Mathématiques pour les systèmes dynamiques
© LAVOISIER, 2002 LAVOISIER
11, rue Lavoisier 75008 Paris Serveur web : ww...
152 downloads
3326 Views
7MB Size
Report
This content was uploaded by our users and we assume good faith they have the permission to share this book. If you own the copyright to this book and it is wrongfully on our website, we offer a simple DMCA procedure to remove your content from our site. Start by pressing the button below!
Report copyright / DMCA form
Mathématiques pour les systèmes dynamiques
© LAVOISIER, 2002 LAVOISIER
11, rue Lavoisier 75008 Paris Serveur web : www.hermes-science.com ISBN 2-7462-0565-3 Catalogage Electre-Bibliographie Richard, Jean-Pierre (sous la direction de) Mathématiques pour les systèmes dynamiques Paris, Hermès Science Publications, 2002 ISBN 2-7462-0565-3 RAMEAU : communication, théorie mathématique de la systèmes dynamiques DEWEY : 519 : Probabilités et mathématiques appliquées
Le Code de la propriété intellectuelle n'autorisant, aux termes de l'article L. 122-5, d'une part, que les "copies ou reproductions strictement réservées à l'usage privé du copiste et non destinées à une utilisation collective" et, d'autre part, que les analyses et les courtes citations dans un but d'exemple et d'illustration, "toute représentation ou reproduction intégrale, ou partielle, faite sans le consentement de l'auteur ou de ses ayants droit ou ayants cause, est illicite" (article L. 122-4). Cette représentation ou reproduction, par quelque procédé que ce soit, constituerait donc une contrefaçon sanctionnée par les articles L. 335-2 et suivants du Code de la propriété intellectuelle.
Mathématiques pour les systèmes dynamiques
sous la direction de
Jean-Pierre Richard
Mathématiques pour les systèmes dynamiques sous la direction de Jean-Pierre Richard fait partie de la série SYSTÈMES
TRAITÉ IC2
AUTOMATISÉS
dirigée par Claude Foulard
I NFORMATION – COMMANDE – COMMUNICATION
sous la direction scientifique de Bernard Dubuisson Le traité Information, Commande, Communication répond au besoin de disposer d'un ensemble complet des connaissances et méthodes nécessaires à la maîtrise des systèmes technologiques. Conçu volontairement dans un esprit d'échange disciplinaire, le traité IC2 est l'état de l'art dans les domaines suivants retenus par le comité scientifique : Réseaux et télécoms Traitement du signal et de l'image Informatique et systèmes d'information Systèmes automatisés Productique Chaque ouvrage présente aussi bien les aspects fondamentaux qu'expérimentaux. Une classification des différents articles contenus dans chacun, une bibliographie et un index détaillé orientent le lecteur vers ses points d'intérêt immédiats : celui-ci dispose ainsi d'un guide pour ses réflexions ou pour ses choix. Les savoirs, théories et méthodes rassemblés dans chaque ouvrage ont été choisis pour leur pertinence dans l'avancée des connaissances ou pour la qualité des résultats obtenus dans le cas d'expérimentations réelles.
Liste des auteurs
Brigitte D’ANDRÉA-NOVEL Ecole nationale supérieure des mines de Paris
Eric MOULINES Ecole nationale supérieure des télécommunications Paris
Jean-Pierre BABARY LAAS-CNRS
Toulouse Jean-Pierre BARBOT Ecole nationale supérieure de l’électronique et de ses applications Cergy-Pontoise Emmanuel DELALEAU Université Paris-Sud Orsay Vladimir B. KOLMANOVSKII CINVESTAV
Mexico, Mexique Laurent LEFÈVRE Ecole supérieure d’ingénieurs en systèmes industriels avancés Valence Salvatore MONACO Università La Sapienza Roma, Italie
Jamal NAJIM Ecole nationale supérieure des télécommunications Paris Dorothée NORMAND-CYROT L2S-CNRS
Gif-sur-Yvette Wilfrid PERRUQUETTI Ecole centrale de Lille Pierre PRIOURET Université Pierre et Marie Curie Paris Jean-Pierre RICHARD Ecole centrale de Lille Frédéric ROTELLA Ecole nationale d’ingénieurs de Tarbes Irène ZAMBETTAKIS IUT de Tarbes LAAS-CNRS, Toulouse
7DEOHGHVPDWLqUHV
$YDQWSURSRV -HDQ3LHUUH 5
,&+$5'
5(0,Ê5( 3$57,( 0$7+e0$7,48(6 3285 /(6 6,*1$8; (7 6<67Ê0(6
3
&KDSLWUH 7UDQVIRUPpHV LQWpJUDOHV HW GLVWULEXWLRQV
()Ê95(
/DXUHQW /
0RWLYDWLRQV
7UDQVIRUPDWLRQ GH )RXULHU
7UDQVIRUPDWLRQ GH /DSODFH
'LVWULEXWLRQV 0RWLYDWLRQV
6WUXFWXUHV GH FRQYHUJHQFH HVSDFH GXDO HW GLVWULEXWLRQV
'LVWULEXWLRQV WHPSpUpHV
7UDQVIRUPpHV GH )RXULHU GH GLVWULEXWLRQV
&DUDFWpULVDWLRQV GHV HVSDFHV GH 6REROHY
$SSOLFDWLRQ DX[ SUREOqPHV DX[ OLPLWHV HOOLSWLTXHV
%LEOLRJUDSKLH
&KDSLWUH &DOFXO RSpUDWLRQQHO GH 0LNXVL VNL
/¶DQQHDX GH FRQYROXWLRQ GHV VLJQDX[ j WHPSV FRQWLQX
/¶RSpUDWHXU G¶LQWpJUDWLRQ
)UpGpULF 5
27(//$
'LYLVHXUV GH ]pUR /H FRUSV GHV RSpUDWHXUV
0XOWLSOLFDWLRQ SDU XQ VFDODLUH
/¶RSpUDWHXU GH GpULYDWLRQ
S
)RQFWLRQV G¶RSpUDWHXUV
10
Mathématiques pour les systèmes dynamiques
/¶RSpUDWHXU GH UHWDUG
'pULYDWLRQ HW LQWpJUDWLRQ
(TXDWLRQV GLIIpUHQWLHOOHV G¶RSpUDWHXUV
3URFHVVXV JpQpUDWHXU G¶XQ VLJQDO
6LJQDX[ WUDQVIRUPDEOHV DX VHQV GH /DSODFH
)UDFWLRQV UDWLRQQHOOHV HQ
S
)RQFWLRQV DQDO\WLTXHV
&DOFXO RSpUDWLRQQHO
(TXDWLRQV GLIIpUHQWLHOOHV RUGLQDLUHV j FRHIILFLHQWV FRQVWDQWV
(TXDWLRQV LQWpJUDOHV GH FRQYROXWLRQ
(TXDWLRQV j UHWDUG
(TXDWLRQV DX[ GpULYpHV SDUWLHOOHV
6\VWqPHV HW WUDQVIHUWV
2SpUDWHXU GH WUDQVIHUW
4XHOTXHV FDV SDUWLFXOLHUV
6\VWqPHV PXOWLHQWUpHV PXOWLVRUWLHV
&DV GHV VLJQDX[ j WHPSV GLVFUHW $QQHDX HW TXRWLHQWV GH FRQYROXWLRQ
4XHOTXHV RSpUDWHXUV
&DOFXO RSpUDWLRQQHO
%LEOLRJUDSKLH
&KDSLWUH 3UREDELOLWpV HW pOpPHQWV GH FDOFXO VWRFKDVWLTXH
(ULF 0
28/,1(6 -DPDO 1$-,0 3LHUUH 35,285(7
'pILQLWLRQV JpQpUDOHV
(VSDFH GH SUREDELOLWp
3UREDELOLWp
9DULDEOHV DOpDWRLUHV
4XHOTXHV LQpJDOLWpV XWLOHV
0RPHQWV G¶RUGUH
S HVSDFHV /S
9DULDQFH FRYDULDQFH
,QGpSHQGDQFH PHVXUHV SURGXLWV
)RQFWLRQV FDUDFWpULVWLTXHV WUDQVIRUPpH GH )RXULHU
9DULDEOHV DOpDWRLUHV JDXVVLHQQHV
7KpRUqPHV OLPLWHV
(VSpUDQFH FRQGLWLRQQHOOH
&RQVWUXFWLRQ pOpPHQWDLUH
*pQpUDOLVDWLRQ
3URFHVVXV DOpDWRLUHV
3UHPLqUHV GpILQLWLRQV
5pSDUWLWLRQV ILQLHV
3URFHVVXV JDXVVLHQ
Table des matières /H PRXYHPHQW EURZQLHQ
11
'pILQLWLRQ
3URSULpWpV GHV WUDMHFWRLUHV GX PRXYHPHQW EURZQLHQ
)LOWUDWLRQV SURFHVVXV DGDSWpV
0DUWLQJDOHV
7KpRUqPHV G¶DUUrW
,QpJDOLWpV PD[LPDOHV
7KpRUqPHV GH FRQYHUJHQFH
&DOFXO VWRFKDVWLTXH
&RQVWUXFWLRQ GH O¶LQWpJUDOH VWRFKDVWLTXH
&RQWLQXLWp GH O¶LQWpJUDOH VWRFKDVWLTXH
0DUWLQJDOHV ORFDOHV 0RXYHPHQW EURZQLHQ
GGLPHQVLRQQHO
(VSDFHV JDXVVLHQV
3URFHVVXV G¶,W{
(TXDWLRQV GLIIpUHQWLHOOHV VWRFKDVWLTXHV ('6
,QWURGXFWLRQ
6ROXWLRQ GHV ('6 FDV OLSVKLW]LHQ
'pSHQGDQFH HQ IRQFWLRQ GHV FRQGLWLRQV LQLWLDOHV
&DUDFWqUH PDUNRYLHQ GHV VROXWLRQV
(TXDWLRQV GLIIpUHQWLHOOHV VWRFKDVWLTXHV OLQpDLUHV
%LEOLRJUDSKLH
(8;,Ê0( 3$57,( 6<67Ê0(6 '<1$0,48(6
&KDSLWUH 2XWLOV GH JpRPpWULH GLIIpUHQWLHOOH
'
%ULJLWWH
'¶$1'5e$129(/
1RWLRQ GH YDULpWp GLIIpUHQWLHOOH
(VSDFH WDQJHQW
&KDPS GH YHFWHXUV HW FURFKHW GH /LH
(VSDFH FRWDQJHQW IRUPHV GLIIpUHQWLHOOHV HW GLVWULEXWLRQV
%LEOLRJUDSKLH
&KDSLWUH (TXDWLRQV GLIIpUHQWLHOOHV RUGLQDLUHV
$SSOLFDWLRQ j O¶pWXGH GH OD FRPPDQGDELOLWp
:LOIULG 3
(55848(77,
,QWURGXFWLRQ
%LRORJLH
&KLPLH
(OHFWULFLWp
(OHFWURQLTXH
(OHFWURWHFKQLTXH
0pFDQLTXH
12
Mathématiques pour les systèmes dynamiques
(TXDWLRQV GLIIpUHQWLHOOHV RUGLQDLUHV VRXV IRUPH LPSOLFLWH
'pILQLWLRQV
4XHOTXHV pTXDWLRQV SDUWLFXOLqUHV
(TXDWLRQV GLIIpUHQWLHOOHV GX SUHPLHU RUGUH
1RWLRQ GH VROXWLRQ
&ODVVLILFDWLRQ
1RWLRQ GH IORW
&RPSDUDLVRQ GH VROXWLRQV LQpJDOLWpV GLIIpUHQWLHOOHV
4XHOTXHV FDUDFWpULVDWLRQV GH FRPSRUWHPHQWV
(QVHPEOHV UHPDUTXDEOHV 3URSULpWpV
&DV OLQpDLUH DXWRQRPH
&DOFXO GHV VROXWLRQV
&RQGLWLRQV GH VWDELOLWp
'LVFUpWLVDWLRQ G¶XQH pTXDWLRQ G¶pWDW OLQpDLUH DXWRQRPH
(WXGH GH FRPSRUWHPHQWV UpVXOWDWV ORFDX[
6WDELOLWp VWUXFWXUHOOH
'X PRGqOH OLQpDLUH DX PRGqOH QRQ OLQpDLUH
6WDELOLWp VHFRQGH PpWKRGH GH /LDSRXQRY HW UpVXOWDWV JOREDX[
)RQFWLRQV GH FRPSDUDLVRQ
)RQFWLRQV GH /LDSRXQRY
7KpRUqPHV DVVRFLpV j OD VHFRQGH PpWKRGH GH /LDSRXQRY
7KpRUqPHV GH =XERY HW *UXMLü
3ULQFLSH G¶LQYDULDQFH /D 6DOOH
7KpRUqPHV UpFLSURTXHV
7KpRUqPHV G¶LQVWDELOLWp
([WHQVLRQV YHFWRULHOOHV
7KpRULHV GHV SHUWXUEDWLRQV HW GH PR\HQQLVDWLRQ
,QWURGXFWLRQ
3HUWXUEDWLRQV UpJXOLqUHV
3HUWXUEDWLRQV VLQJXOLqUHV
0R\HQQLVDWLRQ
%LIXUFDWLRQ HW FKDRV 'pSHQGDQFH G¶XQ SDUDPqWUH
%LIXUFDWLRQ ORFDOH GH FRGLPHQVLRQ
&KDRV
%LEOLRJUDSKLH
&KDSLWUH $OJqEUH GLIIpUHQWLHOOH
(PPDQXHO '
(/$/($8
,QWURGXFWLRQ
7KpRULH GHV FRUSV
Table des matières
13
$OJqEUH GLIIpUHQWLHOOH
&RUSV GLIIpUHQWLHO
([WHQVLRQ GH FRUSV GLIIpUHQWLHOV
%DVH GH WUDQVFHQGDQFH GLIIpUHQWLHOOH
'HJUp GH WUDQVFHQGDQFH GLIIpUHQWLHO
&RQVWUXFWLRQ GH O¶H[WHQVLRQ GLIIpUHQWLHOOH DVVRFLpH j XQ V\VWqPH G¶pTXDWLRQV GLIIpUHQWLHOOHV
6\VWqPHV HW G\QDPLTXHV
6\VWqPH QRQ OLQpDLUH
(QWUpH
'\QDPLTXH
6RUWLH
(WDW HW UpDOLVDWLRQ
,QYHUVLRQ HQWUpHVRUWLH
5DQJ GLIIpUHQWLHO GH VRUWLH
,QYHUVLRQ j JDXFKH LQYHUVLRQ j GURLWH
3ULQFLSDOHV SURSULpWpV VWUXFWXUHOOHV
3ODWLWXGH
2EVHUYDELOLWp
%RXFODJHV
1RWLRQV GH ERXFODJH
%RXFODJH G¶pWDW
%RXFODJH TXDVL VWDWLTXH G¶pWDW
6\QWKqVH SDU ERXFODJHV
'pFRXSODJH
5HMHW GH SHUWXUEDWLRQV
/LQpDULVDWLRQ
([HPSOH
0RGqOH
&RQVWUXFWLRQ GH O¶H[WHQVLRQ GLIIpUHQWLHOOH
&KRL[ GH O¶HQWUpH HW UpDOLVDWLRQ SDU YDULDEOHV G¶pWDW
3ODWLWXGH
'pFRXSODJH HW OLQpDULVDWLRQ
5HMHW GH SHUWXUEDWLRQV
%LEOLRJUDSKLH
&KDSLWUH (TXDWLRQV GLIIpUHQWLHOOHV j VHFRQG PHPEUH GLVFRQWLQX
(55848(77, HW -HDQ3LHUUH %$5%27
:LOIULG 3
,QWURGXFWLRQ
5DSSHOV G¶DQDO\VH FRQYH[H
(QVHPEOHV FRQYH[HV
0XOWLIRQFWLRQV
14
Mathématiques pour les systèmes dynamiques
,QFOXVLRQV GLIIpUHQWLHOOHV SUREOqPH GH &DXFK\
1RWLRQ GH VROXWLRQ
([LVWHQFH GHV VROXWLRQV
,QWpJUDWLRQ QXPpULTXH
$QDO\VH GHV VROXWLRQV
([HPSOHV
0RGHV JOLVVDQWV FODVVLTXHV
0RGHV JOLVVDQWV G¶RUGUH VXSpULHXU
%LEOLRJUDSKLH
&KDSLWUH 'pYHORSSHPHQWV GH 9ROWHUUD SRXU OHV V\VWqPHV QRQ OLQpDLUHV HQ WHPSV GLVFUHW
21$&2 HW 'RURWKpH 1250$1'&<527
6DOYDWRUL 0
,QWURGXFWLRQ
&RQWH[WH
&ODVVHV G¶pTXDWLRQV DX[ GLIIpUHQFHV
)RQFWLRQQHOOHV HQWUpHpWDW HW HQWUpHVRUWLH
&DV OLQpDLUH
&DV QRQ OLQpDLUH PRQRYDULDEOH
4XHOTXHV RXWLOV PDWKpPDWLTXHV
'pULYpH GH /LH
6pULH GH /LH
([SRQHQWLHOOH WHQVRULHOOH
6pULHV GH 9ROWHUUD HW FDOFXO GHV QR\DX[
([SUHVVLRQ GHV QR\DX[ GH 9ROWHUUD
&DV GHV V\VWqPHV OLQpDLUHV
&DV GHV V\VWqPHV ELOLQpDLUHV
&DV GHV V\VWqPHV DIILQHV RX OLQpDLUHV DQDO\WLTXHV
4XHOTXHV UpVXOWDWV GH UpDOLVDWLRQ
&DV GHV V\VWqPHV OLQpDLUHV
8Q UpVXOWDW GH UpDOLVDWLRQ QRQ OLQpDLUH
8Q SRLQW GH YXH JpRPpWULTXH
6\VWqPHV OLQpDLUHV HW LQYDULDQFH
6\VWqPHV QRQ OLQpDLUHV LQYDULDQFH HW GpFRPSRVLWLRQV
%LEOLRJUDSKLH
ORFDOHV
&KDSLWUH (TXDWLRQV GLIIpUHQWLHOOHV j UHWDUG
2/0$1296.,, HW -HDQ3LHUUH 5,&+$5'
9ODGLPLU % .
,QWURGXFWLRQ
&ODVVHV G¶pTXDWLRQV GLIIpUHQWLHOOHV IRQFWLRQQHOOHV
(TXDWLRQV j UHWDUGV SRQFWXHOV
Table des matières
(TXDWLRQV UHWDUGpHV JpQpUDOHV UHWDUGV GLVWULEXpV
15
1RWDWLRQV FRPSOpPHQWDLUHV
/H SUREOqPH GH &DXFK\ SRXU OHV ('5
0pWKRGH SDV j SDV
6WDELOLWp GHV V\VWqPHV j UHWDUGV
1RWLRQ G¶pTXLOLEUH SRXU XQH ('5
'pILQLWLRQV UHODWLYHV j OD VWDELOLWp GHV ('5
6WDELOLWp GHV V\VWqPHV OLQpDLUHV VWDWLRQQDLUHV
3UHPLqUH PpWKRGH GH /LDSRXQRY
&DV GHV UHWDUGV IDLEOHV
0pWKRGH GLUHFWH GH /LDSRXQRY
6WDELOLWp HW pTXDWLRQV GH 5LFFDWL
3ULQFLSH GH FRPSDUDLVRQ
([HPSOH G¶DSSOLFDWLRQ
&RPSOpPHQWV ELEOLRJUDSKLTXHV
%LEOLRJUDSKLH
&KDSLWUH 6\VWqPHV j SDUDPqWUHV GLVWULEXpV
$%$5< HW ,UqQH =$0%(77$.,6
-HDQ3LHUUH %
,QWURGXFWLRQ
/H FDGUH IRQFWLRQQHO
(VSDFHV YHFWRULHOV QRUPpV GH GLPHQVLRQ LQILQLH
2SpUDWHXUV VXU GHV HVSDFHV YHFWRULHOV GH GLPHQVLRQ LQILQLH
2SpUDWHXUV VXU GHV HVSDFHV GH +LOEHUW
7KpRULH VSHFWUDOH &DV JpQpUDO OHV RSpUDWHXUV IHUPpV
&DV GHV RSpUDWHXUV FRPSDFWV
7KpRULH GHV VHPLJURXSHV
1RWLRQ GH VHPLJURXSH
/H SUREOqPH GH &DXFK\
0pWKRGHV G¶DSSUR[LPDWLRQ
6\VWqPHV OLQpDLUHV OD PpWKRGH GHV IRQFWLRQV SURSUHV
6\VWqPHV QRQ OLQpDLUHV OD PpWKRGH GHV UpVLGXV SRQGpUpV
0LVH HQ °XYUH GH OD PpWKRGH GH FROORFDWLRQ SDU SRLQWV
%LEOLRJUDSKLH
,QGH[
17
Avant-propos
Cet ouvrage fait suite au livre Algèbre et analyse pour l'automatique paru dans cette même collection. Même si leurs dates de parution dièrent, ces deux ouvrages ont été conçus simultanément et leur ensemble pourrait s'intituler Outils mathématiques pour l'automatique . La problématique fondamentale de l'automatique est celle de la conception, de la mise en ÷uvre et de l'exploitation des moyens permettant à l'homme de maîtriser le comportement de systèmes complexes, naturels ou articiels. Science des systèmes1 , elle constitue donc une discipline transversale à de nombreux domaines d'application : elle intervient ainsi dans les sciences pour l'ingénieur, celles de l'information et de la communication, celles du vivant... Cependant, si les concepts sur lesquels elle se fonde (rétroaction, modélisation, système dynamique, état, signal, optimalité...) présentent une ecacité pratique indéniable, leur apprentissage comme leur développement nécessitent d'accéder à un bagage d'outils mathématiques assez variés. Ceci constitue une caractéristique de la discipline : il sut pour s'en convaincre d'interroger les étudiants de licences et maîtrises IEEA, des écoles d'ingénieurs ou des formations permanentes. Tous lui accordent une place à part (en bien ou en mal !) liée à son niveau de théorisation relativement exigeant. La question se pose alors de dénir une boîte à outils mathématiques assez riche et susamment compacte, à laquelle puissent faire appel les étudiants en formation initiale, mais également les doctorants et chercheurs conrmés. Notre but a donc été de réunir une variété susante d'outils mathématiques impliqués dans le domaine de l'automatique, en un minimum de pages et à un niveau susamment poussé. Le lecteur familier de ces disciplines (et de la recherche en général) imaginera aisément la gageure d'un tel objectif ! Car il est bien certain que de tels outils sont en constante évolution et que la seule possibilité réaliste était d'en donner une photographie instantanée portant sur des besoins relativement stabilisés. 1 Le concept de système , entendu en tant qu'outil pour la modélisation et l'utilisation de la complexité, implique la prise en compte conjointe de plusieurs points de vue : opérations créant une dynamique temporelle, auto-évolution de ces opérations par rétroaction, prise en compte de l'environnement, émergence d'une nalité, avec non-séparabilité de ces diérents aspects. On peut considérer que l'automatique contribue directement à l'étude de ces questions.
18
Mathématiques pour les systèmes dynamiques
Après avoir établi un bilan des concepts mathématiques nécessaires, la solution retenue a donc été de les présenter en deux livres traitant deux aspects complémentaires de façon relativement indépendante : un premier ouvrage, déjà mentionné, a rassemblé les éléments d'analyse, d'algèbre et d'optimisation : Analyse (Topologie - Dérivations et intégrations Fonctions à variable complexe Séries et fonctions orthogonales), Algèbre et polynômes (Structures algébriques Polynômes Quasi-polynômes), Matrices (Formulaire de calcul matriciel Equations matricielles classiques Faisceaux matriciels Matrices polynomiales et rationnelles) et Optimisation (en dimension nie ou non) ; le présent ouvrage concerne les outils mathématiques pour les systèmes dynamiques : Mathématiques pour les signaux et systèmes (Distributions, transformées de Laplace, de Fourier, en z Calcul opérationnel de Mikuzi«ski Probabilités et calcul stochastique) et Systèmes dynamiques (Géométrie diérentielle Equations diérentielles ordinaires Algèbre diérentielle Equations diérentielles avec discontinuités Equations aux diérences Equations diérentielles à retards Systèmes à paramètres distribués). Cette solution en deux volumes indépendants nous a semblé constituer un compromis ecace entre, d'une part, une concision trop importante qui aurait privé l'ouvrage de son intérêt pour un public exigeant, et d'autre part, une exhaustivité aussi gourmande en place qu'inaccessible. Sur la base de ce découpage, nous avons fait appel à des auteurs spécialistes de chacun des domaines, gardant une vue d'ensemble sur la discipline et ayant aussi une bonne expérience pédagogique. Ainsi, chaque chapitre fait-il référence à diérents domaines d'utilisation en automatique. Bien sûr, ces exemples restent volontairement réduits puisqu'ils ne constituent qu'un échantillonnage de certains thèmes traités dans la collection Automatique dirigée par Claude Foulard, dans le cadre plus général du Traité Information, Commande, Communication . Par ailleurs, nous espérons que ce livre, volontairement ouvert, ne se limitera pas au seul public automaticien mais pourra être une source d'information pour d'autres utilisateurs de mathématiques. C'est en tous cas dans cette intention qu'il a été conçu. Pour conclure, je souhaite remercier ici tous les auteurs qui ont accepté de contribuer à cet ouvrage : la relecture et l'unication de leurs diérentes contributions m'ont permis de constater, avec plaisir, la grande variété des connaissances exposées dans ces dix chapitres.
Jean-Pierre Richard
35(0,Ê5( 3$57,(
0DWKpPDWLTXHVSRXUOHVVLJQDX[ HWV\VWqPHV
Chapitre 1
Transformées intégrales et distributions 1.1. Motivations Les transformées de Fourier et de Laplace sont des outils usuels d'analyse des systèmes linéaires. De façon à comprendre l'adéquation de ces outils, cette section de motivations considère brièvement une description informelle1 des systèmes linéaires et des signaux entrées et sorties associés. Soit u(t) une grandeur réelle (scalaire ou vectorielle) dont la dépendance par rapport au temps est considérée comme donnée (u(t) est appelé signal d'entrée) et soit y(t) une grandeur réelle (scalaire ou vectorielle, appelée signal de sortie) dont la dépendance par rapport au temps est déterminée par la connaissance du signal d'entrée et par la donnée d'un opérateur N spéciant les caractéristiques du système considéré. L'opérateur N transforme les signaux de l'espace des entrées U en signaux de l'espace des sorties Y (U et Y sont supposés être des espaces vectoriels, au moins), de telle sorte qu'à toute entrée u(t) ∈ U corresponde une sortie notée : y(t) = N (u(t)) ∈ Y.
(1.1)
On supposera en général que le système considéré est continu , c'est-à-dire qu'à toute suite {un }n≥1 convergeant vers 0 dans U , correspond une suite {yn }n≥1 convergeant vers N (0) dans Y . Etant donnée la très grande variété de signaux d'entrées possibles, il peut sembler opportun de les décomposer en signaux élémentaires dont les réponses correspondantes soient bien connues. Or, dans le cas des systèmes linéaires et stationnaires, il est aisé de montrer que les exponentielles complexes sont fonctions propres de l'opérateur N , c'est-à-dire : N est = H(s)est ,
(1.2)
où s ∈ C est un nombre complexe quelconque et H est une fonction de s appelée réponse isomorphe ou fonction de transfert. De cette observation naît l'idée 1 Par description informelle, nous entendons une description où toutes les hypothèses techniques concernant la nature des signaux d'entrées ne sont pas spéciées.
Chapitre rédigé par Laurent
.
Lefèvre
22
Mathématiques pour les systèmes dynamiques
de décomposer la plus large classe possible de signaux comme combinaisons linéaires2 d'exponentielles complexes, puis d'utiliser la linéarité de l'opérateur N pour reconstruire la réponse à un signal d'entrée donné, comme combinaison linéaire des réponses élémentaires. Cette idée est à la base de l'analyse fréquentielle. En eet, la réponse du système à une fréquence donnée intervient par l'intermédiaire de la fonction exponentielle : eiωt = cos (ωt) + i sin (ωt) ,
(1.3)
où ω ∈ R (la pulsation) est un nombre réel. Pour ce cas particulier (s = iω), on obtient une réponse isomorphe de la forme H(iω), appelée réponse en fréquence. L'idée de décomposition élémentaire du signal d'entrée peut également être exploitée pour caractériser la réponse de systèmes linéaires autonomes dans le domaine temporel. A cet eet, dénissons l'échelon unité comme suit :
1+ (t) ,
1 pour t > 0, 0 pour t < 0, 1 2 pour t = 0,
(1.4)
et notons y1+ (t) la réponse à cette entrée (réponse indicielle ). La dérivée de l'échelon unité est nulle en tout point, hormis en t = 0 où elle n'existe pas. Cette dérivée ne peut donc être considérée comme une fonction : il s'agit d'une distribution , qui est appelée impulsion de Dirac et notée δ(t). La réponse à δ(t), notée h(t), est la réponse impulsionnelle (elle aussi peut n'avoir de sens que dans le cadre de la théorie des distributions). Or, pour les systèmes linéaires stationnaires, la réponse à la dérivée d'un signal est la dérivée de la réponse au signal (dans la mesure où ces dérivées ont un sens). Nous pouvons déduire : dy1+ (t) = h(t). dt
(1.5)
Dès lors que cette réponse impulsionnelle est connue, il est possible de calculer la réponse à un signal d'entrée quelconque u(t) sous la forme [ZAD 63] : Z y(t) = 0
t
h(t − τ )u(τ )dτ ,
(1.6)
ces développements n'ayant ici encore de sens que dans le cadre de la théorie des distributions. L'intégrale (1.6) est appelée intégrale de Duhamel (ou encore de Carson, ou de superposition ). Elle est un exemple de produit de convolution entre deux fonctions et explique en grande partie l'intérêt des transformées pour l'étude des systèmes linéaires stationnaires. En eet, comme nous le verrons par la suite, au produit de convolution (1.6) dans le domaine temporel, correspond un simple produit de fonctions dans le domaine fréquentiel (ou de Laplace). 2 Il s'agit de sommes dans le cas des séries de Fourier ou d'intégrales dans le cas des transformées de Fourier et de Laplace.
Transformées intégrales et distributions
23
Ainsi, l'étude de ce type de relations entrées-sorties est-elle considérablement facilitée par le biais des transformées intégrales. Les quelques développements qui précèdent montrent que le cadre des espaces de fonctions classiques doit être considérablement élargi pour que puissent être dénies avec précision, et sans ambiguïté, les notions nécessaires à l'étude de la réponse des systèmes linéaires stationnaires. C'est pourquoi, dans ce chapitre, après avoir passé en revue quelques notions élémentaires sur les transformées de Fourier et de Laplace, une large part sera consacrée à la théorie des distributions et aux résultats concernant leurs transformées. Remarquons que seul le caractère linéaire et stationnaire de l'opérateur N entre en jeu pour dénir une représentation intégrale de Duhamel et son correspondant dans le domaine de Laplace. La nature de la réalisation du système linéaire n'intervient ni dans l'énoncé, ni dans la démonstration du résultat. C'est pourquoi ces représentations s'appliquent aussi bien aux systèmes d'équations diérentielles ordinaires (en abrégé, EDO) qu'aux équations aux dérivées partielles (en abrégé, EDP), aux équations diérentielles à retards, aux équations intégro-diérentielles ou aux équations diérentielles d'ordre non entier (ou fractionnaire). Notons encore que la nature des espaces U et Y choisis détermine également l'existence d'une représentation de Duhamel et les propriétés de la réponse impulsionnelle associée. Par exemple, dans le cas où les signaux entrées sont restreints à l'espace des fonctions déclinantes (ou à décroissance rapide , voir paragraphe 1.4.2), la réponse impulsionnelle peut être comprise au sens d'une distribution tempérée. Dans le cas où les entrées sont des fonctions continues à support compact, on parlera pour la réponse impulsionnelle de mesure de Radon. Si, par contre, les signaux d'entrée et de sortie doivent rester dans l'espace des fonctions continues et bornées, alors l'opérateur N linéaire et stationnaire possédera une représentation de Duhamel du type : Z y(t) = 0
t
u(τ )dg(t − τ ),
(1.7)
où g est une fonction à variation bornée dénie sur R+ , non décroissante (la mesure dg peut donc comprendre des impulsions de Dirac), si et seulement si l'opérateur N possède la propriété de mémoire évanescente [BOY 85]. Ainsi, les distributions apparaissent naturellement comme le cadre théorique approprié pour l'étude des systèmes linéaires et des signaux associés. De plus, la représentation de Duhamel nous montre que les transformées de Fourier et de Laplace peuvent être un outil performant pour l'analyse de tels systèmes. Nous verrons que ces deux approches (théorie des transformées et distributions) sont aussi le cadre naturel d'étude des problèmes d'échantillonnage de signaux continus, quelle que soit la nature du système dont ils sont issus.
24
Mathématiques pour les systèmes dynamiques
1.2. Transformation de Fourier Comme cela a déjà été mentionné, la transformée de Fourier d'une fonction est une décomposition de cette fonction en fonctions élémentaires, de type exponentielle complexe. Plutôt que de ne considérer que les fonctions d'une variable scalaire (généralement, le temps), il est possible de dénir la transformée de Fourier de fonctions à n variables réelles de la manière suivante. Dénition 1. La transformée de Fourier d'une fonction u ∈ L1 (Rn ) est dénie sur Rn par : Z (Fu) (η) = u b(η) ,
u(ξ)e−2iπξη dξ,
Rn
où ξη , hξ, ηiRn . La transformée ub est ainsi bien dénie car :
−2iπξη e = 1, ∀ξ, η ∈ Rn .
