Exercice TS

Université de Caen - UFR de Sciences Les distributions
 UNE INTRODUCTION
A LA
THEORIE
DES
DISTRIBUTIONS
G.BINET MdC 61 MathsSignal06

 UNE INTRODUCTION A LA THEORIE DES DISTRIBUTIONS .........................................1
I. INSUFFISANCE DES FONCTIONS : L’IMPULSION : ...............................................................2

Quel est le problème ? ......................................................................................................................2
La solution des physiciens : ..............................................................................................................2
Une nouvelle dérivation ? .................................................................................................................3
II. PRINCIPE DES DISTRIBUTIONS.................................................................................................3
II.1. L’IDEE DE BASE : ............................................................................................................................3
II.2. ESPACE D DES FONCTIONS TEST : ...................................................................................................4
Fonction test : ...................................................................................................................................4
Construction de l’espace D : ............................................................................................................4
Théorème 1 : .....................................................................................................................................4
Théorème 2: ......................................................................................................................................5
II.3. DEFINITION INDIRECTE D’UNE FONCTION : .....................................................................................5
Théorème : ........................................................................................................................................5
Nouvelle définition d’une fonction :..................................................................................................5
II.4. DEFINITION DES DISTRIBUTIONS :...................................................................................................6
Définition : ........................................................................................................................................6
Distribution régulière : .....................................................................................................................6
Distribution singulière :....................................................................................................................6
Ensemble des distributions : .............................................................................................................6
Causalité : .........................................................................................................................................6
II.5. EXEMPLES DE DISTRIBUTIONS : ......................................................................................................7
Echelon d’Heaviside :.......................................................................................................................7
Constante K : ....................................................................................................................................7
Distribution de Dirac : δ ...................................................................................................................7
Peigne de Dirac : ..............................................................................................................................8
Signal discret : ..................................................................................................................................8
II.6. PROPRIETES ELEMENTAIRES : ..............................................................................................8
Somme :.............................................................................................................................................8
Translation :......................................................................................................................................9
Distribution périodique : ..................................................................................................................9
Facteur d’échelle : ............................................................................................................................9
Distribution paires ou impaires :....................................................................................................10
Produit d’une distribution par une fonction C∞ :............................................................................10
Autres propriétés : ..........................................................................................................................11
III. DERIVATION, CONVERGENCE, CONVOLUTION DANS D’.............................................11
III.1. DERIVATION................................................................................................................................11
Définition : ......................................................................................................................................11
Dérivée au sens des distributions dans le cas des fonctions : ........................................................12
Exemples : .......................................................................................................................................12
Fonction ayant des discontinuités : ................................................................................................12
Dérivée d’ordre n d’une fonction Cn par morceaux :.....................................................................13
Propriétés de la dérivation : ...........................................................................................................13
Dérivées de la distribution de Dirac : ............................................................................................14

III.2. CONVERGENCES DANS D’ : .........................................................................................................14

Définition pour une distribution régulière : ...................................................................................14
Généralisation à toute distribution :...............................................................................................15
Exemples : .......................................................................................................................................15
Convergence d’une famille de fonctions :.......................................................................................16
théorèmes :......................................................................................................................................16
Propriétés de convergence dans D’ :..............................................................................................16
III.3. APPLICATION DE LA CONVERGENCE : FORMULE DE POISSON ......................................................17
III.4. PRODUIT DE CONVOLUTION :.......................................................................................................18
Condition d’existence : ...................................................................................................................18
Définition : ......................................................................................................................................18
Commutativité :...............................................................................................................................19
Cas important de la distribution de Dirac :....................................................................................19
Autocorrélation :.............................................................................................................................19
Propriétés : .....................................................................................................................................19
Autres propriétésdu produit de convolution : .................................................................................19
Conséquences : ...............................................................................................................................20
Associativité :..................................................................................................................................20
III.5. CONVOLUTION DISCRETE : ..........................................................................................................21
Théorèmes d’existence :..................................................................................................................21
Corrélation discrète :......................................................................................................................22
IV. LES DISTRIBUTIONS ET LES TRANSFORMEES.................................................................22
IV.1. TRANSFORMEE DE FOURIER : ......................................................................................................22
Cas des fonctions : ..........................................................................................................................22
Rappels sur la transformée de Fourier des fonctions :...................................................................23
Problème pour les distributions :....................................................................................................23
Distributions tempérées, définitions : .............................................................................................23
La transformée de Fourier au sens des distributions: ....................................................................24
En bref : ..........................................................................................................................................25
Quelques distributions tempérées :.................................................................................................25
Dérivée :..........................................................................................................................................26
Polynômes :.....................................................................................................................................26
Convolution :...................................................................................................................................26
IV.2. PROPRIETES DE LA TRANSFORMEE DE FOURIER DANS S’(R) :......................................................26
Dérivation de la transformée de Fourier :......................................................................................26
Transformée de Fourier de la dérivée : ..........................................................................................26
Retard : ...........................................................................................................................................26
Produit de convolution : .................................................................................................................27
Symétrie : ........................................................................................................................................27
IV.3. LES TRANSFORMEES DE FOURIER USUELLES : .............................................................................27
Distribution de- Dirac : ..................................................................................................................27
Constante k ∈ C :............................................................................................................................27
Exponentielle imaginaire (déphaseur) : .........................................................................................28
Peigne de Dirac : ............................................................................................................................28
Fonction signe : Sign(t)...................................................................................................................28
Echelon d’Heaviside : Y(t)..............................................................................................................29
Signaux périodiques :......................................................................................................................30
Signaux discrets : ............................................................................................................................30
Reconstruction de Shannon : ..........................................................................................................30

IV.4. TRANSFORMEE DE LAPLACE .......................................................................................................31

Définition : ......................................................................................................................................31
Fonction causale :...........................................................................................................................31
Produit de convolution : .................................................................................................................32
Théorème du retard : ......................................................................................................................32
Théorème de la dérivée :.................................................................................................................32
Fonction discontinue : ....................................................................................................................32
➅ EN RESUME ....................................................................................................................................33
I. INSUFFISANCE DES FONCTIONS : L’IMPULSION : .............................................................33
II. PRINCIPE DES DISTRIBUTIONS...............................................................................................33
III. DERIVATION ................................................................................................................................35
IV. CONVERGENCES DANS D’ .......................................................................................................35
V. PRODUIT DE CONVOLUTION ...................................................................................................35

La représentation des fonctions périodiques :................................................................................36
La convolution discrète :.................................................................................................................36
VI. TRANSFORMEE DE FOURIER .................................................................................................37
VII. TRANSFORMEE DE LAPLACE...............................................................................................38

Définition : ......................................................................................................................................39
Les propriétés : ...............................................................................................................................39
➅ EXERCICES.....................................................................................................................................40

Dans le domaine des sciences physiques il a longtemps été utilisé une "fonction" bien particulière :
l'impulsion de Dirac. Elle constituait le cas limite d'un certain nombre de signaux qui n'existaient que pendant un
intervalle de temps très bref, à la limite nul, mais qui étaient capable de fournir une énergie à un système pour
le mettre en action. Ces signaux parfois appelés percussionnels ne pouvaient être décrits par une fonction
analytique classique et posaient un gros problème mathématique. La solution proposée par Dirac avait le bon
goût de la simplicité mais restait un non sens mathématique qui permettait quand même de travailler en oubliant
les contradictions qu'elle contenait. Le travail des mathématiciens sur ce sujet à aboutit à proposer la théorie
des distributions. Elle a été construite en 1947 par le mathématicien français Laurent Schwartz ce qui lui a valu
la médaille Field, l’équivalent du prix Nobel dans les autres disciplines scientifiques. Nous pouvons la
considérer comme une généralisation de la notion de fonction qui permettra d’englober l’impulsion mais aussi
un certain nombre d’autres fonctions généralisées (valeur principale, ….) et elle amène à une définition nouvelle
(généralisée) de la dérivation. Cette théorie à ensuite été systématiquement utilisée dans le domaine du
numérique ou plutôt des signaux discrets. Dans ce domaine, l'impulsion δ(t) devient un objet mathématique en
soit, permettant de modéliser des signaux sans qu'il soit question de passage à la limite de signaux réels
comme c'était le cas pour les travaux de Dirac.
Dans une première approche, cette théorie semble très lourde. Ceci est du au fait qu’elle reprend et
généralise beaucoup de notions essentielles en traitement de signal et utilise le concept de fonctionnelle. Pour
le traitement du signal nous n’avons besoin que de quelques résultats simples essentiellement sur la
distribution de Dirac. Ce cours est en deux versions : une version la plus possible exposant la théorie et
démontrant les résultats et une version résumée qui ne fait que rappeler les principes et les résultats essentiels.
Il est peut être suffisant de commencer par le résumé et d’aller prendre au fur et à mesure les démonstrations et
explications dans la version la plus complète. Pour les exercices, ils sont délibérément orientés traitement du
signal c'est-à-dire vers l’utilisation des résultats et non vers les démonstrations intrinsèques à la théorie.
G.BINET MdC 61 MathsSignal06 1

I. INSUFFISANCE DES FONCTIONS : L’IMPULSION :
Quel est le problème ?

Prenons l’exemple d’une masse m répartie sur un axe Ox entre –h et +h (nous aurions pu prendre des
charges électriques, masses magnétiques, un effort bref, l’énergie d’un signal échantillonné,…..). Il lui est
+h
associée une densité de répartition dh telle que : m = ∫ dh(x) dx .
-h
D’une manière générale la densité dh possède trois propriétés :
• dh(x) ≥ 0 ∀x ∈ R.
• dh(x) = 0 si |x| > h.
• m= ∫ dh(x) dx
ℜ
Si nous comprimons la masse en x = 0 c’est à dire h → 0 que deviennent ces propriétés ?
• dh(x) ≥ 0 ∀x ∈ R.
• dh(x) = 0 si x ≠ 0.
• m= ∫ dh(x) dx
ℜ
La troisième propriété est celle d’une intégrale de Rieman d’une fonction nulle presque partout et le
résultat est théoriquement nul. Cette contradiction est contournée en affirmant que, en x =0, dh a une valeur
infinie mais cela reste toujours une contradiction pour la théorie de l’intégration au sens de Rieman.
La solution des physiciens :

Cette solution a été introduite en 1920 par le physicien Dirac par création de la fonction impulsion δ(t)
qui devait répondre aux deux exigences :
1. δ(t) = 0 pour t ≠ 0 et δ(t) = +∞ pour t = 0.
2. ∫ δ(t) dt = 1 .
ℜ
Au prix d’une contradiction pour la propriété 2 qui, comme nous l’avons déjà indiqué, n’est pas
conforme à la théorie de l’intégration, cette « fonction » permettait de prendre en compte un grand nombre
de problèmes de cas limites du domaine de la physique.
Reste un autre problème pour cette « fonction » : peut-on calculer ∫ δ(t) x(t) dt où x(t) est une
ℜ
fonction classique intégrable et dérivable.

En intégrant par parties : ∫ δ(t) x(t) dt = [u(t) x(t) ]ℜ - ∫ u(t) x' (t) dt . Cela nécessite de définir une
ℜ ℜ
t
primitive pour δ(t) soit : u(t) = ∫ δ(v) dv ce qui compte tenu des propriétés attribuées à δ(t) défini une
-∞
nouvelle « fonction » :
1. u(t) = 1 pour t > 0.
2. u(t) = 0 pour t < 0.
3. u(t) non définie (mais nécessairement bornée) pour t = 0.
Cette fonction est la fonction échelon unité ou échelon d’Heaviside.
Cette fonction constitue aussi un outil intéressant qui a permis de prendre en compte un grand nombre
de cas limites de la physique.
Une nouvelle dérivation ?

La nouvelle fonction échelon d’Heaviside étant bornée peut paraître plus sympathique que la
« fonction » impulsion mais elle pose aussi pas mal de difficultés . La principale est celle de sa dérivée en effet,
u(t + h) - u(t)
la dérivée au sens des fonctions est définie par u' (t) = lim ce qui en t = ε donne :
h →0 h
u' (ε) = lim 1 - 1 = 0 . Donc une dérivée nulle et u'(ε → 0) = 0 alors que nous l’avons définie comme étant égale à
h →0 h
δ(t). La définition de la dérivation n'est plus valable en t = 0.
Existerait-il deux types de dérivation comme il existerait deux types d’intégration de Rieman ? Quand
faut-il appliquer l’une plutôt que l’autre ?
⇒ il apparaît une grande nécessité : uniformiser toutes ces théories.
Les problèmes posés ainsi par l’intégration et la dérivation ont été l’un des enjeux majeurs des
mathématiques. La réponse n’est intervenue qu’en 1947 par la mise au point de la théorie des distributions de
Laurent Schwartz.
II. PRINCIPE DES DISTRIBUTIONS
II.1. L’idée de base :

Il y a plusieurs façons de définir une fonction :
• par une forme analytique par exemple y = a x + b.
• par une propriété : c’est ce qui a été adopté pour l’impulsion de Dirac. Cependant, il est nécessaire que
cette propriété soit en accord avec les mathématiques utilisées.
• Par une décomposition sur d’autres fonctions : transformée de Fourier, transformée de Laplace,… .
L’idée des transformées montre que la fonction est complètement définie par le résultat de l’action de
cette fonction sur une base. Dans le cas de la transformée de Fourier par exemple, le résultat est un nombre
réel (dépendant de f) : c’est une fonctionnelle.

