0% ont trouvé ce document utile (0 vote)

64 vues53 pages

Poly Exos

Transféré par

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

64 vues53 pages

Poly Exos

Transféré par

js56h2mr8k

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Antoine Levitt

Analyse de Fourier et applications

Cours et exercices

2020-2021

Cours ENPC - IMI - 2ème année

Table des matières

Syllabus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1 Séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Bases hilbertiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Coefficients de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Convergence L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Convergence ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Applications des séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Applications aux équations aux dérivées partielles . . . . . . . . . . . . . . . . . . . . . . 10
1.4.2 Premières applications à l’analyse en fréquences . . . . . . . . . . . . . . . . . . . . . . . . 11

2 Transformée de Fourier dans L1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Propriétés algébriques de la transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Transformée de Fourier inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Une application : le théorème central limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3 Transformée de Fourier des distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.1 Fonctions lisses à décroissance rapide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1.1 L’espace S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1.2 Transformée de Fourier dans S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Distributions tempérées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Définition des distributions tempérées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Convergence et dérivation dans S 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.3 Injection de Lp dans S 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.4 Transformée de Fourier dans S 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

4 Espaces de Sobolev et équations aux dérivées partielles . . . . . . . . . . . . . . . . . . . . . 27

4.1 Transformée de Fourier dans L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Espaces de Sobolev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Résolution d’équations aux dérivées partielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

5 Séries de Fourier des distributions périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

5.1 Distributions périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.2 Séries de Fourier des distributions périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3 Transformée de Fourier des distributions périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . 33
VI Table des matières

6 Échantillonnage et transformée de Fourier discrète . . . . . . . . . . . . . . . . . . . . . . . . . 35

6.1 Échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.1.1 Échantillonnage d’un signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.1.2 Théorème de Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.2 Le recouvrement spectral (aliasing) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6.2.1 Exemple de repliement spectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.2.2 Suppression de l’aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.3 Transformée de Fourier discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.4 Transformée de Fourier rapide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.4.1 Présentation générale de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.4.2 Calcul de complexité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

7 Appendice : intégrales et sommes dépendant d’un paramètre . . . . . . . . . . . . . . . 45

8 Appendice : distributions à support compact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Syllabus

Bref aperçu du contenu du cours

L’analyse en fréquences, en particulier la transformée de Fourier, est un outil qui permet

de décomposer les signaux selon leurs modes fondamentaux. Cette théorie mathématique a de
nombreuses applications pour l’ingénieur, parfois spectaculaires : étude des cours de la bourse,
compréhension climatique de la température des océans, mise en résonance de structures de génie
civil conduisant à leur ruine, compression de sons et d’image, etc. L’objectif de ce cours est de
comprendre la transformation de Fourier pour analyser un problème physique ou un signal donné,
et de connaı̂tre les limitations théoriques, pratiques et numériques de cet outil.

Le plan du cours est le suivant. On considère dans la section 1 des fonctions périodiques de
période 2π. Les fonctions périodiques élémentaires sont les exponentielles complexes einx , pour
n ∈ Z. La théorie des séries de Fourier énonce que, sous certaines conditions de régularité, toute
fonction u périodique peut s’écrire comme combinaison linéaire infinie de ces harmoniques :
1 X
u(x) = √ cn (u) einx .
2π n∈Z

La théorie des espaces de Hilbert donne un cadre géométrique à cette décomposition, les fonc-
einx
tions √ 2π
étant vues comme une base orthonormale de l’espace L2 (−π, π) des fonctions de carré
sommable. Cette géométrie permet notamment d’établir des formules simples pour les coefficients
de Fourier cn (u). Les fonctions de base einx se comportent particulièrement agréablement pour
la dérivation (qui agit comme une simple multiplication), ce qui permet la résolution d’équations
aux dérivées partielles linéaires homogènes. La décomposition d’un signal en série de Fourier per-
met également son analyse et son traitement (de la compression d’images à la reconnaissance
automatique de morceaux musicaux).
Une fonction f maintenant définie sur toute la droite réelle ne peut pas être décomposée en
série de Fourier : à la différence des fonctions périodiques, elle contient un continuum de fréquences
possibles. La décomposition adaptée est alors celle de la transformée de Fourier
Z
1
f (x) = fˆ(ξ) eiξx dξ.
2π R

Cette formule a a priori un sens (f (x) est fini) quand fˆ est intégrable (section 2), ce qui introduit
une asymétrie désagréable entre la transformée de Fourier et son inverse. Pour retrouver un cadre
géométrique similaire à celui des séries de Fourier, on voudrait avoir f et fˆ dans l’espace de Hilbert
L2 des fonctions de carré sommable. Malheureusement, l’interprétation de la formule précédente
n’est pas évidente dans ce cadre. Via un détour par la transformée de Fourier des distributions
(section 3), on montre qu’on peut néanmoins lui donner un sens (section 4). On peut alors résoudre
des équations aux dérivées partielles posées sur la droite réelle.
2 Table des matières

Une propriété fondamentale de la transformée de Fourier est qu’elle transforme la décroissance à

l’infini en régularité, et vice-versa. Une fonction périodique de période T (vue comme une distribu-
tion), qui ne décroı̂t pas à l’infini, a une transformée de Fourier très singulière, une somme de masses
de Dirac placées aux fréquences { 2πn T , n ∈ Z}. Cela permet de réinterpréter les séries de Fourier en
termes de transformée de Fourier (au sens des distributions) de fonctions périodiques (section 5).
Réciproquement, la transformée de Fourier d’une somme de masses de Dirac est périodique. On
peut alors analyser l’effet d’un échantillonnage sur un signal, qui introduit des répliques périodiques
dans la transformée de Fourier du signal échantillonné. Cette interprétation permet de montrer le
puissant théorème de Shannon : si un signal contenant des fréquences uniquement jusqu’à fmax
est échantillonné à une fréquence f > 2fmax , alors on peut reconstruire le signal original à partir
de ses échantillons (section 6).

Modalités générales

Ce cours, comme celui d’analyse et de calcul scientifique de première année, est enseigné en
“pédagogie active” (aussi connu sous le nom de “classe inversée”) : le cours est appris à la maison
par les étudiants, et les séances de cours sont réservées à des discussions sur des points techniques
(lancées à l’initiative des étudiants, s’ils ont préparé des questions), et à la résolution d’exercices
en groupes librement composés de 3/4 personnes. Ce cours est valorisé à 1.5 ECTS, ce qui signifie
que, selon les normes de la commission européenne, vous devriez travailler en moyenne 40h sur le
semestre pour cet enseignement. Il faut donc compter environ 2h de travail personnel par semaine
pour ce cours. L’idée est qu’un travail sérieux et continu vous permettra de limiter les révisions
des examens, et vous permettra une meilleure assimilation du matériau présenté.

Concrètement, votre travail d’une semaine à l’autre consistera à :

(1) lire les pages du poly qui seront demandées. Les sections à lire portent sur des notions qui
seront mises en oeuvre la semaine suivante. Attention, “lire” veut dire bien apprendre toutes
les définitions, comprendre le contenu des résultats (théorèmes, propositions, etc), et avoir un
minimum réfléchi à l’articulation desdits résultats. Il vaut mieux prévoir plusieurs (re)lectures
du matériau, espacées dans le temps, copieusement annoter le poly, mettre en évidence les
résultats importants, refaire les petits calculs qui sont menés, et vous interroger sur les énoncés
des théorèmes (penser à des exemples et contre-exemples) ;
(2) faire, sur feuille à part, les exercices préparatoires (marqués EP sur le syllabus). Les exercices
préparatoires sont souvent de simples applications des définitions, et ne devraient pas vous
demander beaucoup de temps. Les exercices préparatoires seront systématiquement ramassés
en début de séance ;
(3) vérifier le corrigé des exercices de la semaine précédente, sur le poly à part. C’est en particulier
l’occasion de comparer votre rédaction à celle que nous proposons. Il est essentiel que vous
compreniez parfaitement la résolution des exercices.
Le poly de corrections est à consulter après les séances, et non pas pendant. Vous pouvez l’amener
en séance, mais vous ne devrez pas le sortir sans autorisation de l’enseignant.
Nous ferons de temps en temps, en début de séance et sous forme de discussion, des temps
de restructuration permettant de mieux organiser les concepts et idées nouvelles que vous aurez
appréhendés lors des séances précédentes. Cette restructuration peut avoir lieu à votre initiative
si vous le jugez pertinent, et il ne faut pas hésiter à solliciter l’enseignant pour ce faire.

Contacter l’enseignant

Le mode de contact hors des séances est le mail : [email protected]

Table des matières 3

Évaluation

La note finale sera obtenue de la manière suivante :

• examen : 2h, 14 points. Le poly de cours et les notes personnelles sont autorisés. Le pro-
gramme exigible correspond, sauf mention explicite contraire, à tous les résultats du poly
hors appendice, et aux exercices préparatoires et obligatoires ;
• contrôle continu : 6 points. La note du contrôle continu sera obtenue à partir des exercices
préparatoires, ramassés en début de séance. Ce sont des exercices simples, prévus pour ne
pas vous prendre trop de temps. La rédaction est à soigner particulièrement : il ne faut pas
en écrire des tonnes (pas plus d’une page par séance), mais donner les arguments pertinents,
avec des références numérotées aux théorèmes du cours.
La note de ramassage d’EP sera automatiquement zéro en cas d’absence non justifiée à l’avance.

Pré-requis

Nous partons du principe que la théorie des distributions, les espaces de Lebesgue et de Sobolev
sont bien connus. Ceci correspond au contenu du polycopié d’analyse et calcul scientifique de
1ère année (sauf les Chapitres 4 et 9). Si vous ne maı̂trisiez pas l’un de ces prérequis, nous vous
enjoignons à rattraper dès maintenant les notions correspondantes en consultant le poly d’Analyse
de 1ère année, disponible sur Educnet. Voici quelques questions pour tester ces prérequis...
(i) énoncer le théorème de convergence dominée ;
(ii) si f ∈ Lp (R) (avec 1 6 p < +∞) et f = g au sens des distributions, alors... ?
(iii) quels espaces Lp (R) sont complets ?
(iv) pour quelles valeurs de p l’espace des fonctions C ∞ à support compact est-il dense dans Lp ?
(v) énoncer l’inégalité de Hölder ;
(vi) définir l’espace de Sobolev H 1 (R).

Poly

Ce polycopié est basé sur des notes de cours auxquelles ont contribué Eric Cancès, Virginie
Ehrlacher, Alexandre Ern, Antoine Levitt et Gabriel Stoltz. La dernière version est disponible sur
le site

http://antoine.levitt.fr/fourier
4 Table des matières

Plan et contenu des séances

La nomenclature est la suivante :

• Lire... : à faire avant la séance en question (et pas pendant) ;
• EP signifie “exercices préparatoires”, ceux à faire à la maison sur feuille à part et qui seront
ramassés en début de séance ;
• EO signifie “exercices obligatoires”, ceux à traiter en séance. Si vous n’avez pas eu le temps
de les résoudre en séance, vous devez absolument consulter le corrigé ;
• EC signifie “exercices complémentaires”, à traiter une fois que vous avez traité tous les
exercices obligatoires, ou chez vous si ça vous intéresse.

Séance 1 (9 décembre) Séries de Fourier

Présentation du cours et de la pédagogie
EP : aucun (première séance)
EO : 1.1, 1.4, 1.6, 1.7, 1.9, 1.8
EC : 1.2, 1.5, 1.10
Séance 2 (16 décembre) Transformée de Fourier dans L1
Relire le Chapitre 1, lire le Chapitre 2
EP : 1.3, 2.3, 2.5
EO : 2.1 2.2, 2.4, 2.7, 2.12 (i), 2.8
EC : 2.6, 2.9, 2.10, 2.11, 2.12 (ii)
Séance 3 (6 janvier) Distributions tempérées
Lire de 3.1 à 3.2.2 inclus
EP : 3.2, 3.7, 3.11, 3.12
EO : 3.5, 3.6, 3.9, 3.13, 3.15, 3.16
EC : 3.1, 3.3, 3.4, 3.8, 3.10, 3.14
Séance 4 (13 janvier) Distributions tempérées, espaces de Sobolev
Finir le Chapitre 3, lire le Chapitre 4
EP : 3.18, 3.19, 3.20
EO : 3.17, 3.21, 4.8, 4.1, 4.4, 4.6,
EC : 3.22, 4.2, 4.3, 4.5, 4.7, 4.9, 4.10
Séance 5 (20 janvier) Séries de Fourier des distributions et échantillonnage
Lire le Chapitre 5 et le Chapitre 6
EP : 5.1, 5.3, 5.7, 6.3
EO : 5.2, 5.4, 5.5, 5.8, 6.1, 6.2
EC : 5.6, 6.4, 6.5,
Séance 6 (27 janvier)
Examen
1
Séries de Fourier

1.1 Bases hilbertiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.2 Coefficients de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Convergence L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Convergence ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Applications des séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Applications aux équations aux dérivées partielles . . . . . . . . . . . . . . . . . . 10
1.4.2 Premières applications à l’analyse en fréquences . . . . . . . . . . . . . . . . . . . . 11

On développe ici la théorie des séries de Fourier, qui permettent la représentation d’une fonc-
tion périodique en série de sinus et de cosinus. On rappelle le cadre des bases hilbertiennes, qui
permettent une théorie géométrique des séries de Fourier, et on donne quelques applications au
traitement du signal et à la résolution d’équations aux dérivées partielles. Pour plus de détails sur
la théorie des séries de Fourier, on pourra se rapporter à [4].
On se place dans toute cette section sur un espace de Hilbert sur le corps des complexes.
Toute la théorie est bien sûr valable sur le corps des réels, mais la structure complexe permet une
manipulation plus simple des séries de Fourier, en utilisant les exponentielles complexes plutôt que
les fonctions sinus et cosinus.