(1.8)
La présence du facteur d'échelle 2π est optionnelle, mais simplie un certain nombre de développements. Dans la suite, nous utiliserons intensivement l'espace de Schwartz des fonctions à décroissance rapide, notamment pour dénir les distributions, mais aussi pour étendre la dénition de transformée de Fourier aux fonctions de carré intégrable. Dénition 2. Soit α , (α1 , . . . , αn ) ∈ Nn un multi-indice. Nous utiliserons pour les multi-indices les conventions de notation suivantes : |α| , α1 + . . . + αn , ∀α ∈ Nn , αn n n 1 ξα , ξα 1 . . . ξ n , ∀α ∈ N , ∀ξ ∈ R , α1 αn ∂ ∂ ∂ α = ∂1α1 . . . ∂nαn , α1 . . . αn , ∀α ∈ Nn , ∀ξ ∈ Rn . ∂ξ 1 ∂ξ n
Avec ces notations, l' espace de Schwartz sur Rn (espace des fonctions déclinantes) est déni par : (
S (Rn ) ,
) u ∈ C ∞ (Rn ) : ∀α, β ∈ Nn , sup ξ α ∂ β u(ξ) < ∞ . ξ∈Rn
(1.9)
Les fonctions de cet espace sont aussi appelées fonctions à décroissance rapide. Etant donnée la régularité et la décroissance de ces fonctions, il est facile de démontrer les propriétés qui suivent de la transformée de Fourier dans S (Rn ). Proposition 1. Soient une fonction u ∈ S (Rn ) et un multi-indice α ∈ Nn . Alors F ((−2iπξ)α u) = ∂ α F (u) et F (∂ α u) = (−2iπξ)α F (u).
Transformées intégrales et distributions
25
Ainsi, dans S (Rn ), la transformée de Fourier échange les dérivations et les multiplications par des puissances. Cette propriété explique l'intérêt de cette transformée non seulement dans la résolution d'équations diérentielles (pour lesquelles on préfère cependant, en général, la transformée de Laplace ou de Mikusi«ski), mais également en théorie des équations aux dérivées partielles. Ces équations se traduisent en eet par une équation algébrique donnant la transformée de Fourier de la solution. Dénition 3. Soient u : Rn → C, a ∈ Rn et λ ∈ R0 (R privé de 0). L'opération de translation est dénie par τ a u(ξ) , u(ξ − a), celle de réexion par u˘(ξ) , u(−ξ) et celle de dilatation par ∂λ u(ξ) , u(ξ/λ). Il est alors aisé de démontrer les propriétés suivantes de la transformée de Fourier dans L1 (Rn ) (et donc aussi dans S (Rn )).
Proposition 2. SoientR u, v ∈ L1 (Rn ) , a ∈ Rn et λ ∈ R0 . On a alors : R
(i) u b(ξ)v(ξ)dξ = Rn u(ξ)b v (ξ)dξ ; Rn (ii) F (τ a u) = e−2iπa· F (u) ; (iii) F (∂λ u) = |λ|n ∂1/λ F (u) ; (iv) F u˘(ξ) = ub(−ξ). Une autre propriété fondamentale de la transformée de Fourier est la formule d'inversion énoncée dans la proposition suivante [WIL 95]. Théorème 1. La transformation de Fourier F : S (Rn ) → S (Rn ) est une bijection linéaire telle que (F ◦ F ) (u) = u˘ (dilatation dénie en 3), ∀u ∈ S (Rn ). Cette propriété fondamentale établit l'existence d'une correspondance biunivoque entre les fonctions de S (Rn ) et leurs transformées. Elle permet, par exemple, de transformer certains problèmes diérentiels dans le domaine temporel en problèmes algébriques dans le domaine fréquentiel puis, à l'aide de tables de transformées, d'utiliser la solution fréquentielle pour déterminer la solution temporelle. La même démarche peut par ailleurs s'appliquer aussi bien pour les EDO (équations diérentielles ordinaires) que pour les EDP (équations aux dérivées partielles), puisque cette formule d'inversion est valable pour la transformée dans Rn . Munissons l'espace S (Rn ) du produit scalaire dans L2 (Rn ) et de la norme associée. La proposition 2 (i ) et la formule d'inversion de Fourier permettent de conclure que, ∀u, v ∈ S (Rn ) : Z hb u, b v i2 =
Rn
u b(ξ)b v (ξ)dξ = hu, vi2 ,
(1.10)
identité appelée égalité de Plancherel (ou, parfois, de Parseval ). Elle traduit le caractère isométrique de la transformation de Fourier dans L2 (Rn ) (voir plus loin pour l'extension à L2 (Rn ) de cette transformée). Nous avons vu que le produit de convolution est une représentation possible des systèmes linéaires
26
Mathématiques pour les systèmes dynamiques
stationnaires. Le produit de convolution de deux fonctions u, v ∈ S (Rn ) peut être facilement déni en observant que : |u(ξ − η)v(η)| ≤ kuk∞ |v(η)| .
(1.11)
Dès lors, le membre de gauche de (1.11) vit dans L1 (Rn ) et la dénition qui suit a un sens. Dénition 4. Le produit de convolution de u et v ∈ S (Rn ) est déni par : Z
(u ∗ v) (ξ) ,
Rn
u(ξ − η)v(η)dη.
Les propriétés qui suivent justient l'utilité de la transformation de Fourier dans l'analyse des systèmes linéaires stationnaires représentés par des opérateurs de convolution entrée-sortie. Proposition 3. Si u, v ∈ S (Rn ), alors : (i) u ∗ v ∈ S (Rn ) ; (ii) F (u ∗ v) = ubvb; (iii) F (uv) = ub ∗ vb. Jusqu'à présent, nous avons déni la transformée de Fourier dans L1 (Rn ) et dans S (Rn ). Cependant, dans l'étude des signaux, l'espace L2 (Rn ) joue un rôle fondamental, notamment parce que sa norme dénit souvent l'énergie contenue dans un signal. C'est en outre un espace de Hilbert réexif, ce qui rend son utilisation fort commode. L'extension de la transformée de Fourier à L2 (Rn ) se fait à l'aide d'un résultat de densité bien connu (voir une démonstration dans [WIL 95]). Dénition 5. L'espace des fonctions tests de n variables réelles est déni par : D (Rn ) , {u ∈ C ∞ (Rn ) : suppt (u) est un compact de Rn }, où suppt (u) est le support de la fonction u : suppt (u) , {ξ ∈ Rn : u(ξ) 6= 0} . (1.12) Théorème 2. L'espace des fonctions tests D (Rn ) est dense dans l'espace Lp (Rn ) pour tout p ≥ 1.
Comme l'espace des fonctions déclinantes contient cet espace des fonctions tests, le résultat de densité s'applique aussi à S (Rn ). De plus, l'égalité de Plancherel garantit la continuité de la transformation de Fourier : F : S (Rn ) → S (Rn ) ⊂ L2 (Rn ) ,
(1.13)
et, dès lors, il existe un et un seul prolongement de cette transformation à l'espace L2 (Rn ) (par un résultat classique de densité, voir notamment [RIC 01]). C'est ce prolongement unique que nous dénissons comme transformée de Fourier d'une fonction de L2 (Rn ). Si u ∈ L2 (Rn ) ∩ L1 (Rn ), alors les dénitions par prolongement et dans L1 (Rn ) (dénition intégrale) sont équivalentes.
Transformées intégrales et distributions
27
Des propriétés précédemment établies pour la transformation de Fourier des fonctions déclinantes peuvent ainsi s'étendre aux fonctions de L2 (Rn ), par densité et grâce à la continuité de la transformée de Fourier, du produit scalaire ou de la norme dans L2 (Rn ). Par exemple, l'égalité de Plancherel montre que la transformation de Fourier est une isométrie de L2 (Rn ). Il est ainsi aisé d'établir la proposition suivante. Proposition 4. Pour toutes fonctions u, v ∈ L2 (Rn ), on a : (i) (F ˘; R R ◦ F ) (u) = u (ii) Rn ub(ξ)v(ξ)dξ = Rn u(ξ)b v (ξ)dξ ; R (iii) hb u, vbi2 = Rn u b(ξ)b v (ξ)dξ = hu, vi2 ; (iv) kuk2 = kb uk2 . Lorsque la fonction u est un signal dépendant seulement de la variable temps (u = u(t)), la transformation de Fourier en donne une décomposition en fréquence (voir équation (1.3) ). En pratique, il est souvent souhaitable de n'eectuer cette décomposition que sur une bande de fréquence limitée, c'està-dire de restreindre la transformée de Fourier à un intervalle de pulsations [−Ω, +Ω] , Ω ∈ R+ . Appelons u b (ω) la transformée de Fourier du signal u(t) non restreint et reconstruisons le signal temporel correspondant à la restriction à de cette transformée, c'est-à-dire, d'après le théorème d'inversion de Fourier (théorème 1) : Z
uΩ (t) ,
+Ω
−Ω
u b (ω) e2iπωt dω.
(1.14)
En permutant les ordres d'intégration (formule de Fubini [RIC 01]), on obtient : Z uΩ (t) =
Z
+∞
+Ω
u(τ ) −∞ Z +∞
=
e2iπω(t−τ ) dωdτ
−Ω
u(τ ) −∞
(1.15)
sin (2Ω(t − τ )) dτ , π(t − τ )
avec en particulier, pour la fonction échelon unité u(t) = 1+ (t) : Z
+∞
sin (2Ω(t − τ )) dτ π(t − τ ) 0 Z 1 2πΩt sin τ 1 dτ = + 2 π 0 τ 1 1 = + Si (2πΩt) , 2 π
uΩ (t) =
(1.16)
où la fonction Si est le sinus intégral. La valeur de la fonction uΩ (t) est représentée à la gure 1.1. Notons que, pour Ω croissant, l'abscisse du premier maximum positif (1/2Ω) décroît. En un certain sens, la fonction se rapproche ainsi de l'échelon unité. Cependant, en ce premier maximum, la fonction vaut
28
Mathématiques pour les systèmes dynamiques
environ 1.09, indépendamment de la valeur de Ω. Ce phénomène a reçu le nom de phénomène de Gibbs. Il peut être généralisé à toute fonction comportant un nombre ni de discontinuités de première espèce, pour lesquelles la convergence de uΩ (t) n'est pas uniforme.
1
0.8
0.6
0.4
0.2
-1
0
1
2
3
Figure 1.1. Fonction uΩ (t) pour Ω = 1 et Ω = 10 Remarquons que nous avons pris quelques libertés par rapport à la dénition de transformée de Fourier telle que nous l'avons formulée jusqu'ici. En eet, la fonction u(t) = 1+ (t) n'est ni dans S (Rn ), ni dans aucun espace Lp (Rn ) , p ≥ 1, atteint par densité. Ainsi, la restriction à un spectre borné [−Ω, +Ω] de la transformée ub (ω) n'a pas encore reçu de sens précis. Nous verrons plus loin que, pour dénir correctement celle-ci, nous aurons besoin de la théorie des distributions. Nous allons conclure cette section consacrée à la transformée de Fourier par un résultat fréquemment utilisé : un théorème d'échantillonnage pour les signaux à spectre borné. Les signaux à spectre borné jouent un rôle particulier dans les applications où le choix est souvent fait de ne travailler que sur une bande de fréquence déterminée. Par dilatation, il est toujours possible de se ramener aux signaux à spectre inclus dans l'intervalle fondamental I , − 12 , + 21 (dont le complémentaire dans R sera noté R \ I). Dénition 6. L' espace des signaux L2 (R) à spectre borné est déni par : BL2 , {u ∈ L2 (R) : u b(ω) = 0 p.p. dans R \ I} .
Transformées intégrales et distributions
29
Ce sous-espace est muni du produit scalaire usuel dans L2 (R). Ce sous-espace de L2 (R) jouit de quelques propriétés très intéressantes. Tout d'abord, il s'agit d'un sous-espace fermé (il est donc complet). Ensuite, les signaux de L2 (R) à spectre borné sont en fait continus et kuk∞ ≤ kuk2 . La suite {τ k sinc}k∈Z , où τ k est l'opérateur de translation par un nombre entier k et où la fonction sinc est le sinus cardinal déni par :
sin πt πt ,
sinc (t) ,
0,
t 6= 0, t = 0,
(1.17)
est une base hilbertienne de BL2 [WIL 95]. Dès lors, cette base hilbertienne peut être utilisée pour décomposer toute fonction à spectre borné, ce qui est formellement établi par le théorème suivant [WIL 95]. Théorème 3 (d'échantillonnage). ∀u, v ∈ BL2 , ∀k ∈ N, ∀t ≥ 0, on a : (i) u(k) = P hu, τ k sinciL2 ; (ii) u(t) = k∈N u(k) sinc (t − k), série convergeant uniformément, dans L2 ; P (iii) kuk22 = k∈N |u(k)|2 ; P (iv) hu, viL2 = k∈N u(k)v(k).
1.3. Transformation de Laplace La transformation de Laplace est certainement la plus utilisée dans l'analyse des systèmes dynamiques décrits par des EDO (équations diérentielles ordinaires) à coecients constants. Comme la transformation de Fourier, elle substitue à ces équations diérentielles un ensemble d'équations algébriques linéaires. Elle n'est donc pratiquement utilisée que pour les fonctions d'une variable scalaire : le temps. Dénition 7. Soit u une fonction mesurable dénie sur R. La transformée de Laplace de cette fonction, lorsqu'elle existe, est dénie par : Z L(u)(s) ,
+∞
u(t)e−st dt,
−∞
où s ∈ C est une variable complexe telle que l'intégrale converge. Comme la plupart des systèmes dynamiques décrits par des EDO linéaires à coecients constants sont intégrés à partir d'un temps initial (que l'on convient de prendre égal à t = 0), la transformée de Laplace unilatère est plus souvent utilisée dans ce cas. Elle est dénie par : Z L(u)(s) =
+∞
−∞
u(t)1+ (t)e−st dt,
(1.18)
30
Mathématiques pour les systèmes dynamiques
où s ∈ C est une variable complexe telle que l'intégrale converge. Dans la littérature consacrée aux systèmes linéaires continus, la dénition plus restreinte qui suit de la transformée de Laplace unilatère est la plus fréquemment rencontrée. Dénition 8. Une fonction u dénie sur R+ est dite transformable au sens de Laplace s'il existe un nombre β ∈ R pour lequel e−β· u(·) ∈ L1 (R+ ). Dans ce cas, sa transformée de Laplace unilatère est dénie par : Z L(u)(s) ,
+∞
u(t)e−st dt,
0
pour s ∈ C+ β , {s ∈ C : Re (s) ≥ β}. Exemple 1. La fonction exponentielle u(t) = eλt , où λ ∈ C, est telle que pour tout β ∈ R avec β > Re (λ), e−β· eλ· ∈ L1 (R+ ). On a donc, pour tout s ∈ C+ Re(λ) , {s ∈ C : Re (s) > Re (λ)} : Z L(u)(s) ,
+∞
eλt e−st dt =
0
1 . s−λ
(1.19)
La fonction constante u(t) = 1+ (t) est telle que pour tout β > 0, e−β· 1+ (·) ∈ L1 (R+ ). On a donc, pour tout s ∈ C+ 0 : Z
L(u)(s) ,
+∞
0
1+ (t)e−st dt =
1 . s
(1.20)
Comme le montrent ces deux exemples, l'intégrale dénissant la transformée de Laplace au sens de la dénition 8 n'est en général convergente que pour la variable complexe s appartenant à un demi-plan ouvert du plan complexe, délimité à gauche par une droite parallèle à l'axe imaginaire dont l'abscisse est appelée abscisse de convergence. Le demi-plan à droite de cette abscisse est appelé, quant à lui, domaine de convergence. En séparant la partie réelle et la partie imaginaire de s (c'est-à-dire en posant s = σ + jω) et en considérant le cas d'un signal u causal 3 , il vient : Z L(u)(s) ,
+∞
0
Z
u(t)e−σt e−iωt dt
+∞
= 2π 0
h 1 = 2πF ∂ 2π
(1.21)
u(2πt)e−2πσt e−2πiωt dt i u(·)e−σ· (ω).
Cette dernière propriété illustre un des attraits fondamentaux de la transformation de Laplace par rapport à celle de Fourier : elle peut être convergente 3
Un signal u, déni sur R, est dit causal si u(t) = 0, pour tout t < 0.
Transformées intégrales et distributions
31
pour des fonctions dont la transformée de Fourier n'est pas convergente au sens habituel (intégrale de fonctions mesurables). C'est le cas pour toutes les fonctions dont le domaine de convergence de la transformée de Laplace n'inclut pas l'axe imaginaire. Il faut, dans ce cas, avoir recours aux distributions (voir ci-après) pour dénir la transformée de Fourier de telles fonctions. La relation (1.21) permet également d'étendre de nombreuses propriétés des transformées de Fourier aux transformées de Laplace, notamment la formule d'inversion de Fourier. En eet, pour un signal causal u et pour tout σ dans le domaine de convergence, on a : u(2πt)e−2πσt =
et donc : 1 u(t) = 2π =
1 2π
Z
1 2πi
∞
Z
+∞
−∞
L(u)(σ + iω)e+2πiωt dω,
L(u)(σ + iω)e+(σ+iω)t dω
∞ Z σ+i∞
(1.22)
(1.23)
L(u)(s)e+st dω.
σ−i∞
Cette intégrale est parfois appelée intégrale de Bromwhich-Wagner et peut être calculée par les techniques habituelles d'intégration d'une fonction de variable complexe, notamment le théorème des résidus [RIC 01]. La fonction L(u)(s) étant holomorphe dans un demi-plan complexe droit (domaine de convergence), il est naturel que la valeur de l'intégrale (1.23) soit indépendante de l'abscisse σ de la droite d'intégration dans le domaine de convergence (il n'y a pas de pôle à l'intérieur du contour d'intégration formé par cette droite et par le demi-cercle à l'inni à droite). Dans le cas des systèmes d'EDO linéaires à coecients constants, les signaux étudiés sont le plus souvent des combinaisons linéaires de fonctions élémentaires (fonctions exponentielles, sinusoïdales et polynomiales), causales (c'està-dire multipliées par un échelon unité). Dans le domaine de Laplace, leurs transformées sont des fractions rationnelles. Le calcul de ces transformées et leur inversion s'eectuent alors par consultation d'un dictionnaire de transformées, éventuellement après décomposition préalable du signal temporel étudié en combinaison linéaire de fonctions élémentaires, ou de la fraction rationnelle correspondante dans le domaine de Laplace en fractions simples. Le plus souvent, le domaine de convergence des transformées utilisées n'est même pas mentionné, puisque l'on sait explicitement qu'il s'agit d'un demi-plan complexe laissant à sa gauche tous les points singuliers éventuels. La relation (1.21) entre les transformées de Fourier de Laplace entraîne une grande similitude entre leurs propriétés fondamentales. Nous allons ci-après établir ces propriétés pour la transformée de Laplace de fonctions d'une variable
32
Mathématiques pour les systèmes dynamiques
réelle (application la plus courante de ces transformées) et non plus de plusieurs variables réelles, comme nous l'avons fait pour la transformée de Fourier. Proposition 5. Si la fonction u(t) dénie pour t ∈ R+ est transformable au sens de Laplace et si elle est diérentiable sur R+ , alors : L(
du )(s) = sL(u)(s) − u(0). dt
Si, de plus, u(t) est k fois diérentiable sur R+ , alors : X di u dk u k )(s) = s L(u)(s) − (0)sk−1−i . i dtk dt i=0 k−1
L(
Cette propriété de la transformée de Laplace unilatère se démontre facilement par induction. Le cas k = 1 s'obtient en procédant à l'intégration par parties. Cette propriété de la transformée de Laplace et sa linéarité permettent de substituer un système d'équations algébriques linéaires à un système d'EDO linéaires à coecients constants. Une fois trouvée la solution de ce problème algébrique, il n'y a plus qu'à procéder à l'inversion de celle-ci (en utilisant par exemple des tables de transformées, comme le tableau 1.1) pour trouver la solution correspondante dans le domaine temporel. De plus, le recours à la transformée de Laplace unilatère introduit de façon systématique les conditions initiales du problème diérentiel et conduit ainsi à sa solution globale. Remarquons que les domaines de convergence d'un signal et de sa dérivée (lorsqu'elle existe) sont généralement identiques, sauf dans le cas où l'abscisse de convergence du signal est nul. Dans ce cas, l'opération de dérivation peut, pour un pôle simple, éliminer le point singulier s = 0 (multiplication par s). La dénition du produit de convolution de deux fonctions de S (R) (voir la dénition 4) peut être étendue au cas de deux fonctions dans L1 (R). La proposition qui suit justie cette possibilité [SCH 93]. Proposition 6. Soient u ∈ L1 (R) et v ∈ Lp (R) avec 1 ≤ p < ∞. Alors le produit de convolution de u et v : Z
(u ∗ v) (t) ,
R
u(t − η)v(η)dη,
est bien déni comme fonction de Lp (R) et : ku ∗ vkp ≤ kuk1 kvkp .
Dans le cas où les signaux u et v sont de plus causaux, on a : Z (u ∗ v) (t) =
R
Z u(t − η)v(η)dη =
0
t
u(t − η)v(η)dη.
Transformées intégrales et distributions
u(t) 1+ (t) tm (m−1)! 1+ (t) eat 1+ (t)
L(u)(s)
tm eat (m−1)! 1+ (t)
1 (s−a)m
sin ωt ω 1+ (t)
1 s2 +ω2 s s2 +ω2 s cos φ+ω sin φ s2 +ω2 s (s2 +ω 2 )2 s2 −ω 2 (s2 +ω 2 )2 1 (s−a)ν √1 s−a √1 s s+a
cos (ωt) 1+ (t) cos (ωt − φ) 1+ (t) t sinωωt 1+ (t) t cos (ωt) 1+ (t) tν eat Γ(ν−1) 1+ (t) eat √ 1 (t) πt + √ erf√ at 1+ (t) a √ cos(2 at) √ 1+ (t) πt √ sin(2 at) √ 1+ (t) πt sin at t 1+ (t)
1 s 1 sm 1 s−a
Remarques m∈Z a∈C m∈Z a∈C ω∈R ω∈R ω, φ ∈ R ω∈R ω∈R ν, a ∈ R
a e− s
√
33
a∈R a>0 a>0
s a
e− s
a>0
3
s2
arctan
a s
a∈R
Tableau 1.1. Quelques transformées de Laplace unilatères Au vu de la proposition 6, le produit de convolution de deux signaux u et v transformables au sens de Laplace (transformée unilatère) est transformable
au sens de Laplace et son domaine de convergence contient l'intersection des domaines de convergence des deux signaux u et v. Comme celle de Fourier, la transformée de Laplace traduit le produit de convolution dans le domaine temporel en un simple produit de fonctions dans le domaine de Laplace et facilite ainsi grandement l'analyse des systèmes linéaires stationnaires décrits par leur réponse impulsionnelle. En eet, pour de tels systèmes, la réponse forcée à un signal d'entrée est le produit de convolution du signal et de sa réponse impulsionnelle (voir équation (1.6)). Ces considérations sont formalisées dans la proposition qui suit (voir une démonstration dans [DOE 74]).
Proposition 7. Soient u, v deux signaux dénis sur R+ et transformables au sens de Laplace. Alors, u ∗ v est transformable au sens de Laplace et : L(u ∗ v)(s) = L(u)(s)L(v)(s).
De plus, si s, p ∈ C sont tels que p et s − p appartiennent aux domaines de
34
Mathématiques pour les systèmes dynamiques
convergence respectifs de L(v)(s) et de L(u)(s), alors : L(uv)(s) =
Z
1 2πi
σ+i∞
L(u)(s − p)L(v)(p)dp, σ−i∞
où σ est la partie réelle de la variable d'intégration. Notamment, si les conditions de convergence permettent d'annuler s, on a : Z
∞
u(t)v(t)dt = 0
1 2πi
Z
σ+i∞
L(u)(−p)L(v)(p)dp,
(1.25)
σ−i∞
qui est un équivalent, pour la transformée de Laplace, de la relation de Parseval. Il semble donc qu'il y ait moyen, comme dans le cas de la transformée de Fourier, d'établir une isométrie entre les fonctions de L2 (R+ ) et leurs transformées. Ceci est eectivement le cas, mais nécessite la dénition préalable d'un espace de Hardy que nous noterons H2 C+ . 0 Dénition 9. L'espace de Hardy H2 des fonctions d'une variable complexe à valeurs dans Cn est déni par : o n 2 + n H2 C+ 0 , f : C0 → C : f est holomorphe et kf kH2 < ∞ ,
où :
2 kf kH2
, sup
σ>0
1 2π
Z
∞
∞
kf (σ +
2 iω)kCn
dω .
L'espace H2 C+ 0 ainsi déni est un espace de Banach (il est complet, muni de la norme k·kH2 , voir [KAW 72]). Cependant, il est nécessaire de pouvoir dé nir un produit scalaire dans H2 C+ pour établir une isométrie de cet espace 0 suivante [KAW 72] fait remarquer que avec L2 (R+ ). Pour cela, la proposition les fonctions de l'espace H2 C+ peuvent être représentées par leurs valeurs 0 sur l'axe imaginaire. Proposition 8. Pour chaque fonction f ∈ H2 C+0 , il existe une unique fonction fe ∈ L2 (−i∞, +i∞) telle que : Z lim+
σ→0
+∞
−∞
2
f (σ + iω) − fe(iω) n dω = 0. C
De plus, l'application f 7→ fe est linéaire, injective et préserve la norme. En choisissant pour chaque fonction de H2 C+ 0 ce représentant unique dans L2 (−i∞, +i∞), nous pouvons donc dénir sans ambiguïté le produit scalaire de deux fonctions f et g de H2 C+ par : 0 hf, giH2
1 = 2π
Z
+∞
−∞
D
E fe(iω) , ge (iω)
Cn
dω.
(1.26)
Transformées intégrales et distributions
35
Comme corollaire immédiat de la proposition 8, nous pouvons déduire que H2 C+ 0 muni de ce produit scalaire est un espace de Hilbert. Il est maintenant
possible de formaliser l'observation faite à partir de l'équation (1.25). C'est l'objet du théorème suivant. Théorème 4 (de Paley-Wiener). La transformée de Laplace est une isomé . Ainsi notamment, pour tout u, v de L2 (R+ ), trie entre L2 (R+ ) et H2 C+ 0 + on a : L(u), L(v) ∈ H2 C0 et hu, viL2 = hL(u), L(v)iH2 . Cette isométrie est fort utile, par exemple pour évaluer le gain L2 d'un système linéaire stationnaire représenté par une convolution. De même que celle de Fourier, la transformée de Laplace possède des propriétés intéressantes de transformation des opérateurs de translation et de dilatation (dénition 3). Proposition 9. Soient u une fonction transformable au sens de Laplace, a ∈ R, λ ∈ R0 et s0 ∈ C. On a alors : (i) L (τ a u) = e−sa L (u) ; (ii) L (∂λ u) = |λ| ∂1/λ L (u) ; (iii) L (e−s0 t u) = τ s0 L (u) . La première de ces propriétés permet de déterminer la fonction de transfert d'un système caractérisé par un retard de transmission. Elle est également fort utile pour la conversion de données échantillonnées à intervalles de temps réguliers. Les propriétés (ii ) et (iii ) aectent en général le domaine de convergence. Elles sont utilisées surtout pour élargir les dictionnaires de transformées. Il est possible de déterminer les valeurs initiale et nale d'une fonction u(t), dénie sur R+ et à valeur dans Rn , à partir de l'expression de sa transformée de Laplace. En eet, on a d'après la propriété 5 : sL(u)(s) = L(
du )(s) + u(0+ ). dt
(1.27)
Ceci suppose que u(t) soit diérentiable sur R+ et, en particulier, que : lim u(t) = u(0+ ),
t→0+
(1.28)
existe. On obtient alors, en considérant les limites Re (s) → ∞ et Re (s) → 0+ , pour autant que s = 0 appartienne au domaine de convergence : u(0+ ) = u(∞) =
lim
sL(u)(s),
(1.29)
lim
sL(u)(s).
(1.30)
Re(s)→∞ Re(s)→0+
Lorsque l'axe imaginaire est la frontière du domaine de convergence, la relation (1.30) peut être ou ne pas être vériée, comme le montrent les deux exemples qui suivent.
36
Mathématiques pour les systèmes dynamiques
Exemple 2. (i) La transformée de Laplace de l'échelon unité 1+(t) est la fonc-
tion
1 s
et son domaine de convergence est le demi-plan complexe ouvert droit
Re (s) > 0. En appliquant la formule (1.30), on trouve : lim
Re(s)→0+
s
1 = lim 1+ (t). s t→∞
ω (ii) La transformée de Laplace de sin (ωt) 1+ (t) est la fonction s2 +ω 2 et son domaine de convergence est le demi-plan complexe ouvert droit Re (s) > 0. En appliquant la formule (1.30), on trouve :
lim
Re(s)→0+
s
ω = 0, s2 + ω 2
alors que la fonction sin (ωt) 1+ (t) n'a pas de limite pour t → ∞.
1.4. Distributions 1.4.1. Motivations Nous avons été confrontés au problème de la généralisation de la notion de fonction en abordant la question de la réponse impulsionnelle d'un système linéaire stationnaire. Celle-ci nécessite le plus souvent de considérer l'impulsion de Dirac qui doit être vue plutôt comme une forme linéaire (faisant correspondre à une fonction u(ξ) la valeur de cette fonction en ξ = 0) que comme une fonction. Nous avons également été confronté au problème de la dérivation de certaines fonctions non diérentiables au sens usuel (fonctions non continues, par exemple), notamment à travers le prisme de la multiplication de leurs transformées de Fourier par des puissances du type (−2iπξ)α , α ∈ Nn . Les transformées de Fourier et de Laplace, quant à elles, posent des problèmes de convergence. Un grand nombre de fonctions intéressantes, telle la fonction constante 1, ne possèdent pas de transformées de Fourier, au sens usuel de la transformée d'une fonction.
1.4.2. Structures de convergence, espace dual et distributions La théorie des distributions apporte une solution élégante et précisément formulée à l'ensemble de ces problèmes. Les espaces de distributions sont, en général, des espaces duaux d'espaces de fonctions très étroits, notamment des
Transformées intégrales et distributions
37
espaces D (Rn ) et S (Rn ) que nous avons dénis plus haut. La première question qui se pose alors est de dénir une notion de convergence raisonnable sur ces espaces. Pour ce faire, nous avons recours à la notion de structure de convergence. Dénition 10. Soit X un espace vectoriel sur K (avec K = R ou C), χ ⊆ X N un sous-espace vectoriel de l'ensemble des suites de points de X . Alors, χ dénit une structure de convergence sur X s'il existe une application (appelée limite) de χ dans X qui, à toute suite {un }n≥1 , fait correspondre un point u de X (on notera {un }n≥1 7→ u), avec : (i) {u, . . . , u, . . .} 7→ u ; (ii) {un }n≥1 7→ u ⇒ ∀ sous-suite {unk }k≥1 7→ u ;
{un }n≥1 7→ u (iii) {vn }n≥1 7→ v ⇒ {λ(un + vn )}n≥1 7→ λu + λv . λ∈K L'ensemble χ est donc le domaine de cette application limite , ou encore
l'ensemble des suites qui convergent (au sens particulier déni par la structure de convergence). Dénition 11 (Convergence faible). Soit X un espace de Hilbert, muni du produit scalaire h·, ·iX à valeurs dans K (R ou C). Une suite {un }n≥1 ⊂ X converge faiblement vers u, dans X , si : ∀v ∈ X : hun , viX → hu, viX ,
(1.31)
au sens de la convergence usuelle dans K.
Dénition 12 (Convergence dans D (Rn )). Une suite de fonctions {un}n≥1
de l'espace des fonctions tempérées D (Rn ) converge vers u dans D (Rn ) si : (i) il existe un compact K ⊂ Rn telle que suppt (un ) ⊂ K, ∀n ≥ 1 (voir (1.10) pour la dénition du support suppt) ; (ii) ∀α ∈ Nn : k∂ α (un − u)k∞ → 0. D On note la convergence dans D (Rn ) : {un }n≥1 → u. Dénition 13 (Convergence dans S (Rn )). Une suite de fonctions {un}n≥1 de l'espace de Schwartz S (Rn ) converge vers u dans S (Rn ) si ∀α, β ∈ Nn :
β α
S
x ∂ (un − u) → 0. On note {un } n≥1 → u la convergence de cette suite ∞ dans S (Rn ). Remarquons que u ∈ D (Rn ) implique u ∈ S (Rn ) et que : D
{un }n≥1 → u
⇒
Dénition 14 (Convergence dans
S
{un }n≥1 → u.
(1.32)
K (Rn )). On dénit l' espace des fonc-
tions continues à support compact par :
K (Rn ) , {u ∈ C (Rn ) : suppt (u) est un compact de Rn } .
