Chapitre 3

Distributions

3.1 Introduction
Il y a plusieurs raisons pour introduire la notion de distribution. Certaines sont d’ordre purement
physique (expérimental même ) alors que d’autres sont des raisons plus mathématiques.

3.1.1 Unité pour la convolution.

Comme nous l’avons remarqué lors de l’étude de la convolution des fonctions intégrables, il
n’y a pas de fonction intégrable ∆ qui puisse servir d’unité pour le produit de convolution de ces
fonctions. Dans l’espace des distributions, il y a effectivement une telle distribution unité pour le
produit de convolution : c’est la distribution de Dirac, qui satisfait à

δ ∗ T = T ∗ δ = T.

3.1.2 Densité de charge d’une charge ponctuelle

En électrostatique, le potentiel électrique V (~r) en un point ~r donné de l’espace, pour une
distribution de charge de densité ρ(~r) donnée est solution de l’équation de Laplace

∂2 ∂2 ∂2 1
( 2
+ 2 + 2 )V (~r) = ρ(~r).
∂x ∂y ∂z 4π0
La question qu’on se pose est de savoir ce que signifie cette équation dans la limite où la charge,
source du potentiel, peut d’une manière physiquement raisonnable être assimilée à une charge
ponctuelle. On sait que dans ce cas le potentiel créé (mesuré physiquement) est un potentiel en 1r .
L’équation de Laplace pose par contre dans ce cas un problème mathématique sérieux : quelle est
la densité de charge d’une charge ponctuelle ? La réponse la plus simple se trouve naturellement
dans la théorie des distributions. La densité d’une telle charge est en fait proportionnelle à une
distribution de Dirac située au point où se trouve la charge électrique.

3.1.3 Mesure d’une grandeur physique

Considérons la mesure d’une grandeur physique relativement courante comme la température
d’un fil rectiligne ”en un point donné”. On peut se convaincre que pour des raisons évidentes,
une telle mesure n’est jamais réalisable parfaitement. Tout thermomètre, quel que soit le principe
physique utilisé pour la mesure, possède une extension spatiale qu’il est impossible de réduire à
celle d’un point : ce qu’il faudrait réaliser pour pouvoir mesurer la température en un point x0 . On
peut cependant admettre, dans le cas d’une mesure réaliste de température, que le thermomètre
prend en compte toutes les températures dans un “voisinage” du point x0 selon une fonction de
sensibilité φ0 (fig.1.) de telle sorte que pour une fonction de répartition T (x) de la température le

1
CHAPITRE 3. DISTRIBUTIONS 2

THERMOCOUPLE

0

FIL
0 x0

Fig. 3.1 – Mesure d’une température le long d’une barre

long de la barre (fonction dont on ignore a priori ce qu’elle vaut vraiment en un point précis de la
barre), on puisse dire que la température mesurée T sera en fait
Z
T0 = T (x)φ0 (x) dx.

Si on effectuait la mesure en un autre point x1 on obtiendrait

Z
T1 = T (x)φ1 (x) dx

etc...
On voit que la température mesurée T , dans l’hypothèse où les fonctions T (x), φ0 , φ2 etc...
sont suffisamment régulières, se présente sous la forme d’un expression linéaire en la fonction de
sensibilité φ. On peut noter aventageusement cette expression sous la forme
Z
< T, φ >= T (x)φ(x) dx

Lorsque le produit x 7→ T (x)φ(x) est intégrable Lebesgue, cette écriture est parfaitement jus-
tifiée. Cependant, dans beaucoup de cas concrets, la grandeur physique en question (ici il s’agirait
de T (x) ) se révèle être trop singulière pour que l’intégrale écrite puisse avoir un sens quelconque
avec un choix réaliste pour la fonction φ.
Partant de cet échec, on a progressivement abstrait l’idée de concepts mathématiques qui ne
préserveraient que l’indispensable de l’expression
Z
< T, φ >= T (x)φ(x) dx,

partant d’un ensemble de fonctions φ représentant de manière suffisante toutes les mesures d’une
grandeur physique donnée qu’il est possible d’effectuer. L’ensemble des fonctions φ prend alors
naturellement le nom d’ensemble de fonctions “test” ou fonctions “d’essai”. La mesure d’une
grandeur physique T est alors représentée par le “crochet”

< T, φ >
CHAPITRE 3. DISTRIBUTIONS 3

indépendamment d’une forme intégrale ou non pour cette expression. L’ensemble des grandeurs T
“mesurables” par les fonctions d’essai prend alors le nom générique de distributions.
Quel doit être le minimum exigé pour les objets ainsi considérés ?
1. L’ensemble des fonctions d’essai constitue un espace vectoriel de fonctions. C’est-à-dire que
toute combinaison linéaire à coefficients complexes de fonctions d’essai est encore une fonction
d’essai.
2. L’ensemble des distributions est l’ensemble des formes linéaires sur l’espace vectoriel des
fonctions d’essai.
3. Le résultat de la mesure de T par φ est alors le nombre complexe < T, φ >.
Remarque. Dans un esprit d’utilisation pratique (et élémentaire) des distributions, nous
réduisons ici, les considérations d’analyse fonctionnelle au minimum. Pour cette raison, nous
considérerons que toutes les formes linéaires sur nos espaces de fonctions test sont des formes
linéaires continues. Mathématiquement on sait que de telles formes linéares non continues existent,
mais comme personne n’a réussi, à ce jour, à les écrire explicitement, nous ferons comme si elles
n’existaient pas !

3.2 L’espace des fonctions d’essai D

Choisissons pour commencer un espace de fonctions test qui présente toutes les caractéristiques
nécessaires aussi bien physiques que mathématiques.

Définition 1 Les fonctions test x 7→ φ(x) sont définies pour x réel et sont à valeurs complexes.
On exige d’elles qu’elles soient indéfiniment dérivables pour toutes les valeurs de x (elles sont donc
C ∞ ). Elles sont de plus, nulles en dehors d’un intervalle borné. L’ensemble de ces fonctions est
désigné par D(R) ou simplement D.

