Convolution Des Distributions

Convolution des distributions Équation de convolution
Chapitre 5: Convolution
DHAIM OUMAIMA , ENOUSKI HIBA ,

HAJJOULI
./Figures/WMSUOUMAIMA
LOGO.png , GUERTIT ASSIA
Faculté des sciences ain chock
Distributions, analyse de fourier et transformatoion de la place

-Ahmed Lesfari-
12 Décembre 2023
Chapitre 5: Convolution Distributions 1 / 31

Convolution des distributions
Soient f et g deux fonctions de L1 (R). On a, pour tout φ ∈ D,

Z +∞ Z +∞ Z +∞
⟨f ∗ g, φ⟩ = (f ∗ g)(x)φ(x)dx = f (t)g(x − t)φ(x)dt dx
−∞ −∞ −∞
En posant u = t, v = x − t, on obtient :
./Figures/WMSU LOGO.png
Z +∞ Z +∞
⟨f ∗ g, φ⟩ = f (u)g(v)φ(u + v)dt dx
−∞ −∞
ce qui nous conduit à écrire cette expression sous la forme :
⟨f ∗ g, φ⟩ = ⟨f ⊗ g, φ(u + v)⟩, φ∈D
où f ⊗ g est le produit tensoriel de f et g.

Cette expression fait intervenir la fonction :
(u, v) 7→ ϕ(u, v) = φ(u + v), (u, v ∈ R).
./Figures/WMSU
à laquelle LOGO.png
il s’agit d’appliquer le produit f ⊗ g .
Or si φ ∈ D(R), la fonction ϕ est indéfiniment dérivable mais n’appartient
pas à D(R2 ) car son support n’est pas borné. En effet, si suppφ = [a, b],
alors (u, v) ∈ suppφ si et seulement si u + v ∈ suppφ,
et suppφ = {(u, v) ∈ R2 : a ≤ u + v ≤ b}, c’est-à-dire une bande de R2
délimitée par les droites d’équations u + v = a et u + v = b.

Soient S et T deux distributions. S’inspirant de ce qui vient d’être fait, on

va définir le produit de convolution de S et T et essayer de trouver des
conditions d’existence de ce produit. La difficulté vient du fait que ψ
n’appartient pas à D(R2 ) et celle-ci sera surmontée moyennant l’utilisation
d’une extension de S ∗ T à l’espace de ces fonctions ψ (espace plus large
D).
que./Figures/WMSU LOGO.png
Définition3.1
On définit le produit de convolution (quand il existe) de deux distributions
S et T par :
⟨S ∗ T, φ⟩ = ⟨Sx ⊗ Ty , φ(x + y)⟩, φ∈D
où Sx ⊗ Ty est le produit tensoriel de S et T.

Pour que cette définition ait un sens, il faut que S ∗ T existe. On a déjà vu
que si φ ∈ D(R), alors ψ ∈ C ∞ (R2 ) et supp ψ n’est pas borné. Supposons
que supp ψ ∩ supp (Sx ⊗ Ty ) soit borné. En procédant comme dans la
section 1.5 du chapitre 1, on définit une extension de S ∗ T à l’espace des
fonctions ψ, en posant :
⟨S ∗ T, ψ⟩ = ⟨Sx ⊗ Ty , ψ⟩ = ⟨Sx ⊗ Ty , αψ⟩,
Avec α ∈ D valant 1 sur un voisinage de supp(ψ) ∩ supp(S ∗ T ). D’après

la proposition 5.1.8, supp(S ∗ T ) = supp(S) × supp(T ).

On arrive ainsi à la condition suffisante suivante :

(
Le produit de convolution S ∗ T aura un sens si
suppψ ∩ (suppS × suppT ) est borné.
Cette condition est satisfaite par exemple lorsque :
(i) suppS ou suppT borné : En effet, supposons par exemple que suppS
borné. Alors pour tout (x, y) ∈ supp(ψ) ∩ (suppS × suppT ), on a
x ∈ suppS, y ∈ suppT , et x + y ∈ suppψ. Donc x et x + y sont bornés.
Comme y = (x + y) − x, on en déduit que y est aussi borné. Même
raisonnement pour le cas où suppT est borné.