C’est cette dernière idée qui est reprise, peut importe la fonction, elle est complètement connue par un
ensemble de fonctionnelles résultat de son action sur un ensemble de fonctions. Les distributions seront
définies par des fonctionnelles à partir d’un ensemble de fonctions test ϕn auxquelles seront imposées des
contraintes permettant d’assurer l’intégrabilité et la dérivabilité.
II.2. Espace D des fonctions test :

La première étape de la théorie des distributions est de construire l’espace des fonctions sur lequel sera
définie la fonctionnelle : c’est l’espace D des fonctions test.
Fonction test :
Une fonction test est une fonction indéfiniment dérivable nulle hors d’un segment (chaque fonction test
à son segment particulier).
D(R) = { ϕ : R → C , ϕ ∈ C∞ , sup(ϕ
ϕ) bornée }
Exemple :
ϕ(t) = exp  t 2  si t < 1

  2 
  t −1  nous vérifions aisément que cette fonction est bien une fonction test.
 =0 si t ≥ 1

Construction de l’espace D :
Les fonctions test ne sont pas évidentes à construire mais nous verrons par la suite qu’il n’est pas
nécessaire de connaître leur forme analytique, il suffit de savoir qu’elles existent et possèdent les propriétés
annoncées. Ceci est toujours surprenant lors d’une première approche de la théorie des distributions mais se
justifiera au fur et à mesure de sa mise en place.
Avec la fonction précédente, si nous réalisons le changement de variable t → ½ [t (a-b) + b + a] , nous

obtenons une autre fonction test ⇒ en variant les valeurs de a et b, nous pouvons engendrer une infinité de
fonctions test. Nous venons donc de montrer que l’ensemble D n’est pas vide ni limité à quelques fonctions
particulières mais qu’au contraire nous savons générer une infinité de fonctions ϕ. Laurent Schwartz a montré
que translations, homothéties, intégrations permettent de générer d’autres fonctions test. Nous ne
démontrerons pas ces propriétés dans ce cours d’initiation.
Théorème 1 :
Il regroupe un certain nombre d’opérations permettant de construire des fonctions test. Leur
démonstration peut être effectuée à titre d’exercice d’entraînement.
ϕ et ψ ∈ D ⇒
• a ϕ + b ψ ∈ D.
• ϕ.ψ ∈ D.
• ϕ ⊗ ψ ∈ D.
• ϕ’ ∈ D.
• ϕ ∈ D.
(n)

Théorème 2:
Ce théorème sur la limite exprime le fait qu’il existe suffisamment de fonctions test permettant
d’approcher les fonctions.
x est continue et bornée.
Il existe ϕn ∈ D ; n ∈ N tels que :
1. lim ϕn(t) = x(t) ∀t ∈ R.

n→+∞
2. sur tout segment A, ϕn converge uniformément vers x(t)
II.3. Définition indirecte d’une fonction :
Théorème :
ϕ ∈ D ; x , y deux fonctions sommables sur tout segment.
+∞ +∞
⇒ x = y presque partout si et seulement si : ∫ x(t) ϕ(t) dt = ∫ y(t) ϕ(t) dt
−∞ −∞
Preuve :
Existence des intégrales :
ϕ(t) ∈ D ⇒ ϕ(t) ≠ 0 pour t ∈ [a , b] ⇒ .
+∞ b
ϕ(t) dérivable indéfiniment ⇒ ϕ(t) bornée, | ϕ(t) | ≤ M ⇒ ∫ x(t) ϕ(t) dt ≤M ∫ x(t) dt .
−∞ a1424
3
x(t) sommable
pp
⇒ L’intégrale est donc convergente et si x = y les deux intégrales sont identiques.
Pour la réciproque :
+∞
Les deux intégrales existent et sont égales. En appelant z = x – y il vient ∫ z(t) ϕ(t) dt =0
−∞
pp pp
⇒ z=0 ⇒ x = y.
Nouvelle définition d’une fonction :

+∞
Nous ne distinguons pas les fonctions pour lesquelles les nombres ∫ x(t) ϕ(t) dt sont identiques. Nous
−∞
pouvons donc dire que ces nombres définissent sans ambiguïté la fonction au sens presque partout.
Nous trouvons ici l’idée de base de la théorie des distributions : une fonction x(t) est parfaitement
définie sur l’ensemble des fonctions test ϕ par la connaissance d’une fonctionnelle qui lui est associée ici :
+∞
∫ x(t) ϕ(t) dt .
−∞

Remarque : nous pouvons remarquer ici que seule l’existence et les propriétés des fonctions test sont
utilisées, nous n’avons pas besoin de leur forme analytique.
II.4. Définition des distributions :
Définition :
Une distribution est une application linéaire continue sur D qui associe à ϕ un scalaire
(fonctionnelle) noté :
ϕ) = <T , ϕ>.
T(ϕ
La propriété de linéarité est importante, rappelons qu’elle implique :
• T(α1 ϕ1 + α2 ϕ2) = α1 T(ϕ1) + α2 T(ϕ2).
• lim T(ϕn) = T(ϕ) si lim ϕn = ϕ

n1→4∞4
42444 3 n1→42
∞ 43
limite dans R limite dans D
Distribution régulière :
T est régulière s’il existe une fonction x(t) sommable sur tout segment telle que :
+∞
T(ϕ) = ∫ x(t) ϕ(t) dt
−∞
La fonctionnelle est définie par une intégrale et nous retrouvons la définition indirecte de la fonction x(t).
T(ϕ) est la distribution régulière associée à x(t).
Distribution singulière :
Il n’existe pas de fonction sommable x(t) à laquelle associer la distribution ⇒ la distribution est décrite
par la fonctionnelle mais celle-ci n’est pas une intégrale.
Nous retrouvons ici un début de réponse à la fonction δ que nous allons pouvoir définir par sa
fonctionnelle (c’est une distribution) sans pour autant lui associer une intégrale (plus de problème avec le calcul
intégral).
Ensemble des distributions :

Cet ensemble est noté D’.
La propriété principale est donc : si T(ϕ) = S(ϕ) pour tout ϕ ∈ D alors les deux distributions T et S sont
identiques.
Pour les notations nous avons vu que T(ϕ) = <T , ϕ>.
Pour une distribution régulière associée à x nous avons toutes les notations équivalentes:
T(ϕ) = Tx(ϕ) = <Tx , ϕ> = <x , ϕ>. La dernière expression rappelle que, dans ce cas, la fonctionnelle est
une intégrale et que cette intégrale est aussi un produit scalaire.
Causalité :
D’une manière générale, une distribution est nulle hors d’un ensemble A ⊂ R si < T , ϕ > = 0 pour toute
+
fonction test non nulle. Une fonction est causale si A = R .

II.5. Exemples de distributions :
Echelon d’Heaviside :
En mathématiques noté Y(t), en sciences de l’ingénieur noté u(t), 1(t), e(t)……
C’est une distribution régulière et sa fonctionnelle est :
+∞ +∞
TY(ϕ) = < TY , ϕ > = ∫ Y(t) ϕ(t) dt = ∫ ϕ(t) dt
−∞ 0
Constante K :
C’est une distribution régulière et sa fonctionnelle est :
+∞ +∞
TK(ϕ) = < TK , ϕ > = ∫ K ϕ(t) dt =K ∫ ϕ(t) dt
−∞ −∞
Distribution de Dirac : δ
Elle mérite qu’on s’y attarde puisque c’est elle qui est à l’origine de la théorie.
Définition :
Nous avons plusieurs notations équivalentes :
ϕ) = δa(ϕ
T(ϕ ϕ) = δ(a) = < δ(t-a) , ϕ(t) > = ϕ(a)
C’est bien une distribution :
• T(α1 ϕ1 + α2 ϕ2) = α1 ϕ1(a) + α2 ϕ2(a) = α1 T(ϕ1) + α2 T(ϕ2).
• Si ϕn  → ϕ
n →∞
⇒ ϕn(a)  → ϕ(a)
n →∞
⇒ T(ϕn )  → T(ϕ)
n →∞
C’est une distribution singulière :
Nous ne pouvons pas lui associer de fonction et ainsi écrire la fonctionnelle sous forme d’intégrale.
Supposons qu’il existe x(t) associée. Prenons une fonction test particulière ϕn(t) telle que : elle est non
nulle pour t ∈ [a-1/n , a+1/n] et elle bornée par ϕn(a) = 1. Une telle fonction existe et est par exemple :
 
 (t - a)2 
ϕn(t) = exp   définie non nulle sur [a-1/n , a+1/n] et nulle en dehors.
 (t - a) − 12
2

 n 
a+ 1 a+ 1
n n
Nous avons : ∫ x(t) ϕn(t) dt = 1 ≤ ∫ x(t) dt . Lorsque n → +∞ la seconde intégrale tend vers 0 pour
a− 1 a− 1
n n
tout x(t) et nous démontrons 1 ≤ 0 ce qui est bien sûr absurde. ⇒ il n’existe pas de fonction x(t) associée à δ
et la fonctionnelle ne peut être écrite sous forme d’une intégrale.
δ(t-a)
Notation, représentation :
1
La distribution est souvent notée aussi δ(t-a) et possède une représentation
graphique rappelée ci-contre héritée de l’hypothèse de Dirac. Celle-ci peut être
0 a t

conservée sans problème si on se souvient qu’il ne s’agit pas d’une fonction.
Peigne de Dirac :
Il s’agit d’une distribution de première importance dans la théorie des signaux discrets.
<T,ϕ>= ∑ ϕ(n)
n∈Z
Vue comme une superposition de distributions de Dirac, la linéarité et la convergence sont évidentes et
il s’agit donc bien d’une distribution. Un raisonnement identique à celui utilisé pour δ permet aussi de conclure
qu’il s’agit d’une distribution singulière.
Une définition plus générale et mieux adaptée aux problèmes physiques peut être donnée :
<T,ϕ>= ∑ ϕ(nθ) avec θ ∈R .

+
n∈Z
+∞
Le traitement de signal utilise plus volontiers les notations : Pgnθ(t), ∑ δ(t - n θ) ,…..
n = −∞
Enfin il existe aussi une représentation graphique de cette distribution :

Pgnθ(t)
-2θ t
-θ θ 2θ
0
Signal discret :
Un signal discret est un signal dont on ne connaît les valeurs qu’à certains instants. Mathématiquement
ce signal est donc un tableau de chiffres {x(ti)}. Une forme plus adéquate de modélisation de ce signal consiste
à utiliser le peigne de Dirac en le pondérant par les valeurs des échantillons du signal :
∑ x(n) δ(t - nθ)

n∈Ζ
II.6. PROPRIETES ELEMENTAIRES :
Somme :
Soit x et y deux fonctions sommables, la distribution régulière associée est telle que :
+∞
< Tx + y , ϕ > = ∫ (x + y) ϕ dt = < Tx , ϕ > + < Ty , ϕ >
-∞
Cette propriété est généralisée aux distributions singulières :
<S+ T , ϕ > = <S, ϕ > + < T , ϕ >

Multiplication par une constante :
λ ∈ R et x est une fonction sommable :
+∞ +∞
< Tλ x , ϕ > = ∫ (λ x) ϕ dt = λ ∫ x ϕ dt = λ < Tx , ϕ >
-∞ -∞
Soit en généralisant aux distributions :
<λT,ϕ>=λ<T,ϕ>
Translation :
a ∈ R et x est une fonction sommable :
+∞ +∞
< Tx(t - a) , ϕ(t) > = ∫ x(t - a) ϕ(t) dt = ∫ x(u) ϕ(u + a) du = < Tx(t) , ϕ(t + a) >
-∞ -∞
Soit en généralisant aux distributions :
< T(t − a) , ϕ(t) > = < T(t) , ϕ(t + a) >
ϕ(t+a) est obtenu par translation d’une fonction test, c’est aussi une fonction test.
Dans le cas particulier de la distribution δ ce résultat devient :
< δ(t-a) , ϕ(t) > = < δ(t) , ϕ(t+a) > = ϕ(a)
Distribution périodique :
Par définition, une distribution de période θ est telle que T(t-θ) = T(t).
Une fonction sommable de période θ définit une distribution régulière de même période.
Le peigne de Dirac est une distribution singulière
< T(t) , ϕ(t) > = ∑ ϕ(nθ) ⇒ < T(t−θ) , ϕ(t) > = ∑ ϕ(nθ+θ) = ∑ ϕ(mθ) = < T(t) , ϕ(t) >
n∈Z n∈Z m∈Z
soit T(t-θ) = T(t). Le peigne de Dirac est donc une distribution périodique.
Facteur d’échelle :
k ∈ R et x est une fonction sommable :
+∞ +∞
< Tx(kt) , ϕ(t) > = ∫ x(kt) ϕ(t) dt = 1 ∫ x(u) ϕ( u ) du = 1 < Tx(t) , ϕ( t ) >
k -∞ k k k
-∞
ϕ(t/k) est bien toujours une fonction test et le résultat se généralise aux distributions :
< T(kt) , ϕ(t) > = 1 < T(t) , ϕ( t ) >

k k
Pour la distribution de Dirac nous aurons :
< δ(kt) , ϕ(t) > = 1 < δ(t) , ϕ( t ) > = 1 ϕ(0) = 1 < δ(t) , ϕ(t) > soit : δ(kt) = 1 δ(t)
k k k k k