1.1 Bases hilbertiennes

On rappelle la notion de base hilbertienne, qui est la “bonne” généralisation de la notion de
base orthonormée en dimension infinie.
Définition 1.1 (Base hilbertienne). Soit V un espace de Hilbert. On appelle base hilbertienne
de V une suite (en )n∈N d’éléments de V tels que
(i) (orthonormalité) (en , em )V = δnm pour tous n, m > 0 ;
(ii) (complétude) L’espace vectoriel formé des combinaisons linéaires finies d’éléments de (en )n>0
est dense dans V .
Exercice 1.1 (Base hilbertienne de `2 ) Montrer qu’une base hilbertienne de `2 (N, C) est donnée
par la famille des suites (en )n>0 telles que (en )m = δnm pour tout m > 0. Donner un exemple de
famille orthonormée qui n’est pas une base hilbertienne.
Remarque 1.2. Tous les espaces de Hilbert n’admettent pas de base hilbertienne. Ceux qui en
possèdent sont appelés séparables. L’existence même d’espaces non séparables n’est pas triviale,
et tous les espaces de Hilbert rencontrés en pratique (espaces de Lebesgue, de Sobolev...) sont
séparables.
6 1 Séries de Fourier

La notion de base hilbertienne généralise celle de base orthonormée, et permet la décomposition

d’un élément u ∈ V quelconque sur les (en )n>0 . La décomposition a une infinité de termes et est
à comprendre au sens des séries, dont la convergence est garantie par la complétude de V .
Théorème 1.3 (Parseval-Bessel). Soit V un espace de Hilbert et (en )n>0 une famille ortho-
normée (c’est-à-dire telle que (en , em ) = δnm pour tout n, m > 0). Soit u ∈ V . Alors, la série
n>0 (u, en ) en converge vers un élément v ∈ V et on a l’ inégalité de Bessel
P

X
kvk2 = |(u, en )|2 6 kuk2 . (1.1)
n>0

Si de plus (en )n>0 est une base hilbertienne, alors v = u :

X X
u= (u, en ) en et kuk2 = |(u, en )|2 , (1.2)
n>0 n>0

la deuxième égalité portant le nom d’égalité de Parseval.

P
Bien noter que la série u = n>0 (u, en ) en converge dans V , mais ne converge pas normalement
en général, comme le montre l’exemple de u = (1, 1/2, 1/3, . . . ) sur `2 .
Exercice 1.2 Prouver le Théorème 1.3. On introduit, pour tout entier n > 0, l’espace vectoriel
Vn engendré par (e0 , . . . , en ), et on note Pn la projection orthogonale sur Vn .
(i) Montrer l’inégalité de Bessel, en décomposant u selon Vn et Vn⊥ .
(ii) Montrer la convergence dans V de la suite (Pn u)n>0 . On note v sa limite.
(iii) Montrer que w = v − u vérifie (w, em ) = 0 pour tout m > 0. En déduire que Pn w = 0 pour
tout n > 0.
(iv) Montrer que, pour tout wn ∈ Vn , on a kw − Pn wk 6 kw − wn k. Conclure si (en )n>0 est une
base hilbertienne.

Remarque 1.4. Notons que l’égalité de Parseval implique que l’on peut calculer les produits sca-
laires composante par composante : pour tous u, v ∈ V ,
X
(u, v) = (u, en )(en , v).
n>0

Elle montre en particulier que tout espace de Hilbert séparable est isométrique à `2 (N), au sens où
l’application qui à un élément u ∈ V associe la suite (u, en )n>0 ∈ `2 (N) est un isomorphisme qui
préserve le produit scalaire.

Remarque 1.5. Notons pour la suite que, si l’on a considéré uniquement des bases indicées par
N, la théorie s’applique bien évidemment à des bases indicées par un autre ensemble dénombrable,
comme Z ou Zd .

1.2 Coefficients de Fourier

Définition 1.6. Soit u ∈ L1 ([−π, π], C). On définit son coefficient de Fourier d’ordre n ∈ Z par
Z π
1
cn (u) = √ u(x) e−inx dx (1.3)
2π −π

et sa série de Fourier (sans préjuger de sa convergence), par

1 X
Su (x) = √ cn (u) einx . (1.4)
2π n∈Z
1.2 Coefficients de Fourier 7

Les coefficients de Fourier sont a priori définis pour une fonction L1 ([−π, π], C), ce qui permet de
donner un sens aux cn (u). La convergence de la série Su est cependant délicate : Su ne converge pas
en général vers u dans L1 . Même si la convergence a lieu pour des fonctions régulières, le prouver
n’est pas immédiat. On repousse pour l’instant ces problèmes de convergence à la Section 1.3 pour
s’intéresser aux propriétés des coefficients de Fourier en eux-mêmes.
Remarque 1.7. On considère dans ce chapitre des fonctions de [−π, π], qui sont implicitement
considérées comme étendues par périodicité à R. On considère par simplicité des fonctions 2π-
périodiques, mais on peut
traiter des fonctions u de périodicité L quelconque en considérant la
fonction ũ(x) = u 2π 1 d
L x . On peut également traiter des fonctions dans L ([−π, π] ) de façon
similaire au cas uni-dimensionnel en définissant, pour un multi-indice α = (α1 , . . . , αd ) ∈ Nd ,
Z
1
cα (u) = u(x) e−iα·x dx,
(2π)d/2 [−π,π]d
1 X
Su (x) = d/2
cα (u) eiα·x .
(2π) α∈Nd

Dans cette section on considère des fonctions d’une seule variable, toujours par souci de simplicité.

Proposition 1.8 (Propriétés élémentaires des coefficients de Fourier). Les coefficients de

Fourier sont des formes linéaires continues de L1 ([−π, π], C) dans C. Pour tout u ∈ L1 ([−π, π], C),
on définit sa réflexion par rapport à l’origine ũ par ũ(x) = u(−x). On a alors pour tout n ∈ Z :

c−n (u) = cn (u),

cn (ũ) = c−n (u).

En particulier,
• Si u est à valeurs réelle, alors cn (u) = c−n (u) ;
• Si u est paire, alors c−n (u) = cn (u) ;
• Si u est impaire, alors c−n (u) = −cn (u).

Exercice 1.3 Prouver la Proposition 1.8.

Un des grands intérêts des séries de Fourier est de faciliter le calcul d’un certain nombre de
transformations des fonctions, dont les dérivées (mais aussi les intégrales et les convolutions). On
a notamment le résultat suivant.
Proposition 1.9 (Coefficients de Fourier et dérivation). Si u est la restriction à [−π, π]
d’une fonction C 1 (R, C) et 2π-périodique, alors

cn (u0 ) = in cn (u).

Si u est la restriction d’une fonction C p périodique, on a donc pour n 6= 0

1
|cn (u)| 6 √ ku(p) kL1 .
2π|n|p
Exercice 1.4 Prouver la Proposition 1.9.
Les coefficients de Fourier contiennent toute l’information d’une fonction L1 , au sens suivant.
Théorème 1.10 (Unicité des coefficients de Fourier). Si u, v ∈ L1 ([−π, π], C) ont les mêmes
coefficients de Fourier, alors u = v.
Exercice 1.5 Prouver le Théorème 1.10. On rappelle que les polynômes trigonométriques sont
toutes les combinaisons linéaires finies des fonctions einx , pour n ∈ Z. On va utiliser le fait que u
et v ont la même intégration contre les polynômes trigonométriques en construisant un polynôme
trigonométrique qui approche la distribution de Dirac, ce qui montrera l’égalité de u et v.
8 1 Séries de Fourier

(i) Montrer qu’on peut se ramener au cas où v = 0 et u est à valeurs réelles. On supposera ces
hypothèses additionnelles vérifiées dans la suite.
(ii) Pour x0 ∈] − π, π[ et ε > 0 tel que [x0 − ε, x0 + ε] ⊂] − π, π[, montrer que la fonction Tn (x) =
(1 + cos(x − x0 ) − cos ε)n est un polynôme trigonométrique supérieur à 1 sur [x0 − ε, x0 + ε]
et strictement inférieur à 1 en valeur absolue ailleurs. Montrer également que, si u a ses
coefficients de Fourier nuls, alors
Z
Tn (x)u(x) dx = 0.
[−π,π]

(iii) Montrer que, quand u est une fonction continue à coefficients de Fourier nuls,
Z x0 +ε
lim Tn (x)u(x) dx = 0.
n→∞ x0 −ε

(iv) En déduire par contradiction le théorème dans le cas où u est continue.
Rx
(v) Calculer les coefficients de Fourier de la fonction U (x) = −π u(t)dt pour u une fonction
continue, puis u ∈ L1 ([−π, π], R). Conclure.

1.3 Séries de Fourier

On étudie dans cette section la convergence de la série Su (voir Définition 1.6). On commence
par montrer la convergence dans L2 par la théorie générale des bases hilbertiennes, puis la conver-
gence ponctuelle pour des fonctions régulières.

1.3.1 Convergence L2
On rappelle que le produit scalaire dans L2 ([−π, π], C) est défini par
Z π
(u, v)L2 = uv.
−π

On reconnaı̂t alors dans la formule définissant les séries de Fourier un développement sur une base
hilbertienne : en définissant les polynômes trigonométriques élémentaires en ∈ L2 ([−π, π], C) par
1
en (x) = √ einx ,
2π
on a, pour tout u ∈ L2 ([−π, π], C),
X
cn (u) = (u, en )L2 , Su = cn (u)en .
n∈Z

On peut alors prouver

Théorème 1.11. La famille (en )n∈Z forme une base hilbertienne de L2 ([−π, π], C).
Exercice 1.6 Prouver le Théorème 1.11.
(i) Montrer que (em , en )L2 = δnm .
(ii) Montrer que si u ∈ L2 ([−π, π], C) vérifie (u, en )L2 = 0 pour tout n ∈ Z, alors u = 0.
(iii) Montrer que, si u ∈ L2 ([−π, π], C), alors n∈Z (u, en )en converge vers une limite v ∈
P
L2 ([−π, π], C), puis que u = v. Conclure.
On a alors comme corollaire immédiat de la théorie générale des bases hilbertiennes le résultat
suivant
Corollaire 1.12. Soit u ∈ L2 ([−π, π], C). Alors la série de Fourier Su converge vers u dans L2 :
X X
u= cn (u)en , et kuk2L2 = |cn (u)|2 .
n∈Z n∈Z
1.4 Applications des séries de Fourier 9

1.3.2 Convergence ponctuelle

On sait désormais que la série de Fourier d’une fonction L2 converge dans L2 . Rappelons que
la convergence dans L2 est une convergence en moyenne quadratique, assez faible, qui n’implique
par exemple pas la convergence presque partout, mais seulement la convergence presque partout à
extraction près. Cette convergence presque partout a bien lieu, mais c’est un résultat hautement
non trivial qui n’a été prouvé qu’en 1966. La continuité ne suffit pas à la convergence presque
partout, et il existe des fonctions non continues qui ont quand même une série de Fourier qui
converge presque partout. Il existe de nombreux théorèmes de convergence, dans divers sens et
avec différentes hypothèses. L’un des plus simples est le suivant :
Théorème 1.13. Soit u de classe C 1 par morceaux sur [−π, π]. Alors la série de Fourier de u
converge ponctuellement vers
Å ã
1
ũ(x) = lim u(t) + lim+ u(t) .
2 t→x− t→x

Exercice 1.7 Montrer le Théorème 1.13 dans le cas où u est la restriction à [−π, π] d’une fonction
C 2 (R, C) et périodique. On utilisera la Proposition 1.9 pour montrer la convergence normale dans
l’espace de Banach C 0 ([−π, π]) de la série de Fourier.
Exercice 1.8 (Phénomène de Gibbs) L’objectif de cet exercice est d’étudier l’effet d’une dis-
continuité sur les séries de Fourier, illustré en Figure 1.1. Soit la fonction u définie sur [−π, π]
par u(x) = −1 quand x < 0, et u(x) = 1 quand x > 0.
(i) Calculer les coefficients de Fourier de u, et montrer que la série de Fourier partielle à
l’ordre N
1 X
SN (x) = √ cn (u)einx
2π |n|6N

peut se réécrire, pour N pair (le calcul pour N impair étant similaire),
Å ã
4 1 1
SN (x) = sin(x) + sin(3x) + · · · + sin((N − 1)x) .
π 3 N −1
π
(ii) Calculer SN (0), et limN →∞ SN ( N ). On pourra reconnaı̂tre une somme de Riemann impli-
quant la fonction sinc(t) = sin(t)/t, et utiliser
Z π
π
sinc(t) dt = (1 + 2α),
0 2

où α ≈ 0.09.
(iii) En déduire que la série de Fourier de u ne converge pas uniformément, et interpréter la
Figure 1.1.

1.4 Applications des séries de Fourier

On applique maintenant la théorie des séries de Fourier à la résolution d’équations aux dérivées
partielles sur un domaine borné, et on donne un aperçu des applications en traitement du signal,
qui seront développées plus avant au Chapitre 5.
10 1 Séries de Fourier

Fig. 1.1. Série de Fourier de la fonction créneau, avec 50 et 250 harmoniques représentées. Le phénomène
de Gibbs est le dépassement de la série de Fourier à un point de discontinuité de α ≈ 9% de la valeur du
saut, qui ne décroı̂t pas en amplitude mais se rapproche du point de discontinuité. Il illustre la convergence
simple mais pas uniforme de la série de Fourier d’une fonction avec un saut.

1.4.1 Applications aux équations aux dérivées partielles

Du point de vue mathématique, les séries de Fourier permettent de quantifier le contenu en

fréquence d’une fonction périodique. La décomposition en série de Fourier permet le calcul de la
dérivée d’une fonction par une simple multiplication sur ses coefficients de Fourier, ce qui la rend
précieuse pour la résolution de nombreuses équations aux dérivées partielles (EDP) : c’est d’ailleurs
la motivation originelle de l’introduction de ces séries par Joseph Fourier (Théorie analytique de
la chaleur, 1807).
Exercice 1.9 (Équation des ondes) On considère une corde vibrante, avec conditions aux li-
mites périodiques. Le déplacement de la corde u(x, t) satisfait l’équation des ondes

∂2u ∂2u
2
= ,
∂t ∂x2
u(−π, t) = u(π, t),
∂u
u(x, 0) = u0 (x), (x, 0) = 0,
∂t
où la condition initiale u0 (x) est la restriction à [−π, π] d’une fonction C ∞ périodique.
(i) En décomposant u(·, t) en série de Fourier, donner une solution formelle (sans se soucier de
la validité des manipulations effectuées) de l’équation des ondes.
(ii) Montrer que la série obtenue est bien convergente, et que la solution u(x, t) obtenue par cette
méthode est bien solution de l’équation (en utilisant les résultats de l’appendice 7).
Exercice 1.10 (Équation de la chaleur) On considère l’évolution du champ de température
u(x, t) dans un anneau, considéré comme un milieu unidimensionel périodique. La température
u(x, t) satisfait l’équation de la chaleur
1.4 Applications des séries de Fourier 11

∂u ∂2u
= ,
∂t ∂x2
u(−π, t) = u(π, t), u(x, 0) = u0 (x),

où la condition initiale u0 (x) est la restriction à [−π, π] d’une fonction C ∞ périodique.
(i) Reprendre l’étude de l’exercice précédent.
(ii) Montrer que, même si u0 n’est que continue, la série de Fourier de u(x, t) converge pour
t > 0.
(iii) Que se passe-t-il si on veut retrouver l’état du système à l’instant t = 0 connaissant l’état à
t = T > 0?