(ii) suppS ∪ suppT sont bornés d’un même côté : En effet, supposons que
suppS et suppT soient bornés à gauche, c’est-à-dire suppS ⊂ [c1 , +∞[ et
suppT ⊂ [c2 , +∞[. Pour tout (x, y) ∈ supp(ψ) ∩ (suppS × suppT ), on a
x ≥ c1 et y ≥ c2 . Comme x + y ∈ suppφ, alors il existe une constante c
telle que x + y ≤ c. Dès lors, c1 ≤ x ≤ c − y ≤ c − c2 et
c2 ≤ y ≤ c − x ≤ c − c1 . Donc x et y sont bornés.
Même raisonnement pour le cas où suppS et suppT sont bornés à droite.

Définition3.2 :(Commutativité)
Soient S, T ∈ D′ . Si S ∗ T existe, alors :
S∗T =T ∗S
Démonstration : En effet, pour tout φ ∈ D,
⟨S ∗ T, φ⟩ = ⟨Sx ⊗ Ty , φ(x + y)⟩

= ⟨Sx , ⟨Ty , φ(x + y)⟩⟩
= ⟨Sy , ⟨Tx , φ(y + x)⟩⟩
= ⟨Tx ⊗ Sy , φ(x + y)⟩
= ⟨T ∗ S, φ⟩
D’où le résultat.
Proposition 3.3 (Distributivité par rapport à l’addition)

Soient S, T1 , T2 ∈ D′ . Si S ∗ T1 et S ∗ T2 existent, alors :
S ∗ (T1 + T2 ) = S ∗ T1 + S ∗ T2
Démonstration : En effet, il suffit d’utiliser la distributivité du produit

tensoriel et la linéarité des distributions.


Proposition 3.4 (Associativité)
Soient R, S, T ∈ D′ . On a
(R ∗ S) ∗ T = R ∗ (S ∗ T )
si deux au moins de ces distributions sont à supports bornés ou si toutes
ces./Figures/WMSU LOGO.png
distributions ont leurs supports bornés du même côté.
Démonstration : En effet, pour tout φ ∈ D,
⟨(R ∗ S) ∗ T, φ⟩ = ⟨(R ∗ S)x ⊗ Tz , φ(x + z)⟩

= ⟨(R ∗ S)x , ⟨Tz , φ(x + z)⟩⟩
= ⟨Rx ⊗ Sy , ⟨Tz , φ(x + y + z)⟩⟩
= ⟨Rx ⊗ Sy ⊗ Tz , φ(x + y + z)⟩⟩

On montre de même que,
⟨R ∗ (S ∗LOGO.png
./Figures/WMSU T ), φ⟩ = ⟨Rx ⊗ Sy ⊗ Tz , φ(x + y + z)⟩
et la démonstration s’achève.
Il faut bien noter qu’en général (R ∗ S) ∗ T ̸= R ∗ (S ∗ T ).

Proposition 3.5 (Support d’une convolution)

Soient S, T ∈ D′ et supposons que S ∗ T existe. Alors :
supp(S ∗ T ) ⊆ suppS + suppT .
Démonstration : En effet, posons F = suppS + suppT . L’ensemble F est

un ./Figures/WMSU
fermé puisque suppS et suppT sont des fermés
LOGO.png
et supp(ψ) ∩ (suppS × suppT ) est borné, ψ(x, y) = φ(x + y).
Soit φ ∈ D telle que : suppφ ⊂ F c et montrons que (S ∗ T, φ) = 0.
Par définition, ⟨S ∗ T, φ⟩ = ⟨Sx ⊗ Ty , φ(x + y)⟩,. On sait que :
suppSx ⊗ Ty = suppSx × suppTy , et que (x, y) ∈ supp(ψ) si et seulement
si x + y ∈ sup φ, supp(ψ) = {(x, y) : x + y ∈ suppφ}.
Si x ∈ suppS et y ∈ suppT , alors x + y ∈ suppS + suppT . Or
suppφ ∩ F = ∅, on en déduit que suppψ ∩ suppSx ⊗ Ty = ∅. D’où,
⟨Sx ⊗ Ty , φ(x + y)⟩ = 0,, c’est-à-dire ⟨S ∗ T, φ⟩ = 0, et la démonstration
est complète.
Proposition 3.6
Pour tout T ∈ D′ , on a T ∗ δ = δ ∗ T = T . En outre,
T ∗ δ (k) = T (k) , k ∈ N
./Figures/WMSU
Démonstration effet, T ∗ δ existe puisque suppδ = {0} est borné et
: En LOGO.png
d’après la proposition 3.2, T ∗ δ = δ ∗ T . D’où, pour tout φ ∈ D, on a
⟨T ∗ δ, φ⟩ = ⟨Tx ⊗ δy , φ(x + y)⟩

