin ou de Taylor que nous verrons plus loin.

1- Convergence et divergence des séries

Le principal problème des séries est la nécessité de connaître leur convergence ou divergence
éventuelle. En effet, il est hors de question d’utiliser les calculs algébriques classiques sur des
séries si celles-ci ne convergent pas. Par exemple, si l’on étudie la série ci-dessus concernant
la croissance bactérienne et que l’on cherche sa somme. On peut écrire :
S=1+2+4+8+…
D’où : 2S = 2 + 4 + 8 + …= S-1
Et on tire S = -1, ce qui est une totale absurdité, due au fait que l’on considère la série comme
convergente dès lors que l’on procède à des calculs algébriques sur une somme infinie.

Il existe de nombreux tests permettant de vérifier la (non-)convergence ou la (non-)

divergence, des séries, parmi lesquels les suivants :
Test préliminaire : Soit une série de terme général an. Si lim n → ∞ an ≠ 0 , cette série

diverge. Cette première règle permet d’éliminer la convergence pour les séries les plus
grossières. Des tests plus recherchés sont cependant nécessaires pour prouver la convergence
d’une série.

Test de comparaison : Si la série bn est une série convergente, et que an ≤ bn pour tout n,

alors la série an est convergente.

Test de l’intégrale : Si la série an est positive et décroissante c’est à dire 0 < an +1 < an , alors

∞
cette série converge si ∫ an dn est finie (avec N quelconque).
N

a
Test du rapport : Soit ρ = lim n → ∞ n +1 . Si ρ < 1 , alors la série converge, si ρ > 1 , la
an
série diverge, si ρ = 1 , on ne peut pas conclure.

Test des séries alternantes : Si la série est alternante, c’est à dire que ses éléments sont
alternativement positifs et négatifs, si an +1 ≤ an , et que lim n → ∞ an = 0 , alors la série

est convergente.

L’utilisation de ces différents tests permet généralement de lever l’éventuelle ambiguïté

concernant la convergence ou non des séries. Ces règles concernent cependant les séries dont

 xn 
les éléments sont constants, et non pas les séries telles que   , dans lesquelles le terme
 n 
 
générique de la fonction dépend d’une variable x. Dans ces cas on définira des intervalles de
convergence (c’est à dire les intervalles dans lesquels doit se trouver la valeur x, pour que la
série converge. Les tests à appliquer sont les mêmes, mais le but sera alors de déterminer x
(s’il en existe) pour que la série converge.

2- Séries de Taylor et MacLaurin

Si l’on considère qu’une fonction peut être écrite sous la forme de la somme d’une série de
puissance, alors elle s’écrit de la manière suivante :
f ( x ) = f (a ) + ( x − a ) f ' (a ) +
1
(x − a )2 f ' ' (a ) + ... + 1 (x − a )n f (n ) (a ) + ...
2! n!
Il s’agit de la décomposition de Taylor au voisinage de x = a. prenant en compte les dérivées
successives de la fonction f.

On appelle décomposition de Mac Laurin, cette équation où l’on pose a = 0. On obtient donc :

x2 x n (n )
f ( x ) = f (0 ) + xf ' (0 ) + f ' ' (0 ) + ... + f (0 ) + ...
2! n!

Ces décompositions sont donc théoriquement simples à pratiquer. Il ne faut cependant pas
perdre de vue deux points :
- Toutes les fonctions ne possèdent pas une décomposition en série
- Il n’est pas forcément aisé de déterminer la dérivée nième de la fonction concernée
La résolution de la première difficulté nous amènerait trop loin, et l’on va donc a priori la
négliger. Ce qui ne veut pas dire que le problème n’existe pas, mais que nous ne le résoudrons
pas d’un point de vue théorique.
La résolution de la seconde difficulté s’obtient généralement en connaissant un certain
nombre de décompositions simples, et en les utilisant comme ci-dessous.