L’ensemble des fonctions test de D constitue un espace vectoriel sur C. On peut se convaincre
que ce sont là des propriétés raisonnables pour des fonctions de sensibilité d’appareil.

Exemple 2 La fonction ξa définie par

 2
exp(− a2a−x2 ) si |x| < a
ξa (x) =
0 si |x| ≥ a

est pour a > 0 une fonction d’essai.

Exemple 3 Si α est une fonction indéfiniment dérivable et si φ est une fonction de D, alors leur
produit αφ est une fonction de D.

On montre (voir au paragraphe 3.11.1) que la classe de toutes les fonctions α telles que αφ
est une fonction de D quel que soit φ appartenant à D, est précisément l’ensemble de toutes les
fonctions C ∞ .

Remarque 4 Pour ceux qui veulent en savoir plus , il faut dire qu’il est possible de définir une
notion de proximité entre deux fonctions de D. C’est ce qu’on désigne sous le nom de topologie
sur D (voir au paragraphe 3.11.2.

Exemple 5 Soient f une fonction intégrable sur R, nulle en dehors d’un intervalle borné et φ
une fonction de D. Alors leur produit de convolution
Z
(f ∗ φ)(x) = f (t)φ(x − t) dt
R

est une fonction de D.

CHAPITRE 3. DISTRIBUTIONS 4

Exemple 6 Soit φ une fonction de D. Alors les fonctions translatée τa φ et dilatée dλ φ sont aussi
dans D. On rappelle que
(τa φ)(x) = φ(x − a)
où a est réel et que
x
(dλ φ)(x) = φ( )
λ
où λ est un nombre réel différent de 0.

Exemple 7 Les fonctions d’essai de D ainsi que toutes leurs dérivées sont intégrables et bornées.

Ces deux propriétés sont souvent utilisées dans les calculs.

3.3 L’espace des distributions D0

En accord avec la discussion de l’introduction, nous définissons les distributions de la façon
suivante.

Définition 8 Une distribution est une application T qui à chaque fonction de D fait correspondre
un nombre complexe T (φ) FINI qui vérifie la propriété suivante

T (aφ + bψ) = aT (φ) + bT (ψ)

pour tous nombres complexes a et b et toutes fonctions d’essai φ et ψ dans D.

Remarque 9 En termes algèbriques, on voit donc qu’une distribution T est une forme linéaire
sur l’espace vectoriel D. D’où la notation D0 qui indique que l’espace des distributions est en fait
un espace dual de l’espace vectoriel des fonctions d’essai (voir au paragraphe 3.11.3).

En théorie des distributions on note en général T (φ) sous la forme < T, φ > et on dit que la
distribution T est appliquée à φ. Ceci est en conformité avec notre notation de l’introduction qui
exprime le fait qu’on peut dire que physiquement < T, φ > est le résultat d’une mesure “par φ”
de la distribution T .
L’espace des distributions D0 est aussi un espace vectoriel sur C, il suffit pour cela de définir
la somme T1 + T2 de deux distributions ainsi que le produit aT d’un nombre complexe a et d’une
distribution T . On définit

< T1 + T2 , φ >=< T1 , φ > + < T2 , φ >

pour tout φ dans D, et

< aT, φ >= a < T, φ > .
pour tout nombre complexe a et tout φ dans D.
La distribution nulle, quant à elle, est définie par

T = 0 ⇐⇒< T, φ >= 0

pour tout φ dans D.

Remarquons qu’une telle définition est parfaitement raisonnable du point de vue expérimental
puisqu’elle veut dire qu’une quantité physique est nulle si et seulement si n’importe quelle mesure
représentée par φ donne un résultat nul.
Mise en garde. Il n’est pas question de définir le produit de deux distributions quelconques
entre elles car cela, on le verra par la suite, ne peut se faire que dans des cas extrêmements
limités . Ce dernier point est bien entendu une des tares principale de la théorie des distributions
et limite ainsi leur utilisation aux problèmes linéaires. Il touche d’ailleurs aux aspects les plus
fondamentaux de la physique quantique moderne.
CHAPITRE 3. DISTRIBUTIONS 5

3.3.1 Les distributions régulières

Définition 10 Une fonction f est dite localement intégrable si elle est intégrable sur tout
intervalle borné (fini). On note f ∈ L1loc cette propriété.

Exemple 11 À toute fonction localement intégrable on peut associer une distribution définie par
Z
< Tf , φ >= f (x)φ(x) dx,
R

pour toute fonction d’essai φ dans D.

Exemple 12 Étant données deux fonctions localement intégrables f et g égales presque partout,
i.e.
f (x) = g(x) pour presque tout x,
les distributions associées sont égales,
Tf = Tg .

La réciproque est aussi vraie (voir au paragraphe 3.11.4). D’où

Théorème 1
Tf = 0 ⇐⇒ f (x) = 0 pour presque tout x.

Définition 13 Une distribution T est régulière si elle est associée à une fonction localement
intégrable f .

Notation 14 Lorsque le contexte ne prête à aucune confusion, il est très souvent plus simple de
noter Tf tout simplement f .

Par contre la notation f (x), tolérée pour une fonction f l’est moins pour la distribution Tf ,
car elle laisse croire à tort qu’il est possible de connaı̂tre la valeur d’une distribution en un point
précis x (elle est cependant utilisée !).

Exemple 15 C’est ainsi que nous définissons la distribution (régulière) constante C par
Z Z
< C, φ >= Cφ(x) dx = C φ(x) dx,
R R

pour toute fonction d’essai φ. En particulier C = 0 définit la distribution (régulière) nulle.