1.4.2 Premières applications à l’analyse en fréquences

L’analyse en fréquences permet une compréhension fine de nombreux phénomènes physiques.

Par exemple, l’Exercice 1.9 montre que les vibrations d’une corde idéalisée ne se fait que pour
des fréquences discrètes, multiples d’une fréquence fondamentale liée à la longueur, la masse et
la tension de la corde. Ces fréquences plus hautes sont appelées harmoniques. La même note de
musique jouée par différents instruments aura la même fréquence fondamentale, mais l’amplitude
des harmoniques leur donne le timbre qui les distingue à notre oreille (voir Figure 1.2).
L’analyse en fréquences permet la manipulation digitale des sons (égaliseurs, distortion d’une
guitare électrique, auto-tune...) et leur compression. Ainsi, le format MP3 se fonde sur le fait que
l’oreille humaine distingue plus ou moins bien certaines fréquences pour réduire la précision et
donc la taille de stockage sans trop sacrifier en qualité auditive.
Le même principe est à l’oeuvre dans l’analyse d’images, qui peuvent être vues comme des
signaux bidimensionnels et décomposées en séries de Fourier bidimensionnelles : une fonction de
[−π, π] × [−π, π] peut être représentée sous la forme
1 X
u(x, y) = cnm (u)ei(nx+my) ,
2π
n,m∈Z
Z π Z π
1
cnm (u) = u(x, y)e−i(nx+my) dxdy.
2π −π −π

avec la même théorie de convergence L2 que dans le cas unidimensionnel. Le format JPEG par
exemple découpe une image en blocs de 8 × 8 pixels, et applique une compression similaire au
MP3.
Ces développements technologiques sont en grande partie rendus possible par le calcul efficace
de transformées de Fourier. Si une implémentation naı̈ve du calcul des coefficients de Fourier d’une
fonction discrétisée en N points est de complexité O(N 2 ), une implémentation récursive réduit
cette complexité à O(N log N ) : c’est la transformée de Fourier rapide (FFT), que l’on étudiera
au Chapitre 5.
12 1 Séries de Fourier

1.0

0.5
Amplitude (arb.)

0.0

Flute
0.5 Piano
Guitare
Violon
1.00.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
Temps (ms)
10 0 10 0
Flute Piano
10 -1 10 -1
Amplitude (arb.)

Amplitude (arb.)

10 -2 10 -2

10 -3 10 -3

10 -40 500 1000 1500 2000 2500 10 -40 500 1000 1500 2000 2500
Frequence (Hz) Frequence (Hz)

10 0 10 0
Guitare Violon
10 -1 10 -1
Amplitude (arb.)

Amplitude (arb.)

10 -2 10 -2

10 -3 10 -3

10 -40 500 1000 1500 2000 2500 10 -40 500 1000 1500 2000 2500
Frequence (Hz) Frequence (Hz)

Fig. 1.2. Enregistrement par un microphone d’ordinateur de la même note (un do à 523 Hz) jouée
par une flûte, un piano, une guitare et un violon, et spectres correspondants. Le signal (en haut) des
instruments est à peu près périodique avec une période d’environ 2 ms, ce qui correspond à la fréquence
de 523 Hz du do. On calcule les coefficients de Fourier sur une fenêtre de temps de largeur égale au
temps d’acquisition, de l’ordre de la seconde. Ce temps étant bien supérieur à la période caractéristique
d’oscillation du signal, les coefficients de Fourier forment un quasi-continuum (nous préciserons ceci lors
de l’étude de la transformée de Fourier). L’amplitude |cn (u)|2 des coefficients de Fourier (en bas) font
apparaı̂tre des pics aux fréquences multiples de 523 Hz. La forme du spectre est cependant différente pour
les différents instruments. Diverses imperfections (anharmonicité des instruments, amortissement, qualité
des micros, bruits ambiants, temps d’enregistrement fini, non-uniformité du volume...) font apparaı̂tre des
défauts, notamment des bruits parasites à basse fréquence et des pics de largeur non-nulle.
1.4 Applications des séries de Fourier 13

Fig. 1.3. Artefacts de compression JPEG montrant le phénomène de Gibbs : les transitions brutales de
couleur produisent des oscillations parasites dans les blocs 8 × 8.
2
Transformée de Fourier dans L1

2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Propriétés algébriques de la transformée de Fourier . . . . . . . . . . . . . . 16
2.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Transformée de Fourier inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Une application : le théorème central limite . . . . . . . . . . . . . . . . . . . . . 19

Dans ce chapitre, nous donnons la définition de la transformée de Fourier dans L1 , ainsi que
quelques unes de ses propriétés. L’espace L1 n’est pas stable par transformée de Fourier, et en
conséquence de nombreux problèmes techniques surviennent. Nous verrons aux chapitres suivants
d’autres espaces fonctionnels, qui eux sont invariants par transformée de Fourier et fournissent un
cadre fonctionnel plus agréable.

2.1 Définition
Commençons par définir la transformée de Fourier dans L1 , et donner quelques unes de ses
propriétés.
Définition 2.1 (Transformée de Fourier des fonctions intégrables). Soit f ∈ L1 (Rn ). On
appelle transformée de Fourier de f la fonction notée fˆ définie en tout point ξ ∈ Rn par
Z
fˆ(ξ) = f (x) e−iξ·x dx. (2.1)
Rn

Remarque 2.2 (Conventions de normalisation). Il existe différentes conventions de normali-

sation : avec ou sans un facteur de normalisation, avec ou sans un facteur 2π dans l’exponentielle.
La convention que nous utilisons, contrairement à celle utilisée pour les séries de Fourier au Cha-
pitre 1, n’a pas de facteur normalisant dans la définition de fˆ : il faudra en tenir compte dans la
définition de la transformée de Fourier inverse.

Proposition 2.3. Soit f ∈ L1 (Rn ). Alors fˆ est continue, bornée et fˆ 6 kf kL1 .

L∞

Exercice 2.1 Prouver la Proposition 2.3.

Corollaire 2.4. La transformée de Fourier F : f 7→ fˆ est une application linéaire continue de
L1 (Rn ) sur L∞ (Rn ) et
|||F |||L(L1 (Rn ),L∞ (Rn )) = 1.

Exercice 2.2 Prouver le Corollaire 2.4. Pour le cas d’égalité, on pourra montrer que kf kL1 = fˆ(0)
si f ∈ L1 est une fonction positive.
16 2 Transformée de Fourier dans L1

2.2 Propriétés algébriques de la transformée de Fourier

La transformée de Fourier se comporte de façon simple par rapport aux dilatations, translations
ou produits tensoriels.
Théorème 2.5. Soit f ∈ L1 (Rn ).
(i) pour a ∈ Rn , on note τa la translation de vecteur a, i.e. τa φ(x) = φ(x − a). Alors,
−iξ·a ˆ
τd
af = e f,

et
ia·x f = τ fˆ ;
e÷ a

(ii) pour la conjugaison complexe,

f (ξ) = fˆ (−ξ) ;
”

(iii) pour λ ∈ R∗ , la transformée de Fourier de fλ (x) = f (λx) est la fonction

Å ã
1 ˆ ξ
fˆλ : ξ 7→ f ; (2.2)
|λ|n λ

(iv) Si f est un produit tensoriel f (x) = f1 (x1 ) f2 (x2 ) avec x = (x1 , x2 ), xi ∈ Rni , n = n1 + n2 ,
et fi ∈ L1 (Rni ), alors
fˆ(ξ) = fˆ1 (ξ1 ) fˆ2 (ξ2 ). (2.3)
Notons que le choix λ = −1 dans la troisième propriété permet de discuter la parité de la trans-
formée de Fourier de fonctions paires ou impaires, la transformée de Fourier ayant la même parité
que la fonction.
Exercice 2.3 Prouver le Théorème 2.5.
Un des intérêts majeurs de la transformée de Fourier est qu’elle transforme les dérivées en
simples opérations algébriques, et ainsi de simplifier la résolution d’équations différentielles.
∂f
Théorème 2.6 (Transformée de Fourier et dérivation). Si f ∈ L1 (Rn ) et ∈ L1 (Rn ),
∂xj
alors
∂f
‘
(ξ) = i ξj fˆ(ξ).
∂xj
Si f ∈ L1 (Rn ) et x 7→ xj f (x) ∈ L1 (Rn ) pour tout 1 6 j 6 n, alors F f ∈ C1 (Rn ) et

(x
’ ˆ
j f )(ξ) = i ∂ξj f (ξ).

Exercice 2.4 Prouver le Théorème 2.6. Pour le premier point, on admettra que D(Rn ) est dense
1,1 n 1 n 1 n
Pn W (R ) des fonctions L (R ) à dérivée L (R ), muni de la norme k · kW
dans l’espace 1,1 =

k · kL1 + i=1 k∂i · kL1 (voir par exemple [1, Section IX]).
Un corollaire immédiat de ces propriétés est que plus la fonction est régulière, plus sa trans-
formée de Fourier décroı̂t vite, et vice-versa. Cette dualité est fondamentale pour la théorie de
Fourier, et il est utile de l’avoir à l’esprit pour interpréter les résultats de ce cours. Pour rendre cet
énoncé précis, on rappelle qu’un multi-indice est un élément α = (α1 , . . . , αn ) ∈ Nn . Pour des multi-
indices α = (α1 , . . . , αn ) ∈ Nn et β = (β1 , . . . , βn ) ∈ Nn , on définit |α| = α1 + · · · + αn , et les nota-
tions xα et ∂ β signifient respectivement xα 1 α2 αn β1 βn
1 x2 · · · xn et ∂x1 · · · ∂xn . Par ailleurs, α! = α1 ! . . . αn !
et α 6 β si et seulement si αi 6 βi pour tout 1 6 i 6 n.
2.3 Exemples 17

Corollaire 2.7. Si f est de classe C p et que ∂ α f ∈ L1 (Rn ) pour tout multi-indice |α| 6 p, alors
il existe C > 0 tel que, pour tout ξ ∈ Rn ,

fˆ(ξ) 6 C(1 + |ξ|)−p .

Réciproquement, si xα f ∈ L1 (Rn ) pour tout multi-indice |α| 6 p, alors fˆ est de classe C p .

Exercice 2.5 Prouver le Corollaire 2.7 en dimension 1.

Exercice 2.6 Montrer que, si f ∈ L1 (Rn ), alors fˆ tend vers 0 à l’infini. On pourra procéder par
densité.
La transformée de Fourier transforme les convolutions en produit et vice-versa, ce qui la rend
particulièrement utile en automatique par exemple. On rappelle que la convolution de deux fonc-
tions f et g est définie par
Z Z
(f ? g) (x) = f (x − y) g(y) dy = f (y) g(x − y) dy.
Rn Rn

Théorème 2.8 (Transformée de Fourier et convolution). Si f ∈ L1 (Rn ) et g ∈ L1 (Rn ),

alors f ? g ∈ L1 (Rn ) et
f‘? g = fˆ ĝ.
Exercice 2.7 Prouver le Théorème 2.8.

2.3 Exemples

Commençons par un résultat très utile pour la suite.

Proposition 2.9. Soit α > 0. On a la relation

π n/2 2
e−α|x|2 (ξ) =
◊ e−|ξ| /4α
.
α
Exercice 2.8 Prouver la Proposition 2.9. On commencera par le cas uni-dimensionnel, en
établissant une équation différentielle du premier ordre sur fˆ(ξ).
On déduit de la proposition précédente que la transformée de Fourier de la gaussienne

|x|2
Å ã
g(x) = C exp − 2
2σ

de variance σ 2 est la gaussienne

σ 2 |ξ|2
Å ã
2 n/2

ĝ(ξ) = 2πσ C exp −
2

de variance σ −2 . La transformée de Fourier d’une gaussienne très piquée sera donc très plate, et
réciproquement.
A titre d’entraı̂nement, nous vous recommandons de calculer quelques transformées de Fourier
ci-dessous. On s’attachera sur chacune de ces fonctions à observer le rapport entre régularité et
décroissance des coefficients de Fourier montré dans le Corollaire 2.7.
18 2 Transformée de Fourier dans L1

Exercice 2.9 (Fonction caractéristique) Soit R > 0. Montrer que la transformée de Fourier
de l’application
1 si |x| 6 R,
®
x ∈ R 7→
0 si |x| > R,
2 sin(Rξ)
est la fonction ξ 7→ .
ξ
Exercice 2.10 (Fonction chapeau) Soit R > 0. Montrer que la transformée de Fourier de
l’application 
|x|
1− si |x| 6 R,

x ∈ R 7→ R
0 si |x| > R,
Å ã2
sin(Rξ/2)
est la fonction ξ 7→ R .
Rξ/2

Exercice 2.11 Soit α > 0. Montrer que la transformée de Fourier de l’application x ∈ R 7→ e−α|x|
2α
est la fonction ξ 7→ 2 .
α + ξ2

2.4 Transformée de Fourier inverse

Définition 2.10 (Transformée de Fourier inverse). Soit f ∈ L1 (Rn ). On note fˇ la fonction
définie en tout x ∈ Rn par Z
1
fˇ(x) = f (ξ) eiξ·x dξ. (2.4)
(2π)n Rn

Notons que la transformation F −1 : f 7→ fˇ est très similaire à la transformation F définie

par (2.1), à deux changements près : le signe dans l’exponentielle, et le facteur de normalisation
(2π)−n .
Nous pouvons énonçer maintenant le théorème d’inversion de Fourier dans L1 .
Théorème 2.11 (Transformée de Fourier inverse). Soit f ∈ L1 (Rn ) telle que fˆ soit aussi
dans L1 (Rn ). Alors
ˇˆ
f = f, f = fˆˇ (2.5)
ces égalités étant entendues en tant que fonctions de L1 (Rn ).
L’espace des fonctions L1 dont la transformée de Fourier est aussi dans L1 est donc stable par
transformation de Fourier et la transformation F −1 est l’inverse de la transformation de Fourier
F sur cet espace. Cet espace n’est pas vide car il contient par exemple les gaussiennes. Notons
que la formule (2.5) s’écrit aussi
Z
1
f (x) = fˆ(ξ) eiξ·x dξ.
(2π)n Rn

Exercice 2.12 Prouver le théorème 2.11.

(i) Soit ε > 0. Si φ ∈ D, on définit la transformée de Fourier inverse régularisée
Z
1
φε (x) = χ(εξ) φ̂(ξ) eix·ξ dξ
(2π)n Rn
2
où la fonction χ(x) = e−|x| /2 est une gaussienne de variance 1.
ˇ ˇ
(a) Montrer que φε et φ̂ sont continues, et que φε converge simplement vers φ̂.
2.5 Une application : le théorème central limite 19

(b) Montrer que φε converge simplement vers φ et conclure.

