Rapport de Stage

Licence Informatique
Parcours Double Licence Informatique et Mathématiques

Stage de Recherche au Laboratoire LAGA

Du 03 Juin 2024 au 03 Juillet 2024

Présenté par : Mamadou Moustapha KAMARA

Stage de fin de licence réalisé au sein de le laboratoire LAGA

Sous la responsabilité de :

- M. Charles Declercq, « tuteur de stage »

- M. Pierre Rousselin, « Responsable de formation »
Remerciements

Je tiens tout d’abord à exprimer ma profonde gratitude envers M. Declercq,

mon tuteur de stage, pour son soutien inestimable tout au long de mes
recherches. Ses conseils et sa disponibilité ont été précieux et m’ont grande-
ment aidé dans la rédaction de mon mémoire.
Un grand merci également à M. Rousselin, mon responsable de formation
et ancien professeur. Son encadrement et sa disponibilité ont grandement
contribué à l’enrichissement de mes connaissances.
Je tiens également à remercier mes camarades de promotion et mes anciens
professieur pour leur aide et leur soutien permanent
Table des matières

Remerciements

1 Introduction 1

2 Présentation du laboratoire LAGA 3

3 Espaces de Hilbert, Théoreme de représentation de Riesz et

théorème de Radon-Nikodym 4
3.1 Rappels sur le Produit scalaire . . . . . . . . . . . . . . . . . 4
3.2 Propriétés métriques des espaces de Hilbert . . . . . . . . . . 7
3.3 Dualié et théoreme de représentation de Riesz . . . . . . . . . 9
3.4 Bases et théoreme de représentation de Riesz . . . . . . . . . 11
3.5 Théorème de Radon-Nikodym . . . . . . . . . . . . . . . . . . 18

4 Conclusion 20
Chapitre 1

Introduction

Étudiant en troisième année de Licence Informatique parcours Double Li-

cence Mathématiques et Informatique, mon parcours académique est le ré-
sultat d’une formation riche et diversifiée, conçue allier les domaines des
mathématiques et de l’informatique. En mathématiques, j’ai exploré des
cours tels que la théorie des probabilités et les statistiques, la théorie de
la mesure. Dans le domaine informatique, j’ai consolidé mes compétences
en programmation orientée objet, notamment à travers un projet en Java.
Des modules consacrés à la programmation en langage C et aux concepts
de réseau, matérialisés par un projet client-serveur, m’ont fourni une base
solide dans le développement logiciel et les communications réseau. Ces ex-
périences pratiques ont renforcé ma compréhension de la programmation
sous ses différentes facettes.
Au-delà des compétences techniques, j’ai su développer tout au long de mon
cursus une grande capacité d’adaptation. Elle m’a été d’une aide précieuse
lors de travaux collaboratifs. Ma capacité d’organisation s’est également af-
finée au fil du temps. Mon objectif, sur le long terme, est d’exercer en tant
que data scientist.
Plusieurs méthodes ont été utilisées pour ma recherche de stage. Dans un
premier temps, j’ai pris le temps de parcourir les offres disponibles sur les
plateformes tels que LinkedIn et Indeed qui correspondaient le plus à mes
compétences et mes aspirations, tout en optant parallèlement à des can-
didatures spontanées ciblant des entreprises spécifiques. A cela s’ajoute le
bouche-à-oreille de proche en proche où je demandais dans mon entourage
des pistes d’entreprises à la recherche de stagiaires.
Des difficultés ont notamment été rencontrées au cours des recherches. D’une
part, de nombreux refus résidaient dans l’aspect théorique et orientée re-
cherche que propose la licence en mathématiques et informatique. Les re-
cruteurs la percevaient comme plus orientée vers des enseignements théo-
riques, ne correspondant pas toujours aux attentes des entreprises. D’autre

1
part, une grande majorité des offres de stage disponibles étaient destinée
aux étudiants du niveau master pour des stages de fin d’études. De surcroit,
la durée des stages généralement proposés excédaient la période d’un mois.
En fin de compte, grâce à mon responsable de formation, j’ai pu décrocher un
stage de recherche mathématique dans le laboratoire LAGA de l’Université
Sorbonne Paris Nord.
En m’engageant dans ce stage de recherche, mon désir était d’approfondir
mes connaissances en mathématiques, notamment avec la découverte des
espaces dits de Hilbert et ainsi que le théorème de représentation de Reisz,
qui trouvent de nombreuses applications en Analyse fonctionnelle et théorie
de la mesure, avec notamment le théorème de Radon-Nikodym. L’objectif
sous-jacent du stage est donc de fournir une démonstration de ce théorème
en prenant appui sur des éléments d’analyse fonctionnelle.
En somme, je vois en ce stage une opportunité pour moi de m’instruire, d’ap-
profondir mes connaissances en mathématiques et de découvrir le domaine
de la recherche.

2
Chapitre 2

Présentation du laboratoire
LAGA

Le LAGA (Laboratoire d’analyse, géométrie et application ) est le labora-

toire de mathématiques rataché à l’Institut Galilée, composante de l’uni-
versité Sorbonne Paris Nord. Associé au CNRS (Centre National de la
Recherche Scientifique), il comprend environ 90 chercheurs et enseignants-
chercheurs (dont une dizaine de chercheurs CNRS) plus de 50 doctorants et
il reçoit chaque année plus de trente visiteurs étrangers et post-docs.
Les principaux thèmes de recherches développés actuellement au sein du
laboratoire sont les suivants : Arithmétique, géométrie algébrique, théorie
des nombres, théorie des catégories, topologie algébrique, théorie de l’homo-
topie, théorie des représentations, systèmes dynamiques, théorie ergodique,
analyse harmonique, équations aux dérivées partielles linéaires et non li-
néaires, analyse microlocale, physique mathématique, théorie spectrale, ana-
lyse numérique, probabilités et statistiques, analyse stochastique, codage et
cryptographie, traitement de l’image.
Le laboratoire a pour mission de fournir un encadrement solide aux docto-
rants issus des Masters du département de mathématiques de l’université
Paris 13, ainsi que des autres Masters de mathématiques de la région pari-
sienne, de province, et potentiellement de formations similaires à l’interna-
tional.