Exemple 16 De même, la fonction de Heaviside

(
1, si x ≥ 0;
H(x) =
0, sinon.

définit la distribution de Heaviside H par

Z Z
< H, φ >= H(x)φ(x) dx = φ(x) dx,
R R+

et la fonction 2H(x) − 1 = sgn(x) définit la distribution , qui est aussi notée sgnx .
CHAPITRE 3. DISTRIBUTIONS 6

3.3.2 Distributions non régulières

Définition 17 Toute distribution qui n’est pas régulière est dite non régulière.

Exemple 18 La distribution de Dirac à l’origine δ est définie par

< δ, φ >= φ(0)

pour toute fonction d’essai φ.

Elle n’est pas régulière.

Exemple 19 La distribution de Dirac δx0 au point x0 ∈ R est définie par

< δx0 , φ >= φ(x0 )

pour toute fonction d’essai φ.

Mise en garde. Les ouvrages de Physique et d’Électronique utilisent dans leur grande majorité
la notation δ(x) pour la distribution δ et δ(x − x0 ) pour la distribution δx0 . Cette notation est
une source d’erreur constante dans les calculs, puisqu’elle laisse supposer que ces distributions ont
une valeur donnée en un point donné. Pour éviter les erreurs, il est donc fortement recommandé
d’effectuer les calculs au sens des distributions, quitte à présenter ensuite les formules finales comme
le font traditionnellement les physiciens et les électroniciens.

Exemple 20 La forme linéaire vp x1 définie par

Z Z
1 φ(x) φ(x)
< vp , φ >= lim+ [ dx + dx]
x ε→0 x<−ε x x>ε x

pour toute fonction d’essai φ, est une distribution non régulière.

3.4 Suites et séries de distributions

3.4.1 Limite d’une suite de distributions.
Définition 21 On dit que la suite de distributions {Tn }∞ 0
0 de D , converge vers la distribution T
si la suite de nombres complexes < Tn , φ > tend vers le nombre complexe < T, φ > pour toute
fonction d’essai φ de D.

On écrit cela sous la forme

lim (D)Tn = T.
n→∞

Ce qui, d’après la définition est équivalent à

lim < Tn , φ >=< T, φ >

n→∞

pour toute fonction d’essai φ de D.

Remarque 22 Si cette distribution limite T existe, elle est unique.

Remarque 23 Si on peut trouver un nombre K(φ) qui dépend de la fonction d’essai φ choisie et
qui est tel que
lim < Tn , φ >= K(φ)
n→∞

Alors la suite de distributions Tn tend vers la distribution T , et on a

< T, φ >= K(φ).

CHAPITRE 3. DISTRIBUTIONS 7

Remarque 24 Du point de vue expérimental, cette limite au sens des distributions veut
dire que pour n suffisamment grand la mesure par φ de la grandeur Tn donne pratiquement la
même valeur que celle de T . Il ne devient plus possible de distinguer expérimentalement ces deux
distributions.
Noter qu’une suite de distributions régulières peut avoir comme limite une distribution régulière.
Exercice 25 Montrer que si Tλ est la distribution associée à la fonction sin λx, on a
lim (D0 )Tλ = 0.
λ→∞

Noter qu’une suite de distributions régulières peut avoir comme limite une distribution non
régulière.
Exercice 26 On définit la fonction porte Π par
(
1, si |x| ≤ 21 ;
Π(x) =
0, sinon.

et on pose gk (x) = kΠ(kx). Montrer que l’on a

lim (D0 )gk = δ.
k→∞

3.4.2 Séries de distributions

Définition 27 On considère la suite de distributions {Tn }∞
1 . On dit que la série de distributions
∞
X
Tn
n=1

définit une distribution T de D0 , si la suite des sommes partielles

N
X
SN = Tn
n=1

converge au sens des distributions vers T , c’est-à-dire, lorsqu’on a

N
X
lim (D0 )SN = lim (D0 ) Tn = T.
N →∞ N →∞
n=1
P∞
Dans la pratique, on a très souvent des séries du type n=−∞ Tn . Dans ce cas la définition de la
convergence est tout à fait analogue au cas précédent : P
il suffit en fait de considérer la convergence
N
de la suite des sommes partielles “symétriques” SN = n=−N Tn .
PN
Exemple 28 La suite ∆N = n=−N δn converge dansD0 vers une distribution notée nZ δn ,
P
qu’on appelle Cha et qu’on note III (lettre de l’alphabet cyrillique). En physique on l’appelle aussi
“Peigne de Dirac”.

3.4.3 Suites de fonctions convergeant vers δ

Deux théorèmes sont d’un usage courant et permettent de reconnaı̂tre si une suite de distribu-
tions régulières converge vers δ.
Théorème 2 Soit {fn }∞
R
n=0 une suite de fonctions positives intégrables telles que R fn (x) dx = 1
et que fn (x) soit nulle en dehors d’un intervalle [−εn , +εn ] avec limn→∞ εn = 0. Alors la suite de
distributions régulières définies par fn tend vers δ,
lim (D0 )fn = δ.
n→∞
CHAPITRE 3. DISTRIBUTIONS 8

R
Théorème 3 Soit f une fonction intégrable vérifiant R
f (x) dx = 1. On considère, pour ε > 0 la
distribution régulière définie par la fonction
1 x
fε (x) = f ( ).
ε ε
Alors fε tend vers δ lorsque ε → 0,
lim (D0 )fε = δ.
ε→0

Exercice 29 Démontrer que limk→∞ (D0 )gk = δ pour

gk (x) = kΠ(kx)

et pour
ξa (kx)
gk (x) = R
ξ (kx) dx
R a
où Π et ξa ont été définis précédemment.

Exercice 30 Démontrer que limk→∞ (D0 )gk = δ pour

sin2 kx
gk (x) =
πkx2
et pour
1 1
gk (x) = 1 .
kπ x2 + k2

Exercice 31 En admettant (voir au paragraphe 3.11.5) que l’on a pour λ > 0 (avec des notations
incorrectes !)
sin λx
lim (D0 ) = πδ,
λ→∞ x
donner une interprétation correcte de la formule des physiciens
Z
δ(k) = e−2iπkx dx.
R

Remarque 32 On voit donc sur ces derniers exemples qu’il est possible d’approcher une dis-
tribution aussi “singulière” que δ par des distributions “extrêmement” régulières. Le cas le plus
spectaculaire étant celui qui est fourni par le deuxième exemple de l’exercice 30, où les distributions
approchant δ sont associées à des fonctions gk (x) qui se trouvent être des fonctions d’essai dans
D.