(ii) Montrer la propriété dans le cas général en introduisant fε comme précédemment, et en
montrant que fε → f dans L1 . On pourra approcher f par une fonction φ ∈ D(Rn ).
Remarque 2.12. La difficulté pour prouver ce théorème, même pour des fonctions régulières, est
que l’égalité formelle
Z ÅZ ã
1 iξ·(x−y)
f (x) = f (y) e dy dξ
(2π)n Rn Rn
ne permet pas un calcul direct par le théorème de Fubini, parce que la fonction (y, ξ) →
f (y) eiξ·(x−y) n’est pas intégrable sur R2n . Le schéma de preuve ci-dessus consiste à tronquer
l’intégration en ξ à une région de taille 1/ε en multipliant l’intégrande par χ(εξ), ce qui per-
met l’utilisation Rdu théorème de Fubini. Il ne reste plus qu’à montrer que, dans la limite ε → 0,
la fonction y 7→ eiξ·(x−y) χ(εξ) dξ tend vers (2π)n δx au sens des distributions.

2.5 Une application : le théorème central limite

Comme application directe des concepts vus à ce chapitre, on prouve une version simple du
théorème central limite en probabilités pour des variables aléatoires à densité continue. Cela illustre
l’utilisation de la transformée de Fourier en probabilités, où elle est connue sous le nom de “fonction
caractéristique”.
On rappelle qu’en probabilités, si deux variables aléatoires indépendantes X et Y sur R ont
des densités continues fX et fY respectivement, alors la densité de la variable aléatoire X + Y est
donnée par la convolution
Z
fX+Y (x) = fX (x − y)gY (y)dy = (fX ∗ fY )(x)
R

et la variable aléatoire αX pour α ∈ R a la densité fαX (x) = f (x/α)/α. Supposons que les va-
riables X1 , . . . , XN sont indépendantes et identiquement distribuées, avec la densité f . La moyenne
empirique est définie par la variable aléatoire
N
1 X
SN = Xn .
N n=1

Par ce qui précède, la densité de cette variable aléatoire est

fSN (x) = N (f ∗ f ∗ · · · ∗ f )(N x)

La fonction f étant dans L1 (R) (car positive et d’intégrale 1), la fonction fSN est dans L1 . Sa
transformée de Fourier est continue, et par application des Théorèmes 2.8 et 2.5, pour tout ξ ∈ R,
Å ãN
ξ
fbSN (ξ) = fb
N
Supposons maintenant que |x|3 f soit intégrable, et que f ait pour moyenne x0 et pour variance
σ 2 . Alors, par le Théorème 2.6, fb est C 2 , et
Z
f (0) =
b f (x)dx = 1
R
Z
fb0 (0) = −i xf (x)dx = −ix0
ZR
00
f (0) = − x2 f (x)dx = −σ 2
b
R
20 2 Transformée de Fourier dans L1

et, pour tout ξ ∈ R,

Ç Ç Å ã2 Å ã3 åå
ξ 1 σξ ξ
fbSN (ξ) = exp N log 1 − ix0 − +O
N 2 N N

On voit que cette fonction tend ponctuellement vers e−ix0 ξ , ce qui traduit le fait que SN se
concentre vers la valeur x0 (comme attendu). Supposons maintenant que x0 = 0 (ce qui revient
simplement à considérer la densité de SN − x0 ). Alors, pour tout ξ ∈ R,

1 2 ξ2
Å ã Å ã
1
fSN (ξ) = exp − σ
b +O
2 N N2

Notons que ce développement limité, effectué à ξ fixe, ne permet pas directement de calculer un
développement limité de fSN (x) à x fixe : il faut pour ce faire montrer que le développement limité
est valide en norme L1 (et non pas ponctuellement comme fait ici). En ignorant le terme de reste
(son traitement rigoureux est laissé en exercice), on peut prendre la transformée de Fourier inverse
des deux membres (Théorème 2.11) pour obtenir par la Proposition 2.9

1 x2
Å ã
1
fSN (x) ≈ p exp − 2 ,
2πσ 2 /N 2 σ /N
√
N SN
une gaussienne centrée en 0 de variance √σN . En particulier, la loi de σ approche une gaus-
sienne centrée de variance 1 (le théorème central limite).
3
Transformée de Fourier des distributions

3.1 Fonctions lisses à décroissance rapide . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.1.1 L’espace S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1.2 Transformée de Fourier dans S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Distributions tempérées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Définition des distributions tempérées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Convergence et dérivation dans S 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.3 Injection de Lp dans S 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.4 Transformée de Fourier dans S 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

On développe la théorie de la transformée de Fourier de distributions, qu’on cherche à définir

par dualité. Comme D(R) n’est pas stable par la transformée de Fourier, on ne peut pas définir la
transformée de Fourier d’une distribution générale. On définit donc l’espace de Schwartz, constitué
des fonctions régulières qui décroissent à l’infini plus vite que tout polynôme. Cet espace est plus
grand que D(R) et stable par la transformée de Fourier, ce qui nous permettra de définir la
transformée de Fourier d’un sous-ensemble des distributions, les distributions tempérées.
Exercice 3.1 Le théorème de Paley-Wiener (voir par exemple [4]) montre que la transformée de
Fourier d’une fonction L1 (R) à support compact est en fait analytique sur R (on rappelle que f
est analytique sur R si pour tout x0 ∈ R, il existe un voisinage de x0 dans lequel f est égale à son
développement en série entière en x0 ). En supposant ce théorème connu, montrer que D(R) n’est
pas stable par la transformée de Fourier. On pourra montrer qu’une fonction analytique à support
compact est nécessairement nulle.

3.1 Fonctions lisses à décroissance rapide

3.1.1 L’espace S

Définition 3.1 (Espace de Schwartz). On dit qu’une fonction φ : Rn → C de classe C∞ est à

décroissance rapide si pour tout p > 0,

Np (φ) = sup sup kxα ∂ β φkL∞ < +∞.

|α|6p |β|6p

On note S (Rn ) l’espace vectoriel des fonctions C ∞ à décroissance rapide.

Une conséquence immédiate de cette définition est que S (Rn ) est stable par multiplication par
des polynômes et par dérivation. L’utilité de cet espace par rapport à D est qu’il traite sur
un pied d’égalité les propriétés de régularité et de décroissance à l’infini, qui sont duales par
le Théorème 2.6. Il a ainsi plus de chance d’être stable par la transformée de Fourier.
22 3 Transformée de Fourier des distributions
2
Exercice 3.2 Les fonctions e−|x| , e−|x| et (1 + |x|2 )−2 sont-elles dans S (Rn ) ?
On définit la convergence dans S dans un sens fort, similaire à la définition de la convergence
dans D.
Définition 3.2 (Convergence dans S ). On dit qu’une suite (φn )n∈N de fonctions de S (Rn )
converge dans S (Rn ) vers φ ∈ S (Rn ) si et seulement si

∀p ∈ N, Np (φn − φ) −−−−−→ 0.
n→+∞

On a évidemment D(Rn ) ⊂ S (Rn ). Mais on a en fait un résultat plus fort.

Proposition 3.3. L’espace D(Rn ) est dense dans S (Rn ) (pour la topologie associée à S ).

Exercice 3.3 Prouver la Proposition 3.3 dans le cas n = 1. On cherchera à tronquer une fonction
φ ∈ S (Rn ) de sorte qu’elle ait un support compact mais reste régulière.
Les fonctions de S sont, par définition, dans L∞ . Elles sont même dans L1 et, par interpolation,
dans tous les Lp , pour 1 6 p 6 ∞.
Théorème 3.4. Il existe une constante Cn telle que, pour tout p ∈ N,

∀φ ∈ S (Rn ), sup sup xα ∂ β φ 6 Cn Np+n+1 (φ). (3.1)

|α|6p |β|6p L1

Par l’inégalité d’interpolation

kφkpLp 6 kφkLp−1
∞ kφkL1 , (3.2)
on a que S (R ) ⊂ L (R ) pour tout 1 6 p 6 +∞, et S (R ) est dense dans L (R ) pour
n p n n p n

1 6 p < +∞.
Exercice 3.4 Prouver le Théorème 3.4 pour n = 1.

3.1.2 Transformée de Fourier dans S

Toute fonction de S (Rn ) étant intégrable, on peut définir la transformation de Fourier sur
le sous-espace S (Rn ) ⊂ L1 (Rn ), dense dans L1 (Rn ), en restreignant la Définition 2.1 à l’es-
pace S (Rn ). Le point remarquable est que la transformée de Fourier d’une fonction de S (Rn ) est
elle aussi dans S (Rn ).

Théorème 3.5 (Transformée de Fourier dans S ). L’espace S (Rn ) est stable par transformée
de Fourier, et pour tout p ∈ N il existe une constante Cn,p telle que
Ä ä
∀φ ∈ S (Rn ), Np φ̂ 6 Cn,p Np+n+1 (φ).

La transformée de Fourier F définit un isomorphisme séquentiellement bicontinu de S (Rn ) dans

lui-même, d’inverse F −1 défini par (2.4).

On rappelle qu’un isomorphisme est une application d’un espace vers un autre qui préserve la
structure algébrique, dont l’inverse est bien défini et préserve lui aussi la structure algébrique. Ici,
la préservation de la structure algébrique revient simplement à dire que l’application est linéaire.
On rappelle également qu’une application T : E → F est séquentiellement continue si T un
converge dans F vers T u lorsque un converge vers u dans E. La convergence dans les espaces
S (Rn ) n’étant, dans la Définition 3.2, liée à aucune norme ou même distance, seule la convergence
séquentielle a un sens.
La bicontinuité séquentielle signifie que T et son inverse sont toutes deux des applications
séquentiellement continues.
Exercice 3.5 Montrer le Théorème 3.5.
3.2 Distributions tempérées 23

3.2 Distributions tempérées

3.2.1 Définition des distributions tempérées

Comme l’espace des fonctions test D(Rn ) n’est pas stable par transformée de Fourier, on a dû
introduire un espace de fonctions test plus grand, S (Rn ). Suivant la philosophie générale de la
théorie des distributions, on introduit le dual topologique de l’espace des fonctions test (l’ensemble
des formes linéaires sur l’espace des fonctions test), qui est par conséquent un sous-ensemble de
l’espace D0 (Rn ) des distributions.

Définition 3.6 (Distributions tempérées). On note S 0 (Rn ) l’espace vectoriel des formes
linéaires sur S (Rn ) qui vérifient la propriété de continuité suivante : il existe un entier p et
une constante C tels que

∀φ ∈ S (Rn ), | hT, φiS 0 ,S | 6 C Np (φ). (3.3)

Les éléments de S 0 (Rn ) sont appelés les distributions tempérées, ou parfois les distributions à
croissance lente.

Théorème 3.7. Tout élément de S 0 (Rn ) définit une distribution.

Remarque 3.8 (Abus de notation). Par abus de notation, on notera par la même lettre une
distribution tempérée et sa restriction à D(Rn ). Cela permet notamment d’écrire

∀φ ∈ D(Rn ) ⊂ S (Rn ), hT, φiS 0 ,S = hT, φiD0 ,D .

Exercice 3.6 Prouver le Théorème 3.7.

Exercice 3.7 (Distribution de Dirac) Montrer que δa (pour a ∈ Rn donné) est une distribu-
tion tempérée d’ordre 0.
Exercice 3.8 (Valeur principale) Montrer que la valeur principale, définie pour tout φ ∈
D(Rn ) par
≠ Å ã ∑ Z
1 φ(x)
vp ,φ = lim dx,
x D 0 ,D ε→0 R\[−ε,ε] x

définit une distribution tempérée. Montrer qu’elle est d’ordre 1 (exactement, i.e. elle ne peut pas
être d’ordre 0).
L’épithète “tempérées” provient de la limitation de croissance à l’infini de ces distributions.
Définition-Théorème 3.9 (Fonctions à croissance lente). On dit qu’une fonction continue
f est à croissance lente s’il existe p > 0 et C > 0 telles que, pour tout x ∈ Rn ,

|f (x)| 6 C(1 + |x|)p .

Les fonctions à croissance lente définissent des distributions tempérées.

Exercice 3.9 Montrer le Théorème 3.9.
Exercice 3.10 Donner un exemple de
(i) fonction continue qui ne définit pas une distribution tempérée
(ii) distribution tempérée qui est induite par une fonction continue mais pas à croissance lente.
Ainsi, les distributions tempérées sont des distributions particulières, pour lesquelles on a un
contrôle de la croissance à l’infini. C’est le cas des distributions qui proviennent de fonctions à
croissance lente, et on verra au Théorème 3.14 qu’il en est de même pour celles qui proviennent
de fonctions Lp .
24 3 Transformée de Fourier des distributions

3.2.2 Convergence et dérivation dans S 0

On définit la convergence dans S 0 de la même façon que pour les distributions usuelles.
Définition 3.10 (Convergence dans S 0 ). On dit que la suite (Tk )k∈N d’éléments de S 0 (Rn )
converge dans S 0 (Rn ) vers T si on a
∀φ ∈ S (Rn ), hTk , φiS 0 ,S −→ hT, φiS 0 ,S .
Théorème 3.11. Toute suite (Tk )k∈N de distributions tempérées qui converge dans S 0 (Rn ) vers
la distribution tempérée T converge aussi dans D0 (Rn ) vers la distribution T .
Exercice 3.11 Prouver le Théorème 3.11.
Théorème 3.12 (Dérivation dans S 0 ). Soit T ∈ S 0 (Rn ). La dérivée de T par rapport à la
variable xj (au sens des distributions) est une distribution tempérée, définie par
≠ ∑ ≠ ∑
∂T ∂φ
∀φ ∈ S (R ),
n
,φ = − T, .
∂xj S 0 ,S ∂xj S 0 ,S

Exercice 3.12 Montrer le Théorème 3.12.

Théorème 3.13. La dérivation est séquentiellement continue dans S 0 : si Tk −−−−−→ T dans
k→+∞
S 0 (Rn ), alors ∂ α Tk −−−−−→ ∂ α T dans S 0 (Rn ).
k→+∞

Exercice 3.13 Prouver le Théorème 3.13

Finissons par quelques exemples qui montrent qu’en effet S 0 (Rn ) est strictement inclus dans
D0 (Rn ).
Exercice 3.14 (Distribution exponentielle) Montrer que la suite des sommes partielles
N
X xk
fN (x) =
k!
k=0

est une suite d’éléments de S 0 (R) qui converge dans D0 (R), mais pas dans S 0 (R).
Exercice 3.15 (Peigne à croissance lente) Soit (ak )k∈N une suite réelle. Montrer que la série
X
TN = ak δk
|k|6N

converge dans D0 (R) et donner sa limite. Montrer que si la suite (ak )k∈Z est à croissance lente,
c’est-à-dire telle qu’il existe C > 0, p > 0 tels que que |ak | 6 C(1 + |k|)p pour tout k ∈ Z, alors la
convergence a aussi lieu dans S 0 (R). Fournir un exemple de série qui converge dans D0 (R) mais
pas dans S 0 (R).