3
Chapitre 3

Espaces de Hilbert,
Théoreme de représentation
de Riesz et théorème de
Radon-Nikodym

3.1 Rappels sur le Produit scalaire

Définition 1. (produit scalaire) Un produit scalaire dans un espace vecto-
riel V est une fonction V × V → K satisfaisant les propriétés suivantes :
1. Linéarité : pour tout vecteur v ∈ V , la fonction ϕ(v) = ⟨u, v⟩ est
linéaire, c’est à dire que ⟨u, v + w⟩ = ⟨u, v⟩ + ⟨u, +w⟩ et ⟨u, λv⟩ =
λ⟨u, v⟩, ∀λ ∈ K
2. Symétrie conjuguée : Pour tous vectecteurs u, v ∈ V , on a ⟨u, v⟩ =
⟨v, u⟩ . Notez que cette propriété, combinée à la linéarité, implique
que le produit scalaire est en effet linéaire dans son premier argument
ainsi que dans son deuxième par rapport à l’addition, mais seulement
linéairement conjugué dans son premier argument par rapport à la
multiplication par un scalaire. La raison pour laquelle nous faisons ce
choix est afin que nous puissions avoir la dernière propriété définitoire
du produit scalaire...
3. Définie positive : pour tout vecteur v ∈ V , ⟨u, v⟩ est un réel positif.
Notons que la symétrie conjuguée permet de toujours garder la fomer
définie positive dans un espace vectoriel complexe.
Sacrifier la pleine linéarité dans l’un des arguments pour la définition positive
peut sembler étrange au premier abord. Les propriétés suivantes motivent
la définition positive de sorte que ce choix soit justifié.

4
Définition 2. (Norme induite)
p Pour un produit scalaire défini sur V , on
définie une norme ∥v∥ = ⟨v, v⟩ respectant les propriétés suivantes :
— Positivité : ∥v∥ ≥ 0 ∀v ∈ V
— Homogénéité : ∀v ∈ V et pour tout scalaire λ dans sa "base field",
∥λv∥ = |λ| ∥v∥, où |λ| représente la valeur absolue ou le module de λ
si λ est réel ou complexe.
— Inégalité triangulaire : pour tous vecteurs u, v ∈ V, ∥u+v∥ ≤ ∥u∥+∥v∥
Définition 3. (Espaces Vectoriels Normés) Un espace vectoriel V muni
d’une norme ∥ · ∥ : V → R est appelé espace vectoriel normé si la norme
vérifie ces propriétés, que la norme soit induite ou non d’un produit scalaire.
Pour un espace vectoriel normé V , l’inégalité triangulaire que la fonction
distance d(u, v) = ∥u − v∥ est une métrique. Cela implique que tout espace
vectoriel normé est aussi un espace métrique. Notons que l’inégalité trian-
gulaire inversé (∥u∥ − ∥v∥ ≤ ∥u − v∥) découle de l’inégalité triangulaie et
implique la continuité de la norme par rapport à la métrique qu’elle induit.
Définition 4. (Espaces de Banach, Espaces de Hilbert) Si V est un espace
métrique complet par rapport à une distance induite par sa propre norme,
on dit qe V est un Espace de Banach. Si la norme de V induit un espace
vectoriel complet qui découle lui-même d’un produit scalaire de V , on dit
que V est un espace de Hilbert. Notons que les espaces de Hilbert sont
des espaces de Banach, et que tous les espaces de Banach sont des espaces
vectoriels normés.
Nous allons montrer qu’un espace préhilbertien muni d’une norme découlant
de son produit scalaire satisfait les propriétés d’un espace vectoriel normé.
Pour cela, nous allons d’abord prouver une autre inégalité qui est elle-même
très importante.
Théorème 1. (Inégalité de Cauchy-Schwarz) Pour tous vecteurs u, v dans
un espace préhilbertien V , | ⟨u, v⟩ | ≤ ∥u∥∥v∥, avec égalité si et seulement si
u et v sont des scalaires colinéaires (ou si l’un d’entre eux est nul).
Avant d’entamer la preuve, il y a un lemme familier que nous allons intro-
duire . On dit que deux vecteurs u, v de V sont orthogonaux si ⟨u, v⟩ = 0.
Théorème 2. (Théoreme de Pytaghore pour les produits scalaires) Si u, v
sont orthogonaux, alors ∥u + v∥2 = ∥u∥2 + ∥v∥2 .

Démonstration. (théoreme de Pytaghore). En distribuant la somme u + v,

on a :

∥u + v∥2 = ⟨u + v, u + v⟩ = ⟨u, u⟩ + ⟨u, v⟩ + ⟨v, u⟩ + ⟨v, v⟩ = ∥u∥2 + ∥v∥2

5
Nous pouvons à présent démontrer le théorème de Cauchy-Schwarz.

Démonstration. Si u ou v est égal à zéro, l’inégalité devient triviale. Sup-

posons que u et v soient différents de 0. Posons w = u − ⟨v,u⟩
⟨v,v⟩ v. Puisque
⟨v, w⟩ = 0, w est orthogonal à v donc nous pouvons appliquer le théorème
de Pythagore :

⟨v, u⟩ 2 | ⟨v, u⟩ |2 | ⟨v, u⟩ |2

∥u∥2 = | | ∥v∥2 + ∥w∥2 = ∥v∥ 2
+ ∥w∥2
≥
⟨v, v⟩ (∥v∥2 )2 ∥v∥2

, avec la première inégalité, puisque u est la somme de w et d’un scalaire

multiplié par v. L’inégalité de Cauchy-Scharwz suit en multipliant le terme
de gauche et celui de droite par ∥v∥2 et en appliquant la racine carré :

∥u∥2 ∥v∥2 ≥ | ⟨v, u⟩ |2 =⇒ ∥u∥∥v∥ ≥ | ⟨u, v⟩ |

On remarque qu’on a égalité si et seulement si w = 0, ce qui implique par

définition de u et v sont colinéaires (u = ⟨v,u⟩
⟨v,v⟩ v).

L’inégalité de Cauchy-Schwarz assure que les vecteurs de petites normes

donneront, en valeur absolue, un petit produit scalaire. Ceci avec la linéarité
met en évidence la continuité du produit scalaire sur ces deux variables. Nous
pouvons maintenant passer à la preuve du théorè suivant.
Théorème 3. tout espace préhilbertien avec une norme induite par son
produit scalaire est un espace vectoriel normé.

Démonstration. — Positivité : Vérifié

q par définition
q du produit scalaire
p 2p
— Homogénéité : ⟨λv, λv⟩ = λλ ⟨v, v⟩ = |λ| ⟨v, v⟩ = |λ| ∥v∥, et
ce ∀v ∈ V .
— Inégalité triangulaire : Résulte de l’inégalité de Cauchy-Schwarz. Pour
u, v ∈ V , on a

∥u + v∥2 = ⟨u + v, u + v⟩2 = ⟨u, u⟩ + ⟨u, u⟩ + ⟨u, v⟩ + ⟨v, u⟩ + ⟨v, v⟩ ≤

∥u∥2 + ∥v∥2 + 2∥u∥∥v∥ = (∥u∥ + ∥v∥)2

L’inégalité est ainsi obtenue en ramenant le tout à la racine.