= ⟨Tx , ⟨δy , φ(x + y)⟩⟩
= ⟨Tx , φ(x)⟩
= ⟨S, φ⟩

De même, on a
⟨T ∗ δ (k) , φ⟩ = ⟨Tx ⊗ δy(k) , φ(x + y)⟩

= ⟨Tx , ⟨δy(k) , φ(x + y)⟩⟩
= ⟨Tx , (−1)k ⟨δy , φ(k) (x + y)⟩⟩
= (−1)k ⟨Tx , φ(k) (x)⟩
= ⟨T (k) , φ⟩
ce qui achève la démonstration.

Proposition 3.7 (Dérivation d’une convolution)

Soient S, T ∈ D′ . Si S ∗ T existe, alors
(S ∗ T )′ = S ′ ∗ T = S ∗ T ′
, et plus généralement
Dα (S ∗ T ) = Dα S ∗ T = S ∗ Dα T,
où Dα désigne une dérivation d’ordre α.

Démonstration :En effet, pour tout φ ∈ D, on a
⟨(S ∗ T )′ , φ⟩ = −⟨S ∗ T, φ′ ⟩
= −⟨Sx ⊗ Ty , φ′ (x + y)⟩
= −⟨Sx , ⟨Ty , φ′ (x + y)⟩⟩
= ⟨Sx , −⟨Ty , φ′ (x + y)⟩⟩
= ⟨Sx , ⟨Ty′ , φ(x + y)⟩⟩
= ⟨Sx ⊗ Ty′ , φ(x + y)⟩
= ⟨S ∗ T ′ , φ⟩
d’où (S ∗ T )′ = S ∗ T ′ . En tenant compte de la commutativité, on obtient

aussi (S ∗ T )′ = S ′ ∗ T , ce qui achève la démonstration.

Proposition 5.3.8 (Translation d’une convolution)

Soient S, T ∈ D′ . Si S ∗ T existe, alors
τa (S ∗ T ) = S ∗ (τa T ) = (τa S) ∗ T.
En particulier, δa ∗ T = τa T , soit explicitement, δ(x − a) ∗ T (x) = T (x − a).


Démonstration : En effet, pour tout φ ∈ D, on a
⟨τa (S ∗ T ), φ⟩ = ⟨S ∗ T, τ−a φ⟩
= ⟨Sx ⊗ Ty , τ−a φ(x + y)⟩
= ⟨Sx , ⟨Ty , τ−a φ(x + y)⟩⟩
= ⟨Sx , ⟨τa Ty , φ(x + y)⟩⟩
= ⟨Sx ⊗ (τa Ty ), φ(x + y)⟩
= ⟨S ∗ (τa T ), φ⟩
D’où τa (S ∗ T ) = S ∗ (τa T ).
On montre de même que τa (S ∗ T ) = (τa S) ∗ T .
En particulier, si S = δ, alors
τa (δ ∗ T ) = δ ∗ (τa T ) = (τa δ) ∗ T
d’après la proposition3.6, on a δ ∗ T = δ. Donc τa T = δa ∗ T .
Proposition 3.9 (Continuité de la convolution)