Les décompositions classiques (obtenues par la formule de Mac Laurin) sont les suivantes :

(1 + x )n = 1 + nx + n(n − 1) x 2 + n(n − 1)(n − 2) x 3 + ... pour x <1

2! 3!

x x 2 x3
e =1+ x + + + ... pour tout x
2! 3!

x 2 x3
ln (1 + x ) = x − + − ... pour x < 1
2 3

x3 x5
sin ( x ) = x − + − ... pour tout x
3! 5!

x2 x4
cos( x ) = 1 − + − ... pour tout x
2! 4!
 21- Méthodes d’obtention de la décomposition de Mac Laurin
Pour obtenir la décomposition d’une fonction en série, on peut, bien entendu, appliquer la
définition et calculer les différentes dérivées successives. Il est souvent plus aisé de procéder
en deux temps :
- décomposer chaque élément de la fonction en série
- effectuer les opérations (multiplication, addition, division) nécessaires sur les
décompositions pour arriver au résultat final.
Par exemple :

Pour avoir la décomposition de e sin ( x ) , il est plus simple de décomposer séparément les
x

et sin ( x ) (telles qu’indiquées ci-dessus) puis de procéder à la

x
deux fonctions e
multiplication terme à terme de ces deux décompositions.
sin ( x )
Même remarque pour une fonction de la forme , par exemple, où il suffit de diviser
x
chaque terme de la décomposition de sin ( x ) par x .
Pour obtenir la décomposition de la fonction tangente, on divise les deux décompositions de
sin ( x ) et cos( x ) , selon les puissances croissantes.

22- Utilisations de ces décompositions en séries de puissance

Les décompositions de fonction de ce type sont très utilisées dans tous les domaines
scientifiques pour évaluer rapidement des valeurs approchées de la fonction réelle : c’est ce
que l’on appelle les développements limités, car on n’utilise alors que les premiers termes de
la série. En effet on a vu plus haut que la somme de la série (et donc la valeur de la fonction)
est approchée d’une manière correcte en sommant les premiers termes de cette série. Ainsi il

est simple et rapide d’évaluer la fonction (1 + x ) par la valeur approchée 1 + nx , lorsque

n

x est petit devant 1, (les termes en x i avec i ≥ 2 sont négligeables devant nx ). Ceci est
également vrai pour les autres fonctions.

Elles trouvent une application courante également dans l’étude de fonctions, et notamment
pour lever les indéterminations lors de recherche de limites. Par exemple la recherche de la

ex −1 0
limite de pour x = 0, conduit à une indétermination de type . Cette dernière est
x 0
aisément levée en remplaçant la fonction exponentielle par la série correspondante. On obtient

x2
(1 + x + + ...) − 1
2 ! x
alors : = 1 + + ... , ce qui donne la réponse 1 au voisinage de 0.
x 2!

Comme on l’a dit plus haut, cette décomposition est également d’un usage intéressant lors du
calcul d’intégrales de fonctions dont la primitive est peu aisée à obtenir.

3- Décomposition en série de Fourier

Cette décomposition a été inventée par Jean-Baptiste Fourier, au début du XIXème siècle, dans
le cadre de la résolution de l’équation de la chaleur. Il s’agit d’une équation aux dérivées
partielles, et son idée était de décomposer la fonction en une somme de fonctions
sinusoïdales. Depuis cette époque la décomposition de Fourier a été utilisée dans de très
nombreux domaines et fait désormais partie des outils de base des sciences de l’ingénieur.
Il s’agit donc d’une deuxième méthode de décomposition de fonctions, après la
décomposition en séries de puissance vue ci-dessus, beaucoup plus pratique que cette dernière
dans de nombreux cas.
Pour comprendre le principe, prenons l’exemple d’une vibration sur l’eau suite à la chute
d’une pierre. On voit apparaître des ‘ronds’ qui ne sont rien d’autres que la représentation de
l’onde démarrant au point de chute et se déplaçant vers le bord du lac. Si l’on fait une coupe
verticale on observera une courbe sinusoïdale : les particules d’eau montent et descendent
alternativement et a un instant donné, la position de la surface de l’eau prendra la forme d’une
sinusoïde (amortie puisque nous sommes dans un cas réel avec amortissement). Si l’on fait
tomber successivement plusieurs pierres de masse différentes, chacune entraînera la création
d’une telle onde, mais l’on observera plus qu’un signal périodique de forme a priori
quelconque. Si l’on considère maintenant que ce résultat final est la représentation d’une
fonction, on comprend aisément qu’il est envisageable de décomposer cette fonction sous la
forme d’une somme de sinusoïdes (correspondant aux sinusoïdes obtenues par la chute de
chacune des pierres).
La décomposition en série de Fourier est donc la mathématisation de ce phénomène. On
comprend donc qu’a priori, elle s’applique aux fonctions périodiques. On verra plus loin
cependant que les fonctions non-périodiques sont également concernées.
 10