38
Mathématiques pour les systèmes dynamiques
Une suite de fonctions {un }n≥1 de K (Rn ) converge vers u dans K (Rn ) si : (i) il existe un compact K ⊂ Rn telle que suppt (un ) ⊂ K, ∀n ≥ 1 ; (ii) kun − uk∞ → 0. D On désigne la convergence de cette suite dans D (Rn ) par {un }n≥1 → u. Dénition 15 (Convergence ponctuelle dans X 0). Soit X un espace vectoriel sur K, à structure de convergence. On dénit X 0 , l' espace dual de X , par : X 0 , {f : X → K : f est linéaire et continue} , (1.33) et on désigne alors la valeur de f en u par (f, u). On dit qu'une suite de fonctions {fn }n≥1 de X 0 converge vers f dans X 0 lorsque : (1.34)
∀u ∈ X : (fn , u) → (f, u) .
Il s'agit donc de la convergence ponctuelle dans X 0 . D
Il est intéressant de constater que la convergence {un }n≥1 → u est l'une des plus exigentes rencontrées en analyse et qu'en conséquence, la convergence associée dans l'espace dual D0 (convergence ponctuelle dans D0 ) est l'une des plus faibles rencontrées en analyse. La construction d'espaces de distributions consiste précisément à prendre l'espace dual X 0 d'espaces de fonctions X susamment régulières, munis d'une structure de convergence. On parlera d'espace des distributions D0 (Rn ), d'espace des distributions tempérées S 0 (Rn ) et d'espace des mesures de Radon K0 (Rn ). Ensuite, les applications linéaires continues dans X sont transposées de manière à dénir les applications linéaires continues dans X 0 . Cette construction assez simple est susante pour répondre aux motivations que nous avons posées à la section précédente. Rappelons tout d'abord la dénition d'application linéaire continue. Dénition 16 (Application linéaire continue). Soient X et Y deux espaces vectoriels munis chacun d'une structure de convergence sur K et L : X → Y une application linéaire. L'application L est continue si : X
Y
∀ {un }n≥1 ⊂ X : un → 0 ⇒ Lun → 0.
Dans le cas d'espaces X et Y normés et si la structure de convergence choisie est la convergence en norme, c'est-à-dire : X
un → 0 ⇔ lim kun kX = 0, n→∞
(1.35)
Y
(L, un ) → 0 ⇔ lim kLun kX = 0, n→∞
alors il s'agit de la notion usuelle d'application linéaire continue entre deux espaces normés.
Transformées intégrales et distributions
39
La tansposition d'une application linéaire continue se dénit de manière très naturelle dans les espaces duaux. Dénition 17 (Transposition d'une application linéaire). Soient X et Y deux espaces vectoriels munis de leurs structures de convergence et soit une application linéaire continue L : X → Y . L'application linéaire transposée L0 : Y 0 → X 0 , notée L0 ou LT , est dénie de manière telle que : ∀f ∈ Y 0 : (L0 f, u) , (f, Lu) , ∀u ∈ X.
Le lecteur vériera facilement que l'application transposée L0 est ainsi bien dénie et elle-même linéaire et continue. Ce principe de transposition est le moteur de la généralisation aux espaces de distributions de type X 0 de toutes les applications linéaires continues de X dans lui-même. Il va nous permettre, par exemple, de dénir la dérivation ou la transformée de Fourier d'une distribution. Laurent Schwartz est à la source de la théorie simple et élégante des distributions présentée ici et formulée par lui à la n de la seconde guerre mondiale. Bien que les distributions aient été utilisées bien avant, notamment par Heaviside qui fait déjà largement usage de la dérivée de la fonction échelon unité vers 1890, la théorie des distributions de Schwartz fournit un cadre rigoureux (et donc les résultats correspondants) et renouvelé à l'étude de l'analyse de Fourier et des équations aux dérivées partielles. Ces deux domaines connaîtront dès lors un essor spectaculaire, renforcé dans le cas de la théorie des équations aux dérivées partielles, par l'introduction des espaces de Sobolev d'ordre entier (Sobolev, 1938), puis non entier. Les travaux de Schwartz sur les distributions sont présentés dans [SCH 66].
1.4.3. Distributions tempérées L'espace de Schwartz S (Rn ), plus large que D (Rn ), permet d'analyser des fonctions qui n'ont pas un support compact. Comme nous l'avons vu au début de ce chapitre, son utilisation simplie considérablement l'étude de la transformée de Fourier4 . Nous le privilégierons dans la suite de ce chapitre. Dénition 18 (Distributions tempérées). L' espace des distributions tempérées est déni par : S 0 (Rn ) , {f : S (Rn ) → C : f est linéaire et continue} .
C'est le dual de l'espace de Schwartz. Des formes à valeurs complexes ont été choisies pour plus de généralité. 4 La simplication provient du caractère isométrique de la transformée de Fourier dans cet espace et du fait que la propriété de dérivation F (∂ α u) = (−2iπξ)α F (u) rend fondamentale l'utilisation de la condition de décroissance rapide.
40
Mathématiques pour les systèmes dynamiques
Nous avons déjà étudié un certain nombre d'applications linéaires et continues de S (Rn ) dans lui-même. Elles sont reprises ci-après. Proposition 10. Avec les conventions associées aux multi-indices (voir dénition 2), les opérateurs qui suivent sont des opérateurs linéaires et continus de S (Rn ) dans lui-même : (i) l'opérateur de dérivation ∂ γ , pour γ ∈ Nn ; (ii) l'opérateur de translation τ a , pour a ∈ Rn ; (iii) l'opérateur de dilatation ∂λ , pour λ ∈ R\{0}. Démonstration : le caractère linéaire de ces opérateurs est évident. La continuité se montre à l'aide de la dénition de S (Rn ). Par exemple, pour la dérivation, S un → 0 implique : ∀α, β ∈ Nn , sup ξ α ∂ β (∂ γ un (ξ)) = sup ξ α ∂ β+γ un (ξ) < ∞. ξ∈Rn
ξ∈Rn
(1.36)
Le cas de la transformée de Fourier est plus subtil. Nous avons vu qu'il s'agit d'une bijection linéaire de S (Rn ) dans lui-même, qui est une isométrie lorsque S (Rn ) est muni du produit scalaire dans L2 (Rn ). La démonstration de la proposition suivante se trouve, par exemple, dans [WIL 95]. Proposition 11. La transformée de Fourier dans l'espace S (Rn ) muni de la structure de convergence dénie dans l'exemple 13 est une application continue. Dénir un opérateur de multiplication des fonctions u de S (Rn ) par une fonction g donnée est une idée qui paraît a priori intéressante. En eet, la transposition de cet opérateur permettrait de construire un grand nombre de distributions à partir d'une distribution f donnée, par simple application de la formule (gf, u) , (f, gu), c'est-à-dire à l'aide de la multiplication dans S (Rn ). La diculté réside ici dans la dénition d'une classe, la plus large possible, de fonctions g qui dénissent un opérateur de multiplication continu dans S (Rn ). On remarquera en particulier qu'il ne sut pas de prendre g ∈ C ∞ (Rn ) pour avoir : sup ξ α ∂ β (gu(ξ)) < ∞, ∀α, β ∈ Nn , ∀u ∈ S (Rn ) . (1.37) ξ∈Rn
Une solution apportée par Schwartz à ce problème est la dénition de l'espace des fonctions tempérées. Dénition 19 (Fonctions tempérées). L' espace des fonctions tempérées est déni par : ∞ n OM (R ) , g ∈ C (R ) n
∀α ∈ Nn , ∃c ≥ 0, ∃m m∈ N : α |∂ g(ξ)| ≤ c 1 + kξk2Rn , ∀ξ ∈ Rn .
.
Les fonctions de OM (Rn ) et toutes leurs dérivées présentent donc une croissance polynomiale à l'inni, ce qui permet de capturer de nombreux exemples intéressants.
Transformées intégrales et distributions
41
Exemple 3. Les fonctions sin(t) et cos(t) sont des fonctions de OM (R) car, comme |∂ α sin(t)| ≤ 1, ∀α ∈ N, la condition de la dénition 19 est vériée pour c = 1 et m = 0. Exemple 4. Les polynômes de degré k de la forme : g(ξ) =
X
c α ξ α , c α ∈ Rn ,
(1.38)
|α|≤k α∈Nn
sont des fonctions de OM (Rn ) car pour γ ∈ Nn et |γ| = p, on a : m |∂ γ g(ξ)| ≤ c 1 + |ξ|2 ,
(1.39)
avec 2m ≥ k − p et c susamment grande. Il en va d'ailleurs de même pour les polynômes d'ordre non entier α ∈ Rn et |α| ≤ k ∈ R+ . Exemple 5. Les fonctions de S (Rn ) sont des fonctions de OM (R) car : et donc :
∀α, β ∈ Nn , ξ α ∂ β (gu(ξ)) ≤ cα,β , ∀ξ ∈ Rn ,
(1.40)
∀β ∈ Nn , ∂ β (gu(ξ)) ≤ c0,β , ∀ξ ∈ Rn .
(1.41)
La condition de la dénition 19 est vériée pour c = c0,β et m = 0. La dénition de fonction tempérée assure que le produit d'une fonction u ∈ S (Rn ) par une fonction g ∈ OM (Rn ) est bien une fonction de S (Rn). La forme m particulière de la majoration a été choisie de manière à ce que c 1 + |ξ|2 soit de classe C ∞ (Rn ). Proposition 12. Soit g ∈ OM (Rn ). L'opérateur de multiplication déni par : Λg : S (Rn ) → S (Rn ) : u 7→ gu est continu. Démonstration : la démonstration repose sur la formule de Leibnitz qui donne le résultat de la dérivation d'un produit de fonctions. Elle est de nature essentiellement calculatoire et les développements complets peuvent être trouvés, par exemple, dans [SCH 66]. Proposition 13. Si v ∈ S (Rn ), alors l'opérateur de convolution par v, déni par : (v ∗ ·) : S (Rn ) → S (Rn ) : u 7→ v ∗ u,
est une application continue dans S (Rn ). Démonstration : la continuité de l'opérateur de convolution dans S (Rn ) est une conséquence directe de la continuité des opérateurs de transformation de Fourier, de multiplication, de dilatation. Il sut de constater que, d'après les propriétés de la transformée de Fourier dans S (Rn ), on a : v ∗ u = (F ◦ F ◦ F ◦ F) (v ∗ u) = (F ◦ F ◦ F) (b vu b) vu b) . = (∂−1 ◦ F ) (b
(1.42)
42
Mathématiques pour les systèmes dynamiques
Comme vb ∈ S (Rn ) ⊂ OM (Rn ), il s'ensuit que la convolution peut se décomposer en 4 applications linéaires continues. Elle est donc continue. Ayant constaté les propriétés de linéarité et de continuité d'une série d'opérateurs linéaires et continus dans S (Rn ), nous allons pouvoir les transposer dans S (Rn ), à l'aide de la dénition 17. Pour nous guider dans la dénition de ces opérations transposées, nous pouvons en particulier étudier les formes linéaires fϕ : S (Rn ) → C qui ont une représentation intégrale : Z (fϕ , u) ,
ϕ(ξ)u(ξ)dξ, Rn
(1.43)
où ϕ est une fonction susamment régulière pour que les intégrales dénies plus bas aient un sens (c'est le cas notamment si ϕ ∈ S (Rn )). Il est certain qu'il s'agit d'une famille de distributions pour lesquelles les dénitions d'opérateurs transposés doivent être valables. On a pour les distributions de cette famille : 1. Pour a ∈ Rn :
Z (fϕ , τ a u) ,
Rn
ϕ(ξ)u(ξ − a)dξ
Z =
(1.44)
ϕ(ξ + a)u(ξ)dξ ZR
n
= Rn
(τ −a ϕ) (ξ)u(ξ)dξ.
2. Pour λ ∈ R\{0} : Z
ξ ϕ(ξ)u( )dξ λ Z n = |λ| ϕ(λξ)u(ξ)dξ Rn Z n |λ| ∂ λ1 ϕ (ξ)u(ξ)dξ. =
(fϕ , ∂λ u) ,
Rn
(1.45)
Rn
3. Pour γ ∈ Nn : Z (fϕ , ∂ u) , γ
ϕ(ξ)∂ γ u(ξ)dξ Z |γ| = (−1) ∂ γ ϕ(ξ)u(ξ)dξ Rn Z |γ| (−1) ∂ γ ϕ (ξ)u(ξ)dξ. = Rn
Rn
(1.46)
Transformées intégrales et distributions
4. Pour g ∈ OM (Rn ) :
Z (fϕ , Λg u) ,
ϕ(ξ)g(ξ)u(ξ)dξ ZR
n
= Rn
5. Pour v ∈ S (Rn ) :
(1.47)
(Λg ϕ) (ξ)u(ξ)dξ.
Z
u(ξ − η)v(η)dη dξ n Rn ZR Z = ϕ(ξ) u(−θ)v(ξ + θ)dθ dξ Rn Rn Z Z = v(ξ + θ)ϕ(ξ)dξ u(−θ)dθ Rn Rn Z Z = v(ξ − θ)ϕ(ξ)dξ u(+θ)dθ n Rn ZR = (∂−1 v ∗ ϕ) (ξ)u(ξ)dξ. Z
(fϕ , u ∗ v) ,
43
ϕ(ξ)
(1.48)
Rn
6. Enn, on a également (voir propriété 4) : Z
(fϕ , F u) ,
ϕ(η) (F u) (η)dη ZR
n
=
(1.49)
(F ϕ) (η)u(η)dη. Rn
A l'aide des calculs qui précèdent, nous pouvons donc proposer les transpositions des opérateurs concernés dans S 0 (Rn ). Dénition 20. Par transposition, on dénit, pour tout f ∈ S 0 (Rn ) et pour tout u ∈ S (Rn ), les opérateurs : (i) τ a , a ∈ Rn tel que (τ a f, u) = (f, τ −a u), (ii) ∂λ , λ ∈ R\{0} tel que (∂λ f, u) = |λ|n f, ∂1/λ u , (iii) ∂ γ , γ ∈ Nn tel que (∂ γ f, u) = (−1)|γ| (f, ∂ γ u), (iv) Λg , g ∈ OM (Rn ) tel que (Λg f, u) = (f, Λg u), (v) (· ∗ v), v ∈ S (Rn ) tel que (f ∗ v, u) = (f, (∂−1 v) ∗ u), (vi) F , tel que (Ff, u) = (f, F u). Ce sont des opérateurs linéaires et continus de S 0 (Rn ) dans lui-même. On remarquera en particulier que toute distribution tempérée f possède une transformée de Fourier et est inniment diérentiable au sens des distributions. Il s'agit là bien-sûr d'un avantage décisif de ce cadre théorique pour l'analyse fréquentielle et l'étude du comportement des systèmes linéaires dans le domaine temporel, ou dans le domaine des transformées de Fourier.
44
Mathématiques pour les systèmes dynamiques
Nous avons déni plus haut des distributions tempérées fϕ par des intégrales sur Rn (voir (1.43)), à l'aide de fonctions ϕ susamment régulières . Ce caractère susamment régulier est précisé par la proposition suivante, dont une preuve se trouve par exemple dans [SCH 66]. Proposition 14. S'il existe 1 ≤ p < ∞ et 0 ≤ m entiers tels que : ϕ(ξ) 1 + kξk2Rn
−m
∈ Lp (Rn ) ,
alors la forme fϕ dénie par (1.43) est une distribution tempérée. Ce résultat peut être complété par un résultat d'unicité de la représentation intégrale des distributions dénies de cette manière [SCH 66]. Proposition 15. Si ϕ et ψ vérient toutes deux la condition de la proposition 14 et dénissent la même distribution tempérée, c'est-à-dire sont telles que : Z
∀u ∈ S (Rn ) :
Z
ϕ(ξ)u(ξ)dξ = Rn
ψ(ξ)u(ξ)dξ, Rn
alors ϕ = ψ presque partout dans Rn . Nous observons que, par le caractère très restreint de l'espace S (Rn ), la classe des fonctions qui permettent de dénir des distributions par représentation intégrale est très grande. Elle contient notamment tous les espaces Lp (Rn ), p ≥ 1, ainsi que OM (Rn ) et C (Rn ). Cependant, il existe des distributions tempérées qui ne sont pas dénies par des fonctions ϕ. Ainsi, l'impulsion de Dirac dénie par : δ : S (Rn ) → C : u 7→ (δ, u) = u(0) (1.50) est bien une forme linéaire et continue, c'est-à-dire une distribution tempérée. Cependant, il n'existe aucune fonction ϕ dans l'ensemble des fonctions vériant l'hypothèse de la proposition 14, telle que : Z
u(0) = Rn
ϕ(ξ)u(ξ)dξ, ∀u ∈ S (Rn ) .
(1.51)
1.4.4. Transformées de Fourier de distributions La dénition par transposition de la transformée de Fourier dans S 0 (Rn ) conduit naturellement à la généralisation des propriétés de cette transformée dans S (Rn ). Nous allons brièvement les passer en revue. Pour la suite, nous utiliserons la notation ξ pour désigner les arguments des fonctions et distributions et la notation η pour les arguments de leurs transformées de Fourier. Proposition 16. La transformée de Fourier est une bijection linéaire continue de S 0 (R) dans lui-même. Elle satisfait de plus la relation F ◦ F = ∂−1 .
Transformées intégrales et distributions
45
Démonstration : la bijectivité résulte du fait que F ◦ F ◦ F ◦ F = I. Par conséquent F ◦ F = (F ◦ F)−1 est une bijection et F aussi.
Proposition 17. Soit f une distribution tempérée. On a alors :
(i) (ii) (iii) (iv) (v)
F (τ a f ) = e−2iπaη F (f ), pour a ∈ Rn , n F (∂λ f ) = |λ| ∂1/λ F (f ), pour λ ∈ R\{0}, α F (∂ f ) = (2iπη)α F (f ), pour α ∈ Nn , F (v ∗ f ) = F (v) F (f ), pour v ∈ S (Rn ) , F (vf ) = F (v) ∗ F (f ), pour v ∈ S (Rn ) .
Démonstration : ces résultats se démontrent simplement en appliquant la formule de transposition. Il faut cependant noter que e−2iπaη et (−2iπη)α sont bien des fonctions de OM (Rn ) et que les multiplications ci-dessus ont donc un sens. La démonstration du point (v ) fait appel au caractère injectif de la transformée de Fourier : on a F (F (vf )) = ∂−1 (vf ) et F (F (v) ∗ F (f )) = ∂−1 (vf ). Le caractère injectif de F achève la démonstration. Il est intéressant de constater que le point (ii) de la proposition ci-dessus lie l'étalement d'une fonction et de sa transformée de Fourier : en eet, lorque λ diminue en se rapprochant de 0, la fonction ∂λ f est de plus en plus concentrée, n b alors que sa transformée de Fourier ∂d λ f = |λ| ∂1/λ f est de plus en plus étalée. A la limite, ∂λ f converge (au sens des distributions) vers l'impulsion δ , parfaitement concentrée, et sa transformée de Fourier ∂d λ f converge (au sens des distributions) vers la fonction constante 1 (voir proposition suivante), parfaitement étalée. Calculons à présent la transformée de Fourier de la distribution de Dirac et quelques formules dérivées.
Proposition 18. En notant R
1 la distribution dénie par 1 : S (Rn ) → C : u(ξ)dξ, on obtient : Rn (i) bδ = 1 et b1 = δ, α |α| α (ii) F (∂ α δ) = (−2iπη)α et F ((2iπξ) α ∈ Nn , ) = (−1) ∂ δ , pour −2iπaη +2iπaξ n = τ a δ , pour a ∈ R . (iii) F (τ a δ) = e et F e
u 7→
Démonstration : il sut de remarquer que (bδ, u) = (δ, ub) = ub(0) = puis d'appliquer les résultat de la proposition 17.
R Rn
u(ξ)dξ,
On peut notamment calculer à l'aide de cette propriété la transformée de Fourier d'un développement polynomial :
X X F cα ξ α = |α|≥1 α∈Nn
|α|≥1 α∈Nn
cα (−1)|α| ∂ α δ, (2iπ)|α|
(1.52)
46
Mathématiques pour les systèmes dynamiques
où cα ∈ Rn , ainsi que celle d'une série trigonométrique :
X X F cα e−2iπaα ξ cα τ aα δ. = |α|≥1 α∈Nn
(1.53)
|α|≥1 α∈Nn
Il est également possible de calculer la transformée de Fourier d'une série d'impulsions de Dirac. Un telle série est de la forme : X
(1.54)
τ k δ,
k∈Z
et est appelée peigne de Dirac. Pour calculer sa transformée de Fourier, nous avons besoin d'un résultat préliminaire (démontré dans [WIL 95], par exemple). Lemme 1 (Formule de Poisson). Soit u : R → C telle qu'il existe une constante c > 0 pour laquelle :
et
|u(ξ)| < c(1 + |ξ|)−2
Alors, on a :
X
u(ξ − k) =
X
|b u(η)| < c(1 + |η|)−2 .
u b(k)e2iπkξ ,
∀ξ ∈ R.
Proposition 19. Le peigne de Dirac est une distribution tempérée égale à sa k∈N
k∈N
transformée de Fourier. On a : X
F
!
τ kδ
=
k∈N
X
τ kδ =
k∈N
X
e2iπkη , η ∈ R.
(1.55)
k∈N
Démonstration : par dénition : X
!
τ k δ, u
=
k∈Z
X
u (k) ≤
k∈Z
X
1 + k2
−1
1 + ξ 2 u(ξ) < ∞. ∞
(1.56)
k∈Z
La série est donc convergente et elle dénit une forme linéaire et continue dans C. Il s'agit donc bien d'une distribution tempérée. Par continuité de la transformation de Fourier et par la proposition précédente, il vient : F
X
!
τ kδ
=
k∈Z
X
F (τ k δ) =
k∈Z
X
e2iπkη .
(1.57)
k∈Z
Enn, pour conclure, nous avons recours à la formule de Poisson. Elle est applicable pour u dans S (Rn ) et montre que : X k∈Z
!
τ k δ, u
=
X k∈Z
!
τ k δ, u b
,
F
X k∈Z
!
τ kδ
!
,u .
(1.58)
Transformées intégrales et distributions
47
Le peigne est donc bien sa propre transformée.
P
Il est intéressant de remarquer que la série k∈Z e2iπkξ ne converge pas au sens de la convergence ponctuelle dans C, car chaque terme de la série est de module égal à un. Cependant, elle converge bien au sens des distributions vers le peigne de Dirac. Le noyau de Poisson déni par : Pr (ξ) =
X
r|k| e2iπkξ
pour r < 1,
(1.59)
k∈Z
est, lui, une série convergente (convergence absolue et uniforme). Il peut être utilisé pour approcher le peigne de Dirac. En eet, on a la convergence suivante au sens des distributions : S0
lim− Pr (ξ) =
r→1
X
e2iπkξ .
(1.60)
k∈Z
Cette approximation du peigne de Dirac est illustrée sur la gure 1.2.
3
2.5
2
1.5
1
-2
-1
0
1
2
Figure 1.2. Noyau de Poisson Pr (ξ) pour r = 0.5 et r = 0.7 Les distributions permettent également d'évaluer la transformée de Fourier des fonctions de la forme : fp (ξ) ,
1 , ξ ∈ Rn , 0 < p < n. kξkpRn
(1.61)
48
Mathématiques pour les systèmes dynamiques
La fonction fp n'est jamais intégrable (au sens L1 ) dans Rn . En eet, en coordonnées polaires, on obtient : fp (ξ)dξ = rn−1 r−p dr = rn−p−1 dr,
(1.62)
et pour que cette fonction soit intégrable sur Rn , il est nécessaire d'avoir simultanément p > n (fonction mesurable pour r → ∞) et p < n (fonction mesurable au voisinage de r = 0). Dès lors, la dénition intégrale de la transformée de Fourier ne peut être appliquée. Cependant, le cas simple p = 0 donne f0 = 1 et fb0 = δ et nous montre qu'il peut être fondé de chercher la transformée de Fourier au sens des distributions de la fonction de type puissance fp (ξ), comme suit (démonstration dans [WIL 95]). Proposition 20. Pour 0 < p < n, la fonction fp : Rn → R+ : ξ 7→ |ξ|1p admet pour transformée de Fourier (au sens des distributions) une fonction du type : fbp (η) = cn,p
1
n−p ,
|η|
où cn,p > 0 est une constante réelle dépendant uniquement des paramètres n (dimension de l'espace Rn ) et p (puissance non entière, en général). En conséquence, on observe que la fonction |ξ|1n/2 est également un point xe de la transformée de Fourier, au sens des distributions, dans Rn .
1.4.5. Caractérisation des espaces de Sobolev Les espaces de Sobolev sont couramment utilisés dans la recherche de solutions aux problèmes diérentiels, qu'il s'agisse d'EDO ou d'EDP. Nous n'aborderons dans cette section que la caractérisation des espaces de Sobolev nécessaire au développement de la section suivante, qui concerne l'application de la théorie des distributions et de la transformée de Fourier à la résolution des problèmes diérentiels elliptiques. La dénition usuelle des espaces de Sobolev fait intervenir des dérivations d'ordre entier. Dénition 21 (Sobolev d'ordre entier). Soit m entier positif. L' espace de Sobolev d'ordre m sur Rn est déni par : Hm (Rn ) , {u ∈ L2 (Rn ) : ∀α ∈ Nn , |α| ≤ m ⇒ ∂ α u ∈ L2 (Rn )} .
L'espace de Sobolev Hm (Rn ) est en général muni du produit scalaire : hu, viHm ,
X Z
|α|≤m
Rn
∂ α u(ξ)∂ α v(ξ)dξ,
(1.63)
Transformées intégrales et distributions
et de la norme associée : kukHm ,
q hu, uiHm .
49
(1.64)
Dans ce cas, il s'agit d'un espace de Hilbert. Lorsqu'on cherche la solution d'un problème diérentiel d'ordre m (voir section suivante), il est naturel de la rechercher dans un tel espace, puisqu'il est déni de manière à ce que les dérivées présentes dans le problème diérentiel existent. De plus, sa structure d'espace de Hilbert facilite considérablement l'étude de ses propriétés (et donc d'éventuelles solutions recherchées dans cet espace). L'espace Hm comprend notamment des fonctions qui permettent de dénir des distributions tempérées par représentation intégrale (voir proposition 14) et qui peuvent être identiées à ces distributions. Cette observation incite à plonger l'espace de Sobolev dans l'espace des distributions tempérées. C'est le sens du théorème suivant. Théorème 5. L'espace Hm (Rn ) est caractérisé par la dénition équivalente : Hm
m/2 2 0 = u ∈ S : 1 + |η| u b (η) ∈ L2 .
Démonstration : la démonstration fait appel à la propriété de la transformée de Fourier dans S 0 qui permute dérivation et multiplication. Pour des développements complets voir par exemple [WIL 95]. Cette caractérisation suggère à son tour d'élargir la dénition de Hm aux ordres non entiers. Dénition 22 (Sobolev d'ordre non entier). Soit s ∈ R. On dénit l' espace de Sobolev d'ordre s :
Hs (Rn ) ,
m/2 2 u ∈ S 0 (Rn ) : 1 + |η| u b (η) ∈ L2 (Rn ) ,
et on munit cet espace du produit scalaire et de la norme associée : Z
hu, viHs , kukHs ,
Rn
2
1 + |η|
u b (η) vb (η)dη,
q hu, uiHs .
Exemple 6. L'impulsion δ est une distribution tempérée de S 0 (R). Elle satis-
fait bδ = 1. En conséquence :
1 + η2
s
u b2 (η) = 1 + η 2
et on a donc δ ∈ Hs (R) pour s < − 21 .
s
,
(1.65)
50
Mathématiques pour les systèmes dynamiques
Remarque 1. Par application directe de la dénition, on a pour r < s : S (Rn ) ( Hs (Rn ) ( Hr (Rn ) ( S 0 (Rn ) .
(1.66)
Remarque 2. Dans la section suivante, nous utiliserons la notation Hsloc . Cet espace peut être construit à l'intérieur de D0 (Rn ) en observant que : f ∈ D0 (Rn ) , g ∈ D (Rn ) ⇒ f g ∈ S 0 (Rn ) ,
(1.67)
où la distribution tempérée f g est dénie par : (f g, u) , (f, gu) , ∀u ∈ S (Rn ) .
(1.68)
Hsloc (Ω) , {f ∈ D0 (Ω) : ∀g ∈ D (Ω) : f g ∈ Hs (Rn )} ,
(1.69)
On dénit alors :
où Ω est un ouvert de Rn (par exemple Rn tout entier).
1.4.6. Application aux problèmes aux limites elliptiques La théorie des distributions a produit des apports considérables à la théorie des équations aux dérivées partielles (EDP). Ce type d'applications semble en général peu connu des théoriciens des systèmes continus. Nous allons donc, dans cette section, illustrer cet apport par l'étude de quelques exemples. Considérons tout d'abord le problème diérentiel :
−∆u + λu = f, λ > 0, f ∈ S 0 (Rn ) ,
(1.70)
où ∆u désigne le laplacien de u. Puisque f est une distribution, il semble naturel de chercher une solution u dans S 0 (Rn ). Ayant démontré le caractère bijectif de la transformée de Fourier dans S 0 (Rn ), nous pouvons sans diculté transposer ce problème diérentiel en un problème algébrique . En eet, on obtient au sens des distributions :
2 b c + λb −∆u u (η) = 4π 2 |η| + λ u b(η) = f(η),
(1.71)
dont l'unique solution est : u b (η) =
fb(η) 2
4π 2 |η| + λ
∈ S 0 (Rn ) ,
(1.72)
Transformées intégrales et distributions
51
−1
car 4π2 |η|2 + λ ∈ OM (Rn ). On déduit de la nature bijective de la transformée de Fourier que : u (ξ) = F
!
fb(η)
−1
∈ S 0 (Rn ) .
2
4π 2 |η| + λ
(1.73)
Une remarque importante et non triviale sur ce problème est que la condition
u ∈ S 0 (Rn ) constitue une condition aux limites. En eet, dans S 0 (Rn ), l'unique solution au problème homogène −∆u + λu = 0 est u = 0. Mais les fonctions : ui (ξ) = e±
√ λξi
(1.74)
,
pour i = 1, . . . , n , ainsi que leurs combinaisons linéaires, sont solutions du problème homogène. Les fonctions ui dénissent bien des distributions de D0 (Rn ) car les fonctions de D (Rn ) ont un support compact. Mais elles ne dénissent pas des distributions dans S 0 (Rn ). D'ailleurs, elles ne vérient pas la condition ui (ξ)(1 + kξk2Rn )−m ∈ Lp (Rn ) de la proposition 14. Ainsi, le problème (1.70) admet-il une innité de solution dans D0 (Rn ), mais une seule dans S 0 (Rn ). Ayant montré l'existence et l'unicité de la solution du problème diérentiel (1.70) dans D0 (Rn ) et ayant construit cette solution (voir équation (1.73)), il est naturel de s'interroger sur sa régularité. En eet, une solution au sens des distributions est un résultat élégant, mais une fonction susamment régulière serait une solution plus praticable du problème diérentiel. Avec la caractérisation des espaces de Sobolev formulée à la section précédente, nous disposons d'un outil remarquablement simple et puissant pour aborder ce problème. Proposition 21. Le problème diérentiel :
−∆u + λu = f, λ > 0, f ∈ Hs (Rn ) ,
admet une seule solution u ∈ S 0 (Rn ), donnée par : u (ξ) = F −1
De plus, u ∈ Hs+2 (Rn ). Démonstration : on a : s+2 2 1 + |η|2 |b u (η)| =
fb(η)
!
2
4π 2 |η| + λ
1 + |η|
2
1 + |η|2
.
s2 b f (η) .
(1.75)
4π 2 |η|2 + λ s2 −1 Or 1 + |η|2 fb(η) ∈ L2 car f ∈ Hs et 1 + |η|2 4π2 |η|2 + λ est bor-
née sur Rn . Dès lors, le membre de gauche de (1.75) est dans L2 , ce qui conclut la démonstration.
52
Mathématiques pour les systèmes dynamiques
La démarche que nous avons suivie pour résoudre le problème (1.70) peut être généralisée au cas des équations elliptiques. Dénition 23. Pour α ∈ Nn , on dénit l'opérateur diérentiel Dα de S 0 (Rn ) dans lui-même par : −|α|
Dα = (2iπ)
∂α.
A tout polynôme d'ordre p ∈ N à coecients complexes dα ∈ Cn de la forme : X
P (η) ,
dα η α ,
|α|≤p α∈Nn
on associe l'opérateur diérentiel linéaire P (D) de S 0 (Rn ) dans lui-même, déni par : X P (D) ,
dα Dα .
|α|≤p α∈Nn
On appelle le polynôme P (η) le symbole de l'opérateur P (D). On dénit l' ordre de P (D) comme le plus grand entier p tel que : X
|dα | > 0.
|α|=p
On dénit le symbole principal d'un opérateur diérentiel P (D) d'ordre p, noté Pp (η), par : Pp (η) ,
X
dα η α .
|α|=p
L'opérateur diérentiel P (D) est alors dit elliptique si son symbole principal Pp (η) ne s'annule qu'en η = 0. Les dénitions de ces opérateurs diérentiels sont posées de manière à simplier l'écriture des transformées de Fourier. On a en eet, pour tout u ∈ S 0 (Rn ) : αu = ηαu d b(η), D
(1.76)
P\ (D)u = P (η)b u(η).