Soient (Sα ) et (Tα ) deux familles de distributions dépendantes d’un
paramètre α telles que : lim Sα = S et lim Tα = T (λfini ou non).
α→λ α→λ
Posons ψ(x, y) = φ(x + y), φ ∈ D, et supposons que lima→A que supp(Sα
et supp(Tα soient contenus dans deux ensembles fermés fixes A et B tels
que : suppϕ ∩ (A × B) soit borné. Alors,
lim (Sα ∗ Tα ) = S ∗ T.
α→λ

En particulier : Soient Tα , T des distributions comme ci-dessus et S une

distribution quelconque. Si l’une des conditions suivantes est vérifiée,
(i) suppTα est contenu dans un ensemble fermé fixe.
(ii) suppS est borné.
(iii) suppTα et suppS sont contenus dans le demi-espace x ≥ 0.
Alors,
lim (S ∗ Tα ) = S ∗ T.
α→λ
Démonstration : En effet, ce résultat résulte de celui que nous avons

admis sur la continuité du produit tensoriel.

Proposition 5.3.10 (Régularisation des distributions)

Soient T une distribution
./Figures/WMSU et f une fonction de classe C ∞ . Si T ∗ f existe,
LOGO.png
alors c’est une fonction de classe C ∞ , donnée par
T ∗ f (t) = ⟨Tx , f (t − x))⟩ = g(t), t ∈ R.

Démonstration : Soit φ ∈ D. On a
⟨T ∗ f, φ⟩ = ⟨Tx ⊗ f (t), φ(x + t)⟩

= ⟨Tx , ⟨f (t), φ(x + t)⟩⟩
Z +∞
= ⟨Tx , f (t)φ(x + t) dt⟩
./Figures/WMSU LOGO.png −∞
Z +∞
= ⟨Tx , f (t − x)φ(t) dt⟩
−∞
= ⟨Tx , ⟨φ(t), f (t − x)⟩⟩
= ⟨φ(t), ⟨Tx , f (t − x)⟩⟩
= ⟨⟨Tx , f (t − x)⟩, φ(t)⟩
= ⟨g(t), φ(t)⟩

où g(t) = ⟨Tx , f (t − x)⟩.

On a
g(t + h) − g(t)
g ′ (t) = lim
h→0 h
./Figures/WMSU ⟨Tx , f (t + h − x) − ⟨Tx , f (t − x)⟩⟩
= LOGO.png
lim
h→0 h
f (t + h − x) − f (t − x)
= lim ⟨Tx , ⟩
h→0 h
et on montre, , que g ′ (t) = ⟨Tx , f ′ (t − x)⟩. On procède de même pour les
dérivées successives et on obtient finalement l’expression
g (k) (t) = ⟨Tx , f (k) (t − x)⟩.
La démonstration s’achève.

Remarque 3.1
Dans LOGO.png si f ∈ D et T ∈ D′ alors le produit de
la proposition précédente,
./Figures/WMSU
convolution T ∗ f existe car suppf est borné. De meme, si f ∈ E = C ∞ et
T ∈ E ′ alors suppT est borné et T ∗ f existe.

Algèbre de convolution
On appelle algèbre sur le corps des nombres réels ou complexes,un
ensemble A muni des trois opérations : somme, produit par un scalaire
(deux lois de composition interne ) et produit(loi de composition externe),
on note (A, +, ×, .) ,tel que
A muni de la somme et du produit par un scalaire (A, +, .) est un
espace vectoriel
Le produit est une application bilinéaire de A × A dans A
Le produit est associatif
Une algèbre de convolution A est un sous espace vectoriel de D′ tel que :
le produit de convolution de deux distributions de A est un élément de A
et associatif
δ ∈ A (la distribution de dirac joue le rôle de l’élément neutre)
On s’intéresse donc ici aux algèbres pour les opérations :
Somme des deux distributions.
Produit d’une distribution par un scalaire.
Convolution de deux distributions ( le produit de convolutionDistributions
Chapitre 5: Convolution
joue le rôle
25 / 31
L’intérêt de ces algèbres réside dans le fait que si δ ∈ A (A possède donc