f( x ) 0

10
0 2 4
x

Par exemple, la courbe précédente est la combinaison linéaire de cinq fonctions sinusoïdales
(sinus et cosinus), et peut donc être re-décomposée aisément en la somme de ces fonctions,
c’est à dire décomposée en série de Fourier.

31- Coefficients de Fourier

Soit une fonction f, périodique de période T, on peut la décomposer en série de Fourier sous la
forme :

∞ 2π
f ( x ) = a0 + ∑ (an cos nωx + bn sin nωx ) , avec n entier, et ω =
n =1 T

Les coefficients ai et b i sont indépendants de x et sont donnés par les intégrales :

∫ f (t )dt
1 T
a0 =
T 0

∫ f (t )cos nωt.dt
2 T
an =
T 0

∫ f (t )sin nωt.dt
2 T
bn =
T 0

∫0 f (t )dt = 0 , et donc a0 = 0 .
T
Si la fonction est alternative,

Si la fonction f est paire, tous les bn sont nuls, et la décomposition de Fourier ne comporte

que des termes en cosinus.

Si la fonction f est impaire, tous les an sont nuls, et la décomposition de Fourier ne comporte

que des termes en sinus.

32- convergence
De même que pour les décompositions en série de puissance, la question de la convergence de
la série de Fourier vers la fonction f se pose.
Deux cas apparaissent. Tout d’abord, si la fonction f est continue, de période T et dérivable
par morceaux, sa décomposition en série de Fourier (selon les formules ci-dessus) converge
vers f.
Dans le cas contraire, la condition de convergence est connue sous le nom de condition de
Dirichlet. Ce théorème dit que si la fonction f est périodique, n’a qu’un nombre fini de
discontinuité (sur une période), et que l’intégrale de sa valeur absolue sur une période est
finie, alors sa décomposition de Fourier converge vers f partout où f est continue, et vers la
demi-somme des limites à droite et à gauche aux points de discontinuité.
Ainsi : soit, par exemple, une fonction discontinue comme la fonction créneau :

-T/2 0 T/2 T

-1

Cette fonction est décomposable en série de Fourier, cette série converge vers la fonction
partout où celle-ci est continue (c’est à dire sur les intervalles où sa valeur est 1 ou –1), et vers
la valeur 0 pour tous les multiples entiers de T/2.

33- Exemples de décomposition

Si on prend la fonction créneau tracée ci-dessus :
1.....si..0 < x ≤ T / 2
f ( x) =
− 1..si..T / 2 < x ≤ T

Elle est impaire et sa décomposition ne comporte donc que des termes en sinus.
 f (t )sin nωt.dt =  ∫ sin nωt.dt 
2 T 2 T /2 T
bn = ∫ sin nωt.dt − ∫
T 0 T  0 T / 2 

bn =
−2
n ωT
[ ] (
[cos nωt ]T0 / 2 − [cos nωt ]TT / 2 = 4 1 − (− 1)n
π
)
4
D’où si n est pair, bn = 0 , et si n est impair, bn =
nπ
La décomposition de Fourier de la fonction f s’écrit alors :
2π
f (x ) =
4 4 4
sin ωt + sin 3ωt + sin 5ωt + ... , avec ω =
π 3π 5π T