Distribution paires ou impaires :

Distribution paire : T(-t) = T(t).
Distribution impaire : T(-t) = -T(t).
Compte tenu du résultat précédent avec k=-1 nous obtenons δ(-t) = δ(t) ⇒ la distribution de Dirac est
une distribution paire.
On remarque aussi immédiatement que le peigne de Dirac est une distribution paire.
Produit d’une distribution par une fonction C∞ :

x est une fonction C∞ et T une distribution quelconque : T ∈ D’. Peut-on définir le produit x.T ?
Ce problème n’est pas aussi simple qu’il puisse paraître et il ne suffit pas de généraliser le cas des
distributions régulières.
Difficulté du problème :
Soit x et y sommables sur tout segment telles que à chacune d’entre elles nous pouvons associer une
distribution régulière. Si le produit x.y est lui aussi sommable sur tout segment nous pouvons intuitivement
penser que nous pouvons aussi associer à ce produit une distribution régulière. L’exemple suivant montre que
cela n’est pas nécessairement systématique :
-1/2
x(t) = y(t) = |t|
b
1 dt = [ 1 t1/2]ab
Sur tout segment [a , b] tels que a > 0 et b > 0 : ∫ t
1/ 2 2
a
pour t<0 sur C soit : [1 t1/2]ab = [ 1 t1/2]0b − j [ 1 t1/2]0−a et le résultat

1/2
Si a<0 et b>0 nous pouvons définir t
2 2 2
existe toujours. x(t) est donc bien sommable sur tout intervalle.
b
1 dt = [ Ln(t) ] b ce qui n’a de sens que pour a et b strictement >0.
∫
-1
Par contre, x.y = | t | et donc : a
a
t
x.y n’est ainsi pas sommable sur tout intervalle et nous ne pouvons pas lui associer de distribution régulière.
Cet exemple révèle que si nous pouvons sans aucun problème définir le produit de deux fonctions, cela
n’implique pas que nous puissions définir le produit de deux distributions. La prudence s’impose donc dans ce
domaine.
Cas particulier :
Si l’une des deux fonctions y(t) est continue (classe C∞) alors le produit x.y est sommable sur tout
+∞
segment de R : < Tx.y , ϕ > = ∫ x(t) y(t) ϕ(t) dt = < Tx , y.ϕ > y(t) étant C∞ , y.ϕ est toujours une fonction test.
-∞
Pour tout T ∈ D’ et y(t) de classe C∞, le produit (y.T) existe et est défini par :
< y.T , ϕ > = < T , y.ϕ >
Conséquences :
Ce résultat est très utilisé dans le cas de la distribution δ et du peigne de Dirac.

Pour la distribution δ :
< y(t) δ(t-a) , ϕ(t) > = < δ(t-a) , y(t) ϕ(t) > =< δ(t) , y(t+a) ϕ(t+a) >
= y(a) ϕ(a) = y(a) < δ(t) , ϕ(t+a) > = y(a) < δ(t-a) , ϕ(t) >
⇒ y(t) . δ(t-a) = y(a) . δ(t-a)
Pour le peigne de Dirac :
y(t). ∑ δ(t-nθ) = ∑ y(nθ) δ(t-nθ)

n∈Z n∈Z
ce qui définit l’échantillonnage d’une fonction continue y(t) :
échantillonner ≡ multiplier par un peigne de Dirac.
Distributions singulières :
La condition d’existence du produit : y(t) de classe C∞ ne peut de toute évidence être remplie par une
distribution singulière où cette notion n’a pas de sens ⇒ nous ne pouvons définir le produit de deux distributions
singulières : cela n’a pas de sens ( δ(t).δ(t), δ(t-a).δ(t-b), sont des expressions qui n'ont pas de sens et à ne pas
utiliser ).
Autres propriétés :
P1 : < (x+y) T , ϕ > = < T , (x+y).ϕ > = < T , x.ϕ > + < T , y.ϕ > = < x.T , ϕ > + < y.T , ϕ >
⇒ (x+y)T = xT + yT
P2 : < (x.T)(t-a) , ϕ(t) > = < x.T , ϕ(t+a) > = < T(t) , x(t).ϕ(t+a) >
= < T(t-a) , x(t-a).ϕ(t) > = < T(t-a).x(t-a) , ϕ(t) >
⇒ (x.T)(t-a) = x(t-a).T(t-a)
P3 : < (x.T)(-t) , ϕ(t) > = < x.T , ϕ(-t) > = < T(t) , x(t).ϕ(-t) >
= < T(-t) , x(-t).ϕ(t) > = < T(-t).x(-t) , ϕ(t) >
⇒ (x.T)(-t) = x(-t).T(-t)
III. DERIVATION, CONVERGENCE, CONVOLUTION DANS D’
III.1. Dérivation
Définition :
x(t) est une fonction sommable et dérivable. Nous pouvons écrire :
+∞ +∞
∫ x' (t) ϕ(t) dt = [ x(t) ϕ(t) ]-∞ - ∫ x(t) ϕ' (t) dt
+∞
< Tx' , ϕ > =
-∞ -∞

x(t) est sommable et ϕ(t) ∈ D est non nulle sur un intervalle borné ⇒ ϕ(±∞)=0.
Toujours par généralisation, nous définissons une dérivée généralisée telle que :
< T' , ϕ > = - < T , ϕ' >
ϕ est une fonction test ⇒ ϕ’ l’est aussi et la dérivée est ainsi bien définie.
Cette dérivée généralisée peut s’écrire à l’ordre n :
< T(n) , ϕ > = (- )n < T , ϕ(n) >
Dérivée au sens des distributions dans le cas des fonctions :

Pour une distribution régulière engendrée par une fonction x(t), la dérivée de la distribution est
engendrée par x’(t) la dérivée de la fonction. Ceci définit complètement la dérivée au sens des distributions.
Pour une fonction x(t) continue presque partout, la dérivée x’(t) n’existe pas aux points ou x(t) est non
définie. Au sens des distributions, la dérivée généralisée sera définie pour tout t même ceux ou x(t) est non
dérivable au sens des fonctions. Pour séparer les deux cas, les notations suivantes sont parfois utilisées : x’(t) ≡
dérivée au sens des fonctions, [x(t)]’ ≡ dérivée au sens des distributions. Dans la pratique, seule la première est
utilisée et désigne une dérivée généralisée.
Exemples :
Dérivée de l’échelon d’Heaviside :
Rappelons ses propriétés :
Y(t)=1 pour t > 0.
Y(t)=0 pour t <0.
Y(t) non définie en t=0.
Au sens des fonctions : Y’(t)=0 presque partout et est non définie en 0.
Au sens des distributions :
+∞
< Y' (t) , ϕ(t) > = - < Y(t) , ϕ' (t) > = - ∫ ϕ' (t) dt = ϕ(0) - ϕ(+∞) = ϕ(0) = < δ(t) , ϕ(t) >
1424 43 4
0 fonction test ϕ(∞) = 0
⇒ Y' (t) = δ(t)
Fonction ayant des discontinuités :

Soit x(t) une fonction de classe C sauf en t=a où elle possède une discontinuité ∆x(a) = x(a ) – x(a ).
1 + -
a +∞
< [x(t)]' , ϕ(t) > = - < x(t) , ϕ' (t) > = - ∫ x(t) ϕ' (t) dt - ∫ x(t) ϕ' (t) dt
−∞ a
a a a
∫ x(t) ϕ' (t) dt = [x(t) ϕ(t)]-∞ - ∫ x' (t) ϕ(t) dt = x(a ) ϕ(a) - ∫ x' (t) ϕ(t) dt
a -
La première intégrale vaut :
−∞ -∞ -∞

+∞ +∞
De même : ∫ x(t) ϕ' (t) dt = - x(a +) ϕ(a) - ∫ x' (t) ϕ(t) dt
a a
+∞
< [x(t)]' , ϕ(t) > = - < x(t) , ϕ' (t) > = [x(a+) - x(a-) ] ϕ(a) + ∫ x' (t) ϕ(t) dt
−∞
⇒ = [x(a+) - x(a-) ] < δ(t - a) , ϕ(t) > + < x' (t) , ϕ(t) >
= < [x(a+) - x(a-) ] δ(t - a) + x' (t) , ϕ(t) >
⇒ [x(t)]' = [x(a +) - x(a -) ] δ(t - a) + x' (t)
1
Ce résultat s’étend à toute fonction C par morceaux ayant des discontinuités de première espèce aux
points t={an} :
[
[x(t)]' = ∑ [x(a +n ) - x(a-n ) ] δ(t - a n) + x' (t)
n
]
n
Dérivée d’ordre n d’une fonction C par morceaux :
Par itération de l’exemple précédent :
[x(t)]" = ∑ [ ∆x' (an) δ(t - a n) ] + ∑ [ ∆x(a n) δ' (t - a n) ] + x" (t)

n n
Ce qui fait intervenir les discontinuités de la dérivée et la dérivée de δ(t).

n
Nous pouvons écrire ce type de formule pour la dérivée généralisée d’ordre n pour une fonction C par
morceaux, interviendrons les discontinuités des dérivées successives ainsi que les dérivées de δ(t) jusqu’à
l’ordre n-1.
Propriétés de la dérivation :
P1 : < (T+S)’ , ϕ > = - < T+S , ϕ’ > = - < T , ϕ’ >- < S , ϕ’ > = < T’ , ϕ > + < S’ , ϕ >
⇒ (T+S)’ = T’ + S’
P2 : x étant une fonction C∞
< (x.T)’ , ϕ > = - < x.T , ϕ’ > = - < T , x.ϕ’ > = - < T , (x.ϕ)’-x’.ϕ > = - < T , (x.ϕ)’ > + < T , x’.ϕ >
= < T’ , x.ϕ > + < x’.T , ϕ > = < x.T’ , ϕ > + < x’.T , ϕ > = < (x.T’+x’.T) , x.ϕ >
⇒ (x.T)’ = x.T’ + x’.T
P3 : [T(at)]’
< [T(at)]’ , ϕ(t) > = - < T(at) , ϕ’(t) > = - (1/|a|) < T(t) , ϕ’(t/a) > = (1/|a|) < T(t) , a [ϕ(t/a)]’ >
= (1/|a|) < T(t) , a [ϕ(t/a)]’ > = (a/|a|) < T’(t) , ϕ(t/a) > = (a/|a|) |a| < T’(at) , ϕ(t) >
⇒ [T(at)]’ = a T’
Cas particulier a=-1: [T(-t)]’ = -T’ ⇒ Si T est pair, T’ est impair. Si T est impair ⇒ T’ est pair.
P4 :
< [T(t-a)]’ , ϕ(t) > = - < T(t-a) , ϕ’(t) > = - < T(t) , ϕ’(t+a) > = - < T(t) , [ϕ(t+a)]’ >

= < T’(t) , ϕ(t+a) > = < T’(t-a) , ϕ(t) >
⇒ [ T(t-a) ]’ = T’(t-a)
Dérivées de la distribution de Dirac :

<δ , ϕ(t) > = (-) ϕ (t)
(n) n (n)
En rappelant que :
Les dérivées de δ seront caractérisées par les relations suivantes :
Relation 1 :
(tδ)’ = t.δ’ + δ ⇒ < (t.δ)’ , ϕ > = - < t.δ , ϕ’ > = - < δ , t.ϕ’ > = -(t.ϕ’)t=0 = 0
⇒ (tδ)’ = 0 ⇒ t.δ’ = - δ
si : t.δ = -n.δ ⇒ (t.δ )’ = δ + t.δ = -n.δ ⇒ t.δ = -(n+1).δ

(n) (n-1) (n) (n) (n+1) (n) (n+1) (n)
Nous établissons la relation de récurrence qui, si elle est vraie pour n l’est aussi pour n+1. Comme elle
est démontrée à l’ordre 1, elle est vraie pour tout n.
⇒ t.δ = -n.δ
(n) (n-1)
Relation 2 :
t .δ = t .t.δ (-n δ δ
n (n) n-1 (n) n-1 (n-1) n-1 (n-1)
=t ) = -n t
⇒ t .δ δ δ = …………= (-) n! δ
n (n) n-1 (n-1) n-2 (n-2) n
= -n t = n (n-1) t
⇒ t .δ = (-) n! δ
n (n) n
Relation 3 : pour p>q
t .δ = t .t .δ (-) q! δ et : < t .δ ,ϕ>=<t (-) q! δ , ϕ > = (-) q! < δ , t .ϕ > = 0

p (q) p-q q (q) p-q q p (q) p-q q q p-q
=t
⇒ t .δ
p (q)
=0
III.2. Convergences dans D’ :
Définition pour une distribution régulière :

Pour une distribution régulière la convergence uniforme de la fonction associée est définie par :
x ∈ N , une suite xn ∈ N .
x et xn sont sommables sur tout segment.
xn converge uniformément vers x si : lim Sup x - x n n  