Il y a une égalité élementaire supplémentaire qui nous sera utile :

Théorème 4. (Egalité du parallélogramme) Pour tous vecteurs u, v ∈ V ,
∥u + v∥2 + ∥u − v∥2 = 2∥u∥2 + 2∥v∥2

6
Démonstration.

∥u + v∥2 + ∥u − v∥2 = ⟨u + v, u + v⟩ + ⟨u − v, u − v⟩2 =

⟨u, u⟩+⟨u, v⟩+⟨v, u⟩+⟨v, v⟩+⟨u, u⟩+⟨u, −v⟩+⟨−v, u⟩+⟨v, v⟩ = 2∥u∥2 +2∥v∥2

Trouver un couple de vecteurs qui ne vérifient pas l’égalité du parallélo-

gramme est la façon la plus simple de montrer qu’un espavce vectoriel
normé donné n’est pas forcément un espace préhilbertien. On peut aussi
montrer que tous les espaces vectoriels normés verifiant l’inégalité du paral-
lélogramme peut être muni d’un produit scalire qui induit sa norme. Dans
ce cas, ce produit scalaire sera ⟨u, v⟩ = 41 (∥u + v∥2 − ∥u + v∥2 ).

3.2 Propriétés métriques des espaces de Hilbert

Définition 5. (Ensembles convexes et distance par rapport à un ensemble)
Un sous-ensemble U de V est dit convexe si pour tous u, v ∈ U , tu + (1 −
t)v ∈ U pour tout t ∈ [0, 1]. Quand V est un espace vectoriel normé, on
dit que la distance entre un vecteur p et un sous-ensemble U est définie par
d(p, U ) = inf {∥p − q∥, q ∈ U }.
Théorème 5. (Théorème de projection de Hilbert) Pour V un espace de
Hilbert et un sous-ensemble U de V fermé et convexe, il existe un unique
élément q ∈ U tel que la distance décrite ci-dessus est atteinte.
Ceci n’est pas toujours le cas pour tous les espaces de Banach. La preuve
qui suit fera usage de l’égalité du parallelogramme.

Démonstration. Soient q1 , q2 ... une suite de vecteurs dans U dont les dis-
tances par rapport à p tendent vers l’infimum. Montrons que cette suite est
de Cauchy. En appliquant l’inégalité du parallélogramme aux paires (p − qn )
et (p − qm ), on a :

∥qn −qm ∥2 = ∥(p−qm )−(p−qn )∥2 = 2∥p−qm ∥2 +∥p−qn ∥2 −∥2p−(qm +qn )∥2
qm +qn
En factorisant par 2 à droite, on 2 qui est aussi un élément de U par
convexité, on obtient donc :

∥qn − qm ∥2 ≤ 2∥p − qm ∥2 + ∥p − qn ∥2 − 4(dist(p, U ))2

qm −pn
puisque ∥p − 2 ∥ ≥ (dist(p, U )).
Puisque ∥p − qm ∥ et ∥p − qn ∥ approchent tous deux dist(p, U ), la partie
droite de l’inégalité ci-dessus est très petite en choisissant arbritrairement
des nombre n et m assez grands, ce qui prouve que la suite des qi est de

7
Cauchy. La limite q des qi est un élément de U puique U est un sous espace
fermé donc complet. La continuité de la norme nous permet de conclure que
∥p − q∥ = dist(p, U ).
Pour montrer que q est unique, procédons par l’absurde en considérant deux
tels vecteurs q et q ′ . On obtient comme démontré précédemment :

∥q − q ′ ∥2 ≤ 2∥p − q∥2 + ∥p − q ′ ∥2 − 4(dist(p, U ))2 = 0

Ce qui implique que q = q ′ .

Définition 6. (Projections orthogonales) Pour un vecteur v et un sous

ensemble fermé convexe U (plus souvent un sous-espace) d’un espace de
Hilbert, on utilise la notation vU pour désigner l’élément de U minimisant
la distance, appelé projection orthogonale de v sur U.
Pour justifier le terme ’projection orthogonale’ utilisé, nous allons montrer
que v − vU est orthogonal à U , c’est à dire orthogonal à tout élément u ∈ U ,
et ce ∀ v ∈ V et pour tout sous-espace fermé U .

Démonstration. Pour tout scalaire λ on a ∥v − vU ∥2 ≤ ∥v − (vU + λu)∥2 ,

comme vu + λu est un élément de U avec une distance par rapport à v
supérieure ou égale à celle par rapport à vU . Donc pour tout réel t > 0, on
choisit λ = −t⟨v − vU , u⟩ :

∥v−vU ∥2 ≤ ⟨v − vU + λu, v − vU + λu⟩ = ∥v−vU ∥2 +|λ|2 ∥u∥2 +2Re(λ ⟨v − vU , u⟩).

En remplaçant λ par la valeur choisie, on obtient :

∥v − vU ∥2 ≤ ∥v − vU ∥2 + t2 | ⟨v − vU , u⟩ |2 ∥u∥2 − 2t∥ ⟨v − vu , u⟩ ∥2 =⇒

2t∥ ⟨v − vu , u⟩ ∥2 ≤ t2 | ⟨v − vU , u⟩ |2 ∥u∥2
pour tout réel t > 0 . Donc ⟨v − vU , u⟩ = 0, ce qui compléte la preuve.

La projection orthogonale fournit une décomposition de v en somme de sa

"composante en U " de sa "non composante" en U , avec v = vU + (v − vU ),
avec vU ∈ U et v−vU orthogonal à U . Pour montrer que cette décomposition
est unique, compositions tel que v = j1 + k1 = j2 + k2 , avec j1 , j2 ∈ U et
k1 , k2 orthogonal à U . On a j1 − j2 = k2 − k1 = l, avec j1 − j2 ∈ U , et k2 − k1
orthogonal à U . Par calcul, on obtient que ⟨l, l⟩ = 0 d’où j1 = j2 et k1 = k2 .
Définition 7. (Complémentaires orthogonaux d’un ensemble) Pour un sous-
ensemble U d’un epace euclidien V , on note U ⊥ l’ensemble de tous les vec-
teurs orthogonaux à U , que l’on appelle complémentaire orthogonal de
U.