Ceci est en fait une propriété générale. On démontre qu’on peut approcher toute distribution
de D0 par une suite de distributions régulières associées à des fonctions d’essai de D. On dit que
l’espace D est dense dans D0 .

3.5 Opérations élémentaires sur les distributions

Exercice 33 Désignons par f et g les distributions régulières associées aux deux fonctions loca-
lement intégrables f et g. Montrer que l’on a, pour toute fonction d’essai φ
a) < f + g, φ >=< f, φ > + < g, φ >
b) < λf, φ >= λ < f, φ > pour λ ∈ C
c) < αf, φ >=< f, αφ > pour α, fonction C ∞
d) < τa f, φ >=< f, τ−a φ > pour a ∈ R
e) < da f, φ >=< f, |a|d1/a φ > pour a ∈ R − 0
CHAPITRE 3. DISTRIBUTIONS 9

Pour pouvoir reproduire ces résultats particuliers, on pose par définition, pour toute fonction
test φ :
Somme. Pour deux distributions T1 et T2 ;
< T1 + T2 , φ >=< T1 , φ > + < T2 , φ > .
Produit par un nombre. Pour une distribution T et un nombre complexe λ ∈ C,
< λT, φ >= λ < T, φ > .
Produit par une fonction C ∞ . Soient une distribution T de D0 et α une fonction C ∞ , on
définit leur produit αT par
< αT, φ >=< T, αφ > .
Exemple 34 Pour α, fonction C ∞
αδ = α(0)δ.
Cette relation est souvent interprétée en physique en disant que δ est une distribution propre
de l’opérateur de multiplication par une fonction α, avec la valeur propre α(0).
Exemple 35 En désignant par x la fonction qui à x donne x
xδ = 0.
Exemple 36
1
xvp = 1.
x
Cette relation est extrêmement intéressante, car elle nous dit que l’inverse de x au sens des distri-
butions n’est autre que la distribution vp x1 et non pas x1 qui, de toute évidence ne peut pas définir
une distribution régulière (pourquoi ?).
Exemple 37 Soit α, une fonction de R → C qui est C ∞ et qui ne s’annule jamais. Pour toute
distribution T , on a
αT = 0 ⇐⇒ T = 0.
On admettra (voir au paragraphe 3.11.6) que si T ∈ D0
xT = 0 ⇐⇒ T = kδ.
où k est un nombre complexe arbitraire.
Translation. Pour a ∈ R, la translatée τa (T ) d’une distribution T est définie par
< τa T, φ >=< T, τ−a φ > .
Exemple 38
τa δ = δ a .
Exemple 39 Soit α une fonction indéfiniment dérivable et T une distribution de D0 . Pour tout a
réel,
τa (αT ) = (τa α)(τa T ).
Exemple 40 Pour tout x0 réel,
(x − x0 )T = 0 ⇐⇒ T = kδx0 .
Dilatation. Pour a ∈ R \ {0}, la dilatée da T d’une distribution T est définie par
< da T, φ >=< T, |a|d a1 φ > .
Exemple 41
da δ = |a|δ.
Exemple 42
da δx0 = |a|δax0 .
CHAPITRE 3. DISTRIBUTIONS 10

3.5.1 Parité
Posons Ť = d−1 T
Exemple 43 Pour toute fonction test φ,

< Ť , φ >=< T, φ̌ >,

où φ̌(x) = φ(−x).

Définition 44 On dit que T est une distribution paire si Ť = T et impaire si Ť = −T .

Exemple 45 La distribution δ est paire, de même que δx0 + δ−x0 .

Exemple 46 La distribution vp x1 est impaire, de même que sgnx = 2H − 1.

Exemple 47 La distribution H n’a pas de parité bien définie, de même que δx0 pour x0 6= 0.

Exercice 48 Toute distribution peut s’écrire de façon unique comme somme d’une distribution
paire et d’une distribution impaire

T + Ť T − Ť
T = +
2 2
Appliquer cette formule aux distributions H et δx0 .

3.6 Dérivée d’une distribution

C’est une opération qui est toujours réalisable et celà autant de fois que l’on veut sur les
distributions !

Exemple 49 Considérons une fonction x 7→ f (x) qui est dérivable à dérivée continue pour tout
x, on dit que c’est une fonction C 1 , et on note x → f 0 (x) sa dérivée. Les deux fonctions f et f 0
définissent chacune une distribution que nous noterons aussi respectivement f et f 0 et on a

< f 0 , φ >= − < f, φ0 > .

Définition 50 Par analogie, nous dirons que la dérivée d’une distribution T est la distribution T 0
définie par
< T 0 , φ >= − < T, φ0 >
pour toute fonction d’essai φ.

On vérifie que pour une distribution régulière Tf associée à une fonction f qui est C 1 , on
retrouve la formule précédente.

Exemple 51 a) Pour une constante K on a K 0 = 0.

b) H 0 = δ
c) (signx )0 = 2δ

Exemple 52 La dérivée p-ième δ (p) de δ est définie par

< δ (p) , φ >= (−1)p φ(p) (0),

pour toute fonction d’essai φ.

Exemple 53 Les deux distributions δ et δ 0 sont linéairement indépendantes, c’est-à-dire que si a

et b sont deux nombres complexes arbitraires

aδ + bδ 0 = 0 ⇐⇒ a = b = 0.
CHAPITRE 3. DISTRIBUTIONS 11

Exemple 54 Si T est une distribution et α une fonction C ∞ , on a

(αT )0 = α0 T + αT 0 .