→ ∞
→ 0
Pour la distribution associée :
+∞ +∞ +∞
< xn , ϕ > - < x , ϕ > = ∫ x n ϕ dt - ∫ x ϕ dt ≤ ∫ xn - x ϕ dt
-∞ -∞ -∞
En se rappelant qu’une fonction test ϕ est nulle en dehors d’un support borné [-A , A ] et bornée sur cet
intervalle : |ϕ| < M, il vient :

+A +A
< xn , ϕ > - < x , ϕ > ≤ ∫ xn - x ϕ dt ≤ M ∫ xn - x dt ≤ M 2A Sup xn - x .
-A -A
La convergence uniforme de la fonction implique donc pour la distribution associée :
lim < x n , ϕ > - < x , ϕ > n 

→∞

→ 0
Généralisation à toute distribution :

Convergence :
Soit Tn une suite de distributions.
Si pour n → +∞ , ∀ ϕ ∈ D , < Tn , ϕ > → < T , ϕ > , alors Tn à pour limite T lorsque n → +∞.
D'
Tn n  → T
→ +∞
Limite :
Soit Tn une suite de distributions.
Si pour n → a , ∀ ϕ ∈ D , < Tn , ϕ > → < Ta , ϕ > , alors Tn à pour limite Ta lorsque n → a.
D'
Tn n 
→a

→ Ta
Exemples :
Exemple 1 :
< δ(t-n) , ϕ > = ϕ(n). ϕ étant nulle en dehors de tout segment fini :
⇒ δ(t-n) → 0 lorsque n → ∞
Exemple 2 :
+n
Tn = ∑ δ(t - k) .
k = -n
Toute fonction test ϕ étant nulle en dehors de tout segment fini [-A , A ] :
< Tn , ϕ > = < Pgn(t) , ϕ > pour tout n > A ⇒ lorsque n → +∞, lim (< Tn , ϕ >) = < Pgn(t) , ϕ >
+n
⇒ lim ∑ δ(t - k) = Pgn(t)
n → + ∞ k = -n
Exemple 3 : Th = 1 [ T(t + h) - T(t) ]

h
< Th , ϕ > = 1 [ < T(t + h) , ϕ(t) > - < T(t) , ϕ(t) > ] = 1 [ < T(t) , ϕ(t − h) > - < T(t) , ϕ(t) > ]
h h
ϕ(t − h) - ϕ(t)
= < T(t) , >
h
ϕ(t − h) - ϕ(t)
lim < Th , ϕ > = < T(t) , lim > = < T(t) , − ϕ' (t) > = < T' (t) , ϕ(t) >
h →0 h →0 h
⇒ lim Th = T' (t)

h→0

Convergence d’une famille de fonctions :

xn , n ∈ N , converge vers T au sens des distributions si la suite des distributions associées à xn tend
vers T lorsque n → +∞.
D'
x n   → T
n → +∞
xn , n ∈ R , converge vers T au sens des distributions si la suite des distributions associées à xn tend
vers T lorsque n → a.
D'
x n n 
→a

→ T
exemple :
+∞ +A +A
< sin(nt) , ϕ > = sin(nt) ϕ(t) dt = 1 cos(nt) ϕ(t)]+ A + 1
∫ ∫ sin(nt) ϕ(t) dt = [1- 4
n 442444 -A
3 n
∫ cos(nt) ϕ' (t) dt
-∞ -A -A
ϕ(t) fonction test ⇒ = 0
ϕ’(t) est aussi une fonction test qui est donc bornée. Soit M sa majoration :
+A +A D'
1 ≤1 ϕ' (t) dt ≤ 1 2MA
n ∫ cos(nt) ϕ' (t) dt n ∫ n
⇒ lim < sin(nt) , ϕ(t) > = 0 soit sin(nt) n 
n→∞ →∞

→ 0
-A -A
théorèmes :
A démontrer à titre d’exercice.
D'
TH1 : Si xn converge uniformément vers x sur tout segment alors : xn → x
D'
2
TH2 : Si xn converge uniformément vers x dans L (I) sur tout segment de I alors : xn → x
TH3 : Si xn = h0+h1+h3+…..+hn , {hi} étant les n premiers termes du développement en série de Fourier
D'
de x alors : xn →
n→ +∞ x .
Propriétés de convergence dans D’ :

Citées ici sans démonstration.
D'
Tn  
→ T
D' D' D'

Sn  
→ S ⇒ Tn + Sn  
→ T + S et λ.Tn  
→ λ.T
D'
Tn (at)  → T(at)
D' D'
Tn  
→ T ⇒ Tn (t - a)  → T(t - a)
D'
x.Tn  
→ x.T
D' D'
Tn  
→ T ⇒ T'n  
→ T'

III.3. Application de la convergence : formule de Poisson

2
Soit x(t) = - (t-1/2) périodique de période 1.
Sur l’intervalle ]0 , 1[ nous avons au sens des fonctions :
x’(t) = -2 (t-1/2) x’’(t) = -2
x(t) x’(t)
1
1/2 1 t 1/2 1 t
-1
Au sens des distributions : [x(t)]’ = x’(t) [x(t)]’’ = x’’(t) + 2.Pgn(t).
x(t) est décomposable en série de Fourier à termes complexes :
 cos(2πt) cos(2πnt) 
xn(t) = - 1 - 12  + .... + 
12 π  12
n2 
cette série est dérivable terme à terme et :
xn' ' (t) = [ 4 cos(2πt) + .... + 4.cos(2πnt) ] = 2

n n
∑ [ e j2πkt + e- j2πkt ] + 2{
-2 =2 ∑ [ e j2πkt] - 2
k =1 Pour avoir k = 0 k = -n
En utilisant les convergences dans D’ :
n D' n D'
2 ∑ [ e j2πkt] - 2 → [x(t)]" = 2 Pgn(t) - 2 soit ∑ [ e j2πkt] → Pgn(t)
k = -n k = -n
Ceci établit la formule de Poisson qui représente la limite d’une série d’exponentielles comme un peigne
de Dirac :
+∞ +∞
∑ [ e j2πkt] = Pgn(t) = ∑ δ(t - p)
k = -∞ p = -∞
Cette formule est utilisée en traitement de signal pour une période d’échantillonnage quelconque Ts ce
qui revient à faire le changement d’échelle t → t/Ts soit :
+∞ j2πk t +∞
∑ [e Ts
] = Ts PgnTs (t) = Ts ∑ δ(t - pTs)
k = -∞ p = -∞
Cette formule permet aussi d’obtenir une nouvelle formulation mathématique pour les fonctions tests :
+∞ j2πk t +∞
< ∑ [e Ts
] , ϕ(t) > = Ts < ∑ δ(t - pTs) , ϕ(t) >
k = -∞ p = -∞

+∞ +∞ j2πk t +∞ +∞
⇒ ∑ ∫ e Ts
ϕ(t) dt = Ts ∑ < δ(t - pTs) , ϕ(t) > = Ts ∑ ϕ(pTs)
k = -∞ - ∞44 p = -∞ p = -∞
1 42444 3
TF de ϕ(t)
+∞ +∞
Ts ∑ ϕ(pTs) = ∑ TF[ ϕ ]
f= k
p = -∞ k = -∞ Ts
III.4. Produit de convolution :
Condition d’existence :
Soit deux fonctions x et y sommables et leur produit de convolution h = x ⊗ y.
+∞  +∞  +∞ +∞ +∞ +∞
<h,ϕ>= ∫  ∫ x(t - u) y(u) du  ϕ(t) dt = ∫ ∫ x(t - u) y(u) ϕ(t) du dt = ∫ ∫ x(v) y(u) ϕ(u + v) du dv
  t =u + v
-∞  -∞  -∞ -∞ -∞ - ∞
apparaissent les termes :
+∞
ψ1(u) = < x(v) , ϕ(u + v) > = ∫ x(v) ϕ(u + v) dv
-∞
+∞
ψ 2(v) = < y(u) , ϕ(u + v) > = ∫ y(u) ϕ(u + v) du
-∞
Nous obtenons ainsi :
+∞ +∞
<h,ϕ>= ∫ x(v) ψ2(v) dv = ∫ y(u) ψ1(u) du
-∞ -∞
Ces expressions ne définissent pas nécessairement une distribution régulière associée à h car ψ1 et ψ2
ne sont pas nécessairement des fonctions tests.
Cependant nous écrivons :
< h , ϕ > = < x , ψ 2 > = < y , ψ1 >
< x ⊗ y , ϕ > = < x , < y(u) , ϕ(u + v) >> = < y , < x(v) , ϕ(u + v) >>
La condition d’existence s’écrit ainsi :
Si pour toute fonction test nous pouvons calculer : < T(v) , < S(u) , ϕ(u+ v) >> , alors nous savons
calculer : < S(u) , < T(v) , ϕ(u+v) >> et ces deux nombres sont égaux.
Définition :
Elle découle de la condition précédente : si nous savons calculer l’un des nombres précédents, alors
nous cela défini le produit de convolution :
< T ⊗ S , ϕ > = < T(v) , < S(u) , ϕ(u + v) >> = < S(u) , < T(v) , ϕ(u + v) >>

Commutativité :
L’expression précédente exprime bien le fait que T ⊗ S = S ⊗ T.
Cas important de la distribution de Dirac :

< T(t) ⊗ δ(t-a) > = < T(u) , < δ(v-a) , ϕ(u+v) >> = < T(u) , ϕ(u+a) > = < T(u-a) , ϕ(u) >
⇒ T(t) ⊗ δ(t-a) = T(t-a)
Convoluer T par la distribution de Dirac revient à translater T. Cas particulier : T(t) ⊗ δ(t) = T(t).
Autocorrélation :
Lorsqu’elle existe, T(t) ⊗ T(-t) défini l’autocorrélation de T. Pratiquement il faut cependant prendre une
précaution car ceci ne défini l’autocorrélation que pour les signaux à énergie finie.
Distribution de Dirac :
< δ(t) ⊗ δ(-t) , ϕ((t) > = < δ(u) , < δ(-v) , ϕ(u+v) >> = < δ(u) , ϕ(u) > = ϕ(0) = < δ(t) , ϕ(t) >
⇒ δ(t) ⊗ δ(-t) = δ(t)
Peigne de Dirac :
< Pgn(t) ⊗ Pgn(-t) , ϕ((t) > = < Pgn(u) , < Pgn(-v) , ϕ(u+v) >>
< Pgn(t) ⊗ Pgn(-t) , ϕ(t) >> = < Pgn(u) , < Pgn(-v) , ϕ(u + v) >>
= < Pgn(u) , ∑ ϕ(u + p) > = ∑ ∑ ϕ(q + p) →∞
p q p
Définie ainsi, l’autocorrélation d’un peigne de Dirac n’existe pas : ce n’est pas un signal à énergie finie
puisqu’il s’agit d’une distribution périodique.
Propriétés :
• Si T est nulle hors d’un segment ⇒ T ⊗ S existe.
• Si T et S sont nulles hors d’un même segment ⇒ T ⊗ S est nulle hors de ce segment.
• Si T et S sont causales ⇒ T ⊗ S existe et est causale.
• x ∈ D ⇒ h = x ⊗ T existe et est une distribution régulière. De plus, h est de classe C∞.
Autres propriétésdu produit de convolution :

P1 :
Si (T ⊗ S1) et (T ⊗ S2) existent , a1 et a2 ∈ C ⇒ T ⊗ (a1 S1 + a2 S2) existe.
P2 :
< (T ⊗ S)’ , ϕ > = - < (T ⊗ S) , ϕ’ > = - < T(u) , < S(v) , ϕ’(u+v) >> = < T(u) , < S’(v) , ϕ(u+v) >>
= < T ⊗ S’ , ϕ >
⇒ < (T ⊗ S)’ , ϕ > = < T ⊗ S’ , ϕ >= < T’ ⊗ S , ϕ >

P3 :
< (T ⊗ S)(t-a) , ϕ > = < (T ⊗ S) , ϕ(t+a) > = < T(u) , < S(v) , ϕ(u+v+a) >> = < T(u) , < S(v-a) , ϕ(u+v) >>
= < T(t) ⊗ S(t-a) , ϕ >
⇒ (T ⊗ S)(t-a) = T(t) ⊗ S(t-a) = T(t-a) ⊗ S(t)
P4 : Si Tn est une suite de distributions nulles hors du même segment [-A , +A] et si Tn converge
uniformément vers T dans D’ alors :
⇒ lim S ⊗ Tn = S ⊗ T
n →∞
Conséquences :
C1 : (δ ⊗ T ’) = δ ⊗ T ' = T ’ = δ’ ⊗ T . Ce résultat qui peut être itéré à la dérivée d’ordre n.
⇒δ ⊗T=T
(n) (n)
avec comme cas particulier : δ ⊗ T = T’.