3.2.3 Injection de Lp dans S 0

Théorème 3.14 (Injection de Lp dans S 0 ). On a l’injection séquentiellement continue Lp (Rn ) ,→

S 0 (Rn ) pour tout 1 6 p 6 +∞.
Exercice 3.16 Prouver le Théorème 3.14. On pourra montrer qu’une fonction f ∈ Lp peut se
décomposer en somme de fonctions L1 et L∞ .
Remarque 3.15 (Injection continue). On peut donc écrire
D(Rn ) ,→ S (Rn ) ,→ L2 (Rn ) ,→ S 0 (Rn ) ,→ D0 (Rn ),
où la notation A ,→ B signifie que A s’injecte dans B et que l’injection de A dans B est
séquentiellement continue.
3.2 Distributions tempérées 25

3.2.4 Transformée de Fourier dans S 0

Comme il est d’usage en théorie des distributions, les opérations ou actions effectuées sur les
distributions sont définies en effectuant ladite opération sur la fonction test. Il en va de même
pour la transformée de Fourier.
Définition-Théorème 3.16 (Transformée de Fourier d’une distribution tempérée). Soit
T ∈ S 0 (Rn ). La transformée de Fourier de T est la distribution tempérée notée F T définie par
¨ ∂
∀φ ∈ S (Rn ), hF T, φiS 0 ,S = T, φ̂ 0 = hT, F φiS 0 ,S . (3.4)
S ,S

La transformée de Fourier ainsi définie est une extension de la définition classique de la trans-
formée de Fourier sur L1 (Rn ) : si on note Tu la distribution associée à la fonction u, alors, pour
tout f ∈ L1 (Rn ), Tfˆ = F Tf .
Au risque de nous répéter : comme la transformée de Fourier d’un élément de D(Rn ) n’est pas
dans D(Rn ) (mais seulement dans S (Rn )), on ne peut pas définir la transformée de Fourier d’une
distribution quelconque par une relation analogue à (3.4), et il faut donc se limiter aux distributions
tempérées.
Exercice 3.17 Montrer le Théorème 3.16.
Remarque 3.17 (Notations). La transformée de Fourier de la distribution T est noté F T et
pas T̂ . On réserve en effet la notation ˆ· aux fonctions L1 pour lesquelles la transformée de Fourier
F est définie sous la forme intégrale de l’équation (2.1). Lorsque f ∈ L1 , les deux notations sont
possibles mais on privilégie la notation fˆ.
Théorème 3.18 (Transformée de Fourier inverse des distributions tempérées). La trans-
formée de Fourier est un isomorphisme séquentiellement bicontinu de S 0 (Rn ) sur lui-même, d’in-
verse F −1 défini par

∀φ ∈ S (Rn ), hF −1 T, φiS 0 ,S = T, φ̌ S 0 ,S = T, F −1 φ S 0 ,S .

Exercice 3.18 Montrer le Théorème 3.18

∂T
Théorème 3.19 (Dérivation et transformée de Fourier). Soit T ∈ S 0 (Rn ). Alors ∈
∂xj
S 0 (Rn ) et Å ã
∂T
F = i ξj F T. (3.5)
∂xj
Exercice 3.19 Montrer le Théorème 3.19.
Exercice 3.20 Montrer que δa ∈ S 0 (Rn ) et que F δa (ξ) = e−ia·ξ . De même, montrer que x 7→
eia·x ∈ S 0 (Rn ) et que F (eia·x ) = (2π)n δa .
!
X
Exercice 3.21 Calculer F δn .
n∈Z

Remarque 3.20 (Transformée de Fourier et convolution). Comme dans le cas L1 , la trans-

formée de Fourier agit sur les convolutions en les transformant en produit. La situation est ce-
pendant plus complexe car l’existence de la convolution de deux distributions tempérées (que nous
n’avons pas définie, d’ailleurs) n’est pas plus assurée en général que le produit de deux distributions.
Cependant, si tous les termes sont bien définis, on retrouve la propriété
F (T1 ? T2 ) = F (T1 ) · F (T2 ).
Exercice 3.22 (Élargissement de pics) En reprenant les calculs de l’Exercice 2.11, donner la
transformée de Fourier de la fonction uα (t) = e−α|t|+i ωt , pour α > 0 et ω ∈ R. Étudier la limite de
uα et de sa transformée de Fourier quand α → 0. En négligeant les effets dus aux temps négatifs,
proposer une origine physique possible des pics de largeur finie de la Figure 1.2.
4
Espaces de Sobolev et équations aux dérivées partielles

4.1 Transformée de Fourier dans L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

4.2 Espaces de Sobolev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Résolution d’équations aux dérivées partielles . . . . . . . . . . . . . . . . . . . 29

La transformée de Fourier dans S 0 se spécialise à plusieurs espaces fonctionnels importants

(dont L2 et les espaces de Sobolev). Elle permet de montrer aisément que L2 est stable par
transformée de Fourier, de caractériser les espaces de Sobolev, et de donner des formules explicites
de résolution d’équations aux dérivées partielles.

4.1 Transformée de Fourier dans L2

Nous avons défini la transformée de Fourier sur l’espace S 0 qui contient (largement !) L2 .
Pourquoi donc consacrer maintenant une section à la transformée de Fourier dans L2 ? La réponse
est fournie par le théorème suivant :
1
Théorème 4.1 (Isométrie de la transformée de Fourier). Les transformations F et
(2π)n/2
(2π)n/2 F −1 sont des isométries de L2 (Rn ) inverses l’une de l’autre :
1
∀f ∈ L2 (Rn ), F f ∈ L2 (Rn ) et kF f kL2 = kf kL2 ,
(2π)n/2
∀f ∈ L2 (Rn ), F −1 f ∈ L2 (Rn ) et (2π)n/2 F −1 f L2
= kf kL2 .
Exercice 4.1 Prouver le Théorème 4.1. On commencera par établir l’isométrie sur S en prouvant
que, pour tous φ, ψ ∈ S (Rn )2 ,
1
n
(φ̂, ψ)L2 = φ, ψ̌ L2 ,
(2π)
et on raisonnera par densité.
Remarque 4.2 (Interprétation physique). Pour f ∈ L2 (Rn ), on a la formule de Plancherel
Z Z
1 2
|F f (ξ)| dξ = |f (x)|2 dx. (4.1)
(2π)n Rn R n

Il arrive souvent en physique ou en mécanique que l’énergie d’un champ sur Rn s’exprime
précisément sous la forme d’une intégrale sur l’espace du carré du champ (penser à l’énergie
cinétique d’un écoulement, à l’énergie d’un champ électromagnétique, à l’énergie de déformation
élastique linéaire d’un matériau homogène isotrope). L’égalité (4.1) signifie que l’énergie du champ
peut alors être calculée indifféremment dans l’espace réel ou dans l’espace réciproque.
28 4 Espaces de Sobolev et équations aux dérivées partielles

Exercice 4.2 (Formule de Parseval) Montrer, en reprenant la démonstration précédente ou

en utilisant une formule de polarisation, que si f et g sont dans L2 (Rn ),

(2π)n (f, g) = (F f, F g).

Remarque 4.3. Attention à ne pas confondre : le produit de dualité des distributions ne conjugue
pas, alors que le produit scalaire L2 si (c’est une forme sesquilinéaire). On a ainsi, par exemple
pour f, g ∈ L2 ,

hF f, giS 0 ,S = hf, F giS 0 ,S

(F f, g)L2 = (2π)n (f, F −1 g)L2 ,

par la définition de la transformée de Fourier dans S 0 et par la formule de Plancherel, respecti-

vement, et ces deux quantités ne sont pas égales.

Remarque 4.4. On a vu que la transformée de Fourier envoyait continûment L1 dans L∞ , et

L2 dans L2 (mais pas L∞ dans L1 ). Dans l’esprit général de la dualité Hölderienne, on peut
montrer, avec un théorème d’interpolation, que pour 1 6 p 6 2, la transformée de Fourier envoie
continûment Lp dans Lq , avec
1 1
+ = 1.
p q
Notons que ceci n’est pas vrai pour p > 2.

4.2 Espaces de Sobolev

La transformée de Fourier permet de caractériser la régularité des fonctions : plus une fonction
est régulière, plus sa transformée de Fourier décroı̂t rapidement à l’infini. Ceci est lié en effet à la
décroissance de l’amplitude des modes rapides, i.e. qui varient sur des échelles spatiales courtes,
les irrégularités locales provenant précisément des ces modes-là. Afin d’étudier des fonctions de
régularité arbitraire, on définit les espaces de Sobolev d’exposant réel.

Définition-Théorème 4.5 (Espaces de Sobolev d’exposants réels). Pour tout s ∈ R, on

pose ß Z ™
H (R ) = u ∈ S (R ) û ∈ Lloc (R ),
s n 0 n 1 n 2 s 2
(1 + |ξ| ) |û(ξ)| dξ < +∞ . (4.2)
Rn

Muni du produit scalaire noté (·, ·)Hs et défini par

Z
s n 2
∀(u, v) ∈ H (R ) , (u, v) Hs = (1 + |ξ|2 )s û(ξ) v̂(ξ) dξ, (4.3)
Rn

l’espace Hs (Rn ) est un espace de Hilbert.

Remarque 4.6 (Injections continues). Si s1 6 s2 , on a (1 + |ξ|2 )s1 6 (1 + |ξ|2 )s2 pour tout
ξ ∈ Rn , et on a donc l’injection continue Hs2 (Rn ) ,→ Hs1 (Rn ).

Exercice 4.3 Prouver le Théorème 4.5. On commencera par utiliser la transformation A :

Hs (Rn ) → L2 (Rn ) définie par

(Au)(ξ) = (1 + |ξ|2 )s/2 û(ξ)

pour montrer que Hs (Rn ) est isométrique à L2 (Rn ).

La définition (4.2) des espaces de Sobolev sur H s (Rn ) coı̈ncide, lorsque s est entier, avec la
définition plus usuelle suivante.
4.3 Résolution d’équations aux dérivées partielles 29

Proposition 4.7 (Espaces de Sobolev d’exposants entiers). Soit s ∈ N. Alors

n o
Hs (Rn ) = u ∈ L2 (Rn ) ∂ α u ∈ L2 (Rn ), ∀α ∈ Nn , |α| 6 s , (4.4)

et la norme définie sur Hs (Rn ) par le produit scalaire (4.3) est équivalente à celle définie par le
produit scalaire Z
X
(u, v) = ∂ α u(x) ∂ α v(x) dx.
α∈Nn , |α|6s Rn

Exercice 4.4 Montrer la Proposition 4.7 dans le cas s = 1.

La transformée de Fourier permet de montrer très facilement le résultat suivant qui relie la
décroissance, ou plus exactement l’intégrabilité, de la transformée de Fourier à l’infini avec la
régularité locale de la fonction d’origine.
Théorème 4.8. Soit n ∈ N∗ , k ∈ N et s ∈ R vérifiant s > k + n/2. Si u ∈ Hs (Rn ), alors
u ∈ Ck (Rn ) et toutes ses dérivées jusqu’à l’ordre k tendent vers zéro à l’infini.
Exercice 4.5 Montrer le Théorème 4.8. On commencera par le cas k = 0 et on montrera que
û ∈ L1 (Rn ).
Exercice 4.6 (Un résultat de régularité elliptique) Résoudre l’équation

−∆u + u = f

pour f ∈ L2 (R3 ). Montrer que l’unique solution u est continue et bornée.

Exercice 4.7 Faire de même pour

−∆u + b · ∇u + αu = f

avec f ∈ L2 (R3 ), b ∈ R3 et α > 0.

4.3 Résolution d’équations aux dérivées partielles

Nous concluons ce chapitre en montrant comment l’utilisation de la transformée de Fourier
permet de résoudre des problèmes d’équations aux dérivées partielles rencontrés en physique.

Equation de la chaleur

On considère l’équation de la chaleur, qui est le problème de Cauchy suivant :

∂t f − ∆f = 0 sur R∗+ × Rn ,
ß
(4.5)
f (0, ·) = f0 sur Rn .

On peut montrer l’existence et l’unicité d’une solution f (t, ·) ∈ S 0 (Rn ) pour tout t > 0 si f0 ∈
S 0 (Rn ) (voir [3, Section XIV.2.2] ; nous ne présentons pas les détails ici car cela demanderait
d’introduire la convolution de deux distributions). Il existe d’autres théories qui permettent de
caractériser l’évolution pour des conditions intitiales L2 (Rn ) (théorie de Hille-Yosida).
Exercice 4.8 Montrer, en utilisant une transformée de Fourier sur la variable spatiale, que la
solution est, formellement,
Z
2
f (t, x) = (4πt)−n/2 f0 (y) e−|x−y| /4t dy.
Rn

Montrer que la fonction f ainsi définie est solution de l’équation de la chaleur pour t > 0 et vérifie
la condition initiale si f0 ∈ S (Rn ) (en utilisant les résultats de l’appendice 7).
30 4 Espaces de Sobolev et équations aux dérivées partielles

Exercice 4.9 (Problème de Cauchy inhomogène) Donner la forme de la solution pour le

problème de Cauchy inhomogène ∂t f − ∆f = g sur R∗+ × Rn , avec (t, x) 7→ g(t, x) donnée.

Exercice 4.10 (Équation des ondes) Donner la forme de la solution pour l’équation des ondes
∂tt f = ∆f .
5
Séries de Fourier des distributions périodiques

5.1 Distributions périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

5.2 Séries de Fourier des distributions périodiques . . . . . . . . . . . . . . . . . . . 32
5.3 Transformée de Fourier des distributions périodiques . . . . . . . . . . . . . 33

Dans ce chapitre, on montre que toute distribution périodique peut se développer en série
de Fourier. Comme les distributions périodiques sont tempérées, on peut également calculer leur
transformée de Fourier, ce qui établit un lien entre ces deux concepts jusqu’à présent séparés.
Ce lien a des conséquences extrêmement utiles en théorie du signal (notamment la formule de
Poisson), qui seront exploitées au chapitre suivant.
Par souci de simplification, comme dans la théorie des séries de Fourier, nous ne considérerons
que des fonctions définies sur R, les résultats s’étendant cependant aux cas multidimensionnels.
Nous considérons cependant une période T arbitraire, en vue d’utiliser ces résultats en théorie du
signal.