On admettra aussi (voir au paragraphe 3.11.7) que l’on a

T 0 = 0 ⇐⇒ T = K

où K est une constante.

Théorème 4 Formule des sauts. Soit une fonction f qui est C 1 par morceaux, on suppose pour
simplifier la présentation, qu’elle n’a de discontinuité qu’en un seul point a de l’axe réel, on a

(Tf )0 = T{f 0 } + σa δa .

où σa désigne le saut (fini) de la fonction au point a,

0 a

Fig. 3.2 – Fonction C 1 par morceaux

σa = lim+ f (a + ε) − lim+ f (a − ε),

ε→0 ε→0

et où on a noté T{f 0 } la distribution régulière associée à la fonction définie presque partout x →
f 0 (x).

La généralisation est immédiate au cas où la fonction f possède N sauts aux points {ai }N
1

N
X
(Tf )0 = T{f 0 } + σai δai
i=1

et même au cas où N = ∞ sous la condition que la série écrite soit une série convergente au sens
des distributions.

Exercice 55 Calculer la dérivée au sens des distributions de

a) La distribution régulière Π définie par la fonction porte Π(x).
b) La distribution régulière Λ définie par la fonction
(
1 − |x|, si |x| ≤ 1;
Λ(x) =
0, sinon.
CHAPITRE 3. DISTRIBUTIONS 12

Exercice 56 Calculer, au sens des distributions, les dérivées

a) (|x|)(p) .
b) (|x|n )0 pour n entier et ≥ 1.
c) (αH)(p) où α est une fonction C ∞ .

Application. L’étudiant qui a l’occasion d’utiliser un oscillographe cathodique pourra “dériver”

à l’oscillographe n’importe quel signal et se convaincre sur un exemple donné (la distribution H
par exemple) que le résultat obtenu n’est autre que la dérivée du signal au sens des distributions.

3.7 Les opérateurs continus sur D0

Définition 57 Un opérateur linéaire A sur D0 est une application linéaire de D0 dans D0 ,
c’est-à-dire que
A(aT1 + bT2 ) = aA(T1 ) + bA(T2 )
pour tout nombre complexe a, b et toute distribution T1 et T2 de D0 .

Définition 58 Un opérateur A est un opérateur continu si, quelle que soit la suite convergente
{Tn } de distributions Tn de D0
lim (D0 )Tn = T,
n→∞
on a
lim (D0 )(ATn ) = AT.
n→∞

La derniére égalité peut encore s’écrire sous la forme lapidaire

lim(ATn ) = A(lim Tn ),

indiquant que la continuité d’un opérateur A veut dire qu’on est autorisé à permuter l’action de A
et la prise de la limite.

Exemple 59 Les opérateurs suivants, définis sur D0 , sont tous continus

a) T → T + T0 où T0 ∈ D0
b) T → aT où a ∈ C
c) T → αT où α ∈ C ∞
d) T → τa T où a ∈ R
e) T → da T où a ∈ R
f) T → T 0

Exercice 60 Montrer que τ1 III = III . Que veut dire ce résultat ? Montrer que III est paire.

Exercice 61 Calculer III 0 ; αIII où α est C ∞ . Calculer (e2iπx − 1)III.

Exercice 62 Calculer (| cos x|)00 .

Exercice 63 Montrer que lim|λ|→∞ (D0 )(λ cos λx) = 0

Remarque 64 Une catégorie extrêmement importante d’opérateurs continus est constituée par
les filtres en théorie du signal.
CHAPITRE 3. DISTRIBUTIONS 13

3.8 Série de Fourier d’une distribution périodique

Définition. On dit qu’une distribution U ∈ D0 (R) est T -périodique si on a pour une trans-
lation positive τT
τT (U ) = U.
Le nombre T est une période de la distribution U et le plus petit de ces nombres est appelé
période fondamentale.
Définition 65 Soit U une distribution, I un intervalle de R. On dit que le support de U est
contenu dans I si, pour toute fonction d’essai φ nulle sur I, hU, φi.
On dit que U est à support borné si son support est contenu dans un intervalle borné.
Théorème 5 Si U est une distribution périodique de période T , il existe une distribution V à
support borné telle que X
U= τkT (V ).
k∈Z

Exemple 66 Soit f une fonction T -périodique dans L1 (T ), elle définit une distribution T -périodique
Uf et on peut prendre pour V la distribution régulière définie par la fonction v

f (t) si t ∈ [a, a + T [ où a ∈ R
v(t) =
0 sinon
Exercice 67 Prenons pour V la distribution de Dirac à l’origine. Donner l’expression de la dis-
tribution T -périodique IIIT ainsi obtenue.
P
Définition 68 Soit U une distribution T -périodique telle que U = k∈Z τkT (V ). On appelle
coefficients de Fourier de U les nombres complexes
1
ck (U ) = hV, e−ikωt i,
T
2π
où ω = T et k ∈ Z.
Remarque 69 Le nombre < V, e−ikωt > est parfaitement défini puisque la fonction t → e−ikωt
est une fonction C ∞ et que le support de V est borné.
Théorème 6 Soit U une distribution T -périodique, alors
k=+N
X
U = lim (D0 ) ck (U )eikωt ,
N →∞
k=−N
r
et pour k 6= 0, on a |ck (U )| ≤ Const.|k| , où r est un entier positif.
Inversement. Une suite de nombres {ck }∞ −∞ satisfaisant à l’inégalité précédente est la suite
des coefficients de Fourier d’une distribution T -périodique.
Proposition 70 Soit U 0 la dérivée de la distribution T -périodique U , on a alors
ck (U 0 ) = ikωck (U ).
Exercice 71 Calculer les coefficients de Fourier ck (IIIT ) et ck IIIT .