1 1

f( x ) 0 f( x ) 0

1 1
0 2 4 0 2 4
x x

Les deux courbes ci-dessus correspondent à des reconstructions de la fonction à partir

respectivement des trois et dix premiers termes de la décomposition de Fourier. On peut
remarquer que la reconstruction se rapproche de la courbe initiale d’autant plus que le nombre
d’éléments retenus dans la série est important. On peut cependant remarquer qu’au voisinage
des discontinuités (x = 1, 2, 3, …), la courbe reconstruite a tendance à fortement osciller,
voire à « sursauter ». Ce sursaut tend vers une constante, lorsque le nombre de termes retenus
augmente, qui est de l’ordre de 9% de l’amplitude de la discontinuité. C’est ce que l’on
appelle le phénomène de Gibbs.

La fonction en dents de scie.

Il s’agit de la fonction de période T qui répond à l’équation suivante/

f ( x ) = x , pour −
T T
≤x<
2 2
Sa représentation graphique est donnée par :
 -T -T/2 0 T/2 T

La fonction est impaire, donc seuls ne subsistent que les éléments en sinus.
Le calcul des coefficients conduit à la décomposition suivante :

f (x ) =
2 2 2
sin ωx − sin 2ωx + sin 3ωx − ...
π 2π 3π

2 2

f( x ) 0 f( x ) 0

2 2
0 2 4 0 2 4
x x

Résultats obtenus en utilisant les trois et les dix premiers éléments de la décomposition de Fourier.

34- Utilisation des décompositions de Fourier

Une application classique de la décomposition de Fourier est de déterminer la fréquence
principale du signal analysé. Par exemple, si le signal correspond à un signal sonore, la
décomposition de Fourier conduit à découvrir les différentes fréquences concernées dont la
fréquence fondamentale (correspondant au premier terme de la décomposition) et la fréquence
de plus forte intensité (harmonique correspondant au terme dont le coefficient multiplicatif est
le plus élevé).
D’un point de vue plus mathématique, la décomposition de Fourier de certaines fonctions
particulières conduit à des résultats remarquables comme par exemple la formule d’Euler,

obtenue en décomposant la fonction f ( x ) = x , pour − π ≤ x ≤ π , et de période T = 2π .

2

La décomposition donne :
 π2
f (x ) =
4
− 4 cos x + cos 2 x + ...
3 22
π2 1 1 1 ∞ 1
Si l’on pose x = π , on obtient la formule d’Euler : = + + + ... = ∑ 2
6 12 22 32 n =1 n

4- Transformée de Fourier

On vient de voir que les séries de Fourier sont applicables aux fonctions périodiques et que le
résultat est obtenu sous la forme d’un spectre discontinu dont les périodes sont des multiples
de la période fondamentale. On peut dès lors se poser la question de la possibilité d’analyse
d’une fonction non périodique, ou de la possibilité d’obtention d’un spectre de fréquence
continu. Ceci s’obtient grâce à la généralisation de la décomposition en série de Fourier, que
l’on appelle la transformée de Fourier. Comme on sait que la généralisation continue de la

somme ( ∑ ) est l’intégrale ( ∫ ), et que les fonctions circulaires, sinus et cosinus, peuvent

iωt
s’écrire sous une forme complexe ( e ), la généralisation des séries de Fourier conduit
immédiatement à la transformée de Fourier d’une fonction f , qui s’exprime sous la forme :