(1.77)
Passons en revue quelques exemples d'opérateurs diérentiels linéaires, de façon à déterminer s'ils sont elliptiques. Exemple 7. (1) L'opérateur laplacien déni par : ∆ = ∂ (2,0,...,0) + ∂ (0,2,...,0) + · · · + ∂ (0,0,...,2)
(1.78)
Transformées intégrales et distributions
53
correspond au symbole : 2
P (η) = (2iπ)
η 21 + η 22 + · · · + η 2n
(1.79)
2
= −4π2 |η| .
Il s'agit donc d'un opérateur elliptique d'ordre 2. (2) L'opérateur de Cauchy-Riemann5 est déni par : L = ∂ (1,0) + i∂ (0,1) ,
(1.80)
P (η) = (2iπ) (η 1 + iη 2 )
(1.81)
et correspond au symbole : = (2π) (iη 1 − η 2 ) .
Il s'agit donc d'un opérateur elliptique d'ordre 1.
(3) L'opérateur des ondes déni par Lu = (2iπ)−1 ∂ (2,0) − ∂ (0,2) u correspond au symbole P (η) = (2iπ) η21 − η22 et est un opérateur d'ordre 2 mais non elliptique car son symbole principal P2 (η) = P (η) s'annule pour η = 0 mais aussi pour η1 = η2 6= 0. Il est possible de généraliser la démarche que nous avons suivie pour résoudre l'EDP (1.70) à des opérateurs diérentiels linéaires plus généraux. L'existence, l'unicité et la construction de la solution dans S 0 (Rn ) s'obtiennent de la même manière. La question de la régularité de cette solution est plus délicate. Cependant, pour les problèmes diérentiels elliptiques, on peut faire usage du théorème ci-dessous (voir sa démonstration dans [WIL 95], par exemple). Théorème 6 (de régularité elliptique). Soit P (D) un opérateur diérentiel elliptique d'ordre m, Ω un ouvert de Rn et u ∈ D0 (Rn ). Si P (D)u ∈ Hsloc (Ω) loc alors u ∈ Hs+m (Ω). Si de plus P (D)u ∈ C ∞ (Ω) alors u ∈ C ∞ (Ω). Les applications de ce résultat à l'analyse numérique des problèmes diérentiels elliptiques sont très importantes. Supposons que un soit une suite de solutions approchées telles que P (D)un → 0 et un → u, mais dont on ne peut établir la convergence qu'en un sens très faible (convergence au sens de D0 ). Par continuité de l'opérateur P (D) dans D0 , on obtient P (D)u = 0. Si l'opérateur P (D) est elliptique, on pourra conclure du théorème précédent que u ∈ C ∞ (Ω) et que u est une solution au sens classique (solution forte) de P (D)u = 0. Examinons maintenant les exemples précédents d'opérateurs diérentiels. Exemple 8. (1) Comme le laplacien est un opérateur elliptique, toute fonction harmonique solution de ∆u = 0 est de classe C ∞ . De plus, si une suite de 5 Cet opérateur est utilisé pour caractériser les fonctions holomorphes d'une variable complexe. Si f (x + iy) = u(x, y) + iv(x, y), alors f est holomorphe si et seulement si Lf = 0.
54
Mathématiques pour les systèmes dynamiques
fonctions harmoniques converge au sens des distributions, alors la limite ne peut être qu'une fonction harmonique. (2) Comme l'opérateur de Cauchy-Riemann est un opérateur elliptique, toute fonction holomorphe solution de l'équation de Cauchy-Riemman est de classe C ∞ . Si une suite de fonctions holomorphes converge au sens des distributions, alors la limite ne peut être qu'une fonction holomorphe. 2
2
(3) Les solutions de l'équation des ondes ∂∂tu2 = ∂∂zu2 sont de la forme u(t, z) = u1 (t + z) + u2 (t − z) , où les fonctions u1 et u2 ne sont en général que de classe C 2 . Le théorème de régularité ne s'applique pas dans ce cas puisque l'opérateur des ondes n'est pas elliptique.
1.5. Bibliographie [BOY 85] [DOE 74] [KAW 72] [RIC 01] [SCH 93] [SCH 66] [WIL 95] [ZAD 63]
Boyd S., Chua L.,
Fading memory and the problem of approximating nonlinear operators with Volterra series, IEEE Trans. on Circuits and ◦ Systems, vol. 32, n 11, p. 1150-1161, 1985. Doetsch G., Introduction to the theory and application of Laplace transform, Springer Verlag, 1974. Kawata T., Fourier analysis in probability theory, Academic Press, 1972. Richard J.P. (Dir.), Algèbre et analyse pour l'automatique, Hermès, Traité IC2, 2001. Schwartz L., Analyse - tome 4 : théorie de la mesure et applications, Hermann, 1993. Schwartz L., Théorie des distributions, Hermann, 1966. Willem M., Analyse harmonique réelle, Hermann, 1995. Zadeh L., Desoer C., Linear system theory, McGraw-Hill, 1963.
Chapitre 2
Calcul opérationnel de Mikusi«ski L'eet de la condition de compatibilité (...) contribue à la préservation de la théorie ancienne et familière, non pas en raison d'un quelconque avantage inhérent parce qu'elle serait par exemple, mieux fondée dans l'observation que la nouvelle, ou qu'elle serait plus élégante mais parce qu'elle est ancienne et familière. P. Feyerabend, Contre la méthode, Seuil, 1979. Pour traiter de façon simple et rapide les systèmes d'équations diérentielles, Heaviside, en 1893 [HEA 93], a introduit le calcul opérationnel basé sur la manipulation, semi-intuitive, de l'opérateur de dérivation p =d/dt. Pour combler le manque de rigueur de cette méthode qui pouvait conduire à des conclusions erronées, la transformation de Laplace a été utilisée comme justication théorique et base du calcul opérationel [HLA 69]. Cependant, comme le souligne Kailath [KAI 80], la transformation de Laplace réserve quelques skeletons-in-the-closet. Sans entrer dans les détails, on peut formuler quelques remarques : le calcul de la transformée de Laplace d'une fonction demande la connaissance de cette fonction pour toutes les valeurs réelles de son argument ; certaines fonctions, comme par exemple exp(t2 ), n'admettent pas de transformée de Laplace (remarquons au passage que, pour des raisons purement typographiques, nous noterons indiéremment la fonction exponentielle exp(t) ou et ) ; on ne peut manipuler, dans une même relation, l'argument d'une fonction et la variable complexe de Laplace ; cette variable complexe ne peut servir d'opérateur de dérivation que dans certaines conditions et par analogie ; le calcul opérationnel qui en découle ne peut être utilisé, sauf cas particuliers, que sur des équations diérentielles à coecients constants. Le calcul opérationnel de Mikusi«ski [MIK 59], dont on peut trouver un exposé détaillé dans [ERD 71, YOS 84] avec des présentations légèrement différentes, constitue une alternative élégante à la transformation de Laplace sans en présenter les inconvénients. Ce calcul est basé sur une opération naturelle Chapitre rédigé par Frédéric
Rotella.
56
Mathématiques pour les systèmes dynamiques
propre aux systèmes linéaires : la convolution. Cela permet d'ores et déjà de discerner la raison essentielle pour laquelle ce calcul, qui rejoint et consolide le point de vue de Heaviside, constitue un outil fondamental dans la modélisation par transfert d'un système linéaire : plutôt que de partir d'une transformation (Laplace, Carson, Mellin ou autres) et de s'apercevoir a posteriori de propriétés jouant un rôle similaire à celui d'une dérivation, le calcul de Mikusi«ski part d'une propriété caractérisant une certaine classe de comportements linéaires.
2.1. L'anneau de convolution des signaux à temps continu L'importance de l'opération de convolution (voir chapitre 1) pour traduire le comportement linéaire d'un phénomène a été soulignée par bien des auteurs : on pourra, sans être limitatif, consulter [DAU 88, DES 75, GOH 70, KAI 80]. Cette particularité, qui a été initialement utilisée par Poisson puis par Dirichlet ou Volterra [LAC 93], vient essentiellement du théorème de Riesz ([RIC 01] chapitre 2) ou de la particularisation des fonctions de Green [ZWI 98] pour certains systèmes. Elle a même été étendue au cas des systèmes non linéaires [SCH 89]. Considérons l'ensemble C des fonctions f = {f (t)} à valeurs réelles dénies sur [0, ∞) et intégrables sur tout sous-intervalle borné de [0, ∞). Cet ensemble comprend les fonctions continues par morceaux et, sauf cas particuliers que nous mentionnerons, il n'y aura pas lieu de distinguer le cas des fonctions continues. Les développements suivants pourraient être envisagés dans le cas des fonctions à valeurs complexes. D'autre part, les intégrales qui seront considérées devraient l'être, en toute généralité, au sens de Lebesgue. Cependant, pour ne pas alourdir le texte, la présentation adoptée sera celle d'intégrales de Riemann et les fonctions seront à valeurs réelles. En résumé, on peut considérer C comme l'ensemble des signaux réels à temps continu. En ce qui concerne la notation adoptée, {f (t)} désigne la fonction f alors que f (t) désigne la valeur réelle prise par f à l'instant t. Par exemple, il y aura lieu de distinguer le réel α de {α} qui est la fonction constante de valeur α pour tout t. Ainsi nous emploierons les écritures équivalentes : (∀t ≥ 0, a(t) = b(t)) ⇔ ({a(t)} = {b(t)}) ⇔ (a = b) ,
(2.1)
que nous remplacerons par a(t) = b(t) lorsqu'aucune confusion n'est à craindre, car en toute rigueur cette égalité n'est valable qu'à l'instant t. La fonction constante particulière h = {1} présentera pour nous une certaine importance, la notation h rappelant la fonction de Heaviside.
Calcul opérationnel de Mikusi«ski
57
Lorsque l'on munit l'ensemble C des lois : somme : f + g = {f (t) + g(t)} , produit de convolution : Z
t
fg = 0
Z t f (x)g(t − x)dx = f (t − x)g(x)dx , 0
(2.2)
on obtient l'anneau commutatif de convolution . Si l'on ajoute la multiplication par un scalaire : αf = {αf (t)} , cela conduit à la structure d'algèbre puisque C muni de la somme et de cette mutiplication externe est un espace vectoriel (chapitre 5 de [RIC 01]). Cependant le calcul opérationnel de Mikusi«ski sera essentiellement basé sur la structure d'anneau et ses propriétés. Comme le produit de convolution est associatif, nous pouvons noter : ∀n ∈ N, n > 1, f n = f n−1 f = f f n−1 .
2.1.1. L'opérateur d'intégration A partir de la dénition du signal h, on a :
∀n ∈ N, n ≥ 1, h = n
tn−1 (n − 1)!
,
(2.3)
ce qui, compte tenu des propriétés de la fonction eulérienne Γ (chapitre 2 de [RIC 01]), peut être généralisé sous la forme :
∀α, Re(α) > 0, hα =
tα−1 Γ(α)
.
(2.4)
Théorème 1.
∀α, β, Re(α) > 0, Re(β) > 0, hα hβ = hα+β . Pour tout f de C, on a : Z t hf = f (x)dx , 0
(2.5)
et h apparaît ainsi comme l'opérateur d'intégration du signal {f (t)} . De façon plus générale, pour tout α tel que Re(α) > 0, on a :
α
h f= =
1 Γ(α) 1 Γ(α)
x f (t − x)dx , 0 Z t α−1 (t − x) f (x)dx , Z
t
α−1
(2.6)
0
qui est l'intégrale de Riemann-Liouville d'ordre α pour f. Ainsi, hα correspondt-il à l'opérateur d'intégration fractionnaire d'ordre α [RIC 01].
58
Mathématiques pour les systèmes dynamiques
2.1.2. Diviseurs de zéro Le signal nul 0 = {0} est l'élément neutre de l'anneau de convolution. Le théorème de Titchmarsh, ci-après, montre que l'anneau de convolution est intègre, c'est-à-dire qu'il ne possède pas de diviseurs de zéro.
Théorème 2 (de Titchmarsh).
f g = 0 =⇒ f = 0 ou g = 0.
∀f, g ∈ C,
Ce résultat est une forme faible du théorème suivant (appelé également théorème de Titchmarsh [GOH 70]).
Théorème 3. Soient f et g deux fonctions absolument intégrables sur [0, 1]. Si f g = 0 pour tout t dans (0, 1), alors il existe α dans [0, 1] tel que f et g soient nulles presque partout respectivement sur [0, α] et [0, 1 − α].
Cela montre que l'intégrité ne peut être assurée si l'on s'intéresse à un domaine ni.
2.2. Le corps des opérateurs L'anneau de convolution étant intègre, on peut l'étendre sous la forme d'un corps algébrique : le corps O des quotients de convolution ou opérateurs. D'après le théorème de Titchmarsh, l'équation de convolution : af = b,
où a 6= 0 et b sont dans C, admet au plus une solution, notée f = ab , qui est le quotient de convolution de b par a. Mais, dans certains cas, par exemple lorsque b(0) 6= 0, cette solution ne peut appartenir à C. Par le procédé algébrique usuel (chapitre 5 de [RIC 01]), on construit le corps des quotients de convolution de C, dans lequel l'équation de convolution précédente a toujours une solution ab , avec b et a dans C et a 6= 0. Cet ensemble, noté O, est composé des classes d'équivalence par rapport à la relation d'équivalence : d b = ⇔ ad = bc. a c
On peut munir cet ensemble, dont les éléments seront appelés opérateurs, fonctions généralisées [ERD 71] ou hyperfonctions [YOS 84], des lois : addition : ab + dc = ad+bc ; ac multiplication par un scalaire α : α ab = bd produit (de convolution) : ab dc = ac ;
αb a
;
Calcul opérationnel de Mikusi«ski
59
qui lui confèrent une structure d'algèbre dont l'élement neutre est 0 = {0} b et l'élément unité, u = bb , avec dans les deux cas b 6= 0. On peut alors poser : a −1 b
,
b a
(si ab 6= 0).
(2.7)
De plus, comme on peut écrire hf = hf, on obtient l'identication f = qui indique que C O.
hf h
Remarque 1. On peut étendre l'équation de convolution af
= b au cas où a et b sont dans O (a = nd et b = xy , n, d, x, y dans C et ndy 6= 0). On est alors ramené par équivalence à l'équation de convolution : nyf = dx, où ny et dx sont dans C.
2.2.1. Multiplication par un scalaire Jusqu'à présent la notation retenue pour la multiplication par un scalaire laissait planer une confusion possible sur le sens de αf, qui ne devait pas être assimilé à {α} f. Il est maintenant temps de dénir plus proprement cette opération. L'opérateur de multiplication par un scalaire α, que nous noterons [α] , doit réaliser l'opération f 7→ {αf (t)} . En particulier, il doit satisfaire l'équation [α] h = {α} , ce qui donne : [α] =
Théorème 4.
{α} . h
∀α, β ∈ C, ∀f ∈ O : [α] + [β] = [α + β] ; [α] [β] = [αβ] ; [α] f = {αf (t)} .
(2.8)
La dernière relation indique bien que [α] est l'opérateur cherché et la deuxième, que u = [1] . Comme toute ambiguïté est levée, lorsque aucune confusion ne sera possible et de façon à simplier les formules, nous écrirons la plupart du temps α, y(0), y (k) (T ) à la place de [α] , [y(0)] , y (k) (T ) . D'autre part, comme on peut identier α à [α], on a C ⊂ O.
60
Mathématiques pour les systèmes dynamiques
2.2.2. L'opérateur de dérivation, p Soit p l'opérateur1 déni comme solution de l'équation de convolution : h2 f = h,
c'est-à-dire p = hh2 . De cette équation, on déduit également ph = hh = [1] . On peut donc écrire p = h−1 et le résultat suivant nous indique que p peut être considéré comme l'opérateur de dérivation. Théorème 5. Si f, continue sur [0, ∞), possède une dérivée localement intégrable, alors : n o pf = f (1) (t) + [f (0)] .
Ce résultat se généralise, si f (n) est localement intégrable, sous la forme : pn f = f (n) +
n−1 X
f (i) (0)pn−i−1 ,
i=0
où f (n)
= f (n) (t) et, en toute rigueur, f (i) (0) désigne f (i) (0) .
En présence d'une discontinuité de première espèce, le théorème précédent doit légèrement être modié. Soit f une fonction présentant une discontinuité de première espèce en x et soit s(x) le saut en cette discontinuité : s(x) = lim f (x + ) − lim f (x − ε); &0
on a alors :
ε&0
pf = f (1) + [f (0)] + s(x)phx ,
où hx représente l'échelon de Heaviside retardé de x (voir paragraphe 2.3.1). A partir de l'opérateur hα d'intégration fractionnaire d'ordre α, déni précédemment, on peut construire l'opérateur de dérivation fractionnaire, pα , Re(α) > 0, comme la solution de l'équation de convolution : hn+α f = hn ,
où n est un entier tel que Re(α) + n > 0, ce qui donne : pα =
hn . hn+α
(2.9)
1 Habituellement, l'opérateur de dérivation est noté s, mais pour ne pas le confondre avec la variable complexe de Laplace, nous utilisons p comme Heaviside l'avait initialement proposé.
Calcul opérationnel de Mikusi«ski
61
Cette construction rejoint celle proposée pour la dérivée fractionnaire à partir de l'intégrale de Riemann-Liouville (chapitre 2 de [RIC 01]). Cela permet également de montrer facilement que : ∀α, β, Re(α) > 0, Re(β) > 0, pα pβ = pα+β ,
l'extension au cas Re(α) < 0 étant fournie par : p
−α
α
=h =
tα−1 Γ(α)
(2.10)
.
2.3. Fonctions d'opérateurs Nous nous limitons ici à des fonctions d'opérateurs dépendant d'une seule variable réelle x ∈ I ⊂ R. Une fonction d'opérateur, ou fonction opérationnelle, f (x), est une application qui à tout x de I fait correspondre l'opérateur f (x), c'est-à-dire qu'il existe deux fonctions a(x) et b(x) de C telles que a(x)f (x) = b(x). Lorsque f (x) est elle-même dans C, on pourra noter f (x) = {f (x, t)} . Cette notion est particulièrement importante lorsque l'on utilise le calcul opérationnel dans le traitement des équations aux dérivées partielles (paragraphe 2.5.4). On peut dénir une notion de convergence sur les fonctions d'opérateurs, qui bien-sûr ici ne pourra être qu'une convergence au sens faible vis-à-vis de la convergence uniforme dans C, puisque f (x) ne peut être dénie que par l'intermédiaire du produit de convolution. Par exemple, en considérant α réel, nous avons déjà rencontré l'opérateur d'intégration hα , déni pour α > 0 par (2.10) et qui a été étendu à α < 0 par : ∀α ∈ R, n ∈ N, n + α > 0, hα =
hn+α . hn
(2.11)
On peut montrer que hα est continue pour tout α au sens de la convergence des fonctions d'opérateurs et que hn h0 = hn . Par continuité, on pose donc : h0 = p0 = [1] .
(2.12)
La notion de continuité et de convergence permet également de dénir, lorsque x évolue sur N, la notion de suite ou de série de fonctions d'opérateurs. Nous n'allons pas détailler ici cet aspect, mais regarder d'autres conséquences des fonctions d'opérateurs tout aussi importantes pour le calcul opérationnel.
62
Mathématiques pour les systèmes dynamiques
2.3.1. L'opérateur de retard Soit hx l'échelon de Heaviside retardé de x, x > 0. On a h0 = h et on peut dénir, pout tout α dans C : α−1 hα hx , x = h
qui lorsque Re(α) > 0, s'écrit comme le signal hα décalé de x : (
hα x
Théorème 6.
=
)
0 si 0 ≤ t < x, (t−x)α−1 si x ≤ t. Γ(α)
(2.13)
.
α+β β ∀α, β ∈ C, ∀x, y > 0, hα x hy = hx+y .
D'après la dénition précédente, on peut dénir l'opérateur h0x = h−1 hx = phx . Il vérie les propriétés suivantes :
h00 = [1] ; h0x+y = h0x h0y ; 0 −1 = h0−x ; hx
pour f dans C, h0x f =
0 si 0 ≤ t < x f (t − x) si x ≤ t
.
Cette dernière propriété montre que h0x est l'opérateur de retard de x.
2.3.2. Dérivation et intégration Soit f (x) une fonction d'opérateur et a une fonction de C telle que af (x) soit dans C. Alors, on dénit : la dérivée de f (x) :
dn f (x) ∂ n af (x, t) −1 = a dxn ∂xn l'intégrale de f (x) : Z
β
α
f (x)ϕ(x)dx = a
−1
(Z
β
(2.14)
; )
af (x, t)ϕ(x)dx ,
(2.15)
α
où ϕ(x) est une fonction de [α, β] dans R absolument intégrable. Ces opérations vérient toutes les règles usuelles de dérivation et d'intégration et sont indépendantes du choix de a. A titre d'exemple, pour tout α de C, pour tout x ≥ 0 et en notant ()0 la dérivée par rapport à x, on a : 0 α−1 (hα . x ) = −hx
Calcul opérationnel de Mikusi«ski
63
Or, on peut écrire que hα−1 = hα−1 hx = h−1 hα hx = h−1 hα x x . On obtient donc l'équation diérentielle vériée par l'opérateur hαx : 0
α (hα x ) = −phx ,
dont la condition initiale est hα0 = hα . La solution s'écrit sous la forme : α −px hα . x = h e
Nous verrons dans le paragraphe suivant d'autres équations diérentielles opérationnelles qui seront utiles pour la résolution d'équations aux dérivées partielles. Auparavant, regardons une conséquence de ce résultat. P Théorème 7. Pour tout x ≥ 0, (1 − e−xp)−1 = n≥0 e−nxp. En notant .c la partie entière, ce théorème permet d'écrire que, pour toute fonction f de C, on a : (1 − e−xp )−1 f =
k t x X
{f (t − nx)} .
(2.16)
n=0
Comme pour les intégrales usuelles, on peut dénir les intégrales impropres Rβ R R +∞ de fonctions d'opérateurs α+∞ , −∞ et −∞ lorsque les limites ont un sens.
Théorème 8. Pour toute f dans C telle que Z
∞
R∞ 0
h0x f (x)dx existe, on a :
h0x f (x)dx = f.
0
Comme on peut écrire h0x = e−px , on obtient la relation : Z
f= 0
∞
e−px f (x)dx,
(2.17)
qui permet d'écrire la forme opérationnelle d'une fonction (transformable au sens de Laplace) en tant que transformée de Laplace. Ce résultat réalise le lien du calcul opérationnel de Mikusi«ski avec la transformée de Laplace : on peut ainsi utiliser directement les tables de transformées (tableau 1.1, chapitre 1) et bénécier de tous ses avantages sans en avoir les inconvénients.
2.3.3. Equations diérentielles d'opérateurs Considérons l'équation diérentielle : y 0 (x) = wy(x),
(2.18)
64
Mathématiques pour les systèmes dynamiques
où y(x) est une fonction d'opérateurs et w un opérateur. Si cette équation possède une solution non identiquement nulle, w est un logarithme et la solution satisfaisant à la condition initiale y(0) = 1 est la fonction exponentielle exp(wx). Cette fonction vérie la propriété : exp(wx) exp(wz) = exp(w(x + z)),
et on peut donc écrire : [exp(wx)]−1 = exp(−wx),
dont e−px est un cas particulier déjà rencontré, tout comme logarithme conduisant, pour x > 0, à : e−
√ px
=
√ p qui est un
2 x x √ . exp − 3 4t 2 πt
(2.19)
Dans le cas de l'équation diérentielle avec second membre : y 0 (x) = wy(x) + f (x),
(2.20)
où f (x) est dans C, la solution opérationnelle satisfaisant à la condition initiale y(x0 ) = y0 , s'écrit de manière habituelle : Z x y(x) = y0 exp(w(x − x0 )) + exp(w(x − z))f (z)dz. (2.21) x0
Ces quelques points indiquent que les équations diérentielles de fonctions opérationnelles peuvent être traitées comme des équations diérentielles ordinaires usuelles.
2.4. Processus générateur d'un signal Chercher un processus générateur associé à une fonction donnée consiste à écrire cette fonction à l'aide des opérateurs h ou p. Comme h = p−1 , ils peuvent être écrits indiéremment en h, ou en p.
2.4.1. Signaux transformables au sens de Laplace Nous avons mentionné précédemment que si un signal f admet une transformée de Laplace (monolatère) F (s), alors on peut prendre directement : f = F (p),
Calcul opérationnel de Mikusi«ski
65
et il sut d'utiliser les tables de transformées de Laplace (tableau 1.1 ou [HLA 69, SPI 78]), pour obtenir, sans aucun calcul, le processus générateur correspondant.
2.4.2. Fractions rationnelles en
p
Toute fraction rationnelle en p, F (p), peut être décomposée en éléments simples sous la forme : F (p) = E(p) +
mi n X X i=0 j=1
cij , (p − αi )j
(2.22)
où E(p) représente la partie entière (polynomiale) de F (p). P
Si E(p) = rk=0 ek pk = {e(t)} = e, alors pour tout l > r, on a h−l (hl e) = {0} , indiquant que pour tout t > 0, e(t) = 0. En ce qui concerne les autres termes, on a : p {eαt } = {αeαt } + 1 = [α] {eαt } + 1, de sorte que l'on peut écrire :
eαt =
1 . p−α
De façon plus générale, on peut montrer, par exemple par récurrence, que l'on a pour tout n entier :
tn−1 eαt (n − 1)!
=
1 , (p − α)n
(2.23)
et on peut ainsi associer un signal à tout processus générateur qui s'écrit sous la forme d'une fraction rationelle en p (ou h).
2.4.3. Fonctions analytiques Lorsque le signal f est analytique, on peut l'écrire sous la forme : {f (t)} =
et l'utilisation de hn = sus générateur :
n
tn−1 (n−1)!
o
X
i≥0
i t f (i) (0) , i!
(2.24)
, pour n > 0, permet de lui associer le proces-
f=
X i≥0
f (i) (0)hi+1 .
(2.25)
66
Mathématiques pour les systèmes dynamiques
A titre d'exemple, si l'on considère exp(t2 ), on a : exp(t2 ) = h(1 + 2h2 + 12h4 + 120h6 + · · · ). P
Réciproquement, on peut utiliser le résultat suivant : si la série i≥0 xi z i P converge pour une valeur z0 de z, alors la série i≥0 xi hi dénit l'opérateur : [x0 ] +
X
xi
i≥1
ti−1 (i − 1)!
.
(2.26)
2.5. Calcul opérationnel Comme cela a été expliqué dans le chapitre précédent, le calcul opérationnel consiste à remplacer des équations diérentielles par des équations plus simples à résoudre, analyser ou manipuler. Dans cette section, nous noterons y (i) = (i) y (t) la i-ième dérivée de y = {y(t)} par rapport au temps.
2.5.1. Equations diérentielles ordinaires à coecients constants Considérons l'équation diérentielle : (
n X
)
(i)
ai y (t)
= {f (t)} ,
(2.27)
i=0
P
que l'on peut noter ni=0 ai y (i) = f, avec an 6= 0 et les conditions initiales y (i) (0) = yi pour i = 0, . . . , n − 1. Comme on a : k = 1, . . . , n, y (k) = pk y −
k−1 X
yi pk−i−1 ,
i=0
on peut donc écrire l'équation diérentielle sous la forme opérationnelle d'une équation de convolution : D(p)y = f + NCI (p), Pn
où D(p) = i=0 ai pi et NCI (p) est un polynôme de degré inférieur à n qui dépend des conditions initiales. La solution de cette équation s'écrit donc : y=
NCI (p) f + . D(p) D(p)
(2.28)
Calcul opérationnel de Mikusi«ski
67
Pour obtenir l'expression analytique {y(t)} de cette solution, deux cas sont à envisager : soit on connaît le processus générateur associé à f, alors on obtient le processus générateur de y qu'il sut d'exprimer ; soit on part de f (t) et, par décomposition en éléments simples de D(p) : D(p) =
mi r X X i=0 j=1
dij , (p − αi )j
r X
mi = n,
i=0
on obtient : i XX f = dij D(p) i=0 j=1
r
m
Z 0
t
τ j−1 eαi τ f (t − τ ) dτ . (j − 1)!
(2.29)
Exemple 1. Soit l'équation diérentielle : ∀t ≥ 0, y (2) (t) − 4y(t) = e2t , avec y(0) = 1, y (1) (0) = 1/4. Comme e2t = (p − 2)−1 , on peut écrire :
(2.30)
1 1 + + p, p−2 4 1 p 1 , y= + 2 2 4 (p − 2) (p − 4)
(p2 − 4)y =
et, d'après la forme des processus générateurs, on obtient pour (2.30) : {y(t)} =
1 2t te + cosh 2t . 4
(2.31)
Exemple 2. Soit l'équation diérentielle : 2
∀t ≥ 0, y (1) (t) − y(t) = (2t − 1)et , avec y(0) = 2.
(2.32)
Notons au passage que l'on ne peut ici utiliser le formalisme de Laplace du fait 2 de la fonction et . L'utilisation du calcul opérationnel conduit à : o i 2 1 hn (2t − 1)et + 2 p−1 n Z t o 2 2 e(t−x) (2x − 1)ex dx + 2et = et + et . =
y=
0
(2.33)
Exemple 3. Soit l'équation diérentielle : ∀t ≥ 0, y (2) (t) + y(t) = f (t), avec y(0) = y(T ) = 0,
(2.34)
68
Mathématiques pour les systèmes dynamiques
pour laquelle on pose provisoirement y (1) (0) = α. On obtient : α f + = {sin t} f + {α sin t} p2 + 1 p2 + 1 Z t sin(t − x)f (x)dx + α sin t . =
y=
0
Pour satisfaire à la condition terminale y(T ) = 0, α doit vérier : Z
T
0
sin(T − x)f (x)dx + α sin T = 0.
Lorsque sin T 6= 0, la valeur de α est déterminée de façon unique ; par contre, lorsque sin T = 0, la solution précédente ne résoud l'équation diérentielle RT (2.34), indépendamment de la valeur de α, que si 0 f (x) sin xdx = 0.
2.5.2. Equations intégrales de convolution Considèrons les équations intégrales de première espèce : Z
∀t ≥ 0,
t
0
et de deuxième espèce :
h(t − x)y(x)dx = f (t),
Z
∀t ≥ 0, y(t) +
0
t
h(t − x)y(x)dx = f (t),
(2.35)
(2.36)
qui sont des cas particuliers d'équations intégrales de Volterra. Le calcul opérationnel permet une écriture sous les formes respectives ky = f (pour (2.35)) et (1 + k)y = f (pour (2.36)). f Cela conduit aux solutions : y = fk (pour (2.35)) et y = 1+k (pour (2.36)), qui peuvent être des fonctions ou des opérateurs, mais qui dans tous les cas sont uniques. Exemple 4. Soit l'équation intégrale :
Z
∀t ≥ 0,
0
t
sin(t − x)y(x)dx = αt + t2 ,
pour laquelle on utilise {sin t} =
1 p2 +1
(2.37)
et αt + t2 = αh2 + 2h3 . On obtient :
y = (p2 + 1)(αh2 + 2h3 ) = α + 2 + αt + t2 .
Si α = 0, y est dans C, par contre si α 6= 0, y est un opérateur.
(2.38)
Calcul opérationnel de Mikusi«ski
69
2.5.3. Equations à retard L'utilisation de l'opérateur de retard permet de traiter les équations diérentielles linéaires où apparaissent des termes retardés. Exemple 5. Considérons l'équation diérentielle (avec w > 0) : ∀t ≥ 0,
y (1) (t) − y(t − w) = f (t),
(2.39)
avec la condition initiale, pour 0 ≤ t ≤ w, y(t − w) = g(t). En considérant g dénie par : g(t) si t ≤ w, g= 0 si t > w, on peut écrire :
y(t − w) − g(t) =
0 si t ≤ w, y(t − w) si t > w,
soit {y(t − w)} − g = e−wp y. Comme d'autre part, y (1) = py − y(0), avec y(0) = g(w), l'équation (2.39) se met sous la forme : (p − e−wp )y = f + g + g(w),
soit : et, en utilisant :
y = (1 − e−wp h)−1 h(f + g + g(w)), (1 − e−wp h)−1 =
X
e−wpn hn ,
n≥0
on obtient la solution de (2.39) : y=
X
e−wpn hn+1 (f + g + g(w)).
(2.40)
n≥0
2.5.4. Equations aux dérivées partielles Nous ne verrons le principe du calcul opérationnel que sur l'équation des ondes, mais un traitement analogue peut être appliqué aux autres types d'équations aux dérivées partielles (en abrégé, EDP) linéaires, comme par exemple l'équation de la chaleur ou celle des télégraphistes. Notons que, dans ce cadre, le calcul opérationnel de Mikusi«ski a été utilisé dans [FLI 97, FLI 99], pour résoudre de façon élégante des problèmes de platitude. Nous ne considérons ici que le cas où le domaine spatial du problème est borné. Dans le cas contraire (domaine pouvant être considéré comme inni) on peut envisager, sur les mêmes principes, de construire un calcul doublement opérationnel par rapport à la variable temporelle et par rapport à la variable spatiale [ROT 96].