’
C2 : Soit T une distribution causale et Y l’échelon d’Heaviside qui est elle-même une distribution
causale. Les propriétés du produit de convolution induisent que Y ⊗ T existe et est une distribution causale. Par
ailleurs :
(Y ⊗ T )’ = Y’ ⊗ T = δ ⊗ T = T
⇒ (Y ⊗ T ) est une primitive de T.
C3 : fonction périodique et convolution.
Soit x une fonction nulle hors de l’intervalle [0 , θ] et y une fonction périodique qui coïncide avec x sur
l’intervalle [0 , θ].
x nulle hors du segment ⇒ x ⊗ T existe ⇒ x ⊗ δ(t-pθ) existe ⇒ ∑ x ⊗ δ(t-pθ) et c’est aussi la fonction
p
y.
⇒ y(t) = x(t) ⊗ Pgnθ(t)
La convolution d’une fonction motif x(t) par un peigne de Dirac permet d’obtenir une fonction périodique.
Associativité :
Celle–ci n’est pas assurée comme le montre l’exemple suivant :
1 ⊗ δ’ = 1’ ⊗ δ = 0.
( 1 ⊗ δ’ ) ⊗ Y = 0
1 ⊗ ( δ’ ⊗ Y ) = 1 ⊗ ( δ ⊗ Y’ ) = 1 ⊗ ( δ ⊗ δ ) =1 ⊗ δ = 1
⇒ ( 1 ⊗ δ’ ) ⊗ Y ≠ 1 ⊗ ( δ’ ⊗ Y )

Sans démonstration, l’associativité est assurée dans les deux cas pratiques suivants :
Si S, T et U sont trois distributions causales alors :
( S ⊗ T ) ⊗ U = S ⊗ (T ⊗ U ) et le résultat est causal.
Si S, T et U sont trois distributions nulles hors d’un segment alors :
( S ⊗ T ) ⊗ U = S ⊗ (T ⊗ U ) et le résultat est nul hors du segment.
III.5. Convolution discrète :

C’est une application du produit de convolution défini sur les distributions qui trouve un grand intérêt
pratique dans l’étude des signaux et systèmes discrets.
Deux signaux discrets sont définis par les distributions : X = ∑ xn δ(t - nT) et Y = ∑ yk δ(t - kT) . Le
n k
produit de convolution X ⊗ Y existe-t-il ?
S’il existe, nous pouvons faire le calcul associé soit :
X ⊗ Y = ∑ x n δ(t - nT) ⊗ ∑ yk δ(t - kT) = ∑ x n yk δ(t - nT) ⊗ δ(t - kT) == ∑ xn yk δ(t - nT - kT)
n k n,k
14442444 3 n,k
Ce produit de convolution existe
Soit en posant n+k = m :
 
X⊗Y = ∑
x n ym - n δ(t - mT) = ∑  ∑ x n ym - n  δ(t - mT)
n,m m  n 
Ceci défini un nouveau signal discret qui n’existe que si la série ∑ xn ym - n converge pour tout m.
n
Le produit de convolution de deux signaux discrets est un signal discret défini par une série dite
convolution discrète telle que :
X ⊗ Y = H = ∑ h m δ(t - mT)
m
et
h m = ∑ x n ym - n = ∑ x m - p yp
n p
remarque :
X = PgnT(t) ⇒ xn = 1 ∀n
+∞
Y = PgnT(t) ⇒ yk = 1 ∀k ⇒ hm = ∑ 1→ + ∞
n = -∞
Nous retrouvons le fait qu’au sens de l’énergie, le peigne de Dirac n’a pas de fonction de corrélation. Ce
n’est pas un signal à énergie finie.
Théorèmes d’existence :
Nous allons nous contenter de les énumérer sans démonstration :
TH1 :
Si x ou y est nul pour n ≥ n0 ⇒ x ⊗ y existe.

TH2 :
n0
Si x et y sont nuls pour n ≥ n0 ⇒ x ⊗ y existe et ( x ⊗ y )m = ∑ xm - n yn .
n = -n0
TH3 :
m
Si x et y sont causales ⇒ x ⊗ y existe et est causale ( x ⊗ y )m = ∑ x m - n yn .
n =0
TH4 :
+∞
∑ xn < ∞
⇒ x ⊗ y existe et est bornée.
−∞
Sup yk < ∞
TH5 :
+∞ 2
∑ xn <∞
−∞
⇒ x ⊗ y existe.
+∞ 2
∑ yk <∞
−∞
TH6 :
Si ∃ A et k ∈ N tel que | xn | ≤ A (1+| n | )

k
Et si ∀ q ∈ N lim (m ym) = 0 lorsque |m| → ∞ ⇒ x ⊗ y existe.

q
TH7 :
+∞
∑ xn < ∞
+∞
−∞
+∞
⇒ x ⊗ y existe et ∑ (x ⊗ y)m < ∞ .
−∞
∑ yk < ∞
−∞
Corrélation discrète :
Pour des signaux à énergie finie, la convolution défini aussi la corrélation discrète soit :
R xy(t) = ∑ R xy(m) δ(t - mT)

m
R xy(m) = ∑ xm + k yk
k
IV. LES DISTRIBUTIONS ET LES TRANSFORMEES
IV.1. Transformée de Fourier :
Cas des fonctions :

Nous commençons de nouveau à examiner le cas des fonctions en tant que distributions régulières
pour envisager ensuite son extension à celui des distributions d’une manière plus générale.

Rappels sur la transformée de Fourier des fonctions :

1
Pour qu’il existe une transformée de Fourier, un signal x(t) doit appartenir à L (R). Une première
extension peut être faite pour des fonctions ∈ L (R) et ∉ L (R) par simple passage à la limite au niveau des
2 1
intégrales.
La transformée de Fourier est donc définie par :
+∞
TF[ x(t)] = X(f) = ∫ x(t) e- j2πft dt
-∞
Une des conséquences du théorème de Parseval est : x(t) ∈ L (R) ⇒ X(f) ∈ L (R).
2 2
Nous pouvons aussi remarquer que les fonctions test sont bornées, continues et à support borné et
donc ∈ [L (R)∩L (R)].
1 2
Problème pour les distributions :

Dans l’espace des fréquences, nous savons définir une distribution régulière engendrée par X(f) telle
que :
+∞
< X(f) , ϕ(f) > = ∫ X(f) ϕ(f) df
-∞
Ici, ϕ(f) est une fonction test définie dans l’espace des fréquences et non une transformée de Fourier de
fonction test.
Cette fonctionnelle existe-t-elle ?
+∞ +∞  +∞  +∞  +∞ 
- j2πft - j2πft
∫ X(f) ϕ(f) df = ∫  ∫ x(t) e dt  ϕ(f) df = ∫  ∫ ϕ(f) e df  x(t) dt

−∞  -∞  − ∞  - ∞ 
-∞
144424443
TF[ϕ]t
La relation précédente peut ainsi se mettre sous la forme :
+∞ +∞
∫ TF[x(t)] ϕ(f) df = ∫ x(t) TF[ϕ(f)] dt
−∞ -∞
La première intégrale existe si la seconde existe. Nous savons associer une distribution régulière à x(t),
il suffirait donc que TF[ϕ(f)]t soit une fonction test. Malheureusement, l’analyse de Fourier nous a montré que à
une fonction de support borné (c’est le cas de ϕ(f) ) elle associe une transformée à support infini ⇒ TF[ϕ(f)]t ne
peut être une fonction test.
Cette conclusion ne prouve pas que l’intégrale n’existe pas mais l’association d’une distribution
régulière à x(t) ne permet pas de le justifier. Nous nous retrouvons avec une situation voisine de celle du produit
de convolution où la condition d’existence implique quelques conditions supplémentaires.
Distributions tempérées, définitions :

Il existe une classe de distributions pour lesquelles nous pouvons définir une transformée de Fourier :
c’est la classe des distributions tempérées. Cela nécessite les quelques notions déjà introduites sur les
fonctions à décroissance rapide.

Rappels :
Une fonction est à décroissance rapide si pour tout p : lim u p x(u) = 0 .

u →∞
Espace S(R): x ∈ S(R) si elle est indéfiniment dérivable et si elle et ses dérivées sont à décroissance
rapide. L’espace S(R) est aussi appelé l’espace de Schwartz.
Toute fonction test appartient à l’ensemble des fonctions à décroissance rapide (nous n’avons pas
démontré cette proposition, nous l’admettrons) :
ϕ ∈ D ⇒ ϕ ∈ S(R)
Une conséquence rappelée dans le sommaire sur S(R) :
ϕ ∈ S(R) ⇒ TF[ϕ] ∈ S(R)
Distributions tempérées :
Une distribution tempérée fait correspondre à tout ϕ ∈ S(R) un nombre < T , ϕ > tel que :
T( a1 ϕ1 + a2 ϕ2 ) = a1 T(ϕ1) + a2 T(ϕ2 )
lim ϕn = ϕ ⇒ lim T(ϕn) = T(ϕ)

n →∞ n →∞
Ce sont en réalité les définitions de la distribution sur D qui sont étendues à S(R).
L’ensemble des distributions tempérées est noté S’(R).
+∞
Puisque TF[ϕ] ∈ S(R) , ∫ x(t) TF[ϕ(f)] dt est une distribution tempérée.
-∞
Nous retrouvons ainsi l’outil mathématique établi sur D et pour une distribution régulière nous obtenons
la relation :
< TF[x] , ϕ > = < x , TF[ϕ] >
La transformée de Fourier au sens des distributions:

Obtenue par généralisation de l’expression précédente :
Pour ϕ ∈ S(R) :
< TF[T] , ϕ > = < T , TF[ϕ] >
Nous en déduisons la transformée inverse :
< TF [T] , ϕ > = < T , TF [ϕ] >

-1 -1
Des définitions il découle les propriétés habituelles de la transformée de Fourier :
• < TF {TF[T]} , ϕ > = < TF[T] , TF [ϕ] > = < T , TF{TF [ϕ]} > = < T , ϕ > ⇒ TF {TF[T]} = T.
-1 -1 -1 -1

• TF[T] est en général complexe et par extension de la propriété sur les fonctions nous avons :
< T ,ϕ> = <T , ϕ >.
En bref :
• Nous avons un espace de fonctions : D l’espace des fonctions tests.
• Cet espace a été étendu a des fonctions dites de l’espace de Schwartz : S(R).
• A partir de D nous pouvons définir les distributions : espace D’.
• Seul un sous-espace de D’ associé à S(R) permet de définir une transformée de Fourier : espace S’(R).
Ceci se résume par le schéma suivant :
S(R)
S’(R)
D
D’
Quelques distributions tempérées :

Les résultats ci-dessous indiquent dans quels cas pratiques nous pouvons utiliser la transformée de
Fourier des distributions. Leur preuve est un peu longue et, par souci de simplicité, nous ne chercherons pas à
les établir.
Cas général :
1. Toute distribution nulle hors d’un segment est une distribution tempérée. C’est ainsi le cas pour la
distribution de Dirac.
2. Toute distribution périodique est une distribution tempérée. C’est le cas pour le Peigne de Dirac.
Signaux analogiques :
1
1. Toute fonction de L (R) défini une distribution tempérée.
2
2. Toute fonction de L (R) défini une distribution tempérée.
3. Toute fonction à croissance lente défini une distribution tempérée. C’est le cas très important des
polynômes.

Signaux discrets : T = ∑ x n δ(t - nT)

n
1. Tout signal tel que : ∑ xn < ∞ , défini une distribution tempérée (équivalent en discret de
n
1
l’appartenance à L (R) ).
2
2. Tout signal tel que : ∑ xn < ∞ , défini une distribution tempérée (équivalent en discret de
n
2
l’appartenance à L (R) ).
3. Tout signal discret à croissance lente défini une distribution tempérée.
Dérivée :
< T’ , ϕ > = - < T , ϕ’ >
ϕ ∈ S ⇒ ϕ’ ∈ S ⇒ T ∈ S’ ⇒ T’ ∈ S’
Polynômes :
ϕ ∈ S.
P(t) est un polynôme. ⇒ P(t).ϕ ∈ S
P est un polynôme ⇒ < P(t).T , ϕ > = < T , P(t).ϕ > ⇒ P(t).T est une distribution
tempérée : T ∈ S’
Convolution :
< P(t) ⊗ T , ϕ > = < T(u) , < P(v) , ϕ(u+v) >>
ϕ(v) ∈ S ⇒ ϕ(u+v) ∈ S ⇒ < P(v) , ϕ(u+v) > ∈ S ⇒ [ P(t) ⊗ T ] ∈ S’(R)
IV.2. Propriétés de la transformée de Fourier dans S’(R) :

Compte tenu des remarques précédentes et du fait que S’(R) ⊂ D’ nous allons retouver pour la
transformée de Fourier des Distributions tempérées les propriétés de la transformée de Fourier des fonctions.
Dérivation de la transformée de Fourier :

< TF[ T ]’ , ϕ > = - < TF[ T ] , ϕ’ > = - < T , TF[ ϕ’ ] > = - < T , j2πu TF[ ϕ ] > = - < TF[ j2πu T] , ϕ >
⇒ TF[ T ]’ = TF[ -j2πu T]
Transformée de Fourier de la dérivée :