8
Par la continuité du produit scalaire, nous avons que U ⊥ est un sous-espace
⊥
fermé de V et que U ⊥ = U , où ici la barre désigne une fermeture métrique.
Il est facile de vérifier que U ⊂ (U ⊥ )⊥ , et donc U ⊂ (U ⊥ )⊥ = (U ⊥ )⊥ . Nous
avons également que U est en effet un sous-espace fermé de V lorsque U est
un sous-espace. Nous allons à présent prouver l’inclusion inverse (U ⊥ )⊥ ⊃ U
lorsque U est un sous-espace de V :

Démonstration. Supposons que v ∈ (U ⊥ )⊥ . Nous avons que vU ∈ U ⊂

(U ⊥ )⊥ , donc v − vU ∈ (U ⊥ )⊥ . Comme démontré précédemment, puisque U
⊥
est un sous-espace fermé, nous avons que v − vU ∈ U = U ⊥ . Puisque v − vU
appartient à la fois à U ⊥ et à son complémentaire orthogonal (U ⊥ )⊥ , nous
avons que v − vU = 0, impliquant que vU = v et que v appartenait à U .

Avec le paragraphe précédent, nous avons (U ⊥ )⊥ = U lorsque U est un

sous-espace de V .
Ces propriétés impliquent qu’un sous-espace d’un espace de Hilbert est dense
si et seulement si son complémentaire orthogonal est {0}. Une preuve du
théorème de représentation de Riesz n’est pas loin, mais d’abord nous pren-
drons un moment pour introduire quelques idées liées au théorème.

3.3 Dualié et théoreme de représentation de Riesz

Définition 8. (Formes) Une fonction d’un espace vectoriel vers son corps
de base est appelée une formen Une forme linéaire ϕ sur un espace vectoriel
normé V est dite bornée s’il existe un réel M tel que ∥ϕ(v)∥ ≤ M ∥v∥ pour
tout v ∈ V . Ceci est équivalent à ϕ étant continue.
Définition 9. (l’opérateur de norme) Pour un opérateur linéaire borné,
nous utilisons ∥ϕ∥ pour désigner l’infimum de toutes ces valeurs M , appelé
la norme d’opérateur de ϕ. Notez que ∥ϕ∥ est également le supremum de
|ϕ(v)|
∥v∥ pour les vecteurs non nuls v ∈ V et le supremum de |ϕ(v)| pour les
vecteurs de longueur unitaire v ∈ V .
Définition 10. (L’Espace dual et l’espace dual continu) Pour un espace
vectoriel V , nous utilisons V ′ pour désigner l’espace vectoriel des formes
linéaires de V , avec l’addition et la multiplication par un scalaire définie,
appelé espace dual de V . L’espace dual continu de V est l’espace des
formes linéaires continues sur V .
Théorème 6. L’espace dual continu V ′ muni de norme d’opérateur est un
espace vectoriel normé.

Démonstration. — La positivité découle de la définition de la norme

d’opératoire et du fait que la forme nulle a une norme de 0.

9
 — L’homogénéité découle de l’équation |λϕ(v)| = |λ||ϕ(v)| appliquée
aux vecteurs unitaires de V , et du fait que sup(|λ|S) = |λ| sup(S)
pour tous les ensembles de réels S.
— L’inégalité triangulaire découle en considérant deux formes linéaires
ϕ1 et ϕ2 restreintes aux vecteurs unitaires, et du fait que le supremum
de la somme de deux fonctions est inférieur ou égal aux suprema des
deux fonctions ajoutées ensemble.

Lorsque V est de dimension finie, V ′ est isomorphe à V . En effet, considérons

une base {ei } de V et une base duale correspondante de formes linéaires
{e′i }, chacune envoyant son ei correspondant à 1 et tous les autres vecteurs
de base à 0. Considérons la fonction linéaire inversible qui envoie chaque ei
à son e′i correspondant. Sous cet isomorphisme d’espace vectoriel, une forme
linéaire ϕ sur V est identifiée au vecteur ϕ′ = ϕi ei , où ϕi est ϕ(ei ), ou la
P

composante e′i de ϕ dans la base duale. Mais pour l’isomorphisme standard

entre V et V ′ , nous choisirons en fait de sacrifier la linéarité (ce qui rend le
nom ’isomorphisme’ un abus de terminologie) et de définir le vecteur dual de
ϕ ϕ′ = ϕi ei . Ce choix signifie que l’isomorphisme standard envoyant ϕ à
P

ϕ′ n’est pas linéaire, mais linéaire conjugué. La raison en est une convention
dont la commodité deviendra claire sous peu.
Prenons maintenant V = Rn ou Cn , et {ei } comme étant la base standard
de V . Avec le produit scalaire canonique, nous avons ϕ(v) = ⟨ϕ′ , v⟩. Cela
peut être vu en distribuant ce produit scalaire dans une somme de produits
scalaires de vecteurs de base : ⟨ ϕi ei , vj ej ⟩ = ϕi vj ⟨ei , ej ⟩. Notant
P P PP

que ⟨ei , ej ⟩ = 1 quand i = j et 0 quand i ̸= j, nous retrouvons ⟨ϕ′ , v⟩ =

P P
ϕi vi = vi ϕ(ei ) = ϕ(v).
L’inégalité/égalité de Cauchy-Schwarz implique que ∥ϕ∥ = ∥ϕ′ ∥, montrant
que l’isomorphisme est non seulement une application linéaire conjuguée,
mais aussi une isométrie entre V et V ′ .
Les seules propriétés de la base standard que nous avons utilisées sont que
deux vecteurs de base standard distincts sont orthogonaux, et que chaque
vecteur de la base a une norme de un. Un tel ensemble de vecteurs est appelé
orthonormé, et en effet la correspondance forme linéaire/produit scalaire
tient par rapport à toute base orthonormée d’un espace de produit scalaire
de dimension finie.
En général, les espaces vectoriels de dimension infinie ne sont pas isométri-
quement isomorphes à leurs propres espaces duaux continus. Mais les espaces
de Hilbert le sont : la correspondance fonctionnelle linéaire/produit scalaire
tient pour toutes les fonrmes linéaires continues sur un espace de Hilbert,
grâce à...

10
Théorème 7. (Théoreme de Représentation de Riesz) Pour une forme li-
néaire continue ϕ sur un espace de Hilbert V , il existe un unique u ∈ V tel
que ϕ(v) = ⟨u, v⟩ pour tous v ∈ V . De plus, ∥u∥ = ∥ϕ∥.