5.1 Distributions périodiques

Soit u ∈ D0 (R). On appelle T -translatée de u la distribution τT u définie, pour toute fonction
test φ ∈ D(R), par
hτT u, φiD0 ,D = hu, τ−T φiD0 ,D = hu, φ(· + T )iD0 ,D .
Cette définition est bien sûr motivée par le cas où u est continue, car on a alors (τT u)(t) = u(t−T ).

Exercice 5.1 Montrer que τT est un isomorphisme séquentiellement bicontinu sur S 0 (R) et
D0 (R), d’inverse τ−T .
Définition 5.1 (Distribution T -périodique). Une distribution u est T -périodique si τT u = u.
L’ensemble des distributions T -périodiques est noté DT0 (R).
Bien sûr, une distribution provenant d’une fonction L1loc périodique est une distribution périodique.
Le résultat technique suivant sera très utile dans de nombreuses preuves.
Lemme 5.2 (Partition de l’unité T-périodique). Il existe χ ∈ D(R) telle que pour tout t ∈ R,
∞
X
χ(t − nT ) = 1. (5.1)
n=−∞

Si φ ∈ L1loc est périodique de période T , alors

Z T Z
φ= φχ. (5.2)
0 R
32 5 Séries de Fourier des distributions périodiques

Exercice 5.2 Montrer le Lemme 5.2. On pourra considérer une fonction φ ∈ D(R) positive et
strictement positive sur l’intervalle [0, T ], et chercher à la normaliser pour satisfaire (5.1).
L’utilité des partitions de l’unité est de permettre le calcul de coefficients de Fourier de distri-
butions périodiques.
Définition-Théorème 5.3 (Coefficients de Fourier). Soit u une distribution périodique, et χ
une partition de l’unité. On définit ses coefficients de Fourier par
1¨ ∂
cn (u) = u, χ(t) e−2iπn t/T 0 (5.3)
T D ,D

Ces coefficients sont des formes linéaires séquentiellement continues sur D0 (R). Cette définition
étend la définition usuelle dans le sens où, si u ∈ L1loc ,
Z T
1
cn (u) = u(t) e−2iπn t/T dt. (5.4)
T 0

Remarque 5.4. Cette définition est celle des coefficients de Fourier (1.3), à la différence près
que la période est T au lieu de 2π, et que la convention
√ de normalisation est différente (on met
un facteur 1/T dans les coefficients, au lieu de 1/ T en (1.3)).

Exercice 5.3 Montrer le Théorème 5.3.

5.2 Séries de Fourier des distributions périodiques

Avant de démontrer qu’une distribution périodique peut se représenter comme une série de
Fourier, commençons par montrer le résultat, plus élémentaire, que les séries de Fourier dont les
coefficients forment une suite à croissance lente sont des distributions périodiques.

Théorème 5.5. Soit (cn )n∈Z une suite à croissance lente, i.e. telle que

∃ p ∈ N, C > 0, ∀ n ∈ Z, |cn | 6 C(1 + |n|)p .

Alors la série
∞
X
cn e2iπnt/T
n=−∞

converge au sens des distributions tempérées et définit une distribution T -périodique.

Exercice 5.4 Montrer le Théorème 5.5.

Le Théorème 5.5 permet donc de construire des distributions périodiques comme sommes de séries
de Fourier. De plus, la proposition ci-dessous montre que les coefficients cn d’une telle série sont
définis de manière unique.

Proposition 5.6 (Unicité des coefficients de Fourier). Si (γn )n∈Z et (γn0 )n∈Z sont deux suites
à croissance lente telle que X X
γn e2iπnt/T = γn0 e2iπnt/T
n∈Z n∈Z

au sens des distributions, alors γn = γn0 pour tout n ∈ Z.

Exercice 5.5 Prouver la Proposition 5.6.

On peut maintenant montrer que toute distribution périodique est égale à sa série de Fourier.
5.3 Transformée de Fourier des distributions périodiques 33

Théorème 5.7 (Série de Fourier d’une distribution périodique). Soit u une distribution
T -périodique. Alors (cn (u))n∈Z est une suite à croissance lente, ne dépend pas du choix de la
partition de l’unité χ dans (5.3), et on a l’égalité suivante au sens des distributions tempérées :
X
u= cn (u) e2iπnt/T . (5.5)
n∈Z

Exercice 5.6 Prouver le Théorème 5.7.

(i) Montrer que les cn (u) forment
P une suite à croissance lente en utilisant les résultats de l’Ap-
pendice 8. En déduire que n∈Z cn (u) e2iπnt/T converge vers v dans S 0 .
(ii) Soit w = u − v ∈ S 0 . Montrer que cn (w) = 0.
(iii) Montrer que, pour tout n ∈ Z, τnT (χw) = (τnT χ)w et en déduire que w = n∈Z τnT (χw).
P

(iv) Montrer que hw, φiD0 ,D = 0 pour tout φ ∈ D en développant n∈Z τnT φ en série de Fourier,
P
et conclure que w = 0.
(v) Montrer que le choix des cn (u) est indépendant du choix de χ.
En conclusion, toute distribution T -périodique u est la somme d’une série de Fourier dont les
coefficients cn (u) sont à croissance lente :
X
u= cn (u) e2iπnt/T ,
n∈Z

et réciproquement, toute série de Fourier dont les coefficients sont à croissance lente définit une
distribution T -périodique.

5.3 Transformée de Fourier des distributions périodiques

Le Théorème 5.7 montre en particulier que les distributions périodiques sont des distributions
tempérées. On peut donc légitimement en considérer la transformée de Fourier. La transformée
de Fourier Fu d’une distribution périodique u est un peigne de Dirac, dont les poids sont les
coefficients de Fourier cn (u).
Théorème 5.8 (Transformée de Fourier des distributions périodiques). Pour toute dis-
tribution T -périodique u, X
F u = 2π cn (u) δ2nπ/T .
n∈Z

Exercice 5.7 Montrer le Théorème 5.8.

Une application immédiate de cette théorie est la formule de Poisson, qui sera très utile par la
suite.
Théorème 5.9 (Formule de Poisson). La transformée de Fourier d’un peigne de Dirac est
aussi un peigne de Dirac :
+∞
! +∞
X 2π X
F δnT = δ2πn/T . (5.6)
n=−∞
T n=−∞

En particulier, pour tout f ∈ S (R), on a :

Å ã
X 1 X ˆ 2nπ
f (nT ) = f . (5.7)
T T
n∈Z n∈Z

Exercice 5.8 Prouver le Théorème 5.9.

6
Échantillonnage et transformée de Fourier discrète

6.1 Échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.1.1 Échantillonnage d’un signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.1.2 Théorème de Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.2 Le recouvrement spectral (aliasing) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6.2.1 Exemple de repliement spectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.2.2 Suppression de l’aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.3 Transformée de Fourier discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.4 Transformée de Fourier rapide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.4.1 Présentation générale de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.4.2 Calcul de complexité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

L’objet principal de ce chapitre est d’étudier la transformée de Fourier de fonctions échantillonnées.

Par souci de simplification, nous ne considérerons que des fonctions définies sur R, les résultats
s’étendant cependant aux cas multidimensionnels. Nous limitons de plus notre étude à l’échantillonnage
uniforme, où les échantillons sont espacés régulièrement, bien que l’échantillonnage non-uniforme
soit aussi utilisé dans la pratique. Nous verrons que l’échantillonnage uniforme d’une fonction
continue f à un pas T peut être vu comme le peigne de Dirac :
+∞
X
fT = T f (nT ) δnT .
n=−∞

Pour mesurer la perte d’information subie en remplaçant f par fT , on fera le lien entre leurs
transformées de Fourier fˆ et fˆT . Grâce à la théorie de Fourier des distributions tempérées vue au
chapitre précédent, nous pouvons donner un sens à la transformée de Fourier de fT , et montrer le
théorème de Shannon, qui donne les conditions de reconstruction parfaite d’un signal à partir de
son échantillonnage.

6.1 Échantillonnage
6.1.1 Échantillonnage d’un signal

On considère des fonctions continues à croissance lente. La bonne représentation mathématique

d’une fonction f échantillonnée avec un pas T > 0 est le peigne de Dirac
X
fT = T f (nT ) δnT . (6.1)
n∈Z

Comme f est à croissance lente, cette série converge dans S 0 .

36 6 Échantillonnage et transformée de Fourier discrète

Lorsque le pas d’échantillonnage T tend vers 0, fT tend vers f dans S 0 (R). En effet, pour
toute fonction φ ∈ S (R),
X Z +∞
hfT , φiS 0 ,S = T f (nT ) φ(nT ) −−−→ f (t) φ(t) dt = hf, φiD0 ,D = hf, φiS 0 ,S ,
T →0 −∞
n∈Z

car on reconnaı̂t dans le membre de gauche une somme de Riemann d’une fonction à décroissance
rapide.
L’effet de l’échantillonage sur la fonction f est particulièrement facile à étudier en domaine
fréquentiel : échantillonner f revient simplement à ajouter des répliques translatées en fréquence
à fˆ.
Théorème 6.1 (Transformée de Fourier de fT ). Si f ∈ S , alors F fT est C ∞ et
X Å 2nπ
ã
fc
T (ξ) = fˆ ξ + , (6.2)
T
n∈Z

Exercice 6.1 Prouver le Théorème 6.1. On pourra exprimer fc

T (ξ) sous la forme d’une somme,
et utiliser la formule de Poisson.

Remarque 6.2. De même que la transformée de Fourier d’une distribution périodique est discrète,
nous venons de voir que la transformée de Fourier d’une fonction échantillonnée est périodique.
Une façon élégante d’exprimer ces manipulations est de faire appel au formalisme des convolu-
tions de distributions, en utilisant le fait que g ? δa = τa g. Ainsi, on peut réécrire formellement la
définition de fT en
∞
!
X
fT = f · T δnT
n=−∞

et donc, en utilisant le fait que F (u · v) = F (u) ? F (v),

∞ ∞ ∞
! !
X X X
F fT = F f ? F T δnT = F f ? δ2πn/T = τ2πn/T F f.
n=−∞ n=−∞ n=−∞

De façon duale, si u est une distribution périodique, alors, si χ est une partition de l’unité, on a
∞
!
X
u = (χu) ? δnT ,
n=−∞

et donc
∞ ∞ ∞
!
1 X X 1 X
F u = F (χu) · δ2πn/T = F (χu)(2πn/T )δ2πn/T = cn (u)δ2πn/T .
T n=−∞ n=−∞
T n=−∞

Ces manipulations, utilisant la dualité convolution-multiplication et la formule de Poisson, ex-

priment la dualité des opérations d’échantillonnage (multiplication par un peigne) et de périodisation
(convolution par un peigne). On retrouve ainsi dans un cadre unifié le résultat des théorèmes des
parties précédentes. Donner un sens à ces manipulations, et notamment à la formule F (u · v) =
F (u) ? F (v) sort du cadre de la théorie que nous avons développée, et nécessite d’introduire les
espaces par lesquels on peut multiplier et convoluer des distributions tempérées (respectivement, les
fonctions C ∞ à croissance lente et les distributions à décroissance rapide). On pourra se rapporter
à [5] pour plus de détails.
6.1 Échantillonnage 37

6.1.2 Théorème de Shannon

Nous établissons dans ce paragraphe un résultat d’interpolation, qui montre que, sous cer-
taines conditions, on peut reconstruire une fonction f à partir de ses échantillons. Ce résultat,
appelé théorème d’échantillonnage ou théorème de Shannon, est remarquable car il montre que
l’échantillonnage n’induit pas de perte d’information. La condition essentielle de ce théorème est
que le support de F f soit dans l’intervalle borné [−π/T, π/T ], ce qui garantit que f n’a pas de va-
riation plus rapide que la moitié de la fréquence d’échantillonnage f = 2π/T . La Figure 6.1 illustre
les différentes étapes d’un échantillonnage puis d’une reconstruction à partir des échantillons, dans
le domaine temporel et le domaine fréquentiel.

^ f(t)
f( ω)

(a) ω t
π π
T T
^ f (t)
fT( ω) T

00
1 1
00
11
00
1100
11
11
0011
00 00
11
00
11 11 1
00 0
0
1
00
11 00
11 0
1
(b) ω 0
1 01
1 0
0
1 t
3π −π π 3π
T
T T T T
^h (ω) h (t)
T 1
T

(d) ω t
−π π
T T
Fig. 6.1. (a) : Signal f et sa transformée de Fourier F f . (b) : Un échantillonnage uniforme de f rend sa
transformée de Fourier périodique. (c) : Passe-bas idéal. (d) : Le filtrage de (b) par (c) reconstitue f .

Théorème 6.3 (Shannon). Si f ∈ S (R) et si le support de fˆ est inclus dans [−π/T, π/T ], alors
+∞
π(t − nT )
X Å ã
f (t) = f (nT ) sinc , (6.3)
n=−∞
T
38 6 Échantillonnage et transformée de Fourier discrète

où on rappelle que sinc x = sin x/x.

Exercice 6.2 Montrer le Théorème 6.3, en s’inspirant de la Figure 6.1.

Remarque 6.4 (Théorème de Shannon pour les séries trigonométriques). Un résultat

similaire au théorème précédent s’obtient pour les séries trigonométriques dont les exponentielles
complexes ont des pulsations strictement inférieures en valeur absolue à π/T . La preuve est très
différente et se base sur la décomposition en série de Fourier de la restriction des fonctions ξ 7→ eiξt
à [−π/T, π/T ].

La fonction hT (t) = sinc(πt/T ) dont la transformée de Fourier est 1[−π/T,π/T ] (ξ) s’appelle filtre
passe-bas idéal. La reconstitution (6.3) de f s’appelle le filtrage de fT par hT , et permet de ne
conserver que les composantes fréquentielles de F fT (ξ) telles que |ξ| 6 π/T .

Remarque 6.5 (Approximation numérique). Si f (t) est un signal à bande limitée dont le
support de la transformée de Fourier est inclus dans [−ξmax , ξmax ], le théorème de Shannon montre
que la fréquence d’échantillonnage minimale pour laquelle le signal peut être reconstruit exactement
est 2ξmax . C’est par exemple ce qui explique qu’un CD audio soit échantilloné à une fréquence de
44100 Hz (l’oreille humaine entendant les sons jusqu’à environ 20000 Hz).
La fonction hT a une décroissance très lente à l’infini, donc le second membre de (6.3) converge
très lentement. Ceci peut poser des problèmes pour des calculs pratiques (la durée d’échantillonnage
d’un signal n’étant pas infinie). C’est pourquoi il est intéressant de remplacer hT par une fonction
qui a une décroissance plus rapide à l’infini. Supposons qu’on suréchantillonne f , c’est-à-dire qu’on
l’échantillonne à une fréquence 2π/T > 2ξmax . Les calculs conduisant à (6.3) restent valables si
l’on remplace le filtre passe-bas idéal hT par un filtre h vérifiant

1 si |ξ| < ξmax ,

ĥ(ξ) =
0 si |ξ| > π/T,

mais dont la transformée de Fourier ĥ est plus régulière. Ainsi, le filtre h a une décroissance à
l’infini plus rapide qu’un sinus cardinal, et la série
X
f (t) = f (nT ) h(t − nT )
n∈Z

a de meilleures propriétés numériques de convergence.