3.9 Méthode de la variation de la constante

Motivation. Considérons un système physique, par exemple, un oscillateur harmonique gou-
verné par une équation différentielle de la forme ay 00 + by 0 + cy = F (t), où F (t) est un terme de
forçage. On donne au système une impulsion brutale au temps t = 0. Cela signifie que F (t) est
proportionnel à la distribution de Dirac à l’origine. Quelle est la réponse du système ? On est amené
à résoudre des équations différentielles dont le second membre est une distribution, avec inconnue
distribution.
CHAPITRE 3. DISTRIBUTIONS 14

3.9.1 Cas des équations différentielles du premier ordre

On commence par résoudre les équations différentielles de la forme

(E) a(x)y 0 + b(x)y = U,

où a et b sont des fonctions indéfiniment dérivables sur R, a ne s’annule pas et U est une distribu-
tion.

Proposition 72 La méthode classique de résolution s’étend au cas où le second membre est une
distribution.

1. On résoud l’équation homogène. On trouve des solutions proportionnelles, f (x) = C ec(x) où
c est une primitive de −b/a.
2. On cherche une solution particulière de l’équation (E) sous la forme T = ec(x) U , où U est
une distribution inconnue. Cela conduit à T 0 = e−c U , qui possède une solution T0 .
3. Toutes les solutions sont de la forme T = T0 + C ec(x) .

Exemple 73 Résoudre l’équation différentielle y 0 + 2xy = δ0 .

2
Les solutions de l’équation homogène sont de la forme f (x) = C ex . Il reste à résoudre T 0 =
2
e−x δ0 = δ0 , soit T0 = H, fonction d’Heaviside. Toutes les solutions sont de la forme T = (H +
2
C)ex .

3.9.2 Cas des équations différentielles à coefficients constants

Revenons au problème initial, un oscillateur qu’on brutalise. Tant que t < 0, il ne se passe rien,
donc la solution est nulle. Lorsque t > 0, le système oscille librement, son mouvement est solution
de l’équation homogène ay 00 + by 0 + cy = 0. Donc on peut penser que la solution est de la forme
f (t)H où f est solution de l’équation homogène.

Proposition 74 L’équation différentielle an y (n) + an−1 y (n−1) + · · · + a1 y 0 + a0 y = δ0 possède une

solution de la forme f (t)H où f est solution de l’équation homogène an y (n) + an−1 y (n−1 + · · · +
a1 y 0 + a0 y = 0.

3.9.3 Seconds membres généraux

Définition 75 Si U est une distribution et φ une fonction d’essai, on peut définir une fonction
U ? φ par

U ? φ(x) = hU, τx φ̂i.

Exemple 76 Pour toute fonction d’essai φ, δ ? φ = φ.

Proposition 77 Pour tout distribution U et toute fonction d’essai φ, la fonction U ?φ est indéfiniment
dérivable, et
(U ? φ)0 = U 0 ? φ = U ? φ0 .

Preuve. Pour h réel, soit ∆h l’opérateur sur D0 qui a une distribution U associe ∆h U =
1
− U ). Alors
h (τh U

lim ∆h U = U 0 .
h→0

En effet, si φ est une fonction d’essai, limh→0 ∆h φ = φ0 , donc

h∆h U, φi = −hU, ∆h φi
CHAPITRE 3. DISTRIBUTIONS 15

tend vers −hU, φ0 i = hU 0 , φi quand h tend vers 0.

Or les translations commutent avec la convolution. Par conséquent,

∆h (U ? φ) = (∆h U ) ? φ = U ? ∆h (φ).

En faisant tendre h vers 0, on trouve que (U ? φ)0 = U 0 ? φ = U ? φ0 , ce qui montre que U ? φ est
dérivable. Puis, par récurrence, que U ? φ est indéfiniment dérivable.

Corollaire 78 Si U est une solution de l’équation différentielle ay 00 +by 0 +cy = δ0 , alors T = U ?φ

est une solution de ay 00 + by 0 + cy = φ.

3.9.4 Interprétation
Revenons au problème initial, un oscillateur initialement au repos, que l’on soumet à une force
F (t). Son mouvement est donc gouverné par l’équation ay 00 + by 0 + cy = F (t).
Supposons que F est une fonction d’essai, nulle tant que t < 0. Pour calculer le mouvement, on
doit d’abord calculer la réponse impulsionnelle, i.e. la solution de l’équation ay 00 + by 0 + cy = δ0 qui
est de la forme U = f (t)H (la méthode de la variation de la constante peut nous y aider). Ensuite,
il suffit de calculer le produit de convolution U ? F . Autrement dit, la réponse impulsionnelle sert
en quelque sorte de matrice pour l’opérateur qui à une excitation F associe le mouvement résultant
y = U ? F.

3.10 Retour sur l’équation de la chaleur

3.10.1 Rappel
On rappelle que lorsque la chaleur diffuse le long d’un fil conducteur homogène infini, la
température f (x, t) à l’abscisse x et à l’instant t obéı̈t à l’équation

∂f ∂2f
= c 2, (3.1)
∂t ∂x
où c est une constante physique. On a vu, dans le cours d’intégration, que lorsque la répartition
initiale de la température, la fonction f0 (x) = f (x, 0), est intégrable sur R, la répartition ft (x) =
f (x, t) de la température au temps t > 0 est donnée par

ft = pt ? f0 , (3.2)

où, pour t > 0,

1 − x2
pt (x) = √ e 4t .
4πt
Que signifie cette fonction pt ?

3.10.2 Equation de la chaleur à donnée initiale distribution

La fonction pt s’interprète comme la répartition de la température obtenue au temps t lorsqu’une
quantité unité de chaleur est placée initialement à l’origine. Comment donner un sens précis à cette
affirmation ? En montrant que la formule (3.2) s’étend à toutes les distributions à support borné,
et en particulier, à la distribution de Dirac, et en vérifiant que, dans le cas où f0 est la distribution
de Dirac, ft = pt .