Démonstration. (Théorème de représentation de Riesz) Si ϕ est la forme

nulle, prenez u = 0. Supposons donc que ϕ soit non nulle. Par continuité,
nous avons que le noyau de ϕ est un sous-espace fermé de V . Comme pré-
cédemment montré, un sous-espace d’un espace de Hilbert est dense si et
seulement si son complémentaire orthogonal est trivial. Puisque le noyau de
ϕ est fermé et n’est pas tout V , il doit exister un certain w ∈ V orthogonal
à tout le noyau de ϕ. En normalisant, nous pouvons supposer que ∥w∥ = 1.
Choisissons u = ϕ(w)w.
Puisque w est de longueur unitaire, nous avons ∥u∥ = |ϕ(w)| et ϕ(u) =
ϕ(v)
|ϕ(w)|2 = ∥u∥2 . Pour tout v ∈ V , nous avons ⟨u, v⟩ = ⟨u, v − ∥u∥2 u⟩ +
ϕ(v) ϕ(v)
⟨u, ∥u∥2 u⟩. Puisque ϕ appliqué à v − ∥u∥2 u est égal à zéro, et puisque u est

orthogonal à tout vecteur dans le noyau de ϕ, nous avons :

ϕ(v)
⟨u, v⟩ = 0 + ⟨u, u⟩ = ϕ(v).
∥u∥2

Pour prouver l’unicité, considérons deux tels vecteurs u et u′ :

⟨u − u′ , u − u′ ⟩ = ⟨u, u − u′ ⟩ − ⟨u′ , u − u′ ⟩ = ϕ(u − u′ ) − ϕ(u − u′ ) = 0,

prouvant que u = u′ .
L’inégalité/égalité de Cauchy-Schwarz garantit que ∥ϕ∥ = ∥u∥.

Le théorème de représentation de Riesz dans sa forme actuelle est un ré-

sultat d’existence qui semble tomber du ciel : pourquoi le complémentaire
orthogonal du noyau de ϕ devrait-il être exactement unidimensionnel ? Il
n’y a aucune mention de bases orthonormées comme il y en avait dans le
cas de dimension finie, et il n’y a aucune suggestion quant à la façon de
construire w aux fins de la preuve. La section suivante nous permettra de
mieux appréhender concrètement le théorème de représentation de Riesz.

3.4 Bases et théoreme de représentation de Riesz

Avant de commencer à parler des bases dans les espaces vectoriels de dimen-
sion infinie, nous devons d’abord affirmer leur existence. L’existence d’une
base pour un espace vectoriel en général repose sur une forme de l’axiome
du choix connue sous le nom de lemme de Zorn.

11
Définition 11. (Ensembles partiellement ordonnés) Nous disons qu’un en-
semble S avec une relation ≤, qui tient pour un sous-ensemble de paires
ordonnées d’éléments de S, est partiellement ordonné si ≤ est :
— Réflexive : pour tout a ∈ S, a ≤ a.
— Antisymétrique : si a ≤ b et b ≤ a, alors a = b.
— Transitive : si a ≤ b et b ≤ c, alors a ≤ c.
Définition 12. (Autre définitions) Si a ≤ b, nous disons que a précède b.
Une chaîne est un sous-ensemble C des éléments de S tel que pour deux
éléments a, b de C, soit a ≤ b, soit b ≤ a. Nous pouvons imaginer C comme
une sorte de séquence, dont les membres "augmentent" en ordre tel que les
premiers termes précèdent les termes ultérieurs. Une borne supérieure d’un
sous-ensemble Q d’un ensemble partiellement ordonné S est un élément
u ∈ S tel que q ≤ u pour tout q ∈ Q. Si un des membres de Q précède tous
les autres éléments de Q, nous disons qu’il s’agit d’un élément maximal de
Q.
Lemme 1. (Lemme de Zorn) Si S est un ensemble partiellement ordonné
tel que chaque chaîne dans S contient une borne supérieure dans S, alors S
contient au moins un élément maximal.
Il n’y a pas de preuve du lemme de Zorn utilisant les autres axiomes de la
théorie des ensembles, et nous devons le prendre comme un axiome pour
faire de l’analyse fonctionnelle intéressante. Nous allons maintenant prouver
l’existence d’une base pour chaque espace vectoriel en utilisant le lemme de
Zorn. La définition d’une base que nous connaissons du cas de dimension
finie (un ensemble de vecteurs linéairement indépendants tel que chaque
vecteur est une combinaison linéaire finie de ces vecteurs) est appelée une
base algébrique ou base de Hamel.
Théorème 8. Tout espace vectoriel est muni d’une base de Hamel.

Démonstration. Pour un espace vectoriel V , considérons l’ensemble S des

sous-ensembles linéairement indépendants de V . Si nous laissons ≤ corres-
pondre à l’inclusion des ensembles, il est clair que S est un ensemble partielle-
ment ordonné. Une chaîne d’éléments de S est donc une séquence croissante
de sous-ensembles linéairement indépendants imbriqués de V . Pour toute
chaîne C, nous avons que l’union des éléments de C, notée u, sera égale-
ment un sous-ensemble linéairement indépendant de V . Cela est dû au fait
que toute dépendance linéaire au sein de u serait composée d’un nombre
fini de vecteurs, qui devraient tous être contenus dans une queue de C, ce
qui poserait une contradiction. Donc u est un membre de S et une borne
supérieure de C, puisque tous les membres de C sont des sous-ensembles
de u. Nous pouvons maintenant appliquer le lemme de Zorn pour obtenir
un élément maximal H de S, un sous-ensemble linéairement indépendant

12
de V qui n’est contenu dans aucun autre sous-ensemble linéairement indé-
pendant de V . Puisque nous ne pouvons pas ajouter un autre vecteur à H
sans créer une dépendance linéaire, nous avons que chaque vecteur de V est
une combinaison linéaire finie d’éléments de H. Donc H est une base de
Hamel.

