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 Équation de convolution

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.

Chapitre 5: Convolution Distributions 2 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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.

Chapitre 5: Convolution Distributions 3 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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.

Chapitre 5: Convolution Distributions 4 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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
./Figures/WMSU LOGO.png
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 ).

Chapitre 5: Convolution Distributions 5 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

On arrive ainsi à la condition suffisante suivante :

(
Le produit de convolution S ∗ T aura un sens si
suppψ ∩ (suppS × suppT ) est borné.
./Figures/WMSU LOGO.png
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.

Chapitre 5: Convolution Distributions 6 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

(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
./Figures/WMSU LOGO.png
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.

Chapitre 5: Convolution Distributions 7 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

Définition3.2 :(Commutativité)
Soient S, T ∈ D′ . Si S ∗ T existe, alors :

S∗T =T ∗S
Démonstration : En effet, pour tout φ ∈ D,
./Figures/WMSU LOGO.png

⟨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.
Chapitre 5: Convolution Distributions 8 / 31
Convolution des distributions Équation de convolution

Convolution des distributions

Proposition 3.3 (Distributivité par rapport à l’addition)

Soient S, T1 , T2 ∈ D′ . Si S ∗ T1 et S ∗ T2 existent, alors :
./Figures/WMSU LOGO.png
S ∗ (T1 + T2 ) = S ∗ T1 + S ∗ T2

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

tensoriel et la linéarité des distributions.

Chapitre 5: Convolution Distributions 9 / 31

Convolution des distributions Équation de convolution

Convolution 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)⟩⟩

Chapitre 5: Convolution Distributions 10 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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 ).

Chapitre 5: Convolution Distributions 11 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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.
Chapitre 5: Convolution Distributions 12 / 31
Convolution des distributions Équation de convolution

Convolution des distributions

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⟩

Chapitre 5: Convolution Distributions 13 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

De même, on a

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

= ⟨Tx , ⟨δy(k) , φ(x + y)⟩⟩
./Figures/WMSU LOGO.png
= ⟨Tx , (−1)k ⟨δy , φ(k) (x + y)⟩⟩
= (−1)k ⟨Tx , φ(k) (x)⟩
= ⟨T (k) , φ⟩

ce qui achève la démonstration.

Chapitre 5: Convolution Distributions 14 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

Proposition 3.7 (Dérivation d’une convolution)

Soient S, T ∈ D′ . Si S ∗ T existe, alors

(S ∗ T )′ = S ′ ∗ T = S ∗ T ′
./Figures/WMSU LOGO.png
, et plus généralement

Dα (S ∗ T ) = Dα S ∗ T = S ∗ Dα T,

où Dα désigne une dérivation d’ordre α.

Chapitre 5: Convolution Distributions 15 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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)⟩⟩
./Figures/WMSU LOGO.png
= ⟨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.

Chapitre 5: Convolution Distributions 16 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

Proposition 5.3.8 (Translation d’une convolution)

Soient S, T ∈ D′ . Si S ∗ T existe, alors
./Figures/WMSU LOGO.png
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).

Chapitre 5: Convolution Distributions 17 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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)⟩⟩
./Figures/WMSU LOGO.png
= ⟨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 .
Chapitre 5: Convolution Distributions 18 / 31
Convolution des distributions Équation de convolution

Convolution des distributions

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
./Figures/WMSU LOGO.png
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

Chapitre 5: Convolution Distributions 19 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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.
./Figures/WMSU LOGO.png
(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.

Chapitre 5: Convolution Distributions 20 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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.

Chapitre 5: Convolution Distributions 21 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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)⟩

Chapitre 5: Convolution Distributions 22 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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.

Chapitre 5: Convolution Distributions 23 / 31

Convolution des distributions Équation de convolution

Convolution des distributions

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.

Chapitre 5: Convolution Distributions 24 / 31

Convolution des distributions Équation de convolution

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
./Figures/WMSU LOGO.png
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
Convolution des distributions Équation de convolution

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
./Figures/WMSU LOGO.png
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

Chapitre 5: Convolution Distributions 26 / 31

Convolution des distributions Équation de convolution

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

Chapitre 5: Convolution Distributions 27 / 31

Convolution des distributions Équation de convolution

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

Chapitre 5: Convolution Distributions 28 / 31

Convolution des distributions Équation de convolution

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
./Figures/WMSU LOGO.png
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

Chapitre 5: Convolution Distributions 29 / 31

Convolution des distributions Équation de convolution

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.

./Figures/WMSU LOGO.png
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

.
Chapitre 5: Convolution Distributions 30 / 31
Convolution des distributions Équation de convolution

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

Chapitre 5: Convolution Distributions 30 / 31
Convolution des distributions Équation de convolution

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+
./Figures/WMSU LOGO.png
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
Chapitre 5: Convolution Distributions 31 / 31
Convolution des distributions Équation de convolution

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

./Figures/WMSU LOGO.png

Chapitre 5: Convolution Distributions 31 / 31