Définition 79 Soit U une distribution à support borné. On définit la distribution pt ? U comme

suit. Si φ est une fonction d’essai,

hpt ? U, φi = hU, pt ? φi
CHAPITRE 3. DISTRIBUTIONS 16

Remarque 80 Pour justifier la définition 79, il faut vérifier qu’elle coı̈ncide avec la définition 75
pour les distributions régulières associées aux fonctions d’essai, i.e. que si φ et ψ sont des fonctions
d’essai,
Z Z
pt (y)ψ(x − y)φ(x) dx dy = pt (y)φ(x − y)ψ(x) dx dy.
R2 R2
Comme pt est paire, cette identité équivaut après changement de variable à
Z Z
pt (y)ψ(−x + y)φ(−x) dx dy = pt (y)φ(x − y)ψ(x) dx dy.
R2 R2
Autrement dit,
((pt ? ψ̂) ? φ)(0) = ((pt ? φ) ? ψ̂)(0),
ce qui résulte de la commutativité et de l’associativité de la convolution des fonctions intégrables.
Proposition 81 Pour t > 0 la distribution pt ? U est régulière, c’est une fonction indéfiniment
dérivable en t et en x, qui est solution de l’équation de la chaleur (3.1). De plus,
lim (D0 ) pt ? U = U.
t→0

Preuve. La fonction pt ?φ est indéfiniment dérivable (proposition 77), mais n’est pas à support
borné. C’est pourquoi il faut supposer que U est à support borné pour être sûr que la formule a un
sens. La justification est la même que celle donnée pour les coefficients de Fourier des distributions
périodiques. L’équation de la chaleur étant satisfaite par pt , elle est aussi satisfaite par pt ? U , car
∂ ∂
h (pt ? U ), φi = hpt ? U, φi
∂t ∂t
∂
= hU, pt ? φi
∂t
∂pt
= hU, ? φi
∂t
∂ 2 pt
= hU, c 2 ? φi
∂x
∂2φ
= chU, pt ? i
∂x2
∂2φ
= chpt ? U, 2 i
∂x
∂2
= hc 2 (pt ? U ), φi.
∂x
En vertu des hypothèses de continuı̈té des distributions (que nous avons soigneusement évité
de détailler), prouver que hU, pt ? φi converge lorsque t tend vers 0 revient à prouver que la fonction
pt ? φ et ses dérivées convergent. Comme la dérivée p-ème de pt ? φ est pt ? φ(p) (proposition 77),
il suffit de montrer que pt ? φ converge. Quitte à translater φ, il suffit de montrer que (pt ? φ)(0)
converge. Or, comme pt est paire,
(pt ? φ)(0) = hpt , φi,
donc il s’agit de montrer que les distributions régulières pt convergent au sens des distributions
vers la distribution de Dirac. Comme p1 est intégrable, d’intégrale 1, et pt = √1t d√t p1 , il suffit
d’appliquer le théorème 3.
Exemple 82 Cas de la distribution de Dirac : pt ? δ0 = pt .
En effet, pour toute fonction d’essai φ,
hpt ? δ0 , φi = hδ0 , pt ? φi
= pt ? φ(0)
= hpt , φi.
CHAPITRE 3. DISTRIBUTIONS 17

3.10.3 Conclusion
Notons At l’opérateur qui à une répartition de température initiale associe la répartition de
température obtenue en laissant la chaleur diffuser pendant un temps t. Sur l’espace des polynômes
trigonométriques sur un fil fini, on sait diagonaliser l’équation de la chaleur, et donc calculer
explicitement At . La même méthode marche sur un fil infini, à condition de remplacer une série de
Fourier finie par la transformation de Fourier. La matrice finie de At est remplacée par une sorte
de matrice infinie indexée par les réels, la convolution par le noyau de la chaleur.
Cette démarche est assez générale, elle s’applique à d’autres équations d’évolution à coefficients
constants, comme l’équation de Schrödinger ou l’équation des ondes.
Signalons une particularité de l’équation de la chaleur. La température devient, après diffusion,
très régulière. L’équation des ondes ne se comporte pas comme cela (les ondes possèdent des fronts).
Voici une explication mathématique, qui repose à nouveau sur l’analogie avec les matrices finies.
∂2 2
L’opérateur ∂x 2 a toutes ses valeurs propres de la forme −k , elles sont négatives. Par conséquent,
2
les valeurs propres de At sont de forme e−k ct , elles tendent vers 0 lorsque k tend vers l’infini.
L’opérateur At écrase les hautes fréquences, donc il rend les fonctions davantage différentiables.

3.10.4 A retenir
– Une distribution n’a pas de valeur en un point, cela peut seulement être mesuré par une
fonction d’essai.
– Il est utile de se savoir translater et dilater des distributions.
– Des distributions non régulières comme la distribution de Dirac, apparaissent souvent comme
limites de distributions régulières, par dilatation.
– Toute distribution peut-être dérivée. Pour les fonctions dérivables par morceaux mais possédant
des sauts, la dérivée comporte des distributions de Dirac.
– La méthode de la variation de la constante s’étend aux distributions.
– La convolution s’étend à certaines familles de distributions, et c’est utile pour résoudre des
équations différentielles.

3.11 Appendices
Ces appendices contiennent des démonstrations éludées en cours de route.

3.11.1 Caractérisation des fonctions C ∞

Soit α telle que αφ ∈ D pour toute φ ∈ D.
Ceci entraı̂ne en particulier αφ ∈ C ∞ . La fonction ξ2 est strictement positive sur [−1, +1], donc
1
ξ est C ∞ sur [−1, +1]. On peut donc écrire

1
.f ξ2 ∈ C ∞
ξ2
or
1
.f ξ2 = f
ξ2
et f est par conséquent C ∞ sur l’intervalle [−1, +1]. Un raisonnement analogue montrerait, en
prenant des translatées de ξ2 , que f est C ∞ sur tout intervalle [n, n + 2] avec n ∈ Z, donc C ∞ sur
R. Par suite
αφ ∈ D
pour toute fonction test φ ∈ D est équivalent à α ∈ C ∞ .
CHAPITRE 3. DISTRIBUTIONS 18

3.11.2 Topologie sur D

Sur D nous avons la notion de convergence suivante. On dit qu’une suite φj de D converge vers
φ ∈ D pour j → ∞ si
1. Les φj sont nulles en dehors d’un même intervalle borné.
(n)
2. limj→∞ supR |φj − φ(n) | = 0 pour n = 1, 2, ...