Lorsque V est un espace de Hilbert, nous aimerions pouvoir exécuter exac-

tement le même argument avec la condition supplémentaire que nos sous-
ensembles de V composant S soient non seulement linéairement indépen-
dants mais aussi orthonormés. Un élément maximal M de S dans ce cas
peut ne pas avoir de vecteurs qui englobent tout V , cependant : consi-
dérons l’espace de Hilbert ℓ2 des suites de scalaires sommables au carré
{ai : |ai |2 < ∞} avec le produit scalaire ⟨ai , bi ⟩ = ai bi . L’ensemble or-
P P

thonormé des vecteurs avec un 1 dans une entrée et 0 dans toutes les autres
est maximal dans S, mais il ne couvre pas tout l’espace (considérez ai = 21i ).
Cependant, nous savons qu’aucun vecteur n’est orthogonal à tous les élé-
ments de M (sinon nous pourrions normaliser un tel vecteur et l’ajouter
à M , rendant M non maximal). Nous avons également qu’un sous-espace
d’un espace de Hilbert dont le complément orthogonal est trivial doit être
dense. Ainsi, la fermeture métrique de l’enveloppe des vecteurs de M sera
tout V . Nous appelons un tel ensemble M une base orthonormée de V , et
nous avons V = span(M ). L’avantage d’utiliser une base orthonormée au
lieu d’une base de Hamel est que nous pouvons construire des bases ortho-
normées et que nous pouvons utiliser toute la machinerie que nous avons
développée au cours des sections précédentes. L’inconvénient est qu’au lieu
de travailler avec des combinaisons linéaires finies, nous devons traiter des
séquences approximatives de combinaisons linéaires finies. Heureusement,
dans un espace de Hilbert, il existe une correspondance bien définie entre
ces séquences et des "combinaisons linéaires infinies" formelles, que nous
allons maintenant développer.
La première question technique que nous devons aborder est celle de la
définition d’une somme infinie de manière à ne pas dépendre de l’ordre des
termes. Cela signifie que toutes les séquences possibles de sommes partielles
(c’est-à-dire toutes les séquences de sous-ensembles finis imbriqués) doivent
toujours converger vers la même valeur.
Définition 13 ("Sommes non-ordonée"). Pour un espace de Banach V , nous
disons que la somme non ordonnée d’un ensemble de vecteurs vΨ ⊂ V (où vΨ
est un ensemble de vecteurs de V indexé par un ensemble Ψ) est L si, pour
tout ϵ > 0, il existe un sous-ensemble fini Ω de Ψ tel que ∥L − k∈Ω′ vk ∥ < ϵ
P

pour tous les sous-ensembles finis Ω′ de Ψ contenant Ω.

P
Notez que lorsque vΨ sont des nombres réels positifs, nous avons k∈Ψ vk =

13
 P
sup( k∈Ω vk ) pour les sous-ensembles finis Ω de Ψ. Nous disons qu’un en-
semble de vecteurs converge s’ils ont une telle somme non ordonnée.
Deux questions naturelles à poser sont de savoir si un ensemble de vecteurs
avec des normes convergentes a une somme non ordonnée, et si tout en-
semble convergent de vecteurs a des normes avec une somme non ordonnée.
La réponse à la première question est oui, et la réponse à la seconde est
non. Il se trouve que les conditions de la première affirmation sont en fait
un peu plus fortes que nécessaire, et celles de la seconde trop faibles. Une
preuve de la première affirmation dans un espace de Banach reposera sur
l’inégalité triangulaire, mais pour quantifier réellement la taille des sommes
de vecteurs, nous devrons considérer le problème dans un espace de Hilbert,
où des égalités remarquablement agréables se présenteront.
Théorème 9. Un ensemble convergent de vecteurs orthogonaux a une somme
convergente de normes au carré

Démonstration. Pour un ensemble fini de vecteurs orthogonaux vΩ dans un

espace de Hilbert V , nous avons ∥ k∈Ω vk ∥2 = k∈Ω ∥vk ∥2 par le théo-
P P

rème de Pythagore. Supposons donc que nous ayons une somme de vecteurs
P
mutuellement orthogonaux k∈Ψ vk qui est convergente, avec une limite L.
Cela signifie que pour tout ϵ > 0, il existe un sous-ensemble fini Ω ⊂ Ψ tel
que pour tous les sous-ensembles finis Ω′ ⊃ Ω, nous avons :

X X
∥L − vk ∥ < ϵ ⇒ ∥L∥ − ϵ < ∥ vk ∥ <
k∈Ω′ k∈Ω′
sX
∥L∥ + ϵ ⇒ ∥L∥ − ϵ < ∥vk ∥2 < ∥L∥ + ϵ,
k∈Ω′

avec la première implication découlant de l’inégalité triangulaire inverse et

la seconde implication découlant du théorème de Pythagore. Cela signifie
que la somme non ordonnée de k∈Ψ ∥vk ∥2 est∥L∥2 , et donc k∈Ψ ∥vk ∥2 =
P P

∥ k∈Ψ vk ∥2 .
P

Ce "théorème de Pythagore infini" n’est pas tout à fait aussi fort que nous
l’aurions souhaité. Nous avons seulement que les normes au carré d’un en-
semble de vecteurs - et non les normes - convergent lorsque les vecteurs ont
une somme non ordonnée. Considérez la série harmonique, qui a une somme
divergente de termes mais une somme convergente de termes au carré.
Mais cela suggère que nous pourrions être capables de relâcher les conditions
sur l’énoncé inverse : est-il vrai que tout ensemble orthogonal de vecteurs

14
avec une somme convergente de normes au carré convergera, même si la
somme de leurs normes ne le fait pas ?
Théorème 10. Un ensemble orthogonal de vecteurs avec une somme conver-
gente de normes au carré est convergent

Démonstration. Supposons que vΨ est un ensemble de vecteurs orthogonaux

tel que k∈Ψ ∥vk ∥2 < ∞. Pour chaque entier m, il existe un sous-ensemble
P

fini Ωm ∈ Ψ tel que pour tous les sous-ensembles finis Ω′ ⊃ Ωm , nous avons
2 1
k∈Ω′ \Ωm ∥vk ∥ < m2 . Nous pouvons choisir les Ωm de telle sorte qu’ils
P

forment une séquence imbriquée croissante en m. Pour chaque m, soit gm =

2 2 1
k∈Ωm vk . Nous avons pour n > m que ∥gn − gm ∥ = k∈Ωn \Ωm ∥vk ∥ < m2
P P

par le théorème de Pythagore, donc la séquence des gi est de Cauchy avec

une certaine limite g ∈ V . En prenant une limite lorsque n tend vers l’infini,
1
nous avons également ∥g − gm ∥ ≤ m .
Nous allons maintenant montrer que g est la somme non ordonnée des vk .
2
Pour tout ϵ > 0, choisissons m tel que m < ϵ et soit Ωm notre ensemble fini.
′
Pour tous les Ω finis contenant Ωm , nous avons

r
X X 1 X 1 1
∥g− vk ∥ ≤ ∥g−gm ∥+∥gm − vk ∥ ≤ +∥ vk ∥ < + < ϵ,
k∈Ω′ k∈Ω′
m k∈Ω′ \Ω
m m2
m

par hypothèse sur Ωm et le théorème de Pythagore appliqué aux vecteurs

{vk ∈ Ω′ \ Ωm }.