70
Mathématiques pour les systèmes dynamiques
Exemple 6. Soit l'équation des ondes unidimensionnelle : yxx (x, t) = ytt (x, t),
x ∈ [α, β] ,
(2.41)
munie des conditions initiales, y(x, 0) = ϕ(x), yt (x, 0) = φ(x) et des conditions limites y(α) = {y(α, t)} = a, y(β) = {y(β, t)} = b. L'utilisation du calcul opérationnel conduit à écrire que la solution y(x) = {y(x, t)} est une fonction d'opérateur solution de l'équation diérentielle : y 00 (x) = p2 y(x) − pϕ(x) − φ(x),
avec les conditions terminales : y(α) = a, y(β) = b. Plaçons-nous dans le cas (i) où α = 0, β = L, a = 0, ϕ(x) = φ(x) = 0. On obtient alors l'équation diérentielle : y 00 (x) − p2 y(x) = 0, avec y(0) = 0, y(L) = b,
dont la solution s'écrit : y(x) =
Comme on a la relation :
exp − e−xp b. eLp − e−Lp
X exp − e−xp = e−((2k+1)L−x)p − e−((2k+1)L+x)p , Lp −Lp e −e k≥0
la solution devient : y(x) =
X
e−((2k+1)L−x)p b − e−((2k+1)L+x)p b,
k≥0
soit : y(x, t) =
X
(b(t − (2k + 1)L + x) + b(t − (2k + 1)L − x)) .
(2.42)
k≥0
Cette expression traduit la superposition de deux signaux : un signal direct et un signal rééchi. Les autres cas : (ii) b = 0, ϕ(x) = φ(x) = 0 ; (iii) φ(x) = 0, a = b = 0 ; et (iv) ϕ(x) = 0, a = b = 0 pourraient être traités de façon similaire et la solution générale construite par superposition des solutions élémentaires obtenues dans chaque cas.
2.6. Systèmes et transferts 2.6.1. Opérateur de transfert Lorsque le comportement d'un système linéaire peut être décrit par une équation de convolution : s = σe,
Calcul opérationnel de Mikusi«ski
71
où s et e, e 6= 0, représentent respectivement les signaux de sortie et d'entrée du système (que nous prendrons pour le moment dans C) et où σ est l'opérateur solution de l'équation précédente, soit σ = se . Par hypothèse, cet opérateur σ est indépendant du couple (s, e) : ainsi, pour tout autre couple sortie-entrée (y, u), nous aurons la relation : su = ey et σ = es = uy est l'opérateur de transfert du système. Contrairement à l'usage, nous n'appelons pas σ fonction de transfert, car suivant les développements précédents, cet opérateur peut très bien ne pas être dans C. Il sut, pour s'en convaincre de penser à la multiplication scalaire qui traduit l'eet d'un gain. Considérons les processus générateurs des signaux d'un couple entrée-sortie particulier non trivial (s, e) d'un système : s=
Ns (p) , Ds (p)
e=
Ne (p) . De (p)
(2.43)
Notons que ceci est toujours possible puisque les entrées et sorties d'un système, en tant que signaux, sont nécéssairement solutions d'une équation de convolution. D'autre part, nous avons pris le parti de les exprimer à l'aide de l'opérateur p, mais on aurait tout aussi bien pu choisir h. On obtient alors :
Ne (p) Ns (p) =σ , Ds (p) De (p)
(2.44)
qui conduit, en posant N (p) = Ns (p)De (p) et D(p) = Ne (p)Ds (p), à l'équation de convolution N (p) = D(p)σ, correspondant à l'opérateur de transfert du système : σ=
N (p) . D(p)
Remarquons que cette dernière expression n'est qu'une écriture. En eet, pour un couple entrée-sortie (y, u) du système, l'écriture : y=
N (p) u, D(p)
ou bien
{y(t)} =
N (p) {u(t)} , D(p)
que l'on peut représenter par le schéma fonctionnel suivant (où les parenthèses sont omises mais elles devraient y être en toute rigueur) :
u(t)
-
N (p) D(p)
-
y(t)
72
Mathématiques pour les systèmes dynamiques
correspond en fait à la relation : D(p)y = N (p)u.
Si l'on note cette relation de convolution sous la forme :
D(p)
−N (p)
y u
= 0,
cela relie l'opérateur de transfert d'un système à la notion de générateur d'un système de Blomberg et Yrilen [BLO 83] ou à celle de représentation AR de Willems [WIL 86], propre à tout système linéaire, invariant temporellement et complet. Nous ne nous étendrons pas sur ce point, mais en utilisant les opérations dénies sur le corps des quotients de convolution, l'ensemble des opérateurs de transferts scalaires est fermé pour les opérations de somme, produit et multiplication par un scalaire. Ces opérations correspondent aux opérations usuelles de mise en parallèle, mise en série et multiplication par un gain sur les systèmes. Le calcul opérationnel ainsi déni conserve toute sa cohérence. On peut alors utiliser toutes les propriétés algébriques pour la commande des systèmes linéaires et même envisager, comme il a été proposé dans [DES 80], d'utiliser un sous-corps de O, le corps des opérateurs stables. De façon plus précise, l'opérateur de transfert d'un système est déni sous la forme : N (p) σ= ∆(p)
D(p) ∆(p)
−1 ,
(2.45)
où ∆(p) est un polynôme dont les zéros sont à partie réelle négative.
2.6.2. Quelques cas particuliers (p) A partir de l'opérateur de transfert d'un système, N D(p) , la sortie en réponse à une entrée e est obtenue par le produit de convolution :
s=
N (p) e, D(p)
qui peut être traité comme dans le cas des équations diérentielles. On peut cependant distinguer plusieurs cas particulièrement importants.
Calcul opérationnel de Mikusi«ski
73
Transmittance isochrone La transmittance isochrone ou réponse fréquentielle est obtenue lorsque : e=
ce qui donne : s=
1 = ejωt , p − jω
X(p) [α(ω)] N (p) 1 = + , D(p) p − jω D(p) p − jω
(2.46)
où X(p) est un processus générateur issu de la décomposition en éléments (jω) simples de s et dont l'expression n'a pas à être précisée ici, et α(ω) = N D(jω) . Lorsque le signal associé au processus générateur X(p) D(p) tend vers 0 (on peut parler de stabilité asymptotique du système) alors, lorsque t → ∞, s(t) tend asymptotiquement vers le signal associé au processus générateur [α(ω)] p−jω , soit : n
o ρ(ω)ej(ωt+ϕ(ω)) ,
où ρ(ω) = |α(ω)| et ϕ(ω) = arg(α(ω)). La transmittance isochrone, obtenue en posant p = jω dans l'opérateur de transfert permet, par les quantités ρ(ω) et ϕ(ω), de construire des représentations fréquentielles des systèmes.
Gain statique Pour e = h (ce qui correspond à poser ω = 0 dans le paragraphe précédent) on obtient la réponse indicielle : Y (p) N (p) h= + [α] h, D(p) D(p)
s=
(2.47)
où Y (p) est un processus générateur dont l'expression n'a pas à être précisée (0) Y (p) ici, et α = N D(0) . Lorsque le signal associé au processus générateur D(p) tend vers 0, alors, lorsque t → ∞, s(t) tend asymptotiquement vers le signal associé au processus générateur [α] h, soit :
N (0) D(0)
,
(0) où la quantité N D(0) représente le gain statique du système et peut être directement obtenue par :
α=
N (p) D(p)
p=0
N (p) = ph = (ps)p=0 . D(p) p=0
74
Mathématiques pour les systèmes dynamiques
On vient donc de montrer le résultat suivant, bien connu : si s correspond à un processus générateur asymptotiquement stable, alors : s(∞) = lim ps = lim p→0
h→∞
s . h
(2.48)
2.6.3. Systèmes multi-entrées multisorties Pour traiter le cas des systèmes à plusieurs entrées et plusieurs sorties, on peut considérer les signaux à valeurs sur Cn , f = [f1 , . . . , fn ]T , avec pour i = 1, . . . , n, fi ∈ C. Pour ne pas alourdir les notations, on considèrera que la sortie s et l'entrée e du système linéaire sont dans Cn . Par superposition et linéarité, il existe une matrice M de On×n telle que : s = M e,
où M = [mij ] et les mij = ndijij sont les opérateurs de transferts élémentaires dénis par les n2 relations : dij si = nij ej , (i, j) ∈ {1, . . . , n}2 . Nous ne détaillerons pas non plus cet aspect du calcul opérationnel, mais comme les numérateurs et dénominateurs de M appartiennent à l'anneau C, on peut appliquer à M toutes les opérations utilisables sur les matrices rationnelles [RIC 01, ROT 95]. On peut donc construire, par des opérations algébriques, des factorisations droite et gauche de l'opérateur matriciel M : factorisation droite : M = Nd Dd−1 ; factorisation gauche : M = Dg−1 Ng ; où Nd , Ng , Dd , Dg sont dans On×n . Ces factorisations sont irréductibles si (Nd , Dd ) et (Ng , Dg ) sont premières entre elles. Ces factorisations correspondent en fait aux relations de convolution : Dg s = Ng e, pour la factorisation gauche ; s = Nd z, Dd z = e, pour la factorisation droite.
2.7. Cas des signaux à temps discret En utilisant l'opérateur de retard déni dans le cadre des signaux à temps continu, Mikusi«ski a traité la résolution des équations de récurrence en les transformant en équations à temps continu. Dans ce qui suit, nous allons voir brièvement que la construction utilisée pour le temps continu peut être adaptée lorsque le temps est discret, c'est-à-dire lorsqu'il évolue sur N et non plus sur [0, ∞).
Calcul opérationnel de Mikusi«ski
75
2.7.1. Anneau et quotients de convolution On considère maintenant l'ensemble D des signaux à temps discret, c'est-àdire des suites, a = {ak } , à valeurs réelles et dénies pour k entier. Encore une fois, on pourrait raisonner sans restriction sur les suites complexes. Parmi ces suites on peut distinguer les signaux particuliers : ri = rki = (1 si k = i et 0 sinon) ,
qui forment une base de D : ∀a ∈ D,
a=
X
(2.49)
(2.50)
ai r i .
i∈N
Remarque 2. Si l'on remplace formellement ri par z −i , on retrouve la notion
de transformée en z de la suite a [JUR 64], avec de légères mais importantes diérences : c'est qu'ici, nous avons une égalité et non un isomorphisme et qu'aucune condition de convergence n'est exigée. D de lao somme, a + b = {ak + bk } et du produit de convolution, Munissons nP k : nous obtenons une structure d'anneau commutatif. ab = j=0 aj bk−j Comme le théorème de Tichmarsch est également valable, ab = 0 ⇒ a = 0 ou b = 0, on peut construire le corps des quotients de convolution ou corps des opérateurs discrets OD . Les éléments de OD sont les solutions des équations de convolution af = b où a 6= 0 et b sont dans D, soit f = ab . En particulier, en posant r = r1 , on obtient :
ar = b =
b0 = 0, bk = ak−1 , pour k > 0,
(2.51)
c'est-à-dire que r représente l'opérateur de retard [KU 79] et la notation précédente ri , pour i > 0, est compatible avec le produit de convolution : ri+1 = ri r pour i ≥ 0. Nous verrons dans quelques lignes qu'elle l'est également pour i = 0. P
En conséquence de cette remarque, l'écriture a = i∈N ai ri constitue la notion de processus générateur des signaux discrets et, compte tenu de la relation établie avec la transformée en z , ces processus générateurs peuvent être obtenus, dans le cas de signaux admettant une transformée en z , en utilisant directement les tables de transformées en z [JUR 64] et en posant z −1 = r.
2.7.2. Quelques opérateurs La multiplication par un scalaire α conduit à l'opérateur correspondant [α] et on a [1] = u, élément neutre de la convolution discrète. Si l'on procède à
76
Mathématiques pour les systèmes dynamiques
la convolution r0 a, on obtient bien sûr a, ce qui implique que l'on peut poser r0 = [1].
En prenant la solution de l'équation de convolution : r2 f = r,
on dénit l'opérateur d'avance q =
(2.52)
et l'on a qr = u.
r r2
Soit b le signal de D construit à partir du signal a par b = {a1 , a2 , . . .} . Dans ces conditions, on a : rb = a − [a0 ],
dont on déduit que pour tout a de D, on a la relation : (2.53)
qa = {ak+1 } + [a0 ]q.
On pourrait également dénir d'autres opérateurs, comme par exemple : l'opérateur de sommation numérique, I : Ia =
k X
ak
j=0
,
(2.54)
que l'on peut relier à r par l'identité : Ia − rIa = a, soit I = (1 − r)−1 . On peut montrer que I est dans D et est égal au signal constant égal à 1 ; l'opérateur aux diérences, δ , solution de l'équation de convolution : I 2 δ = I,
(2.55)
soit δ = I −1 = 1 − r. Cet opérateur est aussi dans D et est égal au signal {1, −1, 0, 0, . . .}.
2.7.3. Calcul opérationnel Le calcul opérationnel est utilisé à deux niveaux : la résolution des équations de récurrence et la manipulation des opérateurs de transferts. Comme ce dernier point est strictement identique à ce que nous avons vu pour le temps continu, nous ne le développerons pas. Nous allons juste regarder rapidement un exemple simple de traitement d'équation de récurrence. Exemple 7. Considérons l'équation de récurrence : k ∈ N,
yk+1 − αyk = ak,
avec α ∈ R, y0 = β.
(2.56)
Calcul opérationnel de Mikusi«ski
77
L'utilisation du calcul opérationnel conduit à écrire cette équation sous la forme : (q − α)y = βq + a,
et à la solution :
y = (1 − αr)−1 (β + ar). Comme on peut montrer que (1 − αr)−1 = αk , on obtient :
k
y = βα
+
0 pour k = 0 Pk j j=0 α ak−j−1 pour k > 0
.
De même que dans le cas des signaux à temps continu, le calcul opérationnel de Mikusi«ski constitue une base rigoureuse permettant l'emploi des propriétés algébriques pour la commande des systèmes linéaires à temps discret [KU 79, KU 91].
2.8. Bibliographie [BLO 83] [DAU 88] [DES 75] [DES 80] [ERD 71] [FLI 97] [FLI 99] [GOH 70] [HEA 93] [HLA 69] [JUR 64] [KAI 80]
Blomberg H., Ylinen R.,
Algebraic theory for multivariable linear systems, Academic Press, 1983. Dautray R., Lions J.L., Analyse mathématique et calcul numérique, t. 6, Masson, 1988. Desoer C.A., Vidyasagar M., Feedback systems : input-output properties, Academic Press, 1975. Desoer C.A., Liu R.W., Murray J., Saeks R., Feedback system design : the fractional representation approach to analysis and synthesis, IEEE Trans. on Aut. Control, vol. 25, n◦ 3, p. 399-412, 1980. Erdélyi A., Calcul opérationnel et fonctions généralisées, Dunod, 1971 (trad. de Operational calculus and generalized functions, Holt, Rinehard and Winston, 1962). Fliess M., Mounier H., Rouchon P., Rudolph, J., Systèmes linéaires sur les opérateurs de Mikusi«ski et commande d'une poutre exible, ESAIM Proc., vol. 2, p. 183-193, 1997. Fliess M., Mounier H., Tracking control and π -freeness of innite dimensional linear systems, in Dynamical systems, control, coding and computer vision, Picci G., Gilliam D.S., Eds, p. 45-68, Birkhaüser, 1999. Gohberg M.G., Kren, Theory and applications of Volterra operators in Hilbert space, American Mathematical Society, 1970. Heaviside O., Electromagnetic theory, I-III, London, 1893. Hladik J., La transformation de Laplace, Masson, 1969. Jury E.I., Theory and application of the z -transform method, John Wiley, 1964. Kailath, Linear systems, Prentice Hall, 1980.
78
Mathématiques pour les systèmes dynamiques
[KU 79] [KU 91] [LAC 93] [MIK 59] [RIC 01] [ROT 96] [ROT 95] [SCH 89] [SPI 78] [WIL 86] [YOS 84] [ZWI 98]
Ku£era V.,
Discrete linear control : a polynomial approach, Wiley Intersciences, 1979. Ku£era V., Analysis and design of discrete linear control systems, Prentice Hall, 1991. Lachand-Robert T., Analyse harmonique, distributions, convolution, Techniques de l'ingénieur, T. AF1, A142, Dunod, 1993. Mikusi«ski J., Operational calculus, Pergamon Press, 1959. Richard J.P. (Dir.), Algèbre et analyse pour l'automatique, Hermès, Traité IC2, 2001. Rotella F., Zambettakis I., Mikusi«ski operational calculus for distributed parameter systems, IEEE-SMC Conf. CESA'96, p. 975-979, 1996. Rotella F., Borne P., Théorie et pratique du calcul matriciel, Technip, 1995. Schetzen M., The Volterra and Wiener theories of nonlinear systems, Krieger Publisihng Company, 1989. Spiegel M.R., Formules et tables de mathématiques, Mac Graw-Hill, 1978. Willems J.C., From time series to linear systems, Automatica, part I : vol. 22, n◦ 5, p. 560-580, 1986, part II : vol. 22, n◦ 6, p. 675-694, 1986, part III, vol. 23, n◦ 1, p. 87-115, 1987. Yosida K., Operational calculus : a theory of hyperfunctions, Springer Verlag, 1984. Zwillinger D., Handbook of dierential equations, Academic Press, 1998.
Chapitre 3
Probabilités et éléments de calcul stochastique 3.1. Dénitions générales Nous donnons dans cette section quelques éléments succincts de la théorie des probabilités : celle-ci est fondée sur la théorie de la mesure et le lecteur se reportera avec prot aux livres [RIC 01, SCH 93]. Cette section introductive contient essentiellement des dénitions ; nous présenterons des illustrations de ces diérentes notions dans la suite du chapitre.
3.1.1. Espace de probabilité Soit un espace abstrait Ω, appelé space des épreuves. Un élément ω de Ω est appelé une épreuve ou réalisation : ω correspond au résultat d'une expérience aléatoire. L'ensemble Ω est souvent appelé l'ensemble des épreuves ou des réalisations. L'espace Ω dépend bien entendu de l'expérience aléatoire que l'on cherche à modéliser. Nous verrons des exemples dans la suite. Nous considérons sur cet ensemble d'épreuves un ensemble de parties F , muni d'une structure de tribu. Dénition 1 (Tribu). Une tribu F est un ensemble de parties de Ω vériant les propriétés suivantes :
1. Ω ∈ F , 2. si A ∈ F , alors Ac ∈ F , où Ac est le complémentaire de A, Ac , Ω \ A = {x ∈ Ω, x 6∈ A} (stabilité par passage au complémentaire), S 3. si (An , n ∈ N) est une suite de parties de Ω, alors, n∈N An ∈ F (stabilité par réunion dénombrable). Un élément d'une tribu s'appelle un événement (en théorie de la mesure, de tels éléments sont appelés ensembles mesurables). Deux événements A et B sont dits incompatibles si A ∩ B = ∅. L'ensemble vide ∅ est appelé l'événement impossible . A l'inverse, Ω est l'événement certain. Chapitre rédigé par Eric
, Jamal Najim et Pierre
Moulines
.
Priouret
80
Mathématiques pour les systèmes dynamiques
Le couple (Ω, F), constitué d'un ensemble d'épreuves et d'une tribu d'événements, est un espace probabilisable. L'ensemble P(Ω) des parties de Ω est une tribu (tribu discrète ) sur Ω qui contient n'importe quelle tribu F de Ω. De même, l'ensemble {∅, Ω} est aussi une tribu (tribu grossière ) contenue cette fois dans toutes les tribus dénies sur Ω. Remarquons que l'intersection d'une famille quelconque de tribus est une tribu et que toute classe de parties A de Ω est contenue dans la tribu discrète P(Ω). Cela nous permet de dénir la notion suivante.
Dénition 2 (Tribu engendrée, σ(A)). La tribu engendrée par une classe de parties A de Ω, notée σ(A) est la plus petite tribu contenant A. La tribu engendrée σ(A) est aussi l'intersection de toutes les tribus contenant A. La notion de tribu borélienne est liée à la structure topologique de l'ensemble de base : c'est la tribu engendrée par l'ensemble des ouverts de la topologie. Nous considérerons dans ce chapitre uniquement la tribu borélienne de Rd , en commençant par le cas le plus simple de la droite réelle R.
Dénition 3 (Tribu borélienne). La tribu borélienne ou tribu de Borel de
R est la tribu engendrée par la classe des intervalles ouverts de R. On la note B(R). Un élément de cette tribu est appelé une partie borélienne ou un borélien.
Tout intervalle ouvert, fermé, semi-ouvert, appartient à B(R). Il en est de même de toute réunion nie ou dénombrable d'intervalles (ouverts, fermés, ou semi-ouverts). La tribu B(R) est aussi la tribu engendrée par l'une des quatre classes suivantes d'ensembles : I = {] − ∞, x], x ∈ R},
I 0 = {] − ∞, x]; x ∈ Q},
J = {] − ∞, x[, x ∈ R},
J 0 = {] − ∞, x[; x ∈ Q},
et, de façon similaire, la tribu borélienne B(Rd ) de Rd est la tribu engendrée Q par les rectangles ouverts di=1 ]ai , bi [. Le théorème suivant sera d'un usage constant dans la suite.
Théorème 1 (Classe monotone). Soient C ⊂ M ⊂ P(Ω). On suppose que : C est stable par intersection nie, Ω ∈ M et pour A, B ∈ M, A ⊂ B implique que B \ A ∈ M, M est stable par limite croissante. Alors, σ(C) ⊂ M.
Probabilités et calcul stochastique
81
3.1.2. Probabilité Dénition 4 (Probabilité). On appelle probabilité sur (Ω, F ), une application P : F → [0, 1], qui vérie les propriétés suivantes : 1. P(Ω) = 1, 2. (σ-additivité) si (An , n ∈ N) est une suite d'éléments de F deux à deux disjoints (c'est-à-dire : Ai ∩ Aj = ∅ pour i 6= j ), alors : P
[
! Ai
=
n∈N
∞ X
P(Ai ).
(3.1)
i=0
On vérie les propriétés suivantes, An , A et B étant des événements : 1. 2. 3. 4. 5. 6.
si A ⊂ B , alors P(A) ≤ P(B), P(Ac ) = 1 − P(A), P(A ∪ B) = P(A) + P(B) − P(A ∩ B),
si An % B, alors P(An ) % P(A),1 si An & A, alors P(An ) & P(A), S P P( n An ) ≤ n P(An ).
Dénition 5 (Ensemble négligeable, propriété P-p.s.). On dit qu'un ensemble A ⊂ Ω est P-négligeable (ou plus simplement négligeable, s'il n'y a pas d'ambiguïté sur la mesure de probabilité) s'il existe un ensemble B ∈ F tel que A ⊂ B et P(B) = 0. Une propriété est dite P-presque sûre (en abrégé, P-p.s.), si la propriété est vériée sur un ensemble dont le complémentaire est P-négligeable. Remarquons que les ensembles négligeables ne sont pas nécessairement des éléments de la tribu F . Dénition 6 (Espace de probabilité). Le triplet (Ω, F , P) dénit un space de probabilité. Dénition 7 (Tribu complète). On dira que la tribu F est c omplète si tous les ensembles négligeables de Ω sont éléments de F . Il est facile de construire une tribu F 0 qui contient F et d'étendre P à F 0 de telle sorte que F 0 soit complète pour l'extension de P. Pour éviter des complications techniques inutiles, nous supposerons désormais que toutes les tribus que nous manipulerons sont complètes. 1 Dans tout ce chapitre, la notation % désigne la limite par valeurs inférieures, c'est-àdire : lim , lim ou, pour des ensembles : lim , lim . La notation & est
xn %x
xn → x xn ≤ x
dénie similairement, avec xn ≥ x ou An ⊇ A.
An %A
An → A An ⊆ A
82
Mathématiques pour les systèmes dynamiques
Rappelons pour conclure ce paragraphe deux résultats techniques d'usage constant. Dénition 8 (π−système). On appelle π−système une famille d'ensembles stable par intersection nie. Théorème 2 (π−système). Soient µ et ν deux probabilités sur (Ω, F ) et soit C ⊂ F un π−système contenant Ω. On suppose que pour tout C ∈ C , µ(C) = ν(C). Alors µ(A) = ν(A) pour tout A ∈ σ(C). Dénition 9 (Algèbre). Soit E un ensemble. Une famille E0 de sousensembles de E est appelée algèbre si (i) E ∈ E0 , (ii) F ∈ E0 ⇒ F c ∈ E0 et (iii) F, G ∈ E0 ⇒ F ∪ G ∈ E0 . A la diérence des tribus, nous ne supposons pour les algèbres que la stabilité par union nie (et non innie dénombrable). Une fonction d'ensembles µ dénie sur E0 est dite σ−additive si, pourStoute union dénombrable d'éléments Fn ∈ E0 , S P Fn ∩ Fm = ∅ si n 6= m telle que n Fn ∈ E0 , on a µ ( n Fn ) = n µ(Fn ). Théorème 3 (d'extension de Carathéodory). Soit E0 une algèbre sur un ensemble E et µ0 : E0 → R+ une fonction σ−additive telle que µ0 (E) < ∞. Alors, il existe une unique mesure µ sur E , σ(E0 ) telle que µ = µ0 sur E0 . Exemple 1. Pour illustrer ce théorème, rappelons la construction de la mesure de Lebesgue sur l'intervalle [0, 1] (voir [RIC 01] pages 53-55). Soit C l'ensemble des parties de [0, 1] pouvant s'écrire sous la forme d'une union nie d'intervalles ouverts à gauche et fermés à droite : F ∈C
⇔
F =]a1 , b1 ] ∪ · · · ∪]ar , br ].
On vérie facilement que C est une algèbre. La tribu engendrée par C , σ(C) = B([0, 1]), est la tribu borélienne sur [0, 1]. Pour F ∈ F0 considérons : X λ0 (F ) = (bi − ai ). i
On vérie que λ0 est une fonction positive et additive. On peut démontrer que λ0 est σ−additive, c'est-à-dire que S pour toute union dénombrable P d'ensembles Fi ∈ F0 disjoints 2 à 2 et tels que i Fi ∈ F0 , on a λ0 (F ) = i λ0 (Fi ) (cette partie de la preuve n'est pas immédiate). Le théorème de Carathéodory permet de montrer que λ0 a une extension unique λ sur B([0, 1]), appelée mesure de Lebesgue sur [0, 1].
3.1.3. Variables aléatoires Dénitions Soient (Ω, F) et (E, E) deux espaces probabilisables et f une application de Ω dans E . L'image réciproque d'une partie A de E par f est la partie de Ω
Probabilités et calcul stochastique
83
notée f −1 (A) dénie par : f −1 (A) = {ω ∈ Ω : f (x) ∈ A} .
(3.2)
Les propriétés suivantes, où A et les ensembles Ai sont des parties quelconques de F et I est un ensemble ni, dénombrable, ou inni non dénombrable, se vérient immédiatement : c f −1 (E) = Ω, f −1 (∅) = ∅, f −1 (Ac ) = f −1 (A) , ! ! [ \ [ \ f −1 Ai = f −1 (Ai ), f −1 Ai = f −1 (Ai ). i∈I
i∈I
i∈I
(3.3)
i∈I
Si A est une classe quelconque de parties de E , on note f −1 (A) la classe de parties de Ω dénie par : f −1 (A) = f −1 (A) : A ∈ A . Il découle immédiatement des propriétés précédentes que si E est une tribu de E , alors f −1 (E) est une tribu de Ω. Dénition 10 (Variable aléatoire, v.a.). Soient (Ω, F ) et (E, E) deux espaces probabilisables et X une application de Ω dans E . On notera R+ l'ensemble des¯ réels positifs et R = R ∪ {∞}. On dit que X est une v.a. (variable aléatoire) à valeurs dans (E, E) si la tribu X −1 (E) est contenue dans F , ce qui revient à dire que X −1 (A) ∈ F pour tout ensemble A ∈ E . On dit que X est une v.a. : ¯ et E = B(R) ¯ (la tribu borélienne de R ¯) ; réelle lorsque E = R ¯ + et E = B(R ¯ + ) (l'ensemble des v.a. positives sera positive lorsque E = R noté F + ) ; ¯ d et E = B(R ¯ d) ; vectorielle (ou un vecteur aléatoire) lorsque E = R discrète lorsque le cardinal de l'ensemble E est ni ou dénombrable, la tribu E étant choisie comme l'ensemble des parties de E (soit : E = P(E)). Dénition 11 (Tribu engendrée par une famille de v.a.). Soit (Xi , i ∈ I) une famille de v.a. à valeurs dans (E, E), I étant un ensemble quelconque, non nécessairement dénombrable.On appelle tribu engendrée par (Xi , i ∈ I) la plus petite tribu X de Ω qui soit telle que toutes les v.a. Xi soient X -mesurables. A titre d'illustration, soit Y : Ω → (R, B(R)) une v.a. Alors σ(Y ), la tribu engendrée par la v.a. Y, est la tribu engendrée par la famille des ensembles Y −1 (B), où B ∈ B(R) est un ensemble borélien, soit : σ(Y ) , Y −1 (B), B ∈ B(R) .
Une v.a. Z : Ω → R est σ(Y )−mesurable si et seulement s'il existe une fonction borélienne f : R → R telle que Z = f (Y ) (voir, par exemple, [WIL 91] page 36). De même, si Y1 , · · · , Yn : Ω → R sont des v.a., nous avons : σ(Y1 , . . . , Yn ) = σ Yk−1 (Bk ), Bk ∈ B(R), k = 1, . . . , n ,
84
Mathématiques pour les systèmes dynamiques
et Z : Ω → R est σ(Y1 , · · · , Yn ) mesurable si et seulement s'il existe une fonction borélienne f : Rn → R telle que Z = f (Y1 , · · · , Yn ). Dénition 12 (Limites inférieure et supérieure). Soit {Xn} une suite de ¯ B(R)). On appelle limite supérieure et limite inférieure v.a. de (Ω, F) → (R, de la suite de v.a. {Xn }n≥1 les applications suivantes : limsupn Xn (ω) , lim & sup Xm (ω) = inf sup Xm (ω),
(3.4)
liminf n Xn (ω) , lim % inf Xm (ω) = sup inf Xm (ω).
(3.5)
n
n m≥n
m≥n
n
m≥n
n m≥n
Notons que les applications limsupn Xn et lim inf n Xn dénies ci-dessus sont ¯ , même si les v.a. Xn sont à valeurs dans R. a priori à valeurs dans R Proposition 1. Soit {Xn}n∈N une suite de v.a. sur (Ω, F ) à valeurs dans (R, B(R)). On a les propriétés suivantes :
(a) supn Xn et inf n Xn sont des v.a., (b) limsupn Xn et liminf n Xn sont des v.a., (c) l'ensemble {ω ∈ Ω : limsupn Xn (ω) = liminf n Xn (ω)} ∈ F . T Démonstration : pour S (a), on utilise le fait que {supn Xn ≤ x} = n {Xn ≤ x} et {inf n Xn < x} = n {Xn < x}. (b) s'obtient par application répétée de (a). Pour (c), notons Y = limsupn Xn et Z = liminf n Xn . Comme Y et Z sont des v.a., Y − Z est une v.a., ce qui conclut la preuve. Espérance d'une variable aléatoire Nous rappelons succinctement dans le paragraphe suivant quelques éléments de théorie de l'intégration. Le lecteur trouvera plus de développement dans le livre [RIC 01], chapitre 2. Dénition 13 (v.a. étagée). On dit qu'une v.a. X dénie sur (Ω, F ) et à ¯ B(R)) ¯ est étagée si elle ne prend qu'un nombre ni de valeurs valeurs dans (R, dans R. On notera eF + l'ensemble des v.a. étagées positives. Cet ensemble eF + n'est pas un espace vectoriel, mais il est stable par addition et par multiplication par les réels positifs (eF + est un cône). Etant donnés des nombres a1 , . . . , an de R+ et des ensembles A1 , . . . , An ∈ F , on obtient une v.a. positive X ∈ eF + en posant : X=
n X
a k IA ,
Ak ∈ F ,
(3.6)
k=1
où IA est la fonction indicatrice de A :
IA (α) =
1 α ∈ A, 0 α∈ 6 A.
(3.7)
Probabilités et calcul stochastique
85
Il est clair que cette fonction ne peut prendre qu'un nombre ni de valeurs, qui sont les sommes d'un nombre quelconque de ai . Il y a évidemment de multiples façons d'écrire (3.6). Inversement, toute v.a. X ∈ eF + s'écrit sous la forme (3.6) et admet même une écriture (3.6) canonique qui est unique. Soit X l'ensemble des valeurs prises par X , et soit pour a ∈ X , Aa = X −1 ({a}). Les ensembles Aa ∈ F constituent une partition nie de Ω et on a : X=
X
aIA .
(3.8)
a∈X
Dénition 14 (Espérance d'une v.a. étagée positive). Soit P une probabilité sur (Ω, F). On appelle espérance par rapport à la probabilité P de la v.a. étagée X ∈ eF + admettant la décomposition canonique (3.8), le nombre de R+ suivant, noté E[X] : X E[X] =
aP[Aa ].
a∈X
Par exemple, l'intégrale de la v.a. constante X = a ≥ 0 vaut a. Si A ∈ F , l'espérance de la v.a. X = IA vaut P(A). La proposition suivante découle de façon immédiate de la construction précédente. Proposition 2. Soient X , Y deux éléments de eF + et deux constantes a, b ≥ 0. Alors, on a : aX + bY ∈ eF + ;
∀a, b
≥
0,
∀a, b X
≥ ≤
0, E[aX + bY ] = aE[X] + bE[Y ]; Y ⇒ E[X] ≤ E[Y ].