un élément unité),et si une distribution T admet une inverse (notée par la
∗−1
suite T ou T −1 lorsqu’il n’y a pas de risque de confusion),c’est à dire
vérifie
∗−1
T ∗T =δ
cette inverse est unique,et on saura résoudre toutes les équations de
convolutions (en X)
T ∗X =W
où W ∈ A
On notera cependant que l’inverse de convolution n’existe pas toujours.
C’est par exemple la cas où T ∈ D car dans ce cas nous avons vu que,
∀X, T ∗ X est une fonction indéfiniment dérivable qui ne saurait pas être
égale à δ.
L’associativité du produit de convolution permet aussi de montrer que si
T1 , ..., Tm admettent pour inverses T1−1 , ..., Tm
−1 , il vient
(T1 ... ∗ Tm )−1 = T1−1 ... ∗ Tm

−1

On distingue essentiellement deux algèbres de convolution

l’ensemble ε′ des distributions à support borné (compact).
′
L’ensemble D+ des
./Figures/WMSU distributions sur R à support dans R+ .
LOGO.png

Rappel : résolution d’un systéme linéaire

Pour résoudre un système linéaire de la forme
AX = b
ou A est une matrice connue et b un vecteur connu, on peut procéder

ainsi :
on cherche si laLOGO.png
./Figures/WMSU matrice A est inversible et si oui on calcule son
inverse A−1 qui vérifie :
AA−1 = A−1 A = In
ou In est un élément neutre du produit de matrice

Si A−1 existe , alors il est unique et la solution du système AX = b
est donnée par
X = A−1 b

Résolution d’une équation de convolution
- Dans ces algèbres de convolution , nous pouvons résoudre les équations

du types
A∗X =B
ou A et B sont des distributions connues et X une distribution inconnue.
On cherche s’il existe , dans l’algèbre considérée , une distribution
notée A−1 et appelée inverse de convolution de A telle que :
A ∗ A−1 = A−1 ∗ A = δ
Si A−1 existe, alors il est unique et la solution de l’équation

A ∗ X = B dans l’algèbre considérée est donnée par
X = A−1 ∗ B

preuve :
En effet, A admet un inverse unique car si A ∗ X = δ avait une autre
solution Y dans l’algèbe de convolution , on aurait A ∗ Y = δ ou, compte
tenu de la commutativité, Y ∗ A = δ . Dès lors,
Y = Y ∗ δ = Y ∗ (A ∗ X) = (Y ∗ A) ∗ X = δ ∗ X = X.
On déduit par convolution des deux membres de l’équation A ∗ X = B par
A−1 que : A−1 ∗ A ∗ X = A−1 ∗ B , c’est-à-dire
X = A−1 ∗ B
.
Opérateurs différentiels à coefficients constants

Théorème Soit D opérateur différentiel a coèfficients constants, unitaire :
dm dm−1 d
D= m
+ a m−1 m−1
+ ....... + a1 + a0
dX dX dX
Alors
′ ′
Dδ = δ m + a(m−1) δ (m−1) + ..... + a1 δ + a0 δ ∈ D+
./Figures/WMSU LOGO.png ′
admet un inverse de convolution dans D+ qui est donnée par
(Dδ)−1 = H(t)Z(t)
où H(t) est la fonction de Heaviside et Z est la solution de l’équation :

DZ = 0, vérifiant les conditions initiales suivantes :
′
Z(0) = Z (0) = ..... = Z m−2 (0) = 0 , , , Z m−1 (0) = 1
Démonstration : voir page 123

Équations différentielles linéaires à coéfficients

constants
′
Considérons, dans D+ l’équation différentielle
DX = B
ou
′ ′
Dδ = δ m + a(m−1) δ (m−1) + ..... + a1 δ + a0 δ ∈ D+
et B une distribution connue. Comme :
X =δ∗X
l’équation précédente s’écrit :
′
(δ m + a(m−1) δ (m−1) + ..... + a1 δ + a0 δ) ∗ X = B
c’est-à-dire Dδ ∗ X = B, et admet la solution unique
X = (Dδ)−1 ∗ B
avec
′ ′ ′
(Dδ)−1 = (δ − r1 δ)−1 ∗ (δ − r2 δ)−1 ∗ ..... ∗ (δ − rm δ)−1
= H(t) exp (r1 t) ∗ H(t) exp (r2 t) ∗ ....H(t) exp (rm t)

où r1 =, r2 , ... ,rm sont les racines de l’équation :
rm + a1 rm−1 + ..... + am−1 r + am = 0