Cela répond à notre question par l’affirmative : un ensemble de vecteurs avec

des normes sommables au carré convergera même si leurs normes ne le sont
pas (considérez un ensemble orthogonal dénombrable de vecteurs avec des
normes n1 , n ∈ N). Une preuve qu’un ensemble de vecteurs dans un espace
de Banach avec des normes sommables est convergent est essentiellement la
même que cette preuve.
En résumé, nous avons qu’un ensemble orthogonal de vecteurs dans un es-
pace de Hilbert est convergent si et seulement si la somme de leurs normes
au carré est convergente. Maintenant que nous avons une notion bien définie
de "combinaisons linéaires infinies", nous allons montrer que chaque vecteur
dans un espace de Hilbert est une combinaison linéaire infinie de vecteurs
de base orthonormés. Tout d’abord, nous aurons besoin d’un autre lemme :
Théorème 11. (Inégalité de Bessel) Si eΨ est un ensemble orthonormé,
alors pour tout v ∈ V , k∈Ψ |⟨ek , v⟩|2 ≤ ∥v∥2 .
P

15
Démonstration. Pour tous les sous-ensembles finis Ω de Ψ, nous avons v =
( k∈Ω ⟨ek , v⟩ek ) + (v − k∈Ω ⟨ek , v⟩ek ). Puisque nous avons supposé les ek
P P

orthonormés, nous avons que les deux termes entre parenthèses ci-dessus
sont orthogonaux. En appliquant le théorème de Pythagore, nous avons

X X X X
∥v∥2 = ∥ ⟨ek , v⟩ek ∥2 +∥v− ⟨ek , v⟩ek ∥2 ≥ ∥ ⟨ek , v⟩ek ∥2 = |⟨ek , v⟩|2 .
k∈Ω k∈Ω k∈Ω k∈Ω

Puisque cette inégalité tient pour tous les sous-ensembles finis Ω, l’inégalité
désirée découle de la définition d’une somme non ordonnée.

Nous sommes maintenant prêts à prouver que la fermeture de l’enveloppe

d’un ensemble orthonormé est exactement les vecteurs qui sont des "combi-
naisons linéaires infinies" de l’ensemble orthonormé :
Théorème 12. Soit eΨ un ensemble orthonormé de vecteurs dans un espace
de Hilbert V . Alors span(eΨ ) = k∈Ψ αk ek pour αk tels que k∈Ψ |αk |2 <
P P

∞.

Démonstration. Supposons que nous ayons un tel ensemble de αk . Pour

tout ϵ > 0, soit Ω un sous-ensemble fini de Ψ tel que k∈Ψ\Ω |αk |2 < ϵ2 .
P

Puisque ∥ k∈Ψ vk ∥2 = k∈Ψ ∥vk ∥2 pour tout ensemble orthogonal de vk ,

P P

nous avons :

X X X s X
∥ αk ek − αk e k ∥ = ∥ αk ek ∥ = |αk |2 < ϵ.
k∈Ψ k∈Ω k∈Ψ\Ω k∈Ψ\Ω

P
Ainsi, il existe un vecteur k∈Ω αk ek dans l’enveloppe des ek avec une dis-
P
tance inférieure à ϵ de k∈Ψ αk ek .
Pour prouver le sens inverse, soit v ∈ span(eΨ ), et soit u = k∈Ψ ⟨ek , v⟩ek .
P

La somme à droite converge par l’inégalité de Bessel, donc nous savons que
u est bien défini. Comme précédemment montré, cette convergence implique
que u ∈ span(eΨ ), et donc u − v ∈ span(eΨ ). De plus, la continuité du
produit scalaire implique que ⟨u, ej ⟩ = ⟨v, ej ⟩ pour chaque ej .
Comme ⟨u−v, ej ⟩ = 0 pour tous les ej , nous avons que u−v ∈ (span(eΨ ))⊥ =
⊥
span(eΨ ) . Puisque u − v est à la fois dans span(eΨ ) et son complémentaire
⊥
orthogonal span(eΨ ) , nous avons que u = v, prouvant ainsi que v prend
bien la forme k∈Ψ αk ek , avec k∈Ψ |αk |2 < ∞. En effet, v = k∈Ψ ⟨ek , v⟩ek .
P P P

16
Cette correspondance signifie que nous pouvons identifier tout élément d’un
espace de Hilbert avec un ensemble de scalaires sommables au carré in-
dexé par une base orthonormée (dont la fermeture de l’enveloppe égale tout
l’espace). Maintenant que nous avons cette classification des vecteurs d’un
espace de Hilbert en termes de leurs produits scalaires avec une base ortho-
normée, nous pouvons revisiter le théorème de représentation de Riesz avec
une preuve légèrement plus constructive.
Théorème 13. (Encore le théorème de représentation de Riesz) Si ϕ est
une forme linéaire bornée sur un espace de Hilbert V , alors le vecteur u =
k∈Ψ ϕ(ek )ek a la propriété que ϕ(v) = ⟨u, v⟩ pour tous les v ∈ V et toute
P
q
base orthonormée {eΨ } de V . De plus, ∥ϕ∥ = ∥u∥ = 2
k∈Ψ |ϕ(ek )| .
P

Démonstration. Tout d’abord, vérifions que la somme définissant u converge.

Pour tous les sous-ensembles finis Ω de Ψ, nous avons :

X X X sX
2
|ϕ(ek )| = ϕ( ϕ(ek )ek ) ≤ ∥ϕ∥∥ ϕ(ek )ek ∥ = ∥ϕ∥ |ϕ(ek )|2 ,
k∈Ω k∈Ω k∈Ω k∈Ω

qP
2
par la bornitude de ϕ et le théorème de Pythagore. En divisant par k∈Ω |ϕ(ek )| ,
qP
2 2 2
k∈Ω |ϕ(ek )| ≤ ∥ϕ∥ et k∈Ω |ϕ(ek )| ≤ ∥ϕ∥ pour tous les
P
nous avons
sous-ensembles finis Ω de Ψ. Cela signifie que les coefficients au carré des ek
convergent, et que la somme définissant u converge.
La continuité du produit scalaire implique que ⟨u, ek ⟩ = ϕ(ek ) pour tous les
ek . Ainsi, pour tout v ∈ V , on a :

X X X
ϕ(v) = ϕ( ⟨ek , v⟩ ek ) = ⟨ek , v⟩ ϕ(ek ) = ⟨ek , v⟩ ⟨u, ek ⟩
k∈Ψ k∈Ψ k∈Ψ

par continuité de ϕ. Finalement :

* +
X X
⟨ek , v⟩ ⟨u, ek ⟩ = u, ⟨ek , v⟩ ek = ⟨u, v⟩
k∈Ψ k∈Ψ

par continuité du produit scalaire. Donc ϕ(v) = ⟨u, v⟩. La preuve précedente
du théorème de représentation
qP de Riesz comfirme le fait que u soit unique
et que ∥ϕ∥ = ∥u∥ = 2
k∈Ψ |ϕ(ek ) |.