(3.9) (3.10) (3.11)
Les deux lemmes suivants sont à la base de la théorie de l'intégration. Lemme 1. Soient Xn, Yn ∈ eF + deux suites croissantes telles que lim % Xn = lim % Yn . Alors, lim % E[Xn ] = lim % E[Yn ]. Lemme 2. Toute v.a. positive X ∈ F + est limite d'une suite croissante de fonctions étagées Xn ∈ eF + . Démonstration : il sut de considérer la suite : Xn (ω) =
Pn2n −1 k=0
k n n 2n I{k/2 ≤X(ω)<(k+1)/2 }
+ nIAX(ω)≥n .
Le lemme 2 montre qu'il existe une suite Xn ∈ eF + telle que Xn % X; la monotonicité de l'espérance assure que E[Xn ] est une suite croissante et, donc, que cette suite a une limite α. Le lemme 1 montre que cette limite ne dépend pas du choix de la suite {Xn }. On a en particulier : n2 X k α = lim % P({ω : k/2n ≤ X(ω) < (k + 1)/2n }) + nP({ω : X(ω) ≥ n}). 2n n
k=0
86
Mathématiques pour les systèmes dynamiques
Dénition 15 (Espérance d'une v.a. positive). Soit
X ∈ F + une v.a. positive. On appelle espérance de X par rapport à la probabilité P le nombre suivant de [0, ∞] : Z E[X] =
XdP = lim % E[Xn ], n
où {Xn } est une suite croissante de v.a. étagées positives telle que limn % Xn = X . On montre aisément que, pour X ≥ 0 : E[X] =
sup Y ∈eF + Y ≤X
E[Y ],
(3.12)
cette dernière relation (3.12) étant souvent utilisée comme dénition de l'espérance. On a alors le théorème suivant. Théorème 4. Si (a, b) ∈ R+ , et X, Y ∈ F + , on a : E[aX + bY ] = aE[X] + bE[Y ].
Si X, Y ∈ F + et si X ≤ Y , on a E[X] ≤ E[Y ]. (Convergence monotone) Soit {Xn }n∈N une suite croissante de v.a. de F + et soit X = limn Xn . Alors, limn E[Xn ] = E[X]. (Lemme de Fatou) Si {Xn } est une suite de v.a. de F + , alors : E [liminf n Xn ] ≤ liminf n E[Xn ].
Remarque 1. Si X ∈ F + est une v.a. positive, alors : ∀X ∈ F + ,
(3.13)
E[X] < +∞ ⇒ X < +∞ P-p.s.
En eet, remarquons que P{X = +∞} = lima→∞ P{X ≥ a}. Or a 1{X≥a} ≤ X . Par suite P{X ≥ a} ≤ E[X] a −−−→ 0, ce qui entraîne P{X = +∞} = 0. a→∞
Exemple 2. Soit (Zk ) une suite de v.a. positives ; P
P
alors E [ k Zk ] = E[Zk ] ≤ ∞ (application de la convergence monotone et P de la linéarité de l'espérance), P si E[Zk ] < ∞, alors Zk est ni P-p.s. et donc Zk → 0 P-p.s. Il nous reste à dénir l'espérance des v.a. réelles de signe quelconque. Pour cela, on utilise le fait qu'une v.a. réelle est toujours la diérence de deux v.a. positives, cette décomposition n'étant bien sûr pas unique. Nous utilisons dans la suite la décomposition canonique en partie positive et partie négative, qui sont les v.a. dénies par : X + , X ∨ 0 et
X − , (−X) ∨ 0,
où a∨b = max(a, b). On vérie aisément que X = X + −X − et |X| = X + +X − . Cette décomposition est minimale dans le sens où, pour toute autre décomposition de X de la forme X = Y − Z avec Y ∈ F + et Z ∈ F + , nous avons Y ≥ X + et Z ≥ X − .
Probabilités et calcul stochastique
87
Dénition 16 (Espérance, v.a. intégrable). On dit que la v.a. X est intégrable si E [|X|] < ∞, ce qui équivaut à E[X + ] < ∞ et E[X − ] < ∞. Dans un tel cas, on appelle espérance de X par rapport à la probabilité P le nombre de [0, ∞[ : E[X] = E[X + ] − E[X − ].
On note L1 l'espace des v.a. intégrables : L1 = L1 (Ω, F, P) = {X mesurable , E [|X|] < ∞}
(3.14)
Il est facile de voir que L1 est un espace vectoriel (car E|X+Y | ≤ E|X|+E|Y | et l'espérance est monotone) et que X 7→ E[X] est une forme linéaire positive. Par construction, si X ∈ L1 , alors |E[X]| ≤ E [|X|]. La propriété suivante découle directement du lemme de Fatou et fait partie des résultats fondamentaux de la théorie de la mesure et de l'intégration. Proposition 3 (Convergence dominée). Si, pour tout n ≥ 1, |Xn (ω)| ≤ Y (ω) (P-ps), si Y ∈ L1 et si Xn → XP-p.s., alors : lim E[|Xn − X|] = 0.
n→∞
(3.15)
En particulier, limn→∞ E[Xn ] = E[X]. Pour rappel, la notation P-p.s. renvoie à la dénition 5. Nous admettrons le résultat suivant. Théorème 5. Soit X une v.a. de (Ω, F ) dans (E, E) et P une probabilité sur (Ω, F). La formule PX (A) , P(X −1 (A)) dénit une probabilité sur (E, E), appelée probabilité image de P par X . Cette probabilité vérie, pour toute fonction f positive mesurable : Z
Z
f ◦ X(ω)dP(ω) =
f (x)dPX (x).
Dénition 17 (Loi d'une variable aléatoire). On appelle loi de X la probabilité image de P par X . C'est donc une probabilité, notée PX , sur (E, E). La loi d'une variable aléatoire réelle est donc une probabilité sur (R, B(R)). On dénit souvent la loi d'une variable aléatoire en spéciant une densité par rapport à une mesure positive [SCH 93] sur (E, E). Plus précisément, soit µ une mesure positive et soit g une fonction mesurable positive, telle que : Z
(3.16)
g(x)dµ(x) = 1. E
Pour A ∈ E , on dénit PX comme suit : PX : E → [0, 1],
Z
PX (A) =
g(x)dµ(x).
(3.17)
A
On vérie alors que PX donnée par (3.17) dénit bien une probabilité sur (E, E). Nous donnons ci-dessous quelques exemples élémentaires.
88
Mathématiques pour les systèmes dynamiques
La mesure de Lebesgue sur [0, 1] est une probabilité, que l'on appelle généralement loi uniforme sur [0, 1]. Plus généralement, pour a < b, on appelle loi uniforme sur [a, b], la mesure de probabilité (b−a)−1 I[a,b] (x)dx, où IA est l'indicatrice de l'ensemble A (voir (3.7)). La mesure sur R de densité pX (x) = π−1 (1 + x2 )−1 dx par rapport à la R∞ mesure de Lebesgue est une probabilité sur R, car −∞ pX (x)dx = 1. On remarque que le moment d'ordre 1 de cette mesure est inni. Cette loi est appelée loi de Cauchy standard. La mesure de densité : pX (x) =
(x − µ)2 1 √ exp − , 2σ 2 σ 2π
par rapport à la mesure de Lebesgue est une probabilité. Cette densité est appelée la R densité gaussienne . La moyenne de cette loi est µ et sa variance est (x − µ)2 pX (x) dx = σ 2 . Dénition 18 (Fonction de répartition). La fonction de répartition de la v.a. réelle X est la fonction FX : R → [0, 1], dénie par : FX (x) = PX (] − ∞, x]) = P(X ≤ x).
(3.18)
La fonction de répartition est une T fonction croissante, continue à droite : on remarque en eet que ] − ∞, x] = ] − ∞, xn ], pour toute suite décroissante xn , telle que limn→∞ xn = x. La propriété (5) de la dénition 4 implique donc que FX (x) = limn→∞ F (xn ) et donc, plus généralement, que limh→0+ FX (x + h) = FX (x). Un raisonnement similaire montre que la fonction de répartition admet en chaque point une limite à gauche : limh→0− FX (x + h) = PX (] − ∞, x[) = FX (x−). Remarquons aussi que : lim FX (x) = 0
x→−∞
et
lim FX (x) = 1.
x→∞
La fonction de répartition FX caractérise la loi PX , puisque, pour tout intervalle ]a, b] (b > a), on a : PX (]a, b]) = FX (b) − FX (a),
et qu'une mesure borélienne sur R est déterminée de façon unique par la donnée des mesures de tels intervalles. Il apparaît que la fonction de répartition d'une variable aléatoire réelle caractérise la loi de celle-ci. Par conséquent, la fonction de répartition est un outil pratique pour manier la loi d'une v.a. réelle.
3.1.4. Quelques inégalités utiles L'inégalité élémentaire suivante, appelée inégalité de Markov, joue un rôle fondamental.
Probabilités et calcul stochastique
89
Proposition 4 (Inégalité de Markov). Soit
Z une v.a et g : R → [0, ∞] une fonction borélienne croissante. Alors, pour tout c > 0 : E[g(Z)] ≥ E[g(Z)I(Z ≥ c)] ≥ g(c)P[Z ≥ c].
(3.19)
En particulier, pour g(x) = |x|, nous avons P[|X| ≥ c] ≤ E[|X|]/c pour tout
X ∈ L1 .
Rappelons qu'une fonction c : G → R, où G est un intervalle ouvert de R, est dite convexe si, pour tout x, y ∈ G et tout p, q , p + q = 1, on a : c(px + qy) ≤ pc(x) + qc(y).
A titre d'exemple, les fonctions |x|, x2 , eθx sont des fonctions convexes. Proposition 5 (Inégalité de Jensen). Soit c : G → R une fonction convexe sur un sous-intervalle ouvert de R et soit X une variable aléatoire vériant E [|X|] < ∞, P[X ∈ G] = 1, et E [|c(X)|] < ∞. Alors, on a : E [c(X)] ≥ c(E[X]).
3.1.5. Moments d'ordre p, espaces
(3.20)
Lp
Pour p > 0, on dit que X admet un moment d'ordre p, noté E|X|p , si |X|p admet un moment d'ordre 1. Nous notons Lp l'espace des variables aléatoires admettant un moment d'ordre p et, pour X ∈ Lp , kXkp = (E[|X|p ])1/p . Il est facile de voir que k · kp est positive et vérie l'inégalité triangulaire. Ce n'est toutefois pas une norme, car la relation kXkp = 0 entraîne seulement que X = 0 P-p.s. On dit que k · kp est une semi-norme. Comme nous le verrons, il est possible (mais pas toujours utile ni pratique), de quotienter l'espace par la relation d'équivalence X ≡ Y ⇐⇒ X = Y P-p.s. Les semi-normes Lp sont monotones dans le sens suivant. Proposition 6. Soit 1 ≤ p ≤ r < ∞ et Y ∈ Lr . Alors, Y ∈ Lp et kY kp ≤ kY kr . Cette dernière inégalité découle directement de l'inégalité de Jensen appliquée avec c(x) = xr/p . Soit X une v.a. à valeurs réelles. La borne essentielle de X est dénie par : kXk∞ = sup {a; P{ω : |X(ω)| > a} > 0} .
Proposition 7. Soit p ≥ 1. Nous avons (inégalité de Minkovski) : kX + Y kp ≤ kXkp + kY kp .
(3.21)
Soient p, q ≥ 1 tels que p−1 + q −1 = 1. Nous avons (inégalité de Hölder) : kXY k1 ≤ kXkp kY kq .
(3.22)
90
Mathématiques pour les systèmes dynamiques
La proposition suivante joue un rôle clef, en particulier lorsque p = 2. p ∈ [1, ∞) et soit (Xn ) une suite de Cauchy dans Lp , c'est-à-dire :
Proposition 8. Soit
lim sup kXr − Xs kp = 0.
k→∞ r,s≥k
Alors, il existe une variable aléatoire X ∈ Lp telle que Xr → X dans Lp , c'est-à-dire : kXr − Xkp → 0. De plus, on peut extraire de Xn une sous-suite Yk = Xnk qui converge vers X P-p.s. Démonstration : soit kn % ∞ une suite telle que : ∀(r, s) ≥ kn , kXr − Xs kp ≤ 2−n .
Nous avons, par monotonicité des semi-normes k · kp :
E |Xkn+1 − Xkn | ≤ kXkn+1 − Xkn kp ≤ 2−n , P ce qui implique que E n |Xkn+1 − Xkn | < ∞. Donc, la série de terme général Un = (Xkn+1 − Xkn ) converge absolument P-p.s. et limn→∞ Xkn existe P-p.s. Dénissons, pour tout ω ∈ Ω : X(ω) , lim sup Xkn (ω). X est une v.a. (en tant que limite supérieure d'une suite de v.a.) et Xkn → X P-p.s. Soient r et n ∈ N tels que r ≥ kn ; pour tout m ≥ n, on a : kXr − Xkm kp ≤ 2−n ,
et l'application du lemme de Fatou (3.13) montre que : kXr − Xkp ≤ lim inf kXr − Xkm kp ≤ 2−n , m
ce qui prouve que (Xr − X) ∈ Lp et donc que X ∈ Lp ; de plus, cette relation montre que Xr → X dans Lp . Le résultat précédent montre que Lp peut être muni d'une structure d'espace vectoriel normé complet par passage au quotient. Deux variables aléatoires X et Y sont égales presque sûrement si P{ω : X(ω) = Y (ω)} = 1. L'égalité presque sûre sur (Ω, F, P) dénit une relation d'équivalence sur l'ensemble des v.a. à valeurs dans (E, E). Si X et Y sont deux éléments de la même classe d'équivalence et si X admet un moment d'ordre p, alors E [|X|p ] = E [|Y |p ]. Lorsque l'on choisit un élément d'une classe d'équivalence, on dit que l'on choisit une version de X . Dans la suite, nous utiliserons la même notation X pour la v.a., la classe d'équivalence de X (l'ensemble des v.a. égales à X P-p.s.) et n'importe quel autre élément de la classe d'équivalence de X (ou version de la classe de X ). On appelle Lp (Ω, F , P) l'espace des classes d'équivalence des variables admettant un moment d'ordre p. La proposition 8 montre que Lp (Ω, F, P) est un espace vectoriel normé complet (ou encore, un espace de Banach), lorsqu'on le munit de la norme kXkp = (E [|X|p ]])1/p .
Probabilités et calcul stochastique
91
3.1.6. Variance, covariance Soit X une variable aléatoire admettant un moment d'ordre 2; alors X admet un moment d'ordre 1 (l'inégalité de Hölder (3.22) entraîne que E [|X|] = kXk1 ≤ kXk2). On pose alors : var(X) , E[(X − E[X])2 ) = E[X 2 ] − E2 [X],
(3.23)
quantité que l'on appelle la variance de X . De même, lorsque X, Y ∈ L2 , nous pouvons dénir : cov(X, Y ) , E [(X − E[X])(Y − E[Y ])] ,
(3.24)
quantité que l'on appelle la covariance de X et de Y . Les variables aléatoires sont dites décorrélées si le coecient de covariance cov(X, Y ) est nul. Lorsque X = (X1 , · · · , Xd ), d ∈ N, la matrice de covariance Γ(X) (ou matrice de variance/covariance) est dénie comme la matrice d × d : Γ(X) = E (X − E [X])(X − E [X])T , soit Γ(X)i,j = cov(Xi , Xj ).
(3.25)
Les éléments diagonaux sont égaux à la variance des variables Xi ; les éléments hors-diagonaux sont les coecients de covariance. La matrice de covariance est une matrice symétrique (Γ(X) = Γ(X)T ) et semi-dénie positive. En eet, pour tout d-uplets (a1 , a2 , · · · , ad ), nous avons : E
d X i=1
!2 ai (Xi − E[Xi ])
=
X
ai aj Γ(X)i,j ≥ 0.
i,j
Notons que, pour tout vecteur a (déterministe) : Γ(X + a) = Γ(X),
et que, pour M une matrice (déterministe) p × d : Γ(M X) = M Γ(X)M T .
Nous munissons l'espace L2 du produit scalaire : < X, Y >, E[XY ].
(3.26)
Comme précédemment toutefois, ce produit scalaire n'induit pas une norme, mais une semi-norme. Dénissons L2 l'espace quotient de L2 par la relation
92
Mathématiques pour les systèmes dynamiques
d'équivalence d'égalité P-p.s. Le produit scalaire déni ci-dessus s'étend directement à l'espace quotient, car pour toutes variables X˜ (resp. Y˜ ) de la classe de X (resp. Y ), nous avons : ˜ Y˜ >=< X, Y > . < X,
On vérie aisément que L2 muni de ce produit scalaire est un espace hilbertien. Cette propriété a un grand nombre de conséquences. Nous l'utiliserons en particulier pour construire l'espérance conditionnelle.
3.1.7. Indépendance, mesures produits Soient A et B deux événements. On dit que A et B sont indépendants si : P(A ∩ B) = P(A)P(B).
Les propriétés élémentaires des probabilités montrent que les événements A et B c , Ac et B , et Ac et B c sont aussi indépendants. En eet : P(Ac ∩ B) = P(Ω ∩ B) − P(A ∩ B) = P(B) − P(A)P(B) = (1 − P(A))P(B).
Les tribus A = {∅, A, Ac , Ω} et B = {∅, B, B c, Ω} sont donc indépendantes, au sens de la dénition suivante. Dénition 19 (Indépendance de tribus). Soit (Bi , i ∈ I) une famille de tribus. On dit que cette famille est indépendante si, pour tout sous-ensemble J ni de I : P
\
j∈J
Bj =
Y
P(Bj ), ∀ Bj ∈ Bj .
(3.27)
j∈J
Le lemme technique qui suit donne un critère plus pratique pour vérier l'indépendance de tribus. Lemme 3. Soient G et H deux sous-tribus de F et soit I et J deux π−systèmes tels que G , σ(I) et H , σ(J ). Alors, les tribus G et H sont indépendantes si et seulement si I et J sont indépendantes, c'est-à-dire : P(I ∩ J) = P(I)P(J),
∀I ∈ I, J ∈ J .
Démonstration : supposons les familles I et J indépendantes et, pour I ∈ I donné, considérons les mesures : H → P(I ∩H) et H → P(I)P(H). Ces mesures sont dénies (Ω, H) et coïncident sur J . Le théorème 2 montre que ces deux mesures coïncident sur H : P(I ∩ H) = P(I)P(H),
I ∈ I, H ∈ H.
Probabilités et calcul stochastique
93
Pour H donné dans H, les mesures G → P(G ∩ H) et G → P(G)P(H) sont dénies sur G et coïncident sur I . Par le théorème 2, elles coïncident sur G et donc P(G ∩ H) = P(G)P(H) pour tout G ∈ G et H ∈ H. Proposition 9. Soit (Ci , i ∈ I) une famille de π−systèmes indépendants. Alors, les tribus (σ(Ci ), i ∈ I) sont indépendantes. Il résulte immédiatement de la dénition 19 que, si Bi0 est une sous-tribu de Bi , la famille (Bi0 , i ∈ I) est une famille indépendante si (Bi , i ∈ I) l'est. Proposition 10. Si la famille (Bi , i ∈ I) est indépendante et si (Ij , j ∈ J) est une partition de I , alors la famille (σ(Bi ), i ∈ Ij , j ∈ J) est indépendante. De cette dénition découlent toutes les notions d'indépendance dont nous aurons besoin dans la suite. Dénition 20 (Indépendance). Une famille d'événements (Ai , i ∈ I) est indépendante si la famille de tribus (σ(Ai ), i ∈ I) l'est. Une famille de v.a. (Xi , i ∈ I) est indépendante si la famille de tribus (σ(Xi ), i ∈ I) l'est. Une v.a. X et une tribu G sont indépendantes si les tribus σ(X) et G le sont. Enn, (Xi , i ∈ I) et (Yj , j ∈ J) sont indépendantes si les tribus (σ(Xi ), i ∈ I) et (σ(Yj ), j ∈ J) le sont. Exemple 3. Soient (X1 , X2 , X3 , X4 ) quatre v.a. indépendantes. Alors, les couples (X1 , X2 ) et (X3 , X4 ) sont indépendants, puisque les tribus σ(X1 , X2 ) et σ(X3 , X4 ) le sont. Alors Y1 , f (X1 , X2 ) et Y2 = g(X3 , X4 ) (avec f, g boréliennes) sont indépendantes car σ(Y1 ) ⊂ σ(X1 , X2 ) et σ(Y2 ) ⊂ σ(X3 , X4 ). Avant d'aller plus loin, rappelons quelques résultats sur les mesures produits. Soient (E1 , B1 , ν 1 ) et (E2 , B2 , ν 2 ) deux espaces mesurés et ν 1 , ν 2 deux mesures σ−nies [SCH 93]. Alors : B1 ⊗ B2 , σ(A1 × A2 , A1 ∈ B1 , A2 ∈ B2 ),
(3.28)
est une tribu sur E1 × E2 appelée tribu produit de B1 et de B2 et il existe une unique mesure, notée ν 1 ⊗ ν 2 et dénie sur B1 ⊗ B2 , telle que : ν 1 ⊗ ν 2 (A1 × A2 ) = ν 1 (A1 )ν 2 (A2 ), A1 ∈ B1 , A2 ∈ B2 .
Soit f une fonction borélienne positive ou bornée. La formule de Fubini [RIC 01] implique : Z
Z Z
f (x1 , x2 ) dν 1 (x1 ) dν 2 (x2 ) Z Z = f (x1 , x2 ) dν 2 (x2 ) dν 1 (x1 ),
f d(ν 1 ⊗ ν 2 ) =
et ces résultats s'étendent directement pour le produit de n espaces. Le résultat suivant résulte de ces rappels et du théorème de classe monotone.
94
Mathématiques pour les systèmes dynamiques
Théorème 6. Soient (X1 , . . . , Xn ) des v.a. à valeurs dans (Ei , Ei ), i ∈ {1, . . . , n}. Il y a équivalence entre les propositions suivantes : 1. les v.a X1 , · · · , Xn sont indépendantes ; 2. pour tout Ak ∈ Ek , on a : P[X1 ∈ A1 , · · · , Xn ∈ An ] =
n Y
P[Xk ∈ Ak ] ;
1
3. pour tout Ak ∈ Ck , avec Ck π−système tel que σ(Ck ) = Ek , on a : P[X1 ∈ A1 , · · · , Xn ∈ An ] =
n Y
P[Xk ∈ Ak ] ;
1
4. la loi du vecteur aléatoire (X1 , . . . , Xn ), notée P(X1 ,··· ,Xn ) , est égale au produit des lois des v.a Xk : P(X1 ,··· ,Xn ) = PX1 ⊗ · · · ⊗ PXn ;
5. pour toutes fonctions fk boréliennes positives (resp. bornées), on a : E [f1 (X1 ) . . . fn (Xn )] =
n Y
E [fk (Xk )]]].
1
Exemple 4. Soient X, Y deux v.a. Alors, puisque σ([a, b[, a < b ∈ R) = B(R), il résulte du théorème précédent que X et Y sont indépendantes si et seulement si, pour tout a, b, c, d, on a : P(a ≤ X < b, c ≤ Y < d) = P(a ≤ X < b)P(c ≤ Y < d),
et, dans ce cas, si E [|X|] < ∞, E [|Y |] < ∞, on a E[XY ] = E[X]E[Y ], résultat que l'on utilise sans cesse en probabilité.
3.1.8. Fonction caractéristique, transformée de Fourier Dans tout ce paragraphe, X désigne une variable aléatoire à valeurs dans Rd . On note PX sa loi. L'application ΦX : Rd → C donnée par : Z ΦX (λ) = E[exp(i(λ, X))] = exp(i(λ, x))PX (dx), Rd
où (u, v) désigne le produit scalaire usuel, s'appelle la fonction caractéristique de X . La fonction caractéristique est la transformée de Fourier de la loi PX . Donnons quelques propriétés élémentaires de la fonction caractéristique :
Probabilités et calcul stochastique
95
ΦX (0) = 1 et |ΦX (λ)| ≤ 1 ; la fonction caractéristique est continue sur Rd (cette propriété est une conséquence immédiate de la continuité de l'application λ 7→ exp(i(λ, X) et du théorème de convergence dominée 3) ; lorsque la loi PX admet une densité g par rapport à la mesure de Lebesgue, alors ΦX est la transformée de g (au sens usuel). Le théorème de RiemanLebesgue implique que ΦX (λ) tend vers 0 lorsque λ → ∞. Comme son nom l'indique, la fonction caractéristique caractérise la loi, dans le sens suivant.
Théorème 7. Deux variables aléatoires à valeurs dans Rd ont même loi si et seulement si ΦX = ΦY . Corollaire 1. Les n variables aléatoires X = (X1 , · · · , Xn ) sont indépendantes si et seulement si : ∀λ1 , · · · , λn ,
ΦX (λ1 , · · · , λn ) =
n Y
ΦXi (λi ).
i=1
3.1.9. Variables aléatoires gaussiennes Dénition 21 (v.a. gaussienne standard). Une variable X est gaussienne standard (ou standardisée) si la loi de X admet la densité (par rapport à la mesure de Lebesgue) : 2 x 1 . f (x) = √ exp − 2 2π
(3.29)
Une variable aléatoire X est gaussienne de moyenne m et de variance σ2 , s'il existe une variable gaussienne standard Z telle que X = m + σZ . Lorsque σ > 0, X admet une densité par rapport à la mesure de Lebesgue sur R, densité donnée par : (x − m)2 1 , N (m, σ 2 ). exp − fm,σ2 (x) = √ 2σ 2 2πσ
(3.30)
On note donc cette densité N (m, σ 2 ). Par abus de langage, nous appellerons variable gaussienne de variance nulle une constante X = m P-p.s. Un calcul élémentaire montre que, pour tout u ∈ R : Z
∞ −∞
x2 1 √ exp(− ) exp(ux) dx = exp 2 2π
u2 2
,
96
Mathématiques pour les systèmes dynamiques
et donc, par prolongement analytique, la fonction caractéristique d'une variable gaussienne standard est donnée par : ΦX (u) = exp(−u2 /2).
(3.31)
Notons que, si X est une variable aléatoire de fonction caractéristique ΦX (u), la fonction caractéristique de la variable aléatoire Y = a + bX est donnée par : ΦY (u) = exp(iua)φX (bu),
et par conséquent, la fonction caractéristique de la loi normale de moyenne m et de variance σ 2 est donnée par : ΦX (λ) = exp(iλm − λ2 σ 2 /2).
(3.32)
On en déduit la proposition suivante. Proposition 11. Soient d v.a. gaussiennes indépendantes {Xi , 1 ≤ i ≤ d}, de moyenne mi et de variance σ 2i et soient ai ∈ R, i ∈ {1, · · · , d}. Alors la v.a. Pd Y = a1 X1 + · · · + ad Xd est gaussienne, de moyenne i=1 ai mi et de variance Pd 2 2 i=1 ai σ i . Démonstration : en utilisant le théorème 6, la fonction caractéristique de Y est donnée par : φY (λ) =
d Y k=1
" φXk (ak λ) = exp iλ
d X k=1
ak m k −
d X
# a2k σ 2k λ2 /2
,
(3.33)
k=1
et on conclut en utilisant la proposition 7. Dénition 22 (Vecteur gaussien). Un vecteur aléatoire X = (X1 , . . . , Xd ) est dit gaussien si, pour tout vecteur a = (a1 , . . . , ad ) ∈ Rd , aX T = a1 X1 + · · · + ad Xd est une v.a. gaussienne. Cette dénition implique en particulier que chaque composante Xk est une v.a. gaussienne. A l'inverse, le fait que toutes les variables Xk soient gaussiennes ne sut pas pour assurer que le vecteur X est gaussien. Par construction, la famille de lois gaussiennes est stable par transformation linéaire. Plus précisément, on a le lemme suivant. Lemme 4. Soit X un vecteur gaussien à valeurs dans Rd de moyenne m = [m1 , . . . , md ]T et de matrice de covariance K = (Ki,j )i∈{1,...,r}, j∈{1,...,d} . Pour tout b = [b1 , . . . , br ]T ∈ Rd et toute (r × d)−matrice M = (mi,j ), le vecteur aléatoire Y = b + M (X − m) est un vecteur gaussien à valeurs dans Rr , de moyenne b et de matrice de covariance M KM T . En eet, pour tout vecteur a = [a1 , . . . , ar ]T ∈ Rr , (a, Y ) = (a, b) + (M ∗ a, (X − m)) (où M ∗ est la matrice adjointe de M ) est une v.a. gaussienne.
Probabilités et calcul stochastique
97
Théorème 8. Soit X = [X1 , . . . , Xd ]T un vecteur aléatoire de moyenne m =
[m1 , . . . , md ]T et de matrice de covariance K = [Ki,j ]i∈{1,...,r}, j∈{1,...,d}. Le vecteur X est gaussien si et seulement si sa fonction caractéristique s'écrit : d d X X 1 φX (λ1 , . . . , λd ) = exp i λ i mi − λi λj Ki,j . (3.34) 2 i,j=1 i=1
Ce théorème montre que la loi d'une v.a. gaussienne est entièrement déterminée par la donnée de sa moyenne et de sa matrice de covariance. Lorsque la matrice de covariance K est inversible, la loi d'un vecteur aléatoire gaussien de moyenne m et de covariance K a une densité par rapport à la mesure de Lebesgue sur Rd et cette densité est donnée par : 1 1 p(x; m, K) = √ d exp − (x − m)T K −1 (x − m) . 2 2π (det(K))1/2
La loi d'un vecteur gaussien étant entièrement spéciée par la donnée de sa moyenne et de sa matrice de covariance, les notions d'indépendance et de décorrélation sont confondues (propriété qui n'est pas vériée de façon générale), ce qui s'exprime comme suit. Théorème 9 (Décorrélation). Soit Y = [Y1T , . . . , YnT ]T un vecteur gaussien ((d1 + · · · + dn ) × 1). Les vecteurs Yi (di × 1, i ∈ {1, · · · , n}) sont indépendants si et seulement si, pour tous vecteurs ai (di × 1, i ∈ {1, · · · , n}), on a cov[aTi Yi , aTj Yj ] = 0, pour tous i 6= j ∈ {1, . . . , n}.
3.2. Théorèmes limites Les théorèmes limites sont au c÷ur même de la théorie des probabilités. Nous ne donnons ici que quelques dénitions et énoncés essentiels, en nous limitant aux notions que nous utiliserons dans la suite. Le lecteur se reportera à [RES 98] ou [WIL 91] pour plus de détails. Introduisons tout d'abord les diérents modes de convergence. Soit (Xn , n ∈ N) une famille de v.a. dénies sur un espace de probabilité
1/2 P d 2 (Ω, F, P) et à valeurs dans (Rd , B(Rd)). On note |x| = x la norme k=1 k euclidienne. Soit nalement X une v.a. dénie sur (Ω, F , P) et à valeurs dans (Rd , B(Rd )). Dénition 23 (Convergence p.s.). La suite. Xn converge presque sûrement vers X (on note : Xn →p.s. X ) si : n o P ω : lim Xn (ω) = X(ω) = 1. n→∞
98
Mathématiques pour les systèmes dynamiques
De façon équivalente, Xn →p.s. X si et seulement si : lim P
n→∞
[
{|Xk − X| ≥ δ}
k≥n
=0
pour tout δ > 0.
Dénition 24 (Convergence dans Lr ). Soient Xn et X des v.a. appartenant
à Lr . La suite Xn converge dans Lr vers X (on note : Xn →Lr X ) si : lim E [|Xn − X|r ] = 0.
n→∞
Dénition 25 (Convergence en probabilité). On dit que la suite de v.a. Xn converge en probabilité vers X (on note Xn →P X ) si :
pour tout δ > 0. Dénition 26 (Convergence en loi). On dit que la suite de v.a. Xn à valeurs dans Rd converge en loi (ou en distribution) vers X (on note Xn →d X ) si l'une des trois conditions équivalentes est satisfaite : lim P{|Xn − X| ≥ δ} = 0
n→∞
1. pour toute fonction f continue bornée Rd → R : lim E [f (Xn )] = E [f (X)] ;
n→∞
2. pour tout λ , [λ1 , . . . , λd ] : lim E [exp (i λ · Xn )] = E [exp (i λ · X)] ;
n→∞
3. pour tout pavé A = [a1 , b1 ] × · · · × [ad , bd ] tel que P(X ∈ ∂A) = 0 (où ∂A désigne la frontière de A) : lim P(Xn ∈ A) = P(X ∈ A).
n→∞
Le théorème suivant hiérarchise les diérents modes de convergence. Théorème 10. 1. Si Xn →p.s. X , alors Xn →P X . 2. Si Xn →Lr X , alors Xn →P X . 3. Si Xn →P X , alors Xn →d X . 4. Si Xn →P X , alors on peut extraire une sous-suite (Xnk , k ∈ N), telle que Xnk →p.s. X . Les théorèmes suivants sont à la base des statistiques. Théorème 11 (Loi forte des grands nombres). Soit (Xn , n ∈ N) une suite de v.a. indépendantes et identiquement distribuées (i.i.d.)2 telles que E [|X1 |] < ∞. Alors : n 1X Xi →p.s. E[X1 ]. n i=1
2
c'est-à-dire ayant la même loi (dénition 17).