Remarque 6.6. On peut généraliser le théorème à des fonctions dont la décroissance à l’infini
est moins rapide que celle des fonctions de S , par exemple des fonctions L2 .

6.2 Le recouvrement spectral (aliasing)

Que se passe-t-il si les conditions du théorème de Shannon ne sont pas vérifiées ? La réponse
est contenue dans l’équation (6.2) que nous rappelons pour mémoire pour f ∈ S :
Å ã
X 2kπ
F fT (ξ) = Ff ξ + .
T
k∈Z

Supposons que le support de F f déborde de [−π/T, π/T ]. Le support de F f (ξ+2kπ/T ) intersecte

alors [−π/T, π/T ] pour plusieurs k 6= 0 en général, comme le montre la Figure 6.2. Ce repliement
des composantes de haute fréquence sur un intervalle de basse fréquence s’appelle recouvrement
spectral, repliement spectral ou encore aliasing.
6.2 Le recouvrement spectral (aliasing) 39
^
f( ω) f(t)

(a) ω t
π π
T T
^
f ( ω) f T(t)
T

(b) ω t
3π π π 3π
T
T T T T
^
h ( ω) h (t)
T T
1

T T
^ ^ f T * h (t)
fT ( ω) h ( ω) T
T

(d) ω t
π π
T T
Fig. 6.2. (a) Signal à échantillonner et sa transformée de Fourier. (b) Echantillonnage et repliement
spectral. (c) Filtre passe-bas idéal pour filtrage initial du signal. (d) Reconstruction du signal échantillonné.

6.2.1 Exemple de repliement spectral

Considérons une oscillation de haute fréquence

eiξ0 t + e−iξ0 t
f (t) = cos(ξ0 t) = .
2
Sa transformée de Fourier est
F f = π δ−ξ0 + δξ0 .

Si 2π/T > ξ0 > π/T , on a alors 1

1. Le lecteur attentif notera qu’en toute rigueur, le produit d’une distribution tempérée par une fonction
non régulière (en l’occurence 1[−π/T,π/T ] ) n’est pas défini a priori. En (??), on pouvait interpréter le produit
au membre de gauche comme le produit d’une fonction S par une fonction L∞ . Dans le cas particulier
considéré ici, on peut cependant donner un sens au produit en écrivant, pour φ ∈ S (R) donnée,

fˆT ĥT , φ S 0 ,S
= fˆT , 1[−π/T,π/T ] φ
40 6 Échantillonnage et transformée de Fourier discrète
X
F fT ĥT = π 1[−π/T,π/T ] (ξ) δ−ξ0 −2kπ/T + δξ0 −2kπ/T = π δξ0 −2π/T + δ2π/T −ξ0 ,
k∈Z

car −π/T < ξ0 − 2π/T < 0 et 0 < 2π/T − ξ0 < π/T . Par transformée de Fourier inverse,
ïÅ ã ò
X 2π
f (kT ) hT (t − kT ) = cos − ξ0 t .
T
k∈Z

L’aliasing ramène la haute fréquence ξ0 à une fréquence plus basse (2π/T − ξ0 ) ∈ [−π/T, π/T ]. Le
même repliement de fréquence s’observe sur un film qui échantillonne dans le temps le mouvement
rapide d’un objet, avec un nombre insuffisant d’images par seconde. Une roue qui tourne vite
semble dans le film tourner beaucoup plus lentement, parfois dans le sens inverse. Un cas très
simple est celui où ξ0 = 2π/T , auquel cas f (kT ) = 1, et le signal apparaı̂t stationnaire.
Exercice 6.3 A quelle vitesse une roue de voiture à cinq barreaux de 40cm de diamètre apparaı̂tra-
t-elle comme stationnaire sur un film tourné à 30 images par secondes ?

6.2.2 Suppression de l’aliasing

Pour éviter le recouvrement spectral, il faut que le support spectral de la fonction qu’on
échantillonne à un pas T soit inclus dans [−π/T, π/T ]. Ceci n’est malheureusement pas tou-
jours possible, car la fréquence d’échantillonnage est imposée par le dispositif d’acquisition. Il est
préférable dans ce cas de faire subir un prétraitement à f pour ramener son support spectral dans
[−π/T, π/T ].
Exercice 6.4 Montrer que la fonction g telle que Supp(F g) ⊂ [−π/T, π/T ] et qui soit la plus
proche possible de f en norme L2 est donnée par
1
F g(ξ) = ĥT (ξ) F f (ξ). (6.4)
T
Cette opération, appelée filtrage de f par T1 hT , évite le recouvrement spectral en supprimant
toutes les fréquences au-delà de π/T . Comme F g est à support dans [−π/T, π/T ], le théorème
d’échantillonnage montre que g(t) peut être reconstitué à partir des échantillons g(nT ).
Un convertisseur analogique/digital est composé d’un filtre qui limite le support fréquentiel à
[−π/T, π/T ], suivi d’un échantillonnage uniforme au pas T .

6.3 Transformée de Fourier discrète

Numériquement, on ne connaı̂t les valeurs d’une fonction continue f qu’en ses points d’échantillonnage,
et par ailleurs, on n’a accès qu’à un nombre fini N de ces échantillons : typiquement, on connaı̂t
f [n] pour 0 6 n < N (nous avons considéré une période d’échantillonnage T = 1 pour simplifier).
Nous allons voir maintenant comment la transformée de Fourier discrète permet de donner un sens
à la transformée de Fourier des valeurs {f [n]}n=0,...,N −1 .
Pour cela, considérons un peigne de Dirac dont les poids sont les f [n], étendus à Z tout entier
par périodisation :
+∞ N
X X−1
f˜ = f [n] δn+kN . (6.5)
k=−∞ n=0

Puisque f˜ est une distribution N -périodique, elle peut s’écrire comme une série de Fourier :

et en évaluant la fonction de droite (continue presque partout) aux points donnés par les masses de Dirac
du membre de gauche, qui sont bien placées en des points de continuité de la fonction du membre de
droite.
6.3 Transformée de Fourier discrète 41
+∞
X
f˜(t) = ck (f˜) e2iπkt/N , (6.6)
k=−∞

avec
1 ¨˜ ∂
ck (f˜) = f , χ e−2iπkt/N 0 ,
N D ,D

où χ est une partition N -périodique de l’unité. On voit ensuite que

−1 N −1
N
!
1 X X 1 X
ck (f˜) = f [n] χ(n + lN ) e−2iπk(n+lN )/N = f [n] e−2iπkn/N , (6.7)
N n=0 N n=0
l∈Z

où on a utilisé le Lemme 5.2. Finalement, la transformée de Fourier discrète est définie par N ck (f˜) :

Définition 6.7 (Transformée de Fourier discrète). On définit la transformée de Fourier

discrète {fˆ[k]}k=0,...,N −1 de {f [n]}n=0,...,N −1 par
N
X −1
fˆ[k] = f [n] e−2iπkn/N . (6.8)
n=0

On obtient une formule d’inversion de la transformée de Fourier discrète grâce à la représentation

de la distribution périodique f˜ comme une série de Fourier, selon (6.6) :
+∞ N −1 +∞ +∞
X X X 1 X
f˜ = f [n] δn+kN = cm (f˜) e2iπmt/N = fˆ[m] e2iπmt/N ,
m=−∞
N m=−∞
k=−∞ n=0

où on a utilisé la définition (6.7) pour la seconde égalité. On utilise ensuite la périodicité de
k 7→ fˆ[k], à savoir
∀k = 0, . . . , N − 1, fˆ[k + N ] = fˆ[k],
pour regrouper les termes du membre de droite dans l’expression de f˜ ci-dessus, en décomposant
m ∈ Z sous la forme m = k + lN :
+∞ N −1
1 X X ˆ
f˜ = f [k] e2iπkt/N e2iπlt .
N
l=−∞ k=0

On peut en fait réécrire f˜ sous la forme

N −1
! +∞
1 X ˆ X
f˜ = f [k] e2iπkt/N e2iπlt ,
N
k=0 l=−∞

P −1 ˆ
car la fonction g : t 7→ N k=0 f [k] e
2iπkt/N
S (R), alors gh ∈ S (R), et ainsi
Psi h ∈ 2iπlt
est telle que
on peut définir le produit de la distribution tempérée +∞ l=−∞ e par la fonction g, en faisant
porter la multiplication sur la fonction test. Avec (5.6), on a ensuite
−1 −1
N
! +∞ +∞ N
!
1 X X X 1 X
f˜ = fˆ[k]e 2iπkt/N
δl = fˆ[k]e 2iπkl/N
δl .
N N
k=0 l=−∞ l=−∞ k=0

La comparaison avec la définition (6.5) montre que, par identification des termes devant les masses
de Dirac δl (0 6 l 6 N − 1),
N −1
1 X ˆ
f [n] = f [k] e2iπkn/N .
N
k=0

On a ainsi montré la formule d’inversion de la transformée de Fourier discrète :

42 6 Échantillonnage et transformée de Fourier discrète

Proposition 6.8 (Formule d’inversion discrète). Etant données N valeurs {f [n]}n=0,...,N −1

d’une fonction continue régulièrement échantillonnée,
N −1
1 X ˆ
f [n] = f [k] e2iπkn/N , (6.9)
N
k=0

où la transformée de Fourier discrète est définie en (6.8).

Exercice 6.5 Prouver la Proposition 6.8 de façon plus élémentaire en montrant que la famille
{ek }06k<N où

1
ek [n] = √ e2iπkn/N
N
est une base orthonormale de l’espace des signaux discrets de période N .

Remarque 6.9 (Discontinuités). Même si la définition de la transformée de Fourier discrète ne

fait intervenir que les valeurs de f échantillonnée aux points 0, . . . , N − 1, il faut toujours garder
à l’esprit qu’elle se définit comme la série de Fourier de la fonction f˜ périodisée à partir des
f [n], n = 0, . . . , N − 1. Ceci a une importance considérable lorsqu’on s’intéresse à des propriétés
de régularité de la fonction f , car, comme le montre la Figure 6.3, la périodisation peut introduire
artificiellement des discontinuités.

Fig. 6.3. Apparition de discontinuités lors de la périodisation de l’échantillonnage (voir Remarque 6.9).

6.4 Transformée de Fourier rapide

6.4.1 Présentation générale de la méthode

Le calcul direct de la transformée de Fourier discrète par la formule (6.8) nécessite a priori, si
les exponentielles complexes sont stockées à l’avance, N 2 multiplications complexes, et N (N − 1)
additions complexes, soit une complexité en O(N 2 ).
Il existe cependant des techniques pour réduire ce coût de calcul, et calculer la transformée de
Fourier discrète en O(N log2 N ) opérations, par une simple réorganisation des calculs. On parle
ainsi d’algorithmes de transformée de Fourier rapide (FFT, pour “Fast Fourier Transform”). Il en
existe plusieurs, le plus connu étant celui de Cooley et Tuckey [2], qui s’applique lorsque le nombre
de points échantillonnés est une puissance de 2 (voir [3, Section III.B] pour d’autres références).
La puissance de cet algorithme en fait un outil numérique incontournable (voir par exemple [3,
Section III.B.7] pour une liste d’applications, en traitement du signal et résolution des équations
aux dérivées partielles).
Le principe de la méthode est de réaliser le calcul du coefficient fˆ[k] défini en (6.8) en regroupant
les termes n et n + N/2. On obtient deux formules distinctes, selon que k soit un entier pair ou
impair :
6.4 Transformée de Fourier rapide 43

N/2−1 Å ã
X 2iπkn
fˆ[2k] = f [n] + f [n + N/2] exp − , (6.10)
n=0
N/2
N/2−1 Å ã Å ã
X 2iπn 2iπkn
fˆ[2k + 1] = exp − f [n] − f [n + N/2] exp − . (6.11)
n=0
N N/2

Comme le montrent les expressions (6.10) et (6.11), les fréquences paires et impaires s’obtiennent
respectivement par transformée de Fourier discrète des signaux N/2-périodiques

f [n] + f [n + N/2]

et Å ã
2iπn
f [n] − f [n + N/2] exp − .
N
Une transformée de Fourier discrète de taille N peut donc se calculer à partir de deux transformées
de Fourier discrètes de taille N/2.

6.4.2 Calcul de complexité

Montrons que la complexité globale de l’algorithme est O(N log N ). Soit M (N ) le nombre
d’opérations élémentaires (addition, multiplication...) nécessaires pour calculer la transformée de
Fourier d’un signal de longueur N . Le calcul fait intervenir deux transformées de Fourier de taille
N/2, ainsi que CN opérations élémentaires, où C est une constante. On a donc les formules de
récurrences suivantes :

M (N ) = 2 M (N/2) + CN.

En posant M
f(N ) = M (N )/N , et avec le changement de variables p = log2 N , on obtient

M f(p − 1) + C.
f(p) = M

La transformée de Fourier d’un signal ne comportant qu’une seule valeur est l’identité, donc
M
f(0) = 0. On en déduit que

M
f(p) = C p

soit finalement,

M (N ) = C N log2 N.

La complexité globale de l’algorithme est donc de C N log2 N = O(N log N ), bien inférieure au
O(N 2 ) qu’on obtiendrait si on calculait directement les coefficients de Fourier par leur définition.
En pratique, le facteur log N croı̂t tellement lentement que la complexité est quasi-linéaire.
La méthode de calcul a été ici expliquée pour des données de taille 2p . Elle peut être généralisée
à des données de taille arbitraire, toujours avec une complexité O(N log N ), mais avec un préfacteur
souvent plus important. Par exemple, sur un ordinateur de bureau standard sous MATLAB, une
FFT de taille 8, 388, 608 = 223 prend 0.1 secondes, une FFT de taille 8, 388, 449 (un nombre
premier) prend 1.6 secondes.
7
Appendice : intégrales et sommes dépendant d’un
paramètre

On considère un espace mesuré (Y, T , µ), X un ouvert de R, et f : X × Y → R une fonction

intégrable par rapport à la variable y pour tout x ∈ X. On peut alors définir sur X la fonction
Z
F (x) = f (x, y)dµ(y).
Y

Les résultats suivants sont des conséquences directes du théorème de convergence dominée. Ils
s’appliquent au cas d’intégrales paramétriques mais aussi aux sommes de fonctions (en choisissant
pour Y les entiers naturels).