3.11.3 Topologie sur D0

Une distribution T est une forme linéaire continue sur D au sens où

lim (D)φj = φ
j→∞

(selon la définition du paragraphe 3.11.2) entraı̂ne que

lim |T (φj ) − T (φ)| = 0.

i→∞

3.11.4 Tf = 0 ⇒ f = 0 presque partout

Par définition
Tf = 0 ⇔< Tf , φ >= 0
pour toute fonction d’essai φ ∈ D. Qui est encore équivalent à
Z
f (x)φ(x)dx = 0
R

pour toute fonction d’essai φ ∈ D.

Mais toute fonction d’essai φ ∈ D peut s’écrire

φ(x) = e−2iπux ψ,

où u ∈ R et ψ ∈ D (il suffit d’écrire

φ(x) = e−2iπux e2iπux φ(x)

et de poser ψ(x) = e2iπux φ(x)).

Alors Z Z
f (x)φ(x) dx = e−2iπux f (x)ψ(x) = 0
R R
pour toute fonction ψ ∈ D
= F [f ψ](u) = 0
pour tout u ∈ R.
Or F [f ψ](u) = 0 implique que f ψ = 0 presque partout, pour toute fonction ψ ∈ D, donc,en
particulier pour une fonction de la forme ψ = τn ξ1 , où n ∈ Z. Donc f = 0 presque partout sur
chaque intervalle de la forme [n, n + 1],
S c’est-à-dire que l’ensemble En des points de [n, n + 1] où
f 6= 0 est de longueur nulle. Comme n [n, n + 1] = R, on peut dire que l’ensemble des points de
Rn où f 6= 0 est de longueur nulle.

sin λx
3.11.5 Convergence des distributions x
Ceci est un simple exercice, à condition de montrer d’abord le lemme suivant
Lemme 83 Toute fonction φ ∈ D peut s’écrire sous la forme

φ(x) = φ(0) + xψ(x),

où la fonction ψ est une fonction C ∞ .

CHAPITRE 3. DISTRIBUTIONS 19

3.11.6 Résolution de l’équation xT = 0 pour T ∈ D0

Par définition
xT = 0 ⇔< xT, φ >= 0
pour toute fonction φ ∈ D.
Or
< xT, φ >=< T, xφ > .
Il en résulte que T est nulle sur toute fonction χ de la forme χ = xφ avec φ ∈ D. Mais ces fonctions
χ ne remplissent pas tout D. Elles sont en fait caractérisées par la condition χ(0) = 0.
En effet, si χ = xφ avec φ ∈ D, on a χ(0) = 0.
Inversement, si χ ∈ D vérifie χ(0) = 0, on peut l’écrire (voir au paragraphe 3.11.5)

χ(x) = xφ(x),

où φ ∈ D.
Soit alors ψ0 ∈ D une fonction fixée, choisie de telle sorte que ψ0 (0) = 1. On peut écrire, pour
toute fonction ψ ∈ D, lequel est un espace vectoriel

ψ = ψ(0)ψ0 + χ

ψ(0) = ψ(0)ψ0 (0) + χ(0)

= ψ(0) + χ(0)
d’où χ(0) = 0.
Alors
< T, ψ >= ψ(0) < T, ψ0 > + < T, χ >
et compte tenu de ce que
< T, χ >= 0
= ψ(0) < T, ψ0 >
= Cψ(0)
en posant < T, ψ0 >= C

=< Cδ, ψ >

pour toute fonction ψ ∈ D. Donc, T est nécessairement de la forme

T = Cδ.

La réciproque est évidente, car si T = Cδ, on a xT = 0 pour toute constante C.

En résumé
xT = 0 ⇔ T = Cδ,
où C est un nombre complexe.

3.11.7 Résolution de l’équation T 0 = 0 pour T ∈ D0

Cette équation est équivalente à

< T 0 , φ >= − < T, φ >= 0, ∀φ ∈ D.

Par conséquent, T est nulle lorsqu’elle est testée par toute fonction qui est la dérivée d’une fonction
de D. Mais les fonctions φ0 de ce type ne remplissent pas tout D. Elles sont caractérisées en fait
par les deux conditions
φ0 ∈ D
CHAPITRE 3. DISTRIBUTIONS 20

et Z
φ0 = 0,
R
constituant ainsi un sous-espace vectoriel E0 ⊂ D.
On a donc
< T, φ0 >= 0
pour toute fonction φ0 ∈ E0 .
Rappelons que T ne sera connue que si ses valeurs < T, φ > sont connues pour toute φ ∈ D.
Considérons alors une fonction φ1 ∈ D n’appartenant pas à E0 , choisie de telle sorte que
Z
φ1 = 1.
R

L’espace D étant un espace vectoriel, on peut toujours écrire, pour φ ∈ D quelconque

Z
φ = φ1 φ + φ0
R

où φ0 ∈ D.
On remarque que nécessairement φ0 ∈ E0 car
Z Z Z Z
φ= φ1 . φ+ φ0 ,
R R R R

d’où Z
φ0 = 0.
R
De plus, la valeur de T testée par φ ∈ D quelconque sera alors connue si on connaı̂t < T, φ1 >. En
effet Z
< T, φ >=< T, φ1 > φ + < T, φ0 >
R
Le dernier terme étant nul, on a en posant < T, φ1 >= k,
Z
< T, φ >= k φ =< k, φ >
R

pour toute φ ∈ D.
Il en résulte que T est nécessairement de la forme

T = k.

Réciproquement, si T = k on a T 0 = 0. En résumé

T 0 = 0 ⇔ T = k,

où k est une constante complexe.