Convolution Des Distributions

Transféré par

Informations du document

Titre original

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

Convolution Des Distributions

Transféré par

Droits d'auteur :

Formats disponibles

Convolution des distributions Équation de convolution

DHAIM OUMAIMA , ENOUSKI HIBA ,

Distributions, analyse de fourier et transformatoion de la place

Chapitre 5: Convolution Distributions 1 / 31

Convolution des distributions

Soient f et g deux fonctions de L1 (R). On a, pour tout φ ∈ D,

⟨f ∗ g, φ⟩ = ⟨f ⊗ g, φ(u + v)⟩, φ∈D

où f ⊗ g est le produit tensoriel de f et g.

Chapitre 5: Convolution Distributions 2 / 31

Convolution des distributions

Cette expression fait intervenir la fonction :

(u, v) 7→ ϕ(u, v) = φ(u + v), (u, v ∈ R).

Chapitre 5: Convolution Distributions 3 / 31

Convolution des distributions

Soient S et T deux distributions. S’inspirant de ce qui vient d’être fait, on

⟨S ∗ T, φ⟩ = ⟨Sx ⊗ Ty , φ(x + y)⟩, φ∈D

où Sx ⊗ Ty est le produit tensoriel de S et T.

Chapitre 5: Convolution Distributions 4 / 31

Convolution des distributions

⟨S ∗ T, ψ⟩ = ⟨Sx ⊗ Ty , ψ⟩ = ⟨Sx ⊗ Ty , αψ⟩,

Avec α ∈ D valant 1 sur un voisinage de supp(ψ) ∩ supp(S ∗ T ). D’après

Chapitre 5: Convolution Distributions 5 / 31

Convolution des distributions

On arrive ainsi à la condition suffisante suivante :

Chapitre 5: Convolution Distributions 6 / 31

Convolution des distributions

Chapitre 5: Convolution Distributions 7 / 31

Convolution des distributions

⟨S ∗ T, φ⟩ = ⟨Sx ⊗ Ty , φ(x + y)⟩

Convolution des distributions

Proposition 3.3 (Distributivité par rapport à l’addition)

Démonstration : En effet, il suffit d’utiliser la distributivité du produit

Chapitre 5: Convolution Distributions 9 / 31

Convolution des distributions

Démonstration : En effet, pour tout φ ∈ D,

⟨(R ∗ S) ∗ T, φ⟩ = ⟨(R ∗ S)x ⊗ Tz , φ(x + z)⟩

Chapitre 5: Convolution Distributions 10 / 31

Convolution des distributions

On montre de même que,

Chapitre 5: Convolution Distributions 11 / 31

Convolution des distributions

Proposition 3.5 (Support d’une convolution)

Démonstration : En effet, posons F = suppS + suppT . L’ensemble F est

Convolution des distributions

⟨T ∗ δ, φ⟩ = ⟨Tx ⊗ δy , φ(x + y)⟩

Chapitre 5: Convolution Distributions 13 / 31

Convolution des distributions

⟨T ∗ δ (k) , φ⟩ = ⟨Tx ⊗ δy(k) , φ(x + y)⟩

ce qui achève la démonstration.

Chapitre 5: Convolution Distributions 14 / 31

Convolution des distributions

Proposition 3.7 (Dérivation d’une convolution)

où Dα désigne une dérivation d’ordre α.

Chapitre 5: Convolution Distributions 15 / 31

Convolution des distributions

Démonstration :En effet, pour tout φ ∈ D, on a

d’où (S ∗ T )′ = S ∗ T ′ . En tenant compte de la commutativité, on obtient

Chapitre 5: Convolution Distributions 16 / 31

Convolution des distributions

Proposition 5.3.8 (Translation d’une convolution)

En particulier, δa ∗ T = τa T , soit explicitement, δ(x − a) ∗ T (x) = T (x − a).

Chapitre 5: Convolution Distributions 17 / 31

Convolution des distributions