+∞
F (u ) = ∫ f ( x )e − iωx dx
−∞
La fonction initiale et sa transformée représente la même chose, mais dans deux domaines
différents : la fonction de départ se situe dans un espace euclidien classique (x, y) alors que la
transformée de Fourier se situe dans l’espace des fréquences ( les abscisses représentent les
fréquences des fonctions composants le signal initial, les ordonnées représentent la puissance
de chacune de ses fonctions dans le signal étudié).
Si l’on prend l’exemple du son, le signal initial est donc un son qui à un instant donné a la
forme d’une courbe quelconque, l’ordonnée de la courbe représentant la pression acoustique
au point d’abscisse correspondant. La transformée de Fourier de ce son conduit à un spectre,
dans lequel les abscisses sont les fréquences des ondes composants le son initial, et les
ordonnées la puissance relative de ces différentes ondes.
La transformée de Fourier est très utilisée dans nombre d’appareils scientifiques
(spectrophotomètre par exemple), car on peut souvent raccrocher les fréquences composants
le signal à des phénomènes physico-chimiques connus, et ainsi analyser beaucoup plus
finement le signal initial. Son intérêt dans les outils analytiques est donc évident.
5- Décomposition en ondelettes

Depuis quelques années se développe un ensemble de travaux, tant théoriques que pratiques,
sur une famille de fonctions appelées ondelettes. Les ondelettes sont des fonctions
mathématiques. Elles furent découvertes dans le but d'analyser des signaux composés de
fluctuations très localisées dans un signal lisse et régulier. L'analyse de Fourier ne pouvait pas
répondre efficacement à l'étude de fluctuations isolées; la théorie des ondelettes vient
contourner cette difficulté. Ces ondelettes sont obtenues partir de la dilatation et de la
translation d'une fonction unique appelée ondelette mère . Le signal analysé est alors
considéré comme la superposition de ces ondelettes dilatées et translatées. Les poids de ces
ondelettes dans la décomposition (encore appelés coefficients d’ondelettes) forment la
transformée en ondelettes, qui est donc une fonction de deux variables : le temps (translation)
et l’échelle (dilatation).

Si f est la fonction que l’on cherche à décomposer, on appelle ψ l’ondelette mère et les

ondelettes s’écrivent alors :

1 t −b
ψ a,b (t ) = ψ  , avec a paramètre de dilatation et b paramètre de
a  a 
translation.
Ainsi, tout signal f peut s’écrire comme une combinaison linéaire des ondelettes ci-dessus,

dont les coefficients sont donnés par :

+∞
Ca,b = ∫ f (t )ψ a,b (t )dt
−∞

Il existe de multiples ondes-mères types utilisées : onde de Haar, onde de Morlet, chapeau-
mexicain, onde de Daubechies, …

Il s’agit d’une méthode dont les prémisses remontent à 1940 (par le prix Nobel D. Gabor),
mais qui a réellement commencé à se développer dans les années 1990. A ce jour cette
décomposition s’est très développée dans le domaine de la compression d’images et
commence à apparaître dans les domaines de la biologie.
6- Applications

61- Cribles géométriques 1

Pour améliorer le contrôle de la granulométrie du sucre, l’auteur propose une méthode
graphique permettant d’obtenir des séries de tamis de tailles formant une série géométrique,
correspondant à l’optimisation du criblage sélectif attendu.

62- Classification de vins 2

Afin de procéder à des vérifications du type de cépage de vins chiliens, les auteurs proposent
d’étudier les spectrogrammes obtenus en HPLC. Classiquement, on analyse la concentration
d’un composé en mesurant la surface du pic correspondant dans le spectrogramme. Les
auteurs proposent d’analyser la totalité du spectre considéré et de proposer un classement en
utilisant diverses analyses multifactorielles discriminantes sur les résultats obtenus à partir de
quelques méthodes d’extraction de paramètres significatifs. L’avantage de cette méthode est
de procéder à une analyse globale du profil et non plus à une analyse ponctuelle,
l’inconvénient repose sur la grande quantité de données représentées dans un spectre complet.
Parmi les méthodes d’extraction de paramètres représentatifs, on trouve notamment la
transformée de Fourier et la décomposition en ondelettes de Haar. Les 172 vins testés étaient
issus de cépage cabernet sauvignon, merlot et carménère, de zones de production variées et
d’années de récolte diverses.
L’utilisation de la méthode de décomposition en ondelettes a donné les meilleurs résultats
dans tous les cas testés (c’est à dire quelques soient les critères de classement) avec un taux de
bons classements voisin de 95%, la transformée de Fourier conduisant à des résultats
culminants à 84%.
Il est à noter que ces deux méthodes donnent des résultats respectivement supérieur de 15
points et 4 points aux méthodes classiques.