< TF[ T’ ] , ϕ(f) > = - < T’ , TF[ ϕ ] > = - < T , TF[ ϕ ]’ > = - < T , TF[ -j2πf ϕ ] > = < j2πf.TF[T] , ϕ >
⇒ TF[ T’ ] = j2πf TF[ T ]
Retard :
< TF[ T(t-a) ] , ϕ(f) > = < T(t-a) , TF[ ϕ ] > = < T(t) , TF[ ϕ ](t+a) > = < T(t) , e TF[ ϕ ] >
-j2πaf
T(t) , TF[ ϕ ] > = < e TF[ T(t) ] , ϕ >

-j2πaf -j2πaf
=<e

πaf
-j2π
⇒ TF[ T(t-a) ] = e TF[ T(t) ]
Produit de convolution :
T est nulle hors d’un segment
S ∈ S’(R) ⇒ TF[ T ⊗ S ] = TF[ T ] . TF[ S ]
x ∈ S(R) TF[ x ⊗ T ] = TF[ x ] . TF[ T ]
T ∈ S’(R) ⇒ TF[ x.T ] = TF[ x ] ⊗ TF[ T ]
P(t) est un polynôme
T ∈ S’(R) ⇒ TF[ P(t) ⊗ T ] = TF[ P(t) ] . TF[ T ]
TF[ P(t).T ] = TF[ P(t) ] ⊗ TF[ T ]
Symétrie :
< TF[ T(-t) ] , ϕ(f) > = < T(-t) , TF[ ϕ(f) ]t > = < T(t) , TF[ ϕ(f) ] (-t) > = < T(t) , TF[ ϕ(f) ] (t) >
1444444442444444443
Théorème de l'échelle
= < T(t) , TF[ ϕ(f) ] >
ϕ(f) est une fonction test donc définie sur R et T est définie sur D’ d’où :
< T(t) , TF[ ϕ(f) ] > = < T(t) , TF[ ϕ(f) ] > = < TF[ T(t) ] , ϕ(f) >
= < TF[ T(t) ] , ϕ(f) > = < TF[ T(t) ] , ϕ(f) >
⇒ TF[ T(-t) ] = TF[ T(t) ]
IV.3. les transformées de Fourier usuelles :
Distribution de- Dirac :

< TF[ δ(t-a) ] , ϕ(f) > = < δ(t-a) , TF[ ϕ(f) ]t > = TF[ ϕ(f) ]t=a
+∞
TF[ ϕ(f) ]t = a = ∫ ϕ(f) e- j2πfa df = < e- j2πfa , ϕ(f) >
-∞
πfa
⇒ TF[ δ(t-a) ] = e
-j2π
Avec comme cas particulier a= 0
⇒ TF[ δ(t) ] = 1
Constante k ∈ C :
Avec la démarche précédente commençons par établir la transformée de Fourier inverse de δ(t) :
< TF [ δ(t) ] , ϕ(f) > = < δ(t) , TF [ ϕ(f) ]t > = TF [ ϕ(f) ]t=0
-1 -1 -1

+∞
TF−1[ ϕ(f) ]t = 0 = ∫ ϕ(f) df = < 1 , ϕ(f) > TF [ δ(t) ] = 1
-1
⇒
-∞
D'où ⇒ TF[ 1 ] = δ(t)
Il vient immédiatement pour une constante k TF[ k ] = k.δ(t)
Exponentielle imaginaire (déphaseur) :

j2π α t j2π α t j2π α t
< TF[ e ] , ϕ(f) > = < e , TF[ ϕ(f) ]t > = < 1 , e TF[ ϕ(f) ]t > = < 1 , TF[ ϕ(f+α) ]t >
= < TF[ 1 ] , ϕ(f+α) > = < δ(f) , ϕ(f+α) > = < δ(f-α) , ϕ(f) >
παt
] = δ(f-α)
j2π
⇒ TF[ e
Peigne de Dirac :
TF[Pgn(t)] = TF[∑ δ(t - n)] = ∑ TF[δ(t - n) ] = ∑ e-j2πnf = Pgn(f)

n n n 4442444
1 3
Formule de Poisson
La même formule peut être établie mais sans normalisation du temps ce qui introduit un facteur
d’échelle.
⇒ TF[ Pgn(t) ] = Pgn(f)
TF[ PgnT(t) ] = F.PgnF(f) (avec T.F = 1)
Fonction signe : Sign(t)

[ Sign(t) ]’ = 2.δ(t)
TF[ 2.δ(t) ] = 2 = TF[ Sign(t)’ ] = j2πf TF[ Sign(t) ]
D’où la relation : jπf.TF[ Sign(t) ] = 1.
Valeur principale :
Ici intervient un problème spécifique aux distributions : l’équation u.g(u) = 1 n’a pas comme solution
unique g(u) = 1/u.
En effet, nous avons démontré que u.δ(u) = 0 et donc 1/u + k δ(u) (avec k ∈ C) constitue une infinité de
solutions de l’équation étudiée. D’autre part la solution g(u)=1/u n’est valable qu’en u≠0. En conclusion, au sens
des distributions, l’équation u.g(u)=1 admet donc une solution particulière g(u)=Pf(1/u) (où Pf désigne la valeur
principale c'est-à-dire toute valeur sauf en u=0 où elle n’est pas définie) et une solution générale du type
Pf(1/u)+k.δ(u) où le coefficient k reste à déterminer selon le problème posé.
Revenons à notre problème : TF[ Sign(t) ] = 1/(jπ) Pf(1/f) + k δ(f)
La définition < TF[x] , ϕ(f) > = < x , TF[ ϕ ] > doit être vérifiée pour toutes les fonctions à décroissance
rapide ϕ ∈ S(R) .
La fonction Gaussienne est une fonction particulièrement simple ∈ S(R). Elle appartient aussi à L (R) et
1
nous connaissons sa transformée de Fourier :

2
TF [ 1 exp( - t ) ] = 1 exp( - f 2 )
2π 2 2π 2
En appliquant la définition :
2 2
< TF[ Sign(t) ] , 1 exp( - f ) > = < Sign(t) , TF[ 1 exp( - f ) ] >
2π 2 2π 2
2 +∞ 2
= < Sign(t) , 1 exp( - t ) > = 1 ∫ Sign(t) exp( - t ) dt = 0
2π 2 2π -∞ 14442444 23
fonction impaire
En utilisant l'expression générale de la solution :
2
< TF[ Sign(t) ] , 1 exp( - f ) > = < 1 PF( 1 ) + k δ( f ), 1 exp( - f 2 ) >
2π 2 jπ f 2π 2
= < 1 PF( 1 ) , 1 exp( - f 2 ) > + < k δ( f ), 1 exp( - f 2 ) >

jπ f 2π 2 2π 2
+∞
= 1 1 exp( - f 2 ) df + k. 1 = k. 1
jπ 2π
∫ f 42
1 4 43 2
4 2π 2π
−∞
impaire
Soit en comparant les deux résultats k = 0 :
⇒ TF[ Sign(t) ] = 1 Pf 1
jπ f
( )
Echelon d’Heaviside : Y(t)
Y’(t) = δ(t)
TF[ δ(t) ] = 1 = TF[ Y’(t) ] = j2πf TF[ Y(t) ]
D’où la relation : j2πf.TF[ Y(t) ] = 1.
Nous avons ici une illustration du propos précédent, TF[ Y(t) ] est solution d’une équation similaire à
celle de TF[ Sign(t) ]. La façon la plus élémentaire est de se reporter au problème de Sign(t) et d’écrire :
Y(t) = 1/2 Sign(t) + 1/2 ⇒ TF[ Y(t) ] = 1/2 TF[ Sign(t) ] + TF[ 1/2 ]
j2π f 2
( )
⇒ TF[ Y(t) ] = 1 Pf 1 + 1 δ(f)
Le résultat aurait pu être établi de manière directe comme avec Sign(t) :
2 2
< TF[ Y(t) ] , 1 exp( - f ) > = < Y(t) , TF[ 1 exp( - f ) ] >
2π 2 2π 2
2 +∞ 2
= < Y(t) , 1 exp( - t ) > = 1 ∫ exp( - t ) dt = 1 1
2π 2 2π 0 1424 23 2π 2
gaussienne
2
< TF[ Y(t) ] , 1 exp( - f ) > = < 1 PF( 1 ) + k δ( f ), 1 exp( - f 2 ) >
2π 2 jπ f 2π 2
+∞
= 1 1 exp( - f 2 ) df + k. 1 = k. 1
jπ 2π
∫ f 42
1 4 43 2
4 2π 2π
−∞
impaire
Soit en comparant les deux résultats k = ½.

Signaux périodiques :
g(t) = x(t) ⊗ PgnT(t) où x(t) est la fonction motif de g(t). Elle est non nulle sur l’intervalle [ 0 ; T ] il lui
correspond donc une distribution régulière nulle hors du segment.
TF[ g ] = TF[ x ].F PgnF(f) (avec F.T=1).
= X(f).F. PgnF(f).
TF[ g ] = X(f) F ∑ δ(f - nF) = ∑ X(nf) F δ(f - nF)

n n
Cette transformée est discrète, c’est un spectre de raies. Les raies existent pour f=n.F (n ∈ Z) et ont
comme poids F.X(nF) = 1/T X(n/T).
Par ailleurs, tout signal périodique a une décomposition en série de Fourier à termes complexes :
g = ∑ Cn e-j2π nF t ⇒ TF[ g ] = ∑ Cn δ(f - nF)

n n
Nous retrouvons un résultat vu lors de l’étude des séries de Fourier : Cn = F.X(nF) (avec F.T =1)
Signaux discrets :
y(t) est un signal discret obtenu par échantillonnage du signal continu x(t) : y(t) = x(t).Pgnθ(t)
⇒ TF[ y(t) ] = TF[ x(t) ] ⊗ (1/θ) Pgn1/θ(f) = X(f) ⊗ (1/θ) Pgn1/θ(f) = 1 ∑ X(f - n )
θ n θ
La transformée de Fourier d’un signal discret est donc périodique de période fréquentielle Fθ = 1/θ.
Nous pouvons ainsi découper l’espace fréquentiel en bandes égale. Si nous connaissons la bande
centrée sur f = 0 soit [ -½F θ ; ½F θ ] nous en déduire le spectre complet par translations de cette bande puis
sommation. Cette bande centrale s’appelle la bande de fréquences de Shannon.
Si TF[ y ] = 0 en dehors de l’intervalle [ -½F θ ; ½F θ ] il n’y a pas de problème mais, dans le cas contraire,
les différentes bandes de fréquence se chevauchent : c’est le phénomène de repliement que tous les traiteurs
de signaux cherchent à éviter.
Reconstruction de Shannon :
Comment retrouver le signal x(t) à partir de ses échantillons xn ?
• En l’absence de repliement, X(f) le spectre de x(t) se situe dans la bande de fréquence de

Shannon, nous pouvons l’isoler dans TF[ g ] par :
X(f) = TF[ g ].θ.rect(f/Fθ)
• Puis nous prenons la transformée de Fourier inverse:

x(t) = g(t).θ ⊗ Fθ sin(πFθt)/ (πFθt) = g(t) ⊗ [sin(πFθt) / (πFθt)]
• Avec l’expression de g(t)

sin(πFθt) +∞ sin(πFθt) +∞  sin(πFθt) 
g(t) ⊗ = ∑ [ x n δ(t - nθ) ] ⊗ = ∑  x n δ(t - nθ) ⊗
πFθt n = -∞ πFθ t n = -∞  πFθt 
+∞  sin(πFθ(t − nθ)) 
= ∑  xn
n = -∞  πFθ(t − nθ) 

D’où le théorème de reconstruction :
+∞  sin(πFθ(t − nθ)) 
x(t) = ∑  xn πFθ(t − nθ) 
n = -∞
Quelques remarques :
• En l’absence de repliement, un signal continu peut être reconstruit à partir de ses échantillons.
• Ce filtre de reconstruction est non causal car il nécessite les échantillons qui précèdent t (n<0) mais
aussi ceux qui lui succèdent (n>0). Il ne peut travailler en temps réel.
IV.4. Transformée de Laplace

Les distributions sont, dans la pratique, intéressantes pour l’étude des signaux et systèmes linéaires
discrets. Dans ce cas, les équations à résoudre sont des équations aux différences et la solution ne sera pas
polynomiale si nous utilisons la transformée de Laplace. Nous verrons qu’il suffit d’un changement de variable
mais que cela revient à utiliser une autre transformée : la transformée en z. Pour les distributions, la
transformée de Laplace en tant que telle est donc d’un intérêt réduit ce qui justifie que nous passions peu de
temps sur ce sujet.
La démarche est semblable à celle adoptée pour la transformée de Fourier :
+∞ +∞
< TL[ x ] , ϕ > = ∫ TL[ x ] ϕ(p) dp = ∫ x(t) TL[ ϕ(p) ]t dt = < x , TL[ ϕ ] >
0 0
Nous retrouvons les mêmes problèmes :
• TL[ ϕ ] n’a aucune raison d’être une fonction test et donc < x , TL[ ϕ ] > ne peut être une distribution.
• TL[ ϕ ] n’existe pas car ϕ est rarement causale.
Définition :
T est une distribution causale.
Si ∃ σ tel que ∀p pour Re(p) > σ et < T , e