Probabilités et calcul stochastique
99
P
Ce théorème montre que la moyenne empirique n−1 ni=1 Xi d'une suite de v.a. i.i.d. intégrables converge P-p.s. vers la moyenne théorique (espérance) de ces variables. Théorème 12 (Théorème de la limite centrale). Soit (Xn , n ∈ N) une suite réelle de v.a. i.i.d. appartenant à L2 et telles que E[Xi ] = µ et E[(Xi − µ)2 ] = σ 2 < ∞. Alors : 1 X √ (Xi − µ) →d N (0, σ 2 ). n i=1 n
Ce permet d'évaluer la vitesse à laquelle la moyenne empirique Pthéorème n X converge vers la moyenne E[X1 ] = µ. Ceci permet en particulier de i 1 déterminer, en statistique, des intervalles de conance. n−1
3.3. Espérance conditionnelle 3.3.1. Construction élémentaire Dénition 27 (Probabilité et espérance conditionnelles). Soit (Ω, F , P) un espace de probabilité. Soit B un événement tel que P(B) > 0. Pour A ∈ F , la probabilité conditionnelle de A sachant B est dénie par la quantité : P(A|B) =
P(A ∩ B) , P(B)
(3.35)
et, pour une v.a. X ∈ L1 (intégrable), l' espérance conditionnelle de X sachant B est dénie par : Z 1 E[X|B] = XdP. (3.36) P(B)
B
On remarque que la probabilité conditionnelle P(A|B) est l'espérance conditionnelle de la fonction indicatrice d'ensemble IA . Il sut donc de considérer l'espérance conditionnelle. L'espérance conditionnelle E[X|B] représente l'espérance de la variable aléatoire X sachant que l'événement B est réalisé. Exemple 5. Soit X une variable aléatoire à valeurs dans l'ensemble des entiers naturels N. La loi de X est spéciée par la donnée des probabilités pi = P(X = P E[X] = i∈N ipi . Considérons i), pour i ∈ N. La moyenne de X est donnée par P l'événement B = {X ≥ i0 }. Nous avons P(B) = i≥i0 pi que nous supposerons non nul. L'espérance conditionnelle de X sachant B est donnée par : P
i≥i E[X|B] = P 0 i≥i0
ipi pi
,
100
Mathématiques pour les systèmes dynamiques
qui correspond à la moyenne de X conditionnellement au fait que l'événement B est réalisé. Considérons maintenant la tribu B = {∅, Ω, B, B c } qui est la plus petite tribu contenant B et supposons que X est intégrable. On appelle espérance conditionnelle de X ∈ L1 sachant la tribu B la v.a. Y dénie par : Y = E[X|B] = E[X|B]IB + E[X|B c ]IB c ,
qui est donc égale à l'espérance conditionnelle de X sachant B ou de X sachant B c , suivant le résultat de l'expérience courante. De façon générale, soit (Bk , k ≥ 0) une partition de Ω, telle que pour tout k ≥ 0, Bk ∈ F et P(Bk ) > 0 et soit B la tribu engendrée par ces événements. On appelle espérance conditionnelle de X sachant B la variable aléatoire : X Y = E[X|Bk ]IBk . (3.37) k≥0
On remarque que Rla variable aléatoire Y est B -mesurable et que, pour tout R B ∈ B, B Y dP = B XdP . On a donc la caractérisation suivante. Proposition 12. La variable aléatoire Y dénie par (3.37) est l'unique variable aléatoire B -mesurable telle que : Z
Z
Y dP = B
XdP
pour tout B ∈ B.
(3.38)
B
3.3.2. Généralisation Nous avons construit précédemment l'espérance conditionnelle par rapport à des événements de probabilité strictement positive. Notre objectif est maintenant conditionner par rapport aux valeurs prises par une v.a. Y , c'est-à-dire de conditionner par rapport à des événements du type {Y = y} qui peuvent être de probabilité nulle. Nous allons pour cela utiliser la caractérisation qui nous est donnée par la proposition 12. L'espace L2 , L2 (Ω, F, P), muni du produit scalaire < X, Y >, E[XY ], est un espace hilbertien. Dans les espaces hilbertiens, il est possible de dénir la projection d'un vecteur (ici, une variable aléatoire X ∈ L2 (Ω, F , P)) sur les sous-espaces vectoriels fermés. Par sous-espace vectoriel fermé de L2 , nous entendons un sous-espace vectoriel H tel que toute suite convergente d'éléments de H a une limite dans H. Soit B une sous-tribu de F et dénissons : HB , Z ∈ L2 (Ω, F, P),
Z a un représentant B -mesurable .
HB est un sous-espace vectoriel fermé (pour preuve, HB est isomorphe à L2 (Ω, B, P) et on applique la proposition 8). On a le résultat suivant.
Probabilités et calcul stochastique
101
Théorème 13. Soient (Ω, F, P) un espace de probabilité, B ⊂ F une sous-tribu
de F et X une v.a., X ∈ L2 (Ω, F , P). Il existe une unique (à une équivalence près) variable aléatoire Y ∈ HB telle que : E (X − Y )2 = inf E (X − Z)2 . Z∈HB
Cette variable vérie, pour toute v.a. Z B -mesurable, E[XZ] = E[Y Z]. On note E[X|B] cette variable aléatoire (en gardant à l'esprit qu'elle est dénie à une équivalence près : E[X|B] est une version de l'espérance conditionnelle). Si Y est une v.a., alors l'espérance de X par rapport à Y , notée E[X|Y ], est simplement l'espérance de X par rapport à la tribu engendrée par Y. La dénition précédente s'applique aux v.a X de L2 (Ω, F , P) : elle s'étend aux v.a. positives et/ou intégrables, grâce au lemme suivant. Lemme 5 (élémentaire d'unicité). Soient X et Y deux v.a. B -mesurables toutes deux positives ou toutes deux intégrables, vériant : Z
Z
∀B ∈ B,
XdP ≥
Y dP
B
(respectivement =).
B
Alors, X ≥ Y P-p.s. (respectivement X = Y P-p.s.). Démonstration S : pour a < b, dénissons Fa,b , {X ≤ a < b ≤ Y } ∈ B . Puisque {X < Y } = a,b∈Q Fa,b , il sut de prouver que ∀a, b ∈ Q, P(Fa,b ) = 0. Mais, si P(Fa,b ) > 0, nous avons : Z
Z XdP ≤ aP(Fa,b ) < bP(Fa,b ) ≤
Fa,b
Y dP, Fa,b
et nous aboutissons à une contradiction. Théorème 14. Soit X une v.a. intégrable (respectivement positive). Il existe une v.a. Y intégrable (respectivement positive) B -mesurable, telle que : Z ∀B ∈ B,
Z XdP =
B
Y dP. B
Cette variable est unique à une équivalence près. Démonstration : l'unicité découle du lemme 5. Montrons l'existence. On suppose tout d'abord que X ≥ 0. Pour n ∈ N, dénissons Xn = min(X, n). On a Xn ∈ L2 (Ω, F, P) et il existe donc une v.a. Yn ≥ 0, B -mesurable telle que : Z ∀B ∈ B,
Z Xn dP =
B
Yn dP. B
102
Mathématiques pour les systèmes dynamiques
Par application de 5, Yn est P-p.s. une suite positive et croissante. En eet, pour tout B ∈ B : Z
Z
Z
B
Z
Xn+1 dP ≥
Yn+1 dP = B
Xn dP = B
Yn dP. B
Dénissons Y = lim % Yn . Y est B -mesurable et, par application du théorème de convergence monotone, pour tout B ∈ B , nous avons : Z
Z
Y dP = lim % B
Z
Yn dP = lim % B
Z
Xn dP = B
XdP. B
Notons que si X est intégrable, alors Y l'est aussi (prendre B = Ω). Pour étendre le résultat au cas intégrable, nous allons prouver que, pour X, Y deux v.a. positives intégrables, et pour a, b ∈ R, nous avons (linéarité de l'espérance conditionnelle) : E[aX + bY |F ] = aE[X|F ] + bE[Y |F ].
Il sut en eet de remarquer que, pour tout B ∈ B : Z
Z Z Z E[aX + bY |F ]dP = (aX + bY )dP = a XdP + b Y dP B B B Z Z Z E[X|B]dP + b E[Y |B]dP = (aE[X|B] + bE[Y |B])dP, =a B
B
B
et on conclut en utilisant le lemme 5. Pour X ∈ L1 (Ω, F , P), nous posons X = X + − X − et concluons en utilisant l'existence et la linéarité de l'espérance conditionnelle pour les v.a. positives. Proposition 13. 1. Soient X, Y ≥ 0 et a, b ≥ 0 (ou X, Y intégrables et a, b ∈ R). Alors, E[aX + bY |B] = aE[X|B] + bE[Y |B]. 2. Soient X, Y ≥ 0 (ou X, Y intégrables). Alors l'inégalité X ≤ Y P-p.s. implique E[X|B] ≤ E[Y |B] P-p.s. 3. Soit X ≥ 0. Alors Y = E[X|B] vérie, pour toute v.a. Z positive B mesurable, E[XZ] = E[Y Z]. 4. Soit X intégrable. Alors Y = E[X|B] vérie, pour toute v.a. Z bornée B -mesurable, E[XZ] = E[Y Z]. Ces propriétés découlent de la dénition de l'espérance conditionnelle. La proposition 14 rassemble quelques propriétés essentielles de cette espérance. Proposition 14. Soit X ∈ L1 (Ω, F , P).
1. Soit G la tribu grossière : G = {Ω, ∅}. Alors, E[X|G] = E[X]. 2. Soit X ≥ 0 (ou X intégrable) et soient G ⊂ B deux sous-tribus de F . Alors, E[E[X|B]|G] = E[X|G].
Probabilités et calcul stochastique
103
3. Soit X indépendant de B. Alors E[X|B] = E[X]. 4. Soient X ≥ 0 B -mesurable et Y une v.a. positive. Alors E[XY |B] = XE[Y |B]. Ce résultat reste vrai si X est B -mesurable et Y et XY appartiennent à L1 (Ω, F, P). Démonstration : les fonctions mesurables par rapport à la tribu grossière sont les fonctions constantes. Donc, G étant la tribu grossière, E[X|G] = c. R Par dénition de l'espérance conditionnelle, nous avons E[X|G]dP = c = Ω R XdP = E[X], ce qui prouve la relation (1). Prouvons maintenant (2) dans Ω le cas où X ≥ 0 (le cas X intégrable se traitant de manière similaire). Soit Z une v.a. G -mesurable bornée. Notons que Z est aussi B -mesurable. Par dénition de l'espérance conditionnelle, on a : E [ E[ E[X|B]|G ]Z ] = E [ E[X|B]Z ] = E [XZ] = E [ E[X|G]Z ] . Donc, pour toute v.a. Z B -mesurable bornée, E [ E[ E[X|B]|G ]Z ] = E [ E[X|G]Z ], ce qui prouve la relation (2). Soit maintenant X une v.a. indépendante de B . Alors, pour toute v.a. Z B mesurable bornée, on a : E [ E[X|B]Z ] = E [XZ] = E [X] E [Z] = E [ E[X]Z ] , ce qui prouve la relation (3). Considérons nalement la relation (4) dans le cas où X et Y sont des v.a. positives (l'autre cas se traitant de manière similaire). Notons que E[Y |B]X est B -mesurable. Pour Z v.a. bornée B -mesurable, on a : E [ E[XY |B]Z ] = E{Y XZ} = E [ E[Y |B]XZ ] , ce qui prouve la relation (4). Enn, citons quelques propriétés importantes de l'espérance conditionnelle.
Proposition 15.
1.
(Convergence monotone conditionnelle)
(Xn )n≥0 une suite de v.a., 0 ≤ Xn % X ; alors E[Xn |G] % E[X|G].
Soit
2.
(Lemme de Fatou conditionnel) Soit (Xn )n≥0 une suite de v.a. positives ; alors E[lim inf Xn |G] ≤ lim inf E[Xn |G].
3.
(Inégalité de Jensen conditionnelle) Soit c : R → R convexe telle que E [|c(X)|] < ∞. Alors, E[c(X)|G] ≤ c(E[X|G]).
4.
(Convergence dominée conditionnelle) Soit (Xn )n≥0 une suite de v.a. telle que |Xn | ≤ V P-p.s., avec E[V ] < ∞ et Xn → X P-p.s. Alors, E[Xn |G] → E[X|G] P-p.s.
5.
(Contraction des normes) Pour p ≥ 1, kE[X|G]kp ≤ kXkp, en dé-
nissant kY kp , (E [|Y |p ])1/p .
6. Soient X une v.a. indépendante de la tribu B, Y une v.a. B -mesurable et f (X, Y ) une fonction intégrable. Alors, on a : E[f (X, Y )|B] = φ(Y ), où φ est la fonction déterministe dénie par φ(y) = E[f (X, y)]. En particulier, E[f (X)|B] = E[f (X)] et E[f (Y )|B] = f (Y ).
104
Mathématiques pour les systèmes dynamiques
3.4. Processus aléatoires 3.4.1. Premières dénitions Soient (Ω, F, P) un espace de probabilité et T un ensemble d'indices. Dénition 28 (Processus aléatoire). On appelle processus aléatoire à valeurs (E, B) une famille (Xt , t ∈ T ) de v.a. à valeurs (E, B) indexées par t ∈ T. Dans la suite de ce chapitre, nous prendrons presque toujours T = R+ et, en quelques occasions, T = N. Dans le premier cas, on parlera de processus à temps continu et, dans l'autre cas, de processus à temps discret. Quant à (E, B), ce sera en général (R, B(R)) (processus réel) ou (Rd , B(Rd )) (processus vectoriel). Notons qu'en fait un processus est une application X : Ω × T → E, telle que, pour tout t ∈ T, X(t, ·) soit une v.a. L'application t 7→ X(t, ω) s'appelle la trajectoire associée à la réalisation ω. Pour les processus dénis sur T = R ou R+ , il est intéressant d'étendre les notions fonctionnelles de continuité et de limite à droite et à gauche, comme suit. Dénition 29 (Processus à trajectoires continues). Soit T = R+ . On dit que le processus X est à trajectoires continues (respectivement, continue à droite, à gauche) P-p.s. si, pour tout ω 6∈ N , P(N ) = 0, t 7→ X(t, ω) est continue sur T (respectivement, continue à droite, à gauche).
3.4.2. Répartitions nies Soit (Xt , t ∈ T ) un processus. On note I l'ensemble des parties nies ordonnées de T : si I ∈ I , I = {t1 < t2 < · · · < tn }. On note |I| le cardinal de I et PI la loi du vecteur aléatoire (Xt1 , Xt2 , · · · , Xtn ). PI est une probabilité sur (E |I| , E ⊗|I| ) caractérisée par : PI (A1 × A2 × · · · × An ) = P(Xt1 ∈ A1 , Xt2 ∈ A2 , · · · , Xtn ∈ An ), Ak ∈ E.
Dénition 30 (Répartition nie).
(3.39) (PI , I ∈ I) est appelée la famille des
répartitions nies du processus X . Soient J ⊂ I et ΠI,J la projection canonique de E |I| sur E |J| , ou encore : ΠI,J ((tk , k ∈ I)) = (tk , k ∈ J).
(3.40)
L'équation (3.39) implique que : PI ◦ Π−1 I,J = PJ ,
(3.41)
Probabilités et calcul stochastique
105
c'est-à-dire que, pour tout ensemble A ∈ E ⊗|J| , PJ (A) = PI (Π−1 I,J (A)). Réciproquement, si l'on se donne une famille de probabilité (ν I , I ∈ I), la question se pose de savoir si ce sont les répartitions nies d'un processus. Il est clair que, pour cela, elles doivent a minima vérier les conditions de compatibilité (3.41). En fait, cette condition est aussi susante. Nous introduisons à cette n l'espace canonique. On pose : Ω = E T , Xt (ω) = ωt , F = σ(Xt , t ∈ T ),
(3.42)
FI = σ(Xt , t ∈ I), I ∈ I.
Soit ΠI la projection canonique de T sur I, ΠI (xt , t ∈ T ) = (x t , t ∈ I). On dénit une probabilité PI sur (Ω, FI ) par PI (A) = ν I Π−1 (A) . La condition I (3.41) implique que si J ⊂ I , on a FJ ⊂ FI et PI |FJ = PJ . Le problème est de prolonger les probabilités PI sur (Ω, FI ) en une probabilité sur (Ω, F ) où F = σ(FI , I ∈ I). Notons que ce prolongement est nécessairement unique (voir le théorème 2). On dispose à ce sujet du théorème suivant.
Théorème 15 (de Kolmogorov). En temps discret (T = N), on suppose que (E, E) est un espace mesurable quelconque et, en continu (T = R+ ), que (E, E) est un espace polonais3 muni de sa tribu borélienne. Soit (ν I , I ∈ I) une famille de probabilités vériant (3.41). Alors, il existe une probabilité unique P sur (Ω, F) dénie par (3.42) telle que le processus (Xt , t ∈ T ) soit un processus de répartitions nies (ν I , I ∈ I). On appellera ce processus le processus canonique de répartitions nies
(ν I , I ∈ I) et la probabilité P ainsi construite, la loi du processus X . Cette loi
est donc entièrement déterminée par la donnée des répartitions nies.
Dénition 31 (Processus équivalents). Deux processus Xt et Yt sont dits équivalents s'ils ont même loi (ou de façon équivalente, mêmes répartitions nies).
Exemple 6 (Suite de v.a. indépendantes). Soit (ν n , n ∈ N) une suite de probabilités sur (E, E). Pour I = {n1 < n2 < · · · < np ) on pose : ν I = ν n1 ⊗ · · · ⊗ ν np .
(3.43)
Il est clair que l'on dénit ainsi une famille (ν I , I ∈ I) compatible (c'est-à-dire vériant la condition (3.41)). Donc, si Ω = E N , Xn (ω) = ω n et F = σ(Xn , n ∈ N), il existe une unique probabilité P sur (Ω, F ) telle que (Xn , n ∈ N) soit une suite de v.a. indépendantes de loi ν n . 3
Espace métrique complet séparable.
106
Mathématiques pour les systèmes dynamiques
3.4.3. Processus gaussien Dénition 32 (Processus gaussien). Un processus réel X = (Xt , t ∈ R) est gaussien si, pour tout t1 < t2 < · · · < tn , (Xt1 , Xt2 , · · · , Xtn ) est un vecteur gaussien. Soit X un processus gaussien réel. Posons : et Γ(s, t) = E[(Xs − m(s))(Xt − m(t))].
m(t) = E[X(t)]
(3.44)
Par dénition, pour tout u = [u1 , . . . , un ]T ∈ Rn et tout t1 < . . . < tn , Yn = P n i=1 ui Xti est une v.a. gaussienne et : E[Yn ] =
n X
ui E[Xti ],
n X
var(Yn ) =
i=1
uj uk Γ(tj , tk ),
j,k=1
et donc :
n n X X E[exp(iYn )] = exp i uk m(tk ) − 1/2 uj uk Γ(tj , tk ) . k=1
j,k=1
La loi N (m, Γ) du processus X est entièrement déterminée par la donnée de m(t) (la moyenne) et Γ(s, t), que l'on appelle la fonction de covariance (ou auto-covariance ). Remarquons que : Γ(s, t) = Γ(t, s).
(3.45)
Puisque var(Yn ) > 0, on a aussi : ∀uk , ∀tk ,
n X
uj uk Γ(tj , tk ) ≥ 0.
(3.46)
j,k=1
Réciproquement, donnons-nous une fonction réelle m(t) et une fonction Γ(s, t) vériant (3.45) et (3.46). A chaque n-uplet ordonné I = {t1 < · · · < tn }, on associe la probabilité ν I , Nn (mI , KI ), où mI est le vecteur (m × 1), mI , (m(t1 ), · · · , m(tn )) et KI est la matrice (semi-dénie) positive (KI )j,k = Γ(tj , tk ) (1 ≤ j, k ≤ n). La famille (ν I , I ∈ I) ainsi dénie est compatible et l'on a établi le résultat qui suit. Théorème 16. Soient m(t) et Γ(s, t) vériant (3.45), (3.46). Il existe un processus gaussien réel (Xt , t ∈ R), unique à une équivalence près, tel que : m(t) = E[Xt ], Γ(s, t) = E[(Xs − m(s))(Xt − m(t))].
Probabilités et calcul stochastique
107
3.5. Le mouvement brownien 3.5.1. Dénition Pour modéliser le mouvement d'un grain de pollen dans un liquide, le botaniste écossais Brown (vers 1820) a introduit un processus aléatoire Xt à valeurs dans R2 ayant des trajectoires irrégulières , caractérisé de la façon suivante : (i) les accroissements Xt2 − Xt1 , · · · , Xtn − Xtn−1 sont indépendants (le processus n'a pas de mémoire ), (ii) pour tout h ∈ R et tout 0 ≤ s < t, les v.a. Xt+h − Xs+h et Xt − Xs ont les mêmes lois, (iii) les trajectoires sont continues. Un tel processus est appelé un mouvement brownien. Au début du XXe siècle, Louis Bachelier (1900) a observé qu'un tel processus à valeurs dans R permettait de modéliser le cours d'un actif, après une transformation élémentaire. Albert Einstein (1905), Norbert Wiener (1923) et Paul Levy (1925) ont été les premiers à développer une théorie mathématique du mouvement brownien. Ses utilisations sont multiples et touchent aujourd'hui l'ensemble des domaines des sciences de l'ingénieur, de l'économétrie et de la nance. On traitera dans la suite le mouvement brownien d-dimensionnel et, tout d'abord, le cas d = 1. Observons tout d'abord que pour un tel processus nous avons, pour 0 ≤ t < s : 2 X n
Xt − Xs =
Xs+2−n i(t−s) − Xs+2−n (i−1)(t−s) ,
(3.47)
i=1
et l'accroissement Xt − Xs est donc la somme d'un grand nombre de v.a indépendantes de même loi (stationnarité des incréments) et de variance tendant vers 0 lorsque n → ∞. Le théorème 12 montre que Xt − Xs suit une loi gaussienne, c'est pourquoi on introduit la dénition suivante.
Dénition 33 (Mouvement brownien). Un processus réel (Xt , un mouvement brownien issu de 0 si :
t ∈ R+ ) est
1. pour tous t1 < · · · < tn , les v.a. Xt2 − Xt1 , · · · , Xtn − Xtn−1 sont indépendantes ; 2. X0 = 0 et, pour t ≥ s ≥ 0, Xt −Xs est distribué suivant une loi gaussienne Nd (0, (t − s)) (moyenne nulle, variance (t − s)) ; 3. Xt est P-p.s. à trajectoires continues.
108
Mathématiques pour les systèmes dynamiques
Supposons qu'un tel objet existe. Alors, pour tout t1 < · · · < tn : Xt1 = Xt1 , Xt2 = Xt1 + (Xt2 − Xt1 ),
.. . Xtn = Xt1 + (Xt2 − Xt1 ) + · · · + (Xtn − Xtn−1 ),
et donc le vecteur (Xt1 , · · · , Xtn ) est gaussien, c'est-à-dire que X est un processus gaussien. On a alors m(t) = E[Xt ] = 0 et, pour 0 ≤ s < t : Γ(s, t) = E[Xs Xt ] = E[Xs (Xs + (Xt − Xs ))] = E[Xs2 ] = s,
d'où Γ(s, t) = min(t, s). On notera dans la suite s ∧ t , min(t, s). Notons que la fonction s ∧ t vérie (3.45) et (3.46) puisque, posant t0 = 0 : n X j,k=1
u j u k tj ∧ t k =
n X j,k=1
uj uk
j∧k X l=0
(tl − tl−1 ) =
n X
(tl − tl−1 )
l=0
n X
u2l ≥ 0.
j=l
(3.48) Ceci nous assure l'existence d'un processus gaussien réel (Xt , t ≥ 0) tel que E[Xt ] = 0 et E[Xs Xt ] = s ∧ t. Pour 0 < s < t, la v.a. Xt − Xs est distribuée suivant une loi gaussienne de moyenne nulle et de variance t − s. Pour t1 < t2 < t3 < t4 , E [(Xt2 − Xt1 )(Xt4 − Xt3 )] = 0. Vu les propriétés des vecteurs gaussiens, un tel processus vérie les conditions (1) et (2) de la dénition 33. Dénition 34 (Modication d'un processus). Un processus (Yt , t ∈ R+ ) est une modication du processus (Xt , t ∈ R+ ) si P[Xt = Yt ] = 1, ∀t ∈ R+ . Il est clair que la condition précédente implique que les deux processus ont même loi. On s'intéresse tout particulièrement aux modications continues X , c'est-à-dire à l'existence de processus Y qui soient des modications du processus X et dont les trajectoires soient presque sûrement continues. Kolmogorov a donné un critère simple permettant de montrer qu'un processus admet une modication continue (voir [REY 91] pour la démonstration). Théorème 17 (de Kolmogorov). Soit X = (Xt , t ∈ R+ ) un processus à valeurs dans (Rd , B(Rd)). Supposons que pour tout s, t : E [|Xt − Xs |α ] ≤ C|t − s|1+β ,
avec α, β > 0. Alors X admet une modication continue. Soit X = (Xt , t ∈ R+ ) un processus gaussien réel centré de covariance Γ(s, t) = s ∧ t. Pour 0 ≤ s < t l'accroissement (Xt − Xs ) est distribué suivant une loi gaussienne de moyenne nulle et de variance (t−s) et donc l'accroissement
Probabilités et calcul stochastique
109
√
renormalisé (Xt − Xs )/ t − s est distribué suivant une loi gaussienne centrée de variance unité. Ceci implique que :
4
E |Xt − Xs |
"
2
= (t − s) E
Xt − Xs √ t−s
4 #
= 3(t − s)2 ,
(3.49)
car E[U 4 ] = 3 si U est une gaussienne centrée réduite. En appliquant le théorème 17, on voit que le processus X admet une version continue. Ceci montre l'existence du mouvement brownien réel, processus vériant la dénition 33. On a établi au passage le résultat suivant. Proposition 16. Soit X = (Xt , t ∈ R+ ) un processus réel à trajectoires continues. Alors X est un mouvement brownien si et seulement si X est un processus gaussien réel centré de covariance Γ(s, t) = s ∧ t. Cette proposition, conséquence élémentaire de la discussion précédente, peut être très utile, comme l'illustre la proposition suivante. Proposition 17. Soit (Bt , t ∈ R+ ) un mouvement brownien issu de 0. Posons Xt = Bt+s − Bs (pour s ≥ 0), Yt = cBt/c2 (c 6= 0) et Zt = tB1/t , t > 0, Z0 = 0. Alors, Xt , Yt et Zt sont des mouvements browniens réels issus de 0. Démonstration : pour Xt et Yt la vérication est immédiate. Quant à Zt c'est un processus gaussien centré et sa fonction de covariance est donnée par : E[Zt Zs ] = tsE[B1/s B1/t ] = ts(1/s ∧ 1/t) = s ∧ t.
Evidemment, Zt est continue sur ]0, ∞[. Il reste à montrer la continuité en 0 : "
0 =
#
E lim sup |Bt | = lim & E t&0
t&0
=
lim & E
t&0
sup |Bs |
0<s≤t
" # sup |Zs | = E lim sup |Zt | ,
0<s≤t
t&0
d'où |Zt | → 0 P-p.s. quand t & 0. Remarquons qu'en prenant c = −1, la proposition précédente montre que le processus (−Bt , t ≥ 0) est un mouvement brownien standard : c'est la symétrie du mouvement brownien.
3.5.2. Propriétés des trajectoires du mouvement brownien L'étude des propriétés des trajectoires du mouvement brownien est l'objet d'une vaste littérature. Le lecteur intéressé se reportera au livre [REY 91]. Signalons les propriétés suivantes, assez grossières mais essentielles. Soit {Bt }t≥0
110
Mathématiques pour les systèmes dynamiques
un mouvement brownien réel issu de 0. Nous avons : |Bt | = 0, P-p.s., t Bt lim sup √ = +∞, P-p.s., t t→∞
(3.50)
lim
t→∞
Bt lim inf √ = −∞, t→∞ t
P-p.s.
(3.51)
La relation précédente implique en particulier que lim supt→∞ Bt = +∞ P-p.s. et lim inf t→∞ Bt = −∞ et donc que le mouvement brownien passe par tous les points de R et ceci, une innité de fois. Soit π , {0 ≤ t0 < · · · < tn = t} un partage de [0, t] et soit |π| = sup |ti+1 − ti | le pas de π . Soit f : R+ → R et : V1 (π, t, f ) = V2 (π, t, f ) =
n−1 X
|f (ti+1 ) − f (ti )|,
(3.52)
(f (ti+1 ) − f (ti ))2 .
(3.53)
i=0 n−1 X i=0
On appelle V1 (t, f ) , supπ V1 (π, t, f ) la variation totale de f , le suprémum étant évalué sur l'ensemble des partages de [0, t]. De même, on appelle V2 (t, f ) , supπ V2 (π, t, f ) la variation quadratique de f . Dénition 35 (Variation nie). f est à variations nies si, pour tout t > 0, la variation totale V1 (t, f ) est nie. Notons que, si la fonction f est localement lipshitzienne (c'est-à-dire, si pour tout u, v ∈ [0, t], |f (u) − f (v)| ≤ K(t, f )|u − v|), alors f est à variations nies. La variation quadratique de la fonction de f vérie : V2 (π, t, f ) ≤ K 2 (t, f )|π|
X
|ti+1 − ti | ≤ tK 2 (t, f )|π|,
i
et donc, lim|π|→0 V2 (π, t, f ) = 0 pour une fonction localement lipshitzienne. De façon générale, supposons que la fonction f est continue et à variations nies. f étant continue, f est uniformément continue sur tout ensemble compact, donc : lim
sup
δ→0 |u−v|≤δ,|u|≤t,|v|≤t
|f (u) − f (v)| = 0.
On peut majorer la variation quadratique par : X
(f (ti+1 ) − f (ti ))2 ≤ sup |f (ti+1 ) − f (ti )| i
X
|f (ti+1 ) − f (ti )|.
(3.54)
ce qui montre que limδ→0 supπ,|π|≤δ V2 (t, π, f ) = 0. Remarquons nalement qu'une fonction continue n'est pas nécessairement à variations nies et qu'il existe des fonctions continues f dont la variation quadratique vérie : lim sup V2 (t, π, f ) = 0,
δ→0 π,|π|≤δ
Probabilités et calcul stochastique
111
et qui ne sont pas à variations nies (on pourra considérer par exemple la fonction f (s) = s sin(1/s)). Nous allons montrer dans la suite que, presque sûrement, la variation quadratique des trajectoires du mouvement brownien ne tend pas vers 0, d'où l'on déduira que, comme le mouvement brownien est à trajectoires continues, le mouvement brownien n'est pas à variations nies. Proposition 18. Soit (Bt , t ∈ R+ ) un mouvement brownien réel. Alors : V2 (π, t, B) → t, dans L2 (Ω, F , P). |π|→0
Démonstration : posons ρπ ,
Pn−1 i=0
(Bti+1 − Bti )2 . On a E[ρπ ] = t et :
n−1 X X E (ρπ − t)2 ) = var(ρπ ) = var[(Bti+1 -Bti )2 ] = 3 (ti+1 -ti )2 ≤ 3|π|t → 0. i=0
De toute suite Xn convergeant vers t dans L2 , on peut extraire une sous-suite convergeant vers t P-p.s. On peut donc choisir une suite πn de partage de l'intervalle [0, t] telle que ρπn → t P-p.s. Pour une telle suite, la relation (3.54) montre que V1 (πn , t, B) → ∞ P-p.s. et, donc, que le mouvement brownien n'est à variations nies sur aucun intervalle.
3.6. Filtrations, processus adaptés Soit (Xn , n ∈ N) un processus réel. Posons Fn0 = σ(X0 , · · · , Xn ). Il est facile de voir que A ∈ Fn0 si et seulement s'il existe une fonction f telle que A = {ω | f (X0 (ω), · · · , Xn (ω)) = 1}, c'est-à-dire que Fn0 est constituée des événements dont on sait s'ils ont eu lieu ou non en connaissant les valeurs prises par les variables X0 , · · · , Xn . On appellera Fn0 la tribu des événements antérieurs à n. En général, à l'instant n, on connaît non seulement les valeurs prises par X0 , · · · , Xn , mais aussi les valeurs prises par d'autres processus, par exemple, Y0 , · · · , Yn , Z0 , · · · , Zn . Dans une telle situation, on pourra avoir intérêt à considérer que la tribu des événements antérieurs à n est σ(X0 , Y0 , Z0 , · · · , Xn , Yn , Z) , tribu plus grosse que Fn0 . C'est pourquoi on tribu plus grosse que Fn0 . C'est pourquoi on introduit (on suppose toujours T = N ou T = R+ ), Dénition 36 (Espace de probabilité ltré). Soit (Ω, F , P) un espace de probabilité. Une famille croissante (Ft , t ∈ T ) de sous-tribus de F s'appelle une ltration et (Ω, Ft , F, P) un espace de probabilité ltré. Dénition 37 (Processus adapté). On appelle processus adapté à valeurs dans (E, E), un terme X = (Ω, Ft , F , (Xt )t∈T , P), où (Ω, Ft , F , P) est un espace
112
Mathématiques pour les systèmes dynamiques
de probabilité ltré et où, pour tout t ∈ T, Xt est une v.a. à valeurs dans (E, E), Ft -mesurable. Soit (Bt , t ∈ R+ ) un mouvement brownien réel issu de 0. Posons Ft0 = σ(Bs , s ≤ t). On voit que la propriété (1) de la dénition 33 peut s'énoncer de la façon suivante : pour tout 0 ≤ s < t, Bt − Bs est indépendante de Fs0 . Ceci conduit à la dénition d'un F -mouvement brownien. Dénition 38 (F−mouvement brownien). Un processus réel adapté X = (Ω, Ft , F, (Bt )t∈T , P) est un F -mouvement brownien issu de 0 si : 1. pour tout 0 ≤ s < t, la v.a. Bt − Bs est indépendante de Fs ; 2. B0 = 0 et pour tout 0 ≤ s < t, l'incrément Bt − Bs est distribué suivant une loi gaussienne centrée et de variance (t − s) ; 3. t → Bt est à trajectoires continues P-p.s. Soit R t X un processus adapté. On a souvent à considérer des v.a. de la forme 0 f (Xs )ds. Pour que ξ soit une v.a. (c'est-à-dire, que l'on sache dénir cette intégrale), le processus (s, ω) → X(s, ω) doit être mesurable sur le produit T × Ω muni des ltrations appropriées. Pour que ξ soit Ft -mesurable, ce qui est une contrainte plus forte, on est amené à renforcer cette hypothèse, ce qui conduit à la dénition suivante. Dénition 39 (Processus adapté progressif). Un processus adapté : ξ =
X = (Ω, Ft , F , (Xt )t∈R+ , P),
à valeurs dans (Rd , B(Rd )) est progressif ou progressivement mesurable si, pour tout t ≥ 0, (s, ω) → X(s, ω) est mesurable de ([0, t] × Ω, B([0, t]) ⊗ Ft ) dans (Rd , B(Rd )). On vérie facilement que tout processus continu (respectivement continu à droite ou continu à gauche) est progressivement mesurable. On dénit une tribu sur R+ × Ω en posant : P = {A ∈ R+ × Ω, le processus IA (t, ω) est progressif}.