63- Ondelettes en bio-informatique 3

Il s’agit d’une revue de l’utilisation des ondelettes dans le domaine de la bio-informatique,
avec notamment une liste de logiciels utilisables pour réaliser ce type de transformation.

1
Gebler J., 1983. Vyber geometricke Rady Sit (choix de séries géométriques de cribles), Listy Cukrovarnicke,
CSK, 99(12) : 273-275
2
Beltran NH, Duarte-Mermoud MA, Bustos MA, Salah SA, Loyola EA, Peña-Neira AI, Jalocha JW, 2006.
Feature extraction and classification of chilean wines, J. Food Engng., 75 : 1-10
Différentes applications dans les domaines du séquençage, de la structure des protéines, de
l’analyse de données de micro-plaques, ainsi que de la modélisation de structures biologiques
sont successivement évoquées.

64- Ultrasons et rhéologie du fromage 4

La transmission des ultrasons dans un milieu solide est liée aux caractéristiques élastiques de
ce milieu. On peut donc imaginer sans difficulté que l’analyse des ultrasons après passage
dans un échantillon de fromage puisse conduire à l’obtention de certaines caractéristiques
rhéologique du produit. Des ondes ultrasonores sont donc envoyées à travers un échantillon et
récupérées après transfert. L’analyse directe du train d’onde dans le domaine temporel conduit
à la mesure unique de l’atténuation globale du signal et au retard par rapport à un signal
direct. Pour aller plus loin, ce signal ultrasonore est analysé dans le domaine fréquentiel après
une transformée de Fourier. Les coefficients de perte et de glissement sont alors évalués à
partir des vitesses et atténuation du signal à une fréquence donnée.

65- Etude du rassissement du pain 5

Le rassissement du pain est un phénomène qui a été étudié au moyen de nombreuses
méthodes d’analyse rhéologique. Dans cette étude une comparaison est faite entre trois
méthode : la calorimétrie différentielle et deux méthodes spectroscopiques en proche et
moyen infrarouge, cette dernière étant associée à une transformée de Fourier. L’analyse des
résultats montre que ces trois méthodes évaluent différents paramètres liés à la cristallisation
de la fraction amylopectinique du pain. La calorimétrie mesure le mélange des cristaux dans
l’échantillon, c’est une mesure directe de la cristallisation, le proche infrarouge évalue la
diffusion de l’échantillon, c’est à dire l’ état physique du pain lié à cette cristallisation, quant
au moyen infrarouge, il mesure le degré d’ordre lié aux modifications structurales à l’échelle
moléculaire. Les trois méthodes sont donc complémentaires et donnent une vision complète
du rassissement de la vision macroscopique à l’aspect moléculaire. L’intérêt supplémentaire
des méthodes spectroscopiques étant leur côté non destructif.

3
Lio P., 2003. Wavelets in bioinformatics and computational biology : state of the art and perspectives.
Bioinformatics Rev. 19(1) : 2-9
4
Lee HO, Luan H, Daut DG., 1992. Use of an ultrasonic technique to evaluate the rheological properties of
cheese and dough. J. Food Engng. 16 : 127-150
5
Wilson RH, Goodfellow BJ, Belton PS, Osborne BG, Oliver G, Russel PL., 1991. Comparison of Fourier
transform mid infrared spectroscopy and near infrared reflectance spectroscopy with differential scanning
calorimetry for the study of the staling of bread. J. Sci. Food Agric. 54 : 471-483