-pt
> est bien définie, alors :
-pt
TL[ T ] = < T , e >
Fonction causale :
+∞
TL[ x ] = ∫ x(t) e
-pt
Pour une fonction causale : dt si elle existe, est aussi la transformée de Laplace
0
d’une distribution régulière.
En étendant ceci nous obtenons le cas particulier important de la distribution de Dirac :
TL[ δ(t-a) ] = e
-pa
TL[ δ(t) ] = 1

Produit de convolution :
Si TL[ T ] et TL[ S ] existent pour Re(p) > σ :
<T⊗S,e
-pt -p(u+v) -pu -pv
> = < T(u) , < S(v) , e >> = < T(u) , e < S(v) , e >>
-pu -pv
= < T(u) , e > < S(v) , e > = TL[ T ].TL[ S ]
⇒ TL[ T ⊗ S ] = TL[ T ].TL[ S ]
Théorème du retard :
-pt -p(t+a) -pa -pt
< T(t-a) , e > = < T(t) , e >=<e T(t) , e >
-pa
⇒ TL[ T(t-a) ] = e TL[ T ]
Théorème de la dérivée :
-pt -pt) -pt
< T’(t) , e > = - < T(t) , -p e > = < p T(t) , e >
⇒ TL[ T’(t) ] = p TL[ T ]
Fonction discontinue :
[ x(t) ]’ = x’ + ∆x(a) δ(t-a)
⇒ TL[ [x]’ ] = p TL[ x ] + ∆x(a) e

-pa

Université de Caen - UFR de Sciences Les distributions -Résumé
➅ EN RESUME
I. INSUFFISANCE DES FONCTIONS : L’IMPULSION :

Dans tous les chapitres qui précèdent (convolution, transformée de Fourier, transformée de Laplace), il
n'a pas été mentionné la "fonction impulsion" de Dirac : δ(t). Celle-ci pose un gros problème de cohérence
mathématique.
II. PRINCIPE DES DISTRIBUTIONS

Pour répondre à ce problème nous savons définir un nouvel objet mathématiques : les distributions.
Ces distributions sont construites de manière à englober le cas des fonctions habituelles : ce sont les
distributions régulières. Il y a en plus des distributions singulières qui vont enrichir les outils du traitement
du signal. La définition des distributions se fait par une fonctionnelle et nécessite un espace de fonctions dites
fonctions test (notées ϕ(t)) dont nous avons seulement besoin de connaître les propriétés et leur existence. La
fonctionnelle utilise la notation < , >.
Trois objets intervenant dans le traitement de signal sont aussi introduits :
La distribution de Dirac : δ(t) < δ(t-a) , ϕ(t) > = ϕ(a)
+∞ +∞
L'échelon d'Heaviside : e(t) < Te , ϕ > = ∫ Y(t) ϕ(t) dt = ∫ ϕ(t) dt
−∞ 0
+∞
Le peigne de Dirac : Pgnθ(t) : Pgnθ(t) = ∑ δ(t - n θ)
n = −∞
δ(t-a) Pgnθ(t)
1
1
t -2θ t
0 a -θ 0 θ 2θ
Pour ces distributions nous savons établir les propriétés élémentaires identiques à celles des fonctions :
1. Somme : <S+ T , ϕ > = <S, ϕ > + < T , ϕ >
2. Multiplication par une constante : <λT,ϕ>=λ<T,ϕ>
3. Translation : < T(t − a) , ϕ(t) > = < T(t) , ϕ(t + a) > ; < δ(t-a) , ϕ(t) > = < δ(t) , ϕ(t+a) > = ϕ(a)
4. Distribution périodique : T(t-θ) = T(t). Le peigne de Dirac est une distribution périodique.
5. Facteur d’échelle : < T(kt) , ϕ(t) > = 1 < T(t) , ϕ( t ) > ; δ(kt) = 1 δ(t)
k k k

6. Produit d’une distribution par une fonction C∞ : nous savons le définir, ceci permet d'établir le résultat
pour la distribution de Dirac : y(t) . δ(t-a) = y(a) . δ(t-a) et pour le peigne de Dirac :
y(t) . ∑ δ(t - nθ) = ∑ y(nθ) δ(t - nθ)
n∈Z n∈Z
7. Nous ne pouvons pas définir le produit de deux distributions singulières : cela n’a mathématiquement
pas de sens : δ(t).δ(t), δ(t-a).δ(t-b), sont des expressions qui n'ont pas de sens et à ne pas utiliser.
Le produit d'une fonction par une distribution possède les trois propriétés habituelles du produit de
fonctions.
Distributivité par rapport à la somme : (x+y)T = xT + yT
Théorème du retard :…. (x.T)(t-a) = x(t-a).T(t-a)
Retournement de l'échelle :…. (x.T)(-t) = x(-t).T(-t)
Les signaux discrets :
La relation 6 est essentielle dans la modélisation des signaux discrets (parfois appelés numériques). Un
signal discret est le résultat d'une série de mesures effectuées à intervalles de temps réguliers t = k.Ts où Ts est
par définition la période d'échantillonnage. Le résultat de ces acquisitions est un tableau de chiffres noté { xn }
où xn est la mesure effectuée à l'instant t = nTs. Un tableau de chiffres est un objet mathématique pour lequel
nous disposons de peu d'outils, pour élaborer une méthodologie d'étude de ces signaux il est important de
pouvoir obtenir un modèle mathématique plus riche comme une fonction analytique. Les fonctions usuelles ne
permettent pas de répondre à ce souci qui sera comblé grâce aux distributions. Un signal discret est par
définition représenté par un peigne de Dirac pondéré tel que :
x(t) = ∑ xnδ(t − nTs)

n
Les signaux échantillonnés :
C’est un cas particulier des signaux discrets où les échantillons proviennent de mesures
effectuées sur un signal continu xc(t) ⇒ xn = xc(t = nTs). La relation précédente pour les signaux discrets
peut dans ce cas s’écrire :
x(t) = ∑ xnδ(t − nTs) = ∑ xc(nTs) δ(t − nTs) = xc(t) .∑ δ(t − nTs) = xc(t).PgnTS(t)
n n n
D’où la définition suivante :
Echantillonner un signal continu se représente par le produit du signal par un peigne de Dirac
de période égale à la période d’échantillonnage.

III. DERIVATION
Jusqu'ici, nous savons définir la dérivation pour les fonctions. Celle-ci se définit sans problème pour les
fonctions continues, pour les fonctions ayant une ou plusieurs discontinuités de première espèce, la dérivée aux
points de discontinuités n'est pas définie. La généralisation de la définition de la dérivation va permettre de
maintenir la dérivée des fonction continue, de définir une dérivée pour les distributions singulières et comme
conséquence, nous pourrons définir la dérivée d'une fonction aux points de discontinuité. En notant x’(t) ≡
dérivée au sens des fonctions, [x(t)]’ ≡ dérivée au sens des distributions.
Le premier résultat est que, pour une fonction ayant une discontinuité en t = a nous pouvons
écrire :
[x(t)]' = x(t)' + [x(a ) – x(a )].δ(t-a)

+ -
Un cas particulier important de ce théorème est constitué par la dérivée de l'échelon d'Heaviside e(t):
e(t)' = δ(t)
Une généralisation de ce théorème aux fonctions ayant plusieurs discontinuités est immédiate.
Cette nouvelle dérivée possède les mêmes propriétés que celle des fonctions :
1. distributivité : (T+S)’ = T’ + S’
2. produit (quand il existe): (x.T)’ = x.T’ + x’.T
3. changement d'échelle: [T(at)]’ = a T’
4. retard: [ T(t-a) ]’ = T’(t-a)
IV. CONVERGENCES DANS D’

Le lourd chapitre sur les convergences a une application essentielle en traitement de signal : il permet
d'établir les formules de Poisson :
+∞ j2πk t +∞
∑ [e Ts
] = Ts PgnTs (t) = Ts ∑ δ(t - pTs)
k = -∞ p = -∞
Cette formule peut être présentée comme étant une généralisation de la décomposition en série de
Fourier à termes complexes appliquée au peigne de Dirac.
V. PRODUIT DE CONVOLUTION
Nous savons définir dans certains cas le produit de convolution avec des distributions. C'est le cas des
distributions régulières puisque cela nous ramène au calcul intégral et ce qui a été défini pour les fonctions mais
c'est aussi le cas pour certaines distributions singulières (sans calcul intégral cette fois) et en particulier la
distribution de Dirac.
T(t) ⊗ δ(t-a) = T(t-a)

Ici T(t) peut être régulière (fonction) ou singulière. Le produit de deux distributions singulières n'est pas
défini alors que le produit de convolution l'est. Il ne passe cependant pas par du calcul intégral. Un cas simple
est : δ(t-a) ⊗ δ(t-b) = δ(t-a-b).
Le théorème précédent est essentiel en traitement de signal et peut s'énoncer :
la convolution par la distribution de Dirac représente une translation dans l'espace où elle est
effectuée.
Le produit de convolution conserve les propriétés établies au sens des fonctions :
Commutativité : T ⊗ S = S ⊗ T.
Linéarité : T ⊗ (a1 S1 + a2 S2) = a1 (T ⊗ S1) + a2 (T ⊗ S2) .
(T ⊗ S)’ = T' ⊗ S = T ⊗ S’ .Avec pour conséquences : δ ⊗ T = T’.

’
Dérivation :
(e ⊗ T )’ = e’ ⊗ T = δ ⊗ T = T ⇒ (e ⊗ T ) est une primitive de T.
Retard : (T ⊗ S)(t-a) = T(t) ⊗ S(t-a) = T(t-a) ⊗ S(t)
L'associativité n'est pas assurée.
La représentation des fonctions périodiques :

Là encore un théorème essentiel :
Soit y une fonction périodique de période θ qui coïncide sur l'intervalle [ 0 , θ ] avec une fonction x par
ailleurs nulle hors de l’intervalle [ 0 , θ ]. La convolution par la distribution de Dirac permet d'établir une
expression immédiate de la fonction périodique :
y(t) = ∑ x(t - nθ) = ∑ x(t) ⊗ δ(t - nθ) = x(t) ⊗ ∑ δ(t - nθ) = x(t) ⊗ Pgnθ(t)
n n n
x(t) est la fonction motif.
La convolution d’une fonction motif x(t) par un peigne de Dirac permet d’obtenir une fonction
périodique
Rendre périodique, c'est convoluer par un peigne de Dirac
La convolution discrète :
Nous savons définir grâce aux distributions deux signaux discrets x(t) et y(t). Nous savons définir le
produit de convolution de deux distributions de Dirac ⇒ nous savons définir le produit de convolution de
deux signaux discrets :
x(t) = ∑ xn δ(t - nT) et y(t) = ∑ yk δ(t - kT) .

n k
x(t) ⊗ y(t) = ∑ x n δ(t - nT) ⊗ ∑ yk δ(t - kT)

n k
= ∑ x n yk δ(t - nT) ⊗ δ(t - kT)
14442444 3
= ∑ xn yk δ(t - nT - kT)
n,k n,k
Ce produit de convolution existe
Soit en posant n+k = m :

 
x(t) ⊗ y(t) = ∑ xn ym-n δ(t - mT) = ∑ ∑ xn ym -n  δ(t - mT)
n,m m n 
Ceci définit un nouveau signal discret qui n’existe que si la série ∑x

n
n ym-n converge pour tout m.
Le produit de convolution de deux signaux discrets est un signal discret défini par une série dite
x(t) ⊗ y(t) = h(t) = ∑ h m δ(t - mT)

m
convolution discrète telle que : et
h m = ∑ x n ym - n = ∑ xm - p yp
n p
VI. TRANSFORMEE DE FOURIER

La transformée de Fourier est un outil mathématique de première importance dans la théorie du signal,
est-il possible de la généraliser aux distributions.
Là encore , nous ne pouvons pas utiliser le calcul intégral pour les distributions singulières mais, en
généralisant le cas des fonctions, nous pouvons montrer qu'il existe une classe de distributions pour lesquelles
il est possible de définir une transformée de Fourier : c’est la classe des distributions tempérées.
Nous savons ainsi définir pour certaines distributions, par généralisation du cas des fonctions, une
transformée de Fourier et une transformée inverse :
< TF[T] , ϕ > = < T , TF[ϕ] >
< TF [T] , ϕ > = < T , TF [ϕ] >

-1 -1
Quand elle existe, cette transformée de Fourier possède toutes les propriétés de celle des fonctions
-1
1. TF {TF[T]} = T
2. TF[T] est en général complexe et par extension de la propriété sur les fonctions nous avons :
< T ,ϕ> = <T , ϕ >.
3. Dérivation de la transformée de Fourier : TF[ T ]’ = TF[ -j2πu T]
4. Transformée de Fourier de la dérivée : TF[ T’ ] = j2πf TF[ T ]

-j2πaf
5. Retard : TF[ T(t-a) ] = e TF[ T(t) ]
6. Produit de convolution : TF[ T ⊗ S ] = TF[ T ] . TF[ S ]
7. Symétrie : TF[ T(-t) ] = TF[ T(t) ]
La distribution de Dirac, l'échelon d'Heaviside et le peigne de Dirac entrent heureusement dans cette
catégorie des distributions tempérées et nous pouvons démontrer des théorèmes tous plus essentiels les uns
que les autres :
-j2πfa
1. Distribution de Dirac : TF[ δ(t-a) ] = e avec comme cas particulier a= 0 ⇒ TF[ δ(t) ] = 1