17
3.5 Théorème de Radon-Nikodym
Note : Cette section recquiert quelques éléments de théorie
de la mesure, dont nous admettrons qu’elles sont connues par le
lecteur.

Théorème 14. (Théoreme de Radon-Nikodym) Si µ et ν sont deux mesures

σ-finies définies sur la même σ-algebre d’un espace mesurable X telles que
ν(A) = 0 pour tous les ensembles mesurables µ-nuls AR ⊂ X, alors il existe
une fonction mesurable h sur X telle que ν(A) = A hdµ pour tous les
ensembles mesurables A ⊂ X.
Une preuve découlant de la théorie de la mesure du théoreme de Radon-
Nikodym serait d’approcher
R
une fonction h en utilisant des fonctions ayant
la propriété que A hdµ ≤ ν(A) four tout ensemble mesurable A ⊂ X. La
preuve qui suit, découlant de l’analyse fonctionnelle, debute avec l’existence
d’une d’une fonction ayant les même propriétés que ce h désiré, et le travail
consiste à construire h à partir de cette fonction. La démonstration est
résolument plus algébrique que son homologue en théorie de la mesure, et
elle repose sur le travail analytique effectué dans les sections précédentes
pour prouver le théorème de représentation de Riesz.
Nous allons démontrer le résultat pour les mesures finies positives µ et ν.
Le théorème de convergence monotone et le théorème de décomposition de
Hahn (admis) permet d’étendre aux mesure complexes σ-finies ν et mesures
σ-finies positives µ

Démonstration. Rappelons que Lp (X) ⊂ L(X)q dans un espace mesurable

X pour q < p, et que ∥f ∥q est bornée pas un multiple de ∥f ∥p dépendant
de p, q, et de la mesure de l’espacce. Nous allons utiluiser le fait que ∥f ∥1 ≤
p
ν(X)∥f ∥2 pour un espace de mesure finie X.
Considérons la mesure σ = ν + µ. Nous définissons une forme linéaire sur
L2 (X, σ) :
Z
ϕ(f ) = f dν.
X
Puisque ν est dominée par σ, nous savons que toute fonction dans l’espace
L2 de X par rapport à σ sera dans son espace L2 par rapport à ν, et donc ϕ
(qui est dominée par la norme L1 par rapport à ν) est bien définie, linéaire
et bornée par l’inégalité ci-dessus. Nous appliquons donc le théorème de
représentation de Riesz à ϕ pour obtenir un élément g de L2 (X, σ) avec la
propriété que Z Z
ϕ(f ) = f dν = f g dσ
X X
pour toutes les fonctions f ∈ L2 (X, σ).

18
En prenant f comme la fonction indicatrice de l’ensemble où g prend des
valeurs supérieures ou égales à 1, les deux côtés de cette équation doivent
être égaux à 0. Il en est de même lorsque f est la fonction indicatrice de
l’ensemble où g prend des valeurs inférieures à 0. Donc 0 ≤ g < 1 µ-presque
partout. Étant donné que les ensembles nuls pour µ sont nécessairement
aussi nuls pour ν, nous avons également que 0 ≤ g < 1 ν-presque partout.
1
En remplaçant f = 1−g dans cette équation ci-dessus, nous obtenons l’égalité
souhaitée : intégrer la fonction constante 1 sur un domaine par rapport à ν
(c’est-à-dire, en prenant la mesure ν du domaine) serait égal à intégrer la
g
fonction 1−g (qui serait notre h désirée) dans ce domaine par rapport à µ.
1
Mais 1−g peut ne pas être dans L2 (X, σ). Donc, nous devons utiliser cette
équation pour obtenir une suite d’égalités, chacune utilisant une fonction
d’approximation dans L2 (X, σ), et appliquer le théoreme de convergence
monotone. Ces fonctions d’approximations peuvent ne pas converger au sens
de L2 , mais nous en avons pas besoin pour construire h.
1 1
Soit fk = 1−g lorsque 0 < 1−g < k et 0 sinon. Cette fonction est bornée et
2
donc appartient à L (X, σ), donc
Z Z
fk (1 − g) dν = fk g dµ
A A

pour tout ensemble mesurable A ⊂ X.

En prenant la limite lorsque k tend vers l’infini et en utilisant la convergence
monotone (rappelons que fk , g et 1−g sont tous non négatifs ν- et µ-presque
partout), nous avons que
g
Z Z
1 dν = dµ
A A 1−g
g
pour tout ensemble mesurable A ⊂ X. Donc 1−g est en effet notre h recher-
ché, et Z
ν(A) = h dµ
A
pour tout ensemble mesurable A ⊂ X.

19
Chapitre 4

Conclusion

Ce stage m’a donné l’opportunité d’appronfondir mes connaissances en ma-

thématiques, notamment en analyse fonctionnelle avec la découverte des
theoremes de repésentation de Riesz et de Radon-Nikodym, qui trouvent
des applications dans de nomlbreux domaines tels que la probabilité, le trai-
tement de signal, la finance quanntitative ou la theorie de l’information.
Ce stage m’a également introduit au domaine de la recherche mathématique,
me permettant de travailler de façon autonome en faisant un certain effort
de recherche et de comprehension individuelle, améliorant ma capacité à être
autonome.
Cela dit, malgré cette belle expérience, je n’envisage pas de continuité dans
la lancée de chercheur prefere pursuivre vers une voie plus mathématique ap-
pliquée à l’informatique, plus particulierement dans le domaine de la science
des données.

20
Bibliographie

[1] Ben Adler, HILBERT SPACES AND THE RIESZ REPRESENTATION

THEOREM,
[2] François DE MARÇAY, Espaces de Hilbert
[3] Jimmy Lamboley, Cours d’analyse pour l’Agrégation Externe de Mathé-
matiques, 2022-2023

21