Théorème 7.1 (Continuité). Soit x0 ∈ X. Si pour presque tout y ∈ Y , f est continue en x au

voisinage de x0 , et si il existe une fonction g ∈ L1 (Y ) vérifiant |f (x, y)| 6 g(y) pour tout x ∈ X
et presque tout y ∈ Y , alors F est continue en x0

Théorème 7.2 (Dérivabilité). Si pour presque tout y ∈ Y , f est de classe C 1 en x sur X et

qu’il existe une fonction g ∈ L1 (Y ) vérifiant

∂f
(x, y) 6 g(y)
∂x

pour tout x ∈ X et presque tout y ∈ Y , alors F est de classe C 1 sur X et

Z
0 ∂f
F (x) = (x, y)dµ(y)
Y ∂x
8
Appendice : distributions à support compact

Définition 8.1. Soit T ∈ D0 (Ω).

(1) Soit ω ouvert inclus dans Ω. On dit que T est nulle sur ω si pour toute fonction φ ∈ D(Ω)
telle que Supp(φ) ⊂ ω, on a hT, φiD0 ,D = 0.
(2) Le support de T est le complémentaire dans Ω de la réunion des ouverts de Ω sur lesquels T
est nulle.
Définition 8.2. On note E 0 (Ω) l’espace vectoriel des distributions sur Ω à support compact.
On a le résultat suivant.
Théorème 8.3. Si une distribution de D0 (Ω) est à support compact, elle est d’ordre fini.
Preuve. Soit K le support de T et α = d(K, Rd \ Ω) (dans le cas où Ω = Rd , on prendra α = +∞).
Posons β = inf(1, α) et considérons les ensembles
ß ™
β
K 0 = x ∈ Rd , d(x, K) 6 ,
3
et ß ™
2β
Ω 0 = x ∈ Rd , d(x, K) < .
3
Il est clair que K 0 est compact et que Ω 0 est un ouvert de fermeture compacte. De plus, on a
K ⊂ K 0 ⊂ Ω 0 ⊂ Ω 0 ⊂ Ω.
Soit p un entier et C une constante réelle tels que
∀φ ∈ DΩ 0 (Ω), |hT, φi| 6 C sup |∂ α φ(x)|.
x∈Ω 0 , |α|6p

Soit maintenant ρ ∈ D(Ω) égale à 1 sur K 0 et à support dans Ω 0 . On a pour tout φ ∈ D(Ω),
hT, φi = hT, ρφi + hT, (1 − ρ)φi
et hT, (1 − ρ)φi = 0 puisque les supports de T et de (1 − ρ)φ sont disjoints. De plus, comme
Supp(ρφ) ⊂ Ω 0 , on a
∀φ ∈ D(Ω), |hT, φi| 6 C sup |∂ α (ρφ)(x)|.
x∈Ω, |α|6p

D’après la formule de Leibniz,

∀φ ∈ D(Ω), |hT, φi| 6 C 0 sup |∂ α φ(x)|
x∈Ω, |α|6p

avec
α!
C0 = C sup |∂ β ρ(x)|.
x∈Ω, |α|6p, β6α β! (α − β)!
Donc T est d’ordre fini inférieur ou égal à p.
48 8 Appendice : distributions à support compact

Remarque 8.4. Soit T ∈ E 0 (Ω) une distribution à support compact, p son ordre, K un voisinage
compact de Supp T et χ ∈ D(Ω) valant 1 sur K. Posons pour tout φ ∈ C ∞ (Ω),

hT, φiE 0 ,C ∞ = hT, χφi.

Cette définition est indépendante de χ : soit en effet χ1 et χ2 dans D(Ω) valant 1 sur K ; on a

hT, χ1 φi − hT, χ2 φi = hT, (χ1 − χ2 )φi.

La fonction φe = (χ1 − χ2 )φ étant nulle sur K voisinage de Supp u, on a

hT, (χ1 − χ2 )φi = 0.

On a ainsi associé à une distribution à support compact une forme linéaire sur C ∞ (Ω).

Théorème 8.5. Les distributions à support compact sont des distributions tempérées.

Preuve. Soit T ∈ E 0 (Rn ). Par la construction de la Remarque 8.4, on peut définir

hT, φiS 0 ,S = hT, φiE 0 ,C∞ .

Finalement,

hT, φiS 0 ,S = hT, χφiD0 ,D 6 CK 0 sup k∂ α (χφ)kL∞ 6 C sup k∂ α φkL∞ 6 C Np (φ),

|α|6p |α|6p

ce qui est bien la propriété de continuité (3.3).

Bibliographie

[1] H. Brézis, Analyse fonctionnelle : théorie et applications (Dunod, 1999).

[2] J. W. Cooley et J. W. Tukey, An algorithm for the machine calculation of complex Fourier
series, Math. Comput. 19 (1965) 297–301.
[3] R. Dautray et J.-L. Lions, Analyse mathématique et calcul numérique pour les sciences et
les techniques, volume I-III (Masson, 1987).
[4] M. Pinsky, Introduction to Fourier analysis and wavelets (American Mathematical Soc.,
2002).
[5] L. Schwartz, Théorie des distributions (Hermann, 1998).

Vous aimerez peut-être aussi

Transformée de Fourier et Applications
Pas encore d'évaluation
Transformée de Fourier et Applications
129 pages
GEL2001 Notes
Pas encore d'évaluation
GEL2001 Notes
231 pages
Analyse des Signaux et Transformées
Pas encore d'évaluation
Analyse des Signaux et Transformées
225 pages
Cours
Pas encore d'évaluation
Cours
289 pages
Main3BM (140923)
Pas encore d'évaluation
Main3BM (140923)
153 pages
Cours d'analyse de Fourier L3
Pas encore d'évaluation
Cours d'analyse de Fourier L3
80 pages
Transformée de Fourier et Applications
Pas encore d'évaluation
Transformée de Fourier et Applications
133 pages
Fourier
Pas encore d'évaluation
Fourier
39 pages
Mathématique Appliquée Cours 20
Pas encore d'évaluation
Mathématique Appliquée Cours 20
59 pages
Processus Stationnaire d2lslsM
Pas encore d'évaluation
Processus Stationnaire d2lslsM
107 pages
Poly TransFourier
Pas encore d'évaluation
Poly TransFourier
134 pages
Fourier, Laplace: Filtres et Convolution
Pas encore d'évaluation
Fourier, Laplace: Filtres et Convolution
45 pages
coursEDP Roumanie 2014
Pas encore d'évaluation
coursEDP Roumanie 2014
162 pages
MMTS Cours 2011
Pas encore d'évaluation
MMTS Cours 2011
117 pages
Cours Master Phy UY1
Pas encore d'évaluation
Cours Master Phy UY1
127 pages
Analyse de Fourier pour M1
Pas encore d'évaluation
Analyse de Fourier pour M1
94 pages
MMP LP206
Pas encore d'évaluation
MMP LP206
140 pages
2021 2022 CoursDistribution
Pas encore d'évaluation
2021 2022 CoursDistribution
90 pages
Fourier Pdflatex
Pas encore d'évaluation
Fourier Pdflatex
362 pages
Analyse Fonctionnelle2013 2
Pas encore d'évaluation
Analyse Fonctionnelle2013 2
128 pages
Mathématiques : Distributions et Fourier
Pas encore d'évaluation
Mathématiques : Distributions et Fourier
84 pages
Math - Cours - Grenoble U - Mathématique Pour La Physique
100% (2)
Math - Cours - Grenoble U - Mathématique Pour La Physique
101 pages
Polycopes2-1 250326 130522
Pas encore d'évaluation
Polycopes2-1 250326 130522
67 pages
Cours - Maths .L3-S5.LPA .2016
Pas encore d'évaluation
Cours - Maths .L3-S5.LPA .2016
140 pages
Introduction à l'Analyse de Fourier
100% (1)
Introduction à l'Analyse de Fourier
66 pages
2018 2019 MACS2 Distributions
Pas encore d'évaluation
2018 2019 MACS2 Distributions
116 pages
Traitement Du Signal
0% (1)
Traitement Du Signal
120 pages
Distributions et Transformée de Fourier
Pas encore d'évaluation
Distributions et Transformée de Fourier
85 pages
Séries de Fourier et Analyse Complexe
Pas encore d'évaluation
Séries de Fourier et Analyse Complexe
116 pages
Distributions Tempérées Et Espaces de Sobolev
Pas encore d'évaluation
Distributions Tempérées Et Espaces de Sobolev
48 pages
Enit Math V2
Pas encore d'évaluation
Enit Math V2
89 pages
DFT et FFT : Concepts et Applications
Pas encore d'évaluation
DFT et FFT : Concepts et Applications
67 pages
S3 2223 Cours
Pas encore d'évaluation
S3 2223 Cours
70 pages
Cours Analyse 3 20-21
Pas encore d'évaluation
Cours Analyse 3 20-21
103 pages
Poly Ana 4 V2
Pas encore d'évaluation
Poly Ana 4 V2
69 pages
Traitement Numerique Du Signal
100% (1)
Traitement Numerique Du Signal
0 page
Introduction au Traitement du Signal
Pas encore d'évaluation
Introduction au Traitement du Signal
92 pages
M4 Phys 2007
Pas encore d'évaluation
M4 Phys 2007
252 pages
Enit Math V2
Pas encore d'évaluation
Enit Math V2
88 pages
Math H 402 PDF
Pas encore d'évaluation
Math H 402 PDF
142 pages
Analyse et Traitement du Signal
Pas encore d'évaluation
Analyse et Traitement du Signal
76 pages
Poly 431
Pas encore d'évaluation
Poly 431
404 pages
Mathématiques pour Physiciens
Pas encore d'évaluation
Mathématiques pour Physiciens
205 pages
Traitement Numerique Du Signal Premiere
Pas encore d'évaluation
Traitement Numerique Du Signal Premiere
91 pages
Mathématiques Avancées pour Physiciens
100% (2)
Mathématiques Avancées pour Physiciens
207 pages
Cours d'analyse ECP : concepts clés
Pas encore d'évaluation
Cours d'analyse ECP : concepts clés
154 pages
Analyse des Distributions et EDP
Pas encore d'évaluation
Analyse des Distributions et EDP
404 pages
Theorie Des Distributions
100% (2)
Theorie Des Distributions
108 pages
Analyse Et Équations Aux Dérivées Partielles (Thomas Alazard) (Z-Library)
Pas encore d'évaluation
Analyse Et Équations Aux Dérivées Partielles (Thomas Alazard) (Z-Library)
446 pages
FascMath Inge
Pas encore d'évaluation
FascMath Inge
49 pages
AzDaMa Cours
Pas encore d'évaluation
AzDaMa Cours
87 pages
Outils Maths Info
Pas encore d'évaluation
Outils Maths Info
73 pages
Cours de Mathématiques: Intégration et Probabilités
100% (1)
Cours de Mathématiques: Intégration et Probabilités
289 pages
Hachour Kamal
Pas encore d'évaluation
Hachour Kamal
70 pages
Guide Sécurité Espaces Confinés
100% (1)
Guide Sécurité Espaces Confinés
7 pages
Magnétisme I - Fondements - E. Du Tremolet de Lacheisserie Et Al
100% (1)
Magnétisme I - Fondements - E. Du Tremolet de Lacheisserie Et Al
498 pages
Travail Lisette Albert
Pas encore d'évaluation
Travail Lisette Albert
26 pages
Transformateur d'impulsions : fonctionnement et applications
Pas encore d'évaluation
Transformateur d'impulsions : fonctionnement et applications
3 pages
Annales Akashique
80% (5)
Annales Akashique
9 pages
CV 208
Pas encore d'évaluation
CV 208
2 pages
Conception de Matériaux Didactiques
Pas encore d'évaluation
Conception de Matériaux Didactiques
48 pages
Le Circuit Integre Ne555
Pas encore d'évaluation
Le Circuit Integre Ne555
4 pages
Contrat de Prêt Personnel: Emprunteur Co-Emprunteur
Pas encore d'évaluation
Contrat de Prêt Personnel: Emprunteur Co-Emprunteur
17 pages
Évaluation du coût du service postal en Algérie
Pas encore d'évaluation
Évaluation du coût du service postal en Algérie
7 pages
Exercices D'applications en Construction Métalliques
Pas encore d'évaluation
Exercices D'applications en Construction Métalliques
11 pages
Dissertation Etre Homme Responsable
Pas encore d'évaluation
Dissertation Etre Homme Responsable
2 pages
Guide Pratique Pour L'enregistrement Des Rapports Inter-Arcades
86% (7)
Guide Pratique Pour L'enregistrement Des Rapports Inter-Arcades
178 pages
Langages 2 Cours 2024
Pas encore d'évaluation
Langages 2 Cours 2024
4 pages
Erdesc Formateur Linux Certifie Lpic 3
Pas encore d'évaluation
Erdesc Formateur Linux Certifie Lpic 3
2 pages
Accueil Licence Chimie L3 Sorbonne
Pas encore d'évaluation
Accueil Licence Chimie L3 Sorbonne
2 pages
Cours Electronique de Puissance
Pas encore d'évaluation
Cours Electronique de Puissance
77 pages
Géosynthétiques et Fondations Renforcées
Pas encore d'évaluation
Géosynthétiques et Fondations Renforcées
111 pages
CT19 Catalogue General 2018 FR
Pas encore d'évaluation
CT19 Catalogue General 2018 FR
280 pages
Programme de Prière de Morrnah Nalamaku Simeona
Pas encore d'évaluation
Programme de Prière de Morrnah Nalamaku Simeona
3 pages
Fonctions TCF Serie 1
Pas encore d'évaluation
Fonctions TCF Serie 1
1 page
Contrôl Continu de Programmation Orienter Objet JAVA
Pas encore d'évaluation
Contrôl Continu de Programmation Orienter Objet JAVA
7 pages
Chapitre 2 - Champ Et Potentiel Électriques
Pas encore d'évaluation
Chapitre 2 - Champ Et Potentiel Électriques
20 pages
Réactions Redox en Chimie S5
Pas encore d'évaluation
Réactions Redox en Chimie S5
19 pages
1 Corrigé
Pas encore d'évaluation
1 Corrigé
4 pages
Exposé Groupe 3
Pas encore d'évaluation
Exposé Groupe 3
11 pages
Exercices de Trigonométrie Avancée
Pas encore d'évaluation
Exercices de Trigonométrie Avancée
2 pages
TP2 Mas Kallel Maamouri Moubissou
Pas encore d'évaluation
TP2 Mas Kallel Maamouri Moubissou
9 pages
Danto Le Monde de L'art
100% (1)
Danto Le Monde de L'art
16 pages