2. Constante k ∈ C TF[ 1 ] = δ(t) et TF[ k ] = k.δ(t)

j2π α t
3. Exponentielle imaginaire (déphaseur) : TF[ e ] = δ(f-α)
4. Peigne de Dirac : TF[ PgnT(t) ] = F.PgnF(f) (avec T.F = 1)
5. Fonction signe : : TF[ Sign(t) ] = 1/(jπ) Pf(1/f) où Pf(.) désigne la valeur principale de la
fonction (distribution qui utilise la fonction sauf en f= 0 où elle est nulle)
6. Echelon d’Heaviside :
j2π f 2
( )
TF[ e(t) ] = 1 Pf 1 + 1 δ(f)
7. Signaux périodiques : g(t) = x(t) ⊗ PgnT(t) où x(t) est la fonction motif de g(t).
TF[ g ] = X(f) F ∑ δ(f - nF) = ∑ X(nf) F δ(f - nF) . Cette transformée est discrète, c’est un spectre de raies.
n n
Les raies existent pour f=n.F (n ∈ Z) et ont comme poids F.X(nF) = 1/T X(n/T). Par ailleurs, tout signal
périodique a une décomposition en série de Fourier à termes complexes :
g = ∑ Cn e-j2π nF t ⇒ TF[ g ] = ∑ Cn δ(f - nF) Nous retrouvons un résultat vu lors de l’étude des séries
n n
de Fourier : Cn = F.X(nF) (avec F.T =1). C’est une autre approche pour définir et calculer les séries de
Fourier.
8. Signaux discrets : y(t) est un signal discret obtenu par échantillonnage du signal continu x(t),
y(t) = x(t).Pgnθ(t) ⇒ TF[ y(t) ] = TF[ x(t) ] ⊗ (1/θ) Pgn1/θ(f) = X(f) ⊗ (1/θ) Pgn1/θ(f) = 1 ∑ X(f - n ) . La
θ n θ
transformée de Fourier d’un signal discret est donc périodique de période fréquentielle Fθ = 1/θ. Nous
pouvons ainsi découper l’espace fréquentiel en bandes égales. Si nous connaissons la bande centrée
sur f = 0 soit [ -½F θ ; ½F θ ] nous en déduisons le spectre complet par translations de cette bande puis
sommation. Cette bande centrale s’appelle la bande de fréquences de Shannon. Si TF[ y ] = 0 en
dehors de l’intervalle [ -½F θ ; ½F θ ] il n’y a pas de problème mais, dans le cas contraire, les différentes
bandes de fréquence se chevauchent : c’est le phénomène de repliement que tous les traiteurs de
signaux cherchent à éviter.
VII. TRANSFORMEE DE LAPLACE

Les distributions sont, dans la pratique, intéressantes pour l’étude des signaux et systèmes linéaires
discrets. Dans ce cas, les équations à résoudre sont des équations aux différences et la solution ne sera pas
polynomiale si nous utilisons la transformée de Laplace. Nous verrons qu’il suffit d’un changement de variable
mais que cela revient à utiliser une autre transformée : la transformée en z. Pour les distributions, la
transformée de Laplace en tant que telle est donc d’un intérêt réduit ce qui justifie que nous passions peu de
temps sur ce sujet.
La démarche est semblable à celle adoptée pour la transformée de Fourier :
+∞ +∞
< TL[ x ] , ϕ > = ∫ TL[ x ] ϕ(p) dp = ∫ x(t) TL[ ϕ(p) ]t dt = < x , TL[ ϕ ] >
0 0

Définition :
Si ∃ σ tel que ∀p pour Re(p) > σ et < T , e

-pt
> est bien définie, alors :
-pt
TL[ T ] = < T , e >
Un cas particulier important : celui de la distribution de Dirac :
TL[ δ(t-a) ] = e
-pa
TL[ δ(t) ] = 1
Les propriétés :
Elles sont identiques à celles de la transformation de Lplace des fonctions soit :
Produit de convolution : TL( T ⊗ S ) = TL[ T ].TL[ S ]

-pa
Théorème du retard : TL[ T(t-a) ] = e TL[ T ]
Théorème de la dérivée : TL[ T’(t) ] = p TL[ T ]
[ x(t) ]’ = x’ + ∆x(a) δ(t-a) ⇒ TL[ [x]’ ] = p TL[ x ] + ∆x(a) e

-pa
Fonction discontinue :

Université de Caen - UFR de Sciences Les distributions -exercices
➅ EXERCICES
Exercice1
Calculer au sens des distributions les dérivées suivantes :
1. [t.e(t)]’
2. [t.(e(t)-e(t-a))]’ avec a ∈ R
-t
3. [e .e(t)]’
4. [rect((t-b)/2b)]’ avec b ∈ R
5. [sin(ωt).rect((t-b)/2b)]’ avec b ∈ R
6. [cos(ωt).rect((t-b)/2b)]’ avec b ∈ R
7.
Exercice 2 :
A l’aide du produit de convolution des distributions démontrer la relation entre :
z(t) = x(t-t0) ⊗ y(t-t1) et r(t) = x(t) ⊗ y(t)
( Ce résultat a déjà été établi autrement dans la séquence 2 )
Exercice 3
1°) Rappeler le produit de convolution : h(t)=rect( t/2a) ⊗ rect(t/2a).
2°) En déduire rect((t-a)/2a) ⊗ rect(t/2a) et rect((t-a)/2a) ⊗ rect((t-a)/2a).
Exercice 4 :
1°) Un signal discret correspond à deux mesures tel les que : on mesure la valeur 3 à l’instant t = 0,1s et
la valeur –5 à l’instant t = 0,3s. Représenter ce signal avec les distributions.
-5t
2°) Le signal continu 10.t.e .e(t) est échantillonné à la cadence d’échantillonnage Ts = 0,1s.
Représenter ce signal avec les distributions (on se contentera des 10 premiers échantillons)
3°) Calculer les 5 premiers échantillons du produit de convolution des deux signaux des questions 1 et
2.

Exercice 5 :
B
Soit les signaux: x(t)=A[δ(t+t0)+δ(t−t0)] et y(t)=Bδ(t)+ [ δ(t+t1)+δ(t−t1)].
2
1°) Calculer le produit de convolution x(t) ⊗ y(t).
2°) Représenter graphiquement l’allure de x(t), y(t ) et x(t) ⊗ y(t).
Exercice 6 :
Calculer les transformées de Fourier de sin(ω0t) et cos(ω0t).
Exercice 7 : Cet exercice reprend sous une autre forme l’exercice 2 de la séquence 4 (transformée de
Fourier.
[ −at
Considérons le signal x(t)= e cos(2πf0t) e(t) . ]
1°) Nous souhaitons déterminer X(f) sans calculer e xplicitement l’intégrale de Fourier.
-at
2.a En posant y(t) = e .e(t) calculer directement Y(f).
2.b En utilisant les distributions et Y(f), déduire X(f).
2°) Tracer l’allure de |X(f)|.
3°) Soit x2(t) = x(t).cos(2 πf0t). En utilisant à nouveau les distributions, exprimer sa transformée de
Fourier en fonction de Y(f). Tracer l’allure du module de son spectre |X2(f)|.
Exercice 8 :
1°) rappeler l’expression de la transformée de Four ier de e(t).
2°) Exprimer rect(t) avec des fonctions e(t) et ret rouver grâce à cette décomposition la transformée de
Fourier de rect(t).
Exercice 9 :
1°) Le signal x(t) de la figure ci-contre a-t-il un e transformée de

x(t)
Fourier au sens des fonctions ?
2°) L’exprimer le plus simplement possible avec des fonctions Fig. 9.1
rect(t) et e(t) et en déduire sa transformée de Fourier au sens des +1
distributions ?
−T/2 0 T/2 t

Exercice 10 :
-5t
1°) Quelle est la transformée de Fourier X c(f) du signal continu xc(t) = 10.t.e .e(t). Quelle est la valeur
maximale de son module ? Pour quelle fréquence fM le module est-il égal à 10% de sa valeur maximale ?
Représenter | Xc(f) |.
2°) Le signal x(t) est un signal discret obtenu par échantillonnage de xc(t) à la période d’échantillonnage
Ts = 0,05s. Exprimer x(t) en fonction de xc(t). Quelle est sa transformée de Fourier X(f) ? Comment s’exprime-t-
elle en fonction de Xc(f) ? Tracer l’allure du module de X(f) pour f ∈ [ -50 Hz ; 50 Hz ].
3°) Reprendre l’étude du 2°) pour T S = 0,2s. Comparer le résultat au 2°). Quel phénomèn e observez-
vous ?
Exercice 11 :
xm(t)
Soit la fonction motif xm(t) non nulle entre [ -θ/2 ; θ/2 ]
représentée sur la figure ci-contre.
+1
1°) Rappeler la transformée de Fourier X m(f) de cette
fonction.
2°) Cette fonction sert de fonction motif à un sign al

périodique xp(t) de période T0 > θ. Comment s’exprime xp(t) en
−θ/2 0 θ/2
utilisant les distributions ?
t
3°) Exprimer la transformée de Fourier X p(f) en fonction de Xm(f) et la représenter pour θ = T0/2.
4°) x p(t) possède une décomposition en série de Fourier à termes complexes. Déduire des résultats
précédents les coefficients de décomposition Cn de cette série. Reprendre le calcul pour θ = T0/4.

Exercice TS

Transféré par

Droits d'auteur :

Formats disponibles

Vous aimerez peut-être aussi

Exercice TS

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

Exercice TS

Transféré par

Droits d'auteur :

Formats disponibles

Université de Caen - UFR de Sciences Les distributions

G.BINET MdC 61 MathsSignal06

 UNE INTRODUCTION A LA THEORIE DES DISTRIBUTIONS .........................................1

I. INSUFFISANCE DES FONCTIONS : L’IMPULSION : ...............................................................2

G.BINET MdC 61 MathsSignal06

III.2. CONVERGENCES DANS D’ : .........................................................................................................14

G.BINET MdC 61 MathsSignal06

IV.4. TRANSFORMEE DE LAPLACE .......................................................................................................31

I. INSUFFISANCE DES FONCTIONS : L’IMPULSION : .............................................................33

II. PRINCIPE DES DISTRIBUTIONS...............................................................................................33

III. DERIVATION ................................................................................................................................35

IV. CONVERGENCES DANS D’ .......................................................................................................35

V. PRODUIT DE CONVOLUTION ...................................................................................................35

VII. TRANSFORMEE DE LAPLACE...............................................................................................38

G.BINET MdC 61 MathsSignal06

G.BINET MdC 61 MathsSignal06 1

I. INSUFFISANCE DES FONCTIONS : L’IMPULSION :

Quel est le problème ?

D’une manière générale la densité dh possède trois propriétés :

• dh(x) = 0 si |x| > h.

Si nous comprimons la masse en x = 0 c’est à dire h → 0 que deviennent ces propriétés ?

La solution des physiciens :

1. δ(t) = 0 pour t ≠ 0 et δ(t) = +∞ pour t = 0.

fonction classique intégrable et dérivable.

G.BINET MdC 61 MathsSignal06 2

1. u(t) = 1 pour t > 0.

2. u(t) = 0 pour t < 0.

3. u(t) non définie (mais nécessairement bornée) pour t = 0.

Cette fonction est la fonction échelon unité ou échelon d’Heaviside.

Une nouvelle dérivation ?

δ(t). La définition de la dérivation n'est plus valable en t = 0.

⇒ il apparaît une grande nécessité : uniformiser toutes ces théories.

II. PRINCIPE DES DISTRIBUTIONS

II.1. L’idée de base :

• par une forme analytique par exemple y = a x + b.

G.BINET MdC 61 MathsSignal06 3

II.2. Espace D des fonctions test :

ϕ(t) = exp  t 2  si t < 1

Avec la fonction précédente, si nous réalisons le changement de variable t → ½ [t (a-b) + b + a] , nous

G.BINET MdC 61 MathsSignal06 4

x est continue et bornée.

Il existe ϕn ∈ D ; n ∈ N tels que :

1. lim ϕn(t) = x(t) ∀t ∈ R.

2. sur tout segment A, ϕn converge uniformément vers x(t)

II.3. Définition indirecte d’une fonction :

Existence des intégrales :

ϕ(t) ∈ D ⇒ ϕ(t) ≠ 0 pour t ∈ [a , b] ⇒ .

Nouvelle définition d’une fonction :

G.BINET MdC 61 MathsSignal06 5

II.4. Définition des distributions :

La propriété de linéarité est importante, rappelons qu’elle implique :

• T(α1 ϕ1 + α2 ϕ2) = α1 T(ϕ1) + α2 T(ϕ2).

• lim T(ϕn) = T(ϕ) si lim ϕn = ϕ

Ensemble des distributions :

Pour les notations nous avons vu que T(ϕ) = <T , ϕ>.

G.BINET MdC 61 MathsSignal06 6

II.5. Exemples de distributions :

C’est une distribution régulière et sa fonctionnelle est :

Nous avons plusieurs notations équivalentes :