(3.55)
Alors, un processus X à valeurs dans Rd est progressivement mesurable si et seulement si l'application (t, ω) 7→ X(t, ω) est P -mesurable. On appelle P la tribu des ensembles progressifs.
3.6.1. Temps d'arrêt Considérons un mouvement brownien réel (Bt , t ∈ R+ ) et pour a ∈ R, soit τ (ω) = inf{t ≥ 0, Xt (ω) = a}. On sait déjà que P(τ < ∞) = 1. Donc τ est une
Probabilités et calcul stochastique
113
v.a. à valeurs dans R+ mais elle a une propriété supplémentaire, celle d'être en quelque sorte adaptée à Bt , au sens suivant : si l'on connaît (Bs , s ≤ t), on sait si {τ ≤ t} a eu lieu ou non. Ce type de v.a. sera appelé un temps d'arrêt. Soit un espace de probabilité ltré (Ω, Ft , F , P). On suppose que T = N ou ¯ ou R ¯ + (avec N ¯ = N ∪ {+∞}, R ¯ + = R+ ∪ {+∞}) et on pose : R+ , T¯ = N F∞ = σ(Xt , t ∈ T ).
(3.56) τ à
Dénition 40 (Temps d'arrêt). On appelle temps d'arrêt toute v.a. valeurs T¯ telle que {τ ≤ t} ∈ Ft pour tout t ∈ T.
Dénition 41 (Tribu des événements antérieurs au temps d'arrêt). Soit τ un temps d'arrêt. La tribu des événements antérieurs à τ est la tribu : Fτ , {A ∈ F∞ , ∀t ∈ T, A ∩ {τ ≤ t} ∈ Ft }.
(3.57)
On vérie immédiatement que (3.57) dénit une tribu, que τ = t (c'est-àdire constant) est un temps d'arrêt et qu'alors Fτ = Ft . Proposition 19. 1. Si τ est un temps d'arrêt, τ est Fτ mesurable. 2. Si σ et τ ont des temps d'arrêt avec τ ≤ σ , alors Fσ ⊂ Fτ . 3. Si σ et τ sont des temps d'arrêt, alors σ ∧ τ est un temps d'arrêt. Considérons tout d'abord le cas T = N. On remarque alors que τ est un temps d'arrêt si et seulement si, pour tout n ∈ N, {τ = n} ∈ Fn et que Fτ = {A ∈ F∞ , ∀n, A ∩ {τ = n} ∈ Fn }. Soient X = (Ω, Fn , F , Xn , P) un processus adapté à valeurs dans (E, B) et X∞ une v.a. F∞ -mesurable. On dénit une nouvelle v.a. Xτ en posant : ¯ Xτ = Xn sur {τ = n}, n ∈ N.
(3.58)
Alors, Xτ est Fτ -mesurable puisque : {Xτ ∈ A} ∩ {τ = n} = {Xn ∈ A} ∩ {τ = n} ∈ Fn .
L'exemple-type de temps d'arrêt est alors, pour A ∈ E : τ A (ω) = inf{n ≥ 0, Xn (ω) ∈ A},
(3.59)
où l'on convient que inf ∅ = +∞. En eet τ A est un temps d'arrêt car : {τ A = n} = {X0 6∈ A, · · · , Xn−1 6∈ A, Xn ∈ A} ∈ Fn . τ A s'appelle le temps d'atteinte de A et on voit que Xτ A représente, sur {τ A < ∞}, la valeur du processus lorsqu'il entre dans l'ensemble A.
Considérons maintenant le cas T = R+ . Il y a maintenant quelques proS blèmes techniques car on ne peut plus décomposer l'espace Ω = t∈R¯ + {τ = t}. Soit X = (Ω, Ft , F, (Xt )t∈R+ , P) un processus adapté à valeurs dans (Rd , B(Rd )) et soit X∞ une v.a. F∞ mesurable. On pose : Xτ (ω) = Xτ (ω) (ω).
(3.60)
114
Mathématiques pour les systèmes dynamiques
Proposition 20. Si X est progressif, alors Xτ est Fτ −mesurable.
Démonstration : il s'agit de montrer que, pour tout t et tout A ∈ B(Rd ), on a : {Xτ ∈ A} ∩ {τ ≤ t} ∈ Ft . Soit Ωt , {τ ≤ t} et considérons : (Ωt , Ft ) → ([0, t] × Ω, B([0, t]) ⊗ Ft ) → (Rd , B(Rd )), ω 7→ (τ (ω), ω) 7→ Xτ (ω) (ω).
L'application composée ω 7→ Xτ (ω) (ω) est mesurable, ce qui signie que : {ω ∈ Ωt , Xτ (ω) (ω) ∈ A} = {τ ≤ t, Xτ ∈ A} ∈ Ft .
Pour A ∈ B(Rd ), posons (avec la convention inf ∅ = ∞) : τ A (ω) = inf{t ≥ 0, Xt (ω) ∈ A},
(3.61)
ce qui conclut la preuve. Proposition 21. Si X est à trajectoires continues et si A est fermé, alors τ A est un temps d'arrêt. T S Démonstration : on a en eet {τ A ≤ t} = n s 0, arbitrairement petit. C'est pourquoi on introduit : Ft+ = ∩>0 Ft+ . (3.62) Proposition 22. Si X est un processus à trajectoires continues à droite et si A est ouvert, alors τ A est un temps d'arrêt de Ft+ . T S Démonstration : ∀ > 0, {τ A ≤ t} = n s
on peut montrer que Ft = σ(Ft0 , N ) est une ltration standard. Proposition 23. Supposons la ltration Ft standard. Alors, pour tout A ∈ B(Rd ), τ A est un temps d'arrêt.
Probabilités et calcul stochastique
115
3.7. Martingales T désignera dans la suite indiéremment R+ ou N.
Dénition 42 (Martingale, surmartingale, sous-martingale). Soit X = (Ω, Ft , F, (Xt )t∈R+ , P) un processus adapté tel que pour tout t, Xt est intégrable. 1. Xt est une martingale si pour tout s ≤ t, E[Xt |Fs ] = Xs , P-p.s. 2. Xt est une surmartingale si pour tout s ≤ t, E[Xt |Fs ] ≤ Xs , P-p.s. 3. Xt est une sous-martingale si pour tout s ≤ t, E[Xt |Fs ] ≥ Xs , P-p.s. Notons que ces notions gardent un sens si l'on remplace Xt intégrable par Xt mesurable positif : on parle alors de martingale positive, de surmartingale positive et de sous-martingale positive. Si Xt est une martingale (respectivement, une sous-, une sur-, martingale) alors E[Xt ] est constante (respectivement, décroissante, croissante). Si Xt et Yt sont des surmartingales, Xt ∧ Yt aussi. Il résulte immédiatement de l'inégalité de Jensen conditionnelle (proposition 1) que si Xt est une martingale (respectivement, une sous-martingale) et si f est une fonction convexe telle que f (Xt ) soit intégrable (respectivement, une fonction convexe croissante), alors f (Xn ) est une sous-martingale. Ceci implique en particulier que si Xt est une martingale et que |Xt |p est intégrable, p ≥ 1, |Xt |p est une sous-martingale. Exemple 7 (Martingale canonique). Soit ξ une v.a. intégrable (ξ ∈ L1 ) et (Ft )t≥0 une ltration. Alors, Mt , E[ξ|Ft ] est une martingale, dite canonique. En eet, pour 0 ≤ s ≤ t et en remarquant que Fs ⊂ Ft : E[Mt |Fs ] = E[ E[ξ|Ft ] | Fs ] = E[ξ|Fs ] = Ms . n ∈ N) une suite de v.a. indépendantes intégrables. Posons : S0 = 0, Sn = ni=1 Xi , F0 = {∅, Ω} et Fn = σ(X1 , X2 , · · · , Xn ). Nous avons :
Exemple 8 (Somme de v.a. indépendantes). Soit (X Pn , E[Sn |Fn−1 ] = E[Sn−1 |Fn−1 ] + E[Xn |Fn−1 ] = Sn−1 + E[Xn ].
(3.63) (3.64)
En eet, (3.63) est une conséquence élémentaire de la linéarité de l'espérance conditionnelle. Sn−1 étant Fn−1 mesurable, on a E[Sn−1 |Fn−1 ] = Sn−1 P-p.s. ; Xn est indépendant de Fn−1 , ce qui implique E[Xn |Fn−1 ] = E[Xn ] P-p.s. et (3.64). On voit donc que si, pour tout i, on a E[Xi ] = 0, alors Sn est une martingale. Si E[Xi ] ≥ 0 (respectivement, E[Xi ] ≤ 0), alors Sn est une sousmartingale (respectivement, une surmartingale). Exemple 9 (Produit de v.a. indépendantes). Soit X1 , X2 , · · · une suite de variables aléatoires positives indépendantes, avec E[Xk ] = 1 ∀k ∈ N. Posons Qn M0 = 0, Mn = i=1 Xi , F0 = {∅, Ω}, Fn = σ(X1 , X2 , · · · , Xn ). Alors on a : E[Mn |Fn−1 ] = E[Mn−1 Xn |Fn−1 ] = Mn−1 E[Xn |Fn−1 ],
116
Mathématiques pour les systèmes dynamiques
et Mn est une martingale (car E[Xn |Fn−1 ] = E[Xn ] = 1). Exemple 10 (Mouvement brownien). Le mouvement brownien B = {Bt} dans R est une martingale par rapport σ(Bs , s ≤ t). En eet, pour t ≥ s : E[Bt |Fs ] = E[Bs + (Bt − Bs )|Fs ] = Bs .
Nous avons utilisé ici la relation E[Bt − Bs |Fs ] = E[Bs − Bt ] = 0, car Bt − Bs est centrée et indépendante de Ft .
Exemple 11 (Transformation quadratique du mouvement brownien).
Posons Mt = Bt2 − t ; Mt est une martingale par rapport à la ltration naturelle du mouvement brownien Bt . En eet, pour t ≥ s : E[Bt2 |Fs ] = E[(Bs + Bt − Bs )2 |Fs ] = E[(Bt − Bs )2 ] + 2Bs E[(Bt − Bs )|Fs ] + Bs2 = t + Bs2 − s.
Exemple 12 (Martingale exponentielle). Posons Mt = exp(λBt − (λ2 /2)t). Mt est une martingale (dite exponentielle) par rapport à σ(Bs , s ≤ t). Remarquons tout d'abord que, si ξ est une variable gaussienne centrée réduite (moyenne nulle, variance unité), alors :
E[exp(λξ)] = exp(λ2 /2).
(3.65)
Pour s < t, nous avons, d'après les propriétés de l'espérance conditionnelle : E[exp(λBt − λ2 t/2)] = exp(λBs − λ2 t/2)E[exp(λ(Bt − Bs )|Fs ], = exp(λBs − λ2 t/2)E[exp(λ(Bt − Bs ))],
car Bs est Fs -mesurable et (Bt − Bs ) est indépendant de Fs . On conclut en utilisant la relation (3.65). En théorie des martingales, il y a trois types de résultats : les théorèmes d'arrêt, les inégalités maximales et les théorèmes de convergence. Ces résultats sont tout d'abord établis pour T = N, qui contient les idées intéressantes, puis étendus au cas T = R+ , qui pose des dicultés principalement techniques. Pour le cas discret, on pourra consulter le livre [WIL 91] et, pour le cas général, [REY 91]. Ici, nous nous contenterons de quelques démonstrations dans le cas discret an de familiariser le lecteur avec ces objets et techniques.
3.7.1. Théorèmes d'arrêt Proposition 24. Soient (Xt ,
t ∈ T ) une sous-martingale continue à droite et τ un temps d'arrêt. Alors Xtτ = Xt∧τ est une sous-martingale (par rapport à
la même ltration).
Probabilités et calcul stochastique
117
Remarque 2. Dans le cas T = N, l'hypothèse de continuité est superue. En eet, puisque |Xn∧τ | ≤ |X1 | + · · · + |Xn |, Xn∧τ est intégrable et on a : τ E[Xn+1 −Xnτ |Fn ] = E[(Xn+1 −Xn )I{τ ≥n+1} |Fn ) = I{τ ≥n+1} E[Xn+1 −Xn |Fn ] ≥ 0,
puisque {τ ≥ n + 1} = {τ ≤ n}c ∈ Fn . Corollaire 2. Soient (Xt , t ∈ T ) une sous-martingale continue à droite P-p.s. et τ un temps d'arrêt borné. Alors, E[Xτ ] ≥ E[X0 ]. Théorème 18. Soient (Xt , t ∈ T ) une sous-martingale continue à droite P-p.s. et σ ≤ τ deux temps d'arrêt bornés. Alors, on a : E[Xτ |Fσ ] ≥ Xσ P-p.s.
Démonstration : on suppose que T = N. Soient σ ≤ τ ≤ m et A ∈ Fσ . Alors, puisque A ∩ {σ = k} ∈ Fk et en appliquant la proposition 24 : Z Xτ dP = A
m Z X k=0
Xτ ∧m dP ≥
A∩{σ=k}
m Z X k=0
Z Xτ ∧k dP =
A∩{σ=k}
Xσ dP A
Les résultats énoncés ci-dessus restent vrais pour les surmartingales (respectivement, les martingales), en changeant ≤ par ≥ (respectivement, par =).
3.7.2. Inégalités maximales Proposition 25.
1. Pour (Xt , t ∈ T ) une surmartingale positive continue à droite P-p.s., on a : P[sup Xt > a] ≤ a−1 E[X0 ]. t∈T
(3.66)
2. Pour (Xt , t ∈ T ) une sous-martingale positive continue à droite P-p.s. : P[sup Xs > a] ≤ a−1 E[Xt ]. s≤t
(3.67)
Démonstration : on suppose T = N. Soit τ a = inf{k ≥ 0, Xk > a}. τ a est un temps d'arrêt. On a {maxk≤n Xk > a} = {τ a ≤ n} et, sur {τ a ≤ n}, Xτ a > a. Donc, puisque Xn ≥ 0 : aI{τ a ≤n} ≤ Xτ a I{τ a ≤n} ≤ Xn∧τ a .
(3.68)
(1) Si Xn est une surmartingale, on déduit de (3.68) et du corollaire 2 que aP(τ a ≤ n) ≤ E[Xn∧τ a ] ≤ E[X0 ]. (3.66) s'obtient en remarquant que {τ a ≤ n} % {sup Xn > a} par application du théorème de convergence monotone.
118
Mathématiques pour les systèmes dynamiques
(2) Si Xn est une sous-martingale, alors on a d'après (3.68) : aP(τ a ≤ n) ≤ E[Xτ a I{τ a ≤n} ] =
n Z X k=0
≤
n Z X k=0
{τ a =k}
τ a =k
Xk dP Z
Xn dP =
τ a ≤n
Xn dP ≤ E[Xn ].
On peut obtenir des inégalités maximales pour les moments, comme suit. t ∈ T ) une martingale (respectivement, une sous-martingale positive) continue à droite, telle que supt E [|Xt |p ] < ∞, p > 1, alors : p sup kXt kp . k sup |Xt |kp ≤ (3.69)
Théorème 19 (de Doob). Soit (Xt ,
t
p−1
t
3.7.3. Théorèmes de convergence Théorème 20. Soit (Xt , t ∈ T ) une sous-martingale continue à droite P-p.s. telle que supt∈T E [|Xt |] < ∞. Alors, Xt converge P-p.s. lorsque t → ∞ vers une v.a. X∞ et E [|X∞ |] ≤ supt∈T E [|Xt |]. Démonstration : notons d'abord que la dernière armation résulte directement du lemme de Fatou On va établir la convergence dans le cadre suivant : (3.13). T = N et supn E Xn2 < ∞, c'est-à-dire pour des martingales discrètes bornées dans L2 . Puisque Xn2 est une sous-martingale, on a E Xn2 % A < ∞. Notons que E[Xn Xn+k ] = E[ Xn E[Xn+k |Fn ] ] = E[Xn2 ], ce qui implique : 2 E (Xn+k − Mn )2 = E[Xn+k ] − E[Xn2 ] ≤ A − E[Xn2 ].
(3.70)
On en déduit que Xn est une suite de Cauchy dans L2 et converge donc dans L2 et, a fortiori, dans L1 . En appliquant la proposition 25 (2) à la sous-martingale (|Xn+k − Xn |, k ≥ 0), on a : P( sup |Xn+k − Xn | > ) ≤ −1 E [|Xm+n − Xn |] , k≤m
d'où, en prenant la limite en m : P(sup |Xn+k − Xn | > ) ≤ −1 sup E [|Xk+n − Xn |] . k≥0
m≥0
La suite Xn converge dans L1 , donc limn→∞ P(supk≥0 |Xn+k − Xn | > ) = 0, ce qui implique que supk≥0 |Xn+k − Xn | converge vers 0 P-p.s. et que Xn est P-p.s. une suite de Cauchy, ce qui établit la convergence de Xn P-p.s.
Probabilités et calcul stochastique
119
Exemple 13 (Loi forte des grands nombres). Soient (Yn , n ∈ N) des variables indépendantes et identiquement distribuées, telles que E Yn2 = σ2 < Pn −1 ∞ et E [Yn ] = 0. Posons : Xn = k=1 k Yk . Nous avons :
2
E [|Xn |] ≤ (E Xn )1/2 = σ
∞ X
!1/2 k −2
,
k=1
et donc supn E [|Xn |] < ∞. Xn est une martingale. L'application directe du 2 résultat montre que Xn converge P-p.s. vers une v.a. X∞ et E[X∞ ] ≤ P∞précédent 2 −2 σ . Cette propriété permet d'établir directement la loi forte k=1 k P des grands nombres, par application du lemme 6 suivant [WIL 91]. En eet, Yi /i P converge P-p.s. et le lemme montre que n−1 ni=1 Yi converge. Lemme 6 (de Kronecker). Soit (bn ) une suite de réels strictement positifs, avec bn % ∞. Soit (xn ) une suite réelle et sn = x1 + x2 + · · · + xn . Alors : X xn bn
converge ⇒
sn →0 . bn
Enn, on a le résultat suivant, particulièrement agréable à utiliser car il n'y a pas d'hypothèses à vérier. Théorème 21. Soit (Xt , t ∈ T ) une surmartingale positive continue à droite P-p.s. Alors, Xt converge P-p.s. vers X∞ ∈ [0, ∞] et E[X∞ ] ≤ E[X0 ].
3.8. Calcul stochastique Soit B = (Ω, Ft , F, Bt , P) un mouvement brownien réel issu de 0. Pour un R processus adapté φs , on aimerait pouvoir donner un sens à 0t φs dBs . Mais on a vu que, P-p.s., Bt (ω) n'est pas à variations bornées. Nous ne pouvons donc pas dénir cette intégrale trajectoire par trajectoire, comme la limite de : X
φ(s, ω)(Bti+1 (ω) − Bti (ω)),
lorsque 0 = t0 < t1 < · · · < tn = t forment un partage de [0, t] et sup |ti+1 − ti | → 0. K. Itô a proposé la méthode globale de construction qui suit.
3.8.1. Construction de l'intégrale stochastique Comme d'habitude, certains processus simples peuvent être traités.
120
Mathématiques pour les systèmes dynamiques
Dénition 43 (Processus étagé). Un processus étagé est de la forme : φt =
n X
(3.71)
Ui I[ti ,ti+1 [ (t),
i=1
où 0 ≤ t1 < · · · < tn < ∞ et où les Ui sont des v.a. Fti −mesurables bornées. On note E l'ensemble des fonctions étagées. Pour φ ∈ E , on pose : Z
t
0
φs dBs =
n X
Proposition 26. Soient φ ∈ E, Mt = Mt2
(3.72)
Ui (Bti+1 ∧t − Bti ∧t ).
i=1
− At sont des martingales.
Rt 0
φs dBS et At =
Rt 0
φ2s ds. Alors, Mt et
Démonstration : on utilise le lemme 7, dont la preuve est laissée en exercice. Lemme 7. Soient X = (Ω, Ft , F , Xt , P) un processus intégrable et 0 ≤ t0 < · · · < tn < tn+1 = ∞. Si, pour tout i et tous (s, t) vériant ti ≤ s < t ≤ ti+1 , on a E[Xt − Xs |Fs ] = 0, alors Xt est une martingale. En appliquant ce lemme pour ti ≤ s < t ≤ ti+1 , nous avons : 1. Mt − Ms = Ui (Bt − Bs ) avec Ui , Fs −mesurable et : E[Mt − Ms |Fs ] = Ui E[Bt − Bs |Fs ] = 0 P-p.s.,
et, par conséquent, Mt est une martingale ; 2. par dénition, At − As = Ui2 (t − s) et, d'autre part : Mt2 −Ms2 = (Mt −Ms )2 +2Ms (Mt −Ms ) = Ui2 (Bt −Bs )2 +2Ms (Mt −Ms ). Mt étant une martingale, E[Ms (Mt − Ms )] = E[Ms E[Mt − Ms |Fs ]] = 0 et : E[Mt2 − At − (Ms2 − As )|Fs ] = Ui2 E[(Bt − Bs )2 |Fs ] − (t − s) = 0.
Notons que la proposition 26 implique que, pour tout φ ∈ E : Z
E
t
0 "Z
E
0
Z
t
φs dBs
(3.73)
0 ≤ t ≤ ∞,
φs dBs = 0, 2 #
=E
0
t
φ2s ds ,
0 ≤ t ≤ ∞.
(3.74)
C'est cette dernière égalité remarquable (valable pour t = ∞) qui permet la construction de l'intégrale stochastique. Rappelons que φ est progressif si et seuelement φ est P -mesurable. On note : L (P, R ) = φ progressif, 2
+
Z
E
0
∞
φ2s ds
<∞ ,
(3.75)
Probabilités et calcul stochastique
121
et L2 (P, R+ ) les classes d'équivalence de L2 (P, R+ ) pour la relation : [φ ∼ ψ] ⇔ [φ = ψ (P ⊗ λ) -p.s.], où λ est la mesure de Lebesgue. Par conséquent : L2 (P, R+ ) = L2 (Ω × R+ , P, P ⊗ λ). R On munit donc L2 (P, R+ ) de la norme kφk2L2 (P,R+ ) = E 0∞ φ2s ds.
(3.76)
Lemme 8. L'ensemble des processus étagés E est dense dans L2 (P, R+ ). Démonstration : soient f dénie sur R+ de carré intégrable sur R+ et : ( Pn f (t) =
si t ≤ 1/n, ou t ≥ n + 1/n, si i/n ≤ t < (i + 1)/n, ∀i ∈ {1, · · · , (n2 − 1)}.
0 R i/n n (i−1)/n f (s)ds
L'inégalité de Cauchy-Schwartz montre que : Z
(i+1)/n
2
(Pn f (t)) dt = n
−1
Z
!2
i/n
n
f (s)ds (i−1)/n
i/n
Z ≤
i/n
f 2 (s)ds,
(i−1)/n
et donc que l'application Pn : L2 (R+ ) → L2 (R+ ) est linéaire contractante : R∞ 1/2 kPn f k2 ≤ kf k2 , où kf k2 = 0 f 2 (s)ds pour f ∈ L2 (R+ ). Pour toute 2 + fonction f ∈ L (R ) continue à support compact, on montre facilement que : (3.77)
lim kf − Pn f k2 = 0.
n→∞
Les fonctions continues à support compact étant denses dans l'ensemble des fonctions de carré intégrable et l'application Pn étant contractante, (3.77) est en fait vériée pour toute fonction f ∈ L2 (R+ ). Soit maintenant φ ∈ L2 (P, R+ ). Dénissons : (Pn φ)(t, ω) = (Pn φ(., ω))(t).
Par construction, Pn φ est un processus étagé : Pn φ ∈ E . Notons : Z Un (ω) =
+∞ 0
((Pn φ)(t, ω) − φ(t, ω))2 dt.
L'équation (3.77) montre que Un (ω) → 0 P-p.s. et : Un (ω) ≤ 2(kPn φ(., ω)k2 + kf (., ω)k22 ) ≤ 4kφ(., ω)k22 , et E kφ(., ω)k22 < ∞ par hypothèse. Le théorème 3 montre que : Z E
0
∞
2
(Pn φ(t, ω) − φ(t, ω)) dt ] → 0,
122
Mathématiques pour les systèmes dynamiques
et on voit donc que l'application :
Z
I : E → L2 (Ω, F , P),
φ 7→
∞
0
φs dBs ,
est une isométrie. Elle se prolonge de façon unique en une isométrie de L2 (P, R+ ) dans L2 (Ω, F, P). Vu son importance, rappelons la construction de ce prolongement. Soit φ ∈ L2 (P, R+ ). Il existe φn ∈ E telles que kφ − φn kL2 (P,R+ ) → 0. I(φn ) est une suite de Cauchy de L2 puisque : kI(φn ) − I(φm )k2 = kφn − φm kL2 (P,R+ ) .
Soit X = lim I(φ) dans L2 . Cette v.a. ne dépend pas du choix de la suite φn convergeant vers φ car, si ψ n converge vers φ dans L2 (P, R+ ), alors : kI(φn ) − I(ψ n )k2 = kφn − ψ n kL2 (P,R+ ) → 0,
et X = lim I(ψ n ) dans L2 . X , I(φ) conduit à la proposition suivante. Proposition 27 (Intégrale stochastique). Il existe une application linéaire unique I : L2 (P, R+ ) → L2 (Ω, F , P) telle que :
1. E[I(φ)2 ] = E
h R ∞ 0
φ2s ds
2 i
;
2. si φ = U I[s,t[ où U est Fs -mesurable bornée, alors E[I(φ)] = 0 et : I(φ) = U (Bt − Bs ). I est appelée intégrale stochastique de φ et notée I(φ) =
R∞ 0
φs dBs .
En remarquant que φψ = 1/4[(φ + ψ)2 − (φ − ψ)2 ], on obtient : 2
+
Z
∀φ, ψ ∈ L (P, R ),
E[I(φ)I(ψ)] = E
∞ 0
φs ψ s ds .
(3.78)
3.8.2. Continuité de l'intégrale stochastique On dénit :
Z t 2 L (P) , φ progressif, ∀t > 0 E φs ds < ∞ , 2
0
et L2 (P) les classes de L2 (P) pour la relation d'équivalence φ ∼ ψ si φ = ψ P ⊗ λ P-p.s. Évidemment, si φ ∈ L2 (P) alors φI[0,t] ∈ L2 (P, R+ ) pour tout t > 0 et on peut donc dénir : Z
Xt =
0
Z
t
φs dBs =
0
∞
I[0,t] (s)φs dBs .
(3.79)
Probabilités et calcul stochastique
123
Il est important de remarquer que, pour chaque t, Xt est une classe de L2 , c'est-à-dire que Xt n'est dénie qu'à une équivalence près. Il se pose donc le problème de choisir harmonieusement un représentant de cette classe. C'est l'objectif du théorème qui suit. Théorème 22. Soit φR ∈ L2(P). Il existe une martingale continue Mt telle que, pour tout t, Mt = 0t φs dBs P-p.s. R Démonstration : on choisit φn ∈ E telle que E 0n (φs − φns )2 ds ≤ 2−n , ce qui implique, pour tout t ≤ n : Z E
t
0
2 (φns − φn+1 ) ds ≤ 21−n . s
(3.80)
R
t On pose Mtn = 0 φs dBs qui est, par construction, une martingale continue. En appliquant l'inégalité de Doob, on a alors :
2 E sup |Msn+1 s≤t
−
Msn |
≤E
sup |Msn+1 s≤t
−
Msn |2
≤ 4E |Mtn+1 − Mtn |2 = 4E P
Z 0
t
n 2 (φn+1 − φ ) ds ≤ 23−n . s s
Ceci implique que, pour tout t, on a : E n sups≤t |Msn+1 − Msn | < ∞. On en déduit que, pour tout t ≥ 0, Msn converge uniformément sur [0, t] P-p.s. Il existe donc un processus continu Mt tel que Mtn converge P-p.s. vers Mt Rt R n lorsque n → ∞ et, vu que Mt → 0 φs dBs dans L2 , on a Mt = 0t φs dBs P-p.s. Enn, puisque Mtn → Mt dans L2 , Mt est une martingale. Rt
Dorénavant, pour φ ∈ L2 (P), 0 φs dBs désigne la version continue de l'intégrale stochastique. Le lemme 8 et la proposition 26 conduisent à la proposition suivante. R R Proposition 28. Soient φ, ψ ∈ L2 (P), Mt = 0t φs dBs , Nt = 0t ψs dBs . Alors : Z t Xt = M t Nt −
0
φs ψ s ds,
est une martingale. Si τ est un temps d'arrêt borné : Z
E[Mτ Nτ ] = E
0
τ
φs ψ s ds .
Exemple 14. Pour illustrer la construction ci-dessus, nous allons démontrer que tout mouvement brownien (Bt , t ∈ R+ ) issu de 0 (B0 = 0) vérie : Z 0
t
Bs dBs =
1 2 1 B − t. 2 t 2
(3.81)
124
Mathématiques pour les systèmes dynamiques
Nous allons tout d'abord chercher à déterminer un processus élémentaire dont la limite soit précisément le processus Bs . L'idée naturelle consiste bien entendu à discrétiser le processus, c'est-à-dire à découper l'intervalle [0, t] suivant une grille régulière et à approcher Bs par un processus constant sur tous les (n) tk = k2−n pour 0 ≤ k ≤ 2n t, et tk = t intervalles de cette grille. Posons tk =P n pour k > 2 t. En dénissant φn (s) = k≥0 Btk 1[tk ,tk+1 [ (s), on voit que : Z E
t
0
"
2
(φn (s) − Bs ) ds = E
XZ
tk+1
# 2
(Btk − Bt ) dt =
tk
k
1X (tk+1 −tk ) → 0, 2 k
et donc, que la suite de processus φn converge dans L2 (P) vers B . Par dénition de l'intégrale stochastique, nous avons : Z 0
t
Bs dBs = lim
n→∞
X
Btk (Btk+1 − Btk ).
k
Notons que : Bt2j+1 − Bt2j = (Btj+1 − Btj )2 + 2Btj (Btj+1 − Btj ) et donc, que : X
Btk (Btk+1 − Btk ) =
k
1 2 1X B − (Btk+1 − Btk )2 . 2 t 2 k
P
On conclut en montrant que k (Btk+1 − Btk )2 → t dans L2 . Remarquons que, par dénition, les variables {Btk+1 − Btk } sont des variables gaussiennes indépendantes de moyenne nulle et de variance 2−n . Par suite :
X E (Btk+1 − Btk )2 − E (Btk+1 − Btk )2 k
" E
X
E
h
2
!2 =
2
(Btk+1 − Btk ) − E (Btk+1 − Btk )
# 2 i
≤ 2−n+1 .
k
Ce calcul explicite est assez fastidieux et on imagine mal comment il pourrait s'étendre à des situations plus compliquées. Nous verrons dans la suite des techniques de calcul systématiques (formule d'Itô) permettant d'évaluer plus facilement les intégrales stochastiques.
3.8.3. Martingales locales Dénition 44 (Martingales locales). Un processus
(Xt , t ∈ R+ ) est une martingale locale s'il existe une suite croissante de temps d'arrêt τ n % ∞ telle que Ztn = Xτ n ∧t − X0 soit une martingale.
Probabilités et calcul stochastique
125
Remarque 3. Supposons de plus que Xt soit continue et que X0 = 0. Posons : σ n = inf{t ≥ 0, |Xt | ≥ n}.
Il est clair que σ n % ∞ (une fonction continue est bornée sur tout intervalle [0, T ], T < ∞) et que Xt∧σn ≤ n. Xt∧τ n ∧σn est donc une martingale bornée et σ n ∧ τ n % ∞. Ainsi, dans ce cas, on peut toujours choisir la suite τ n de telle sorte que la suite Mtτ n soit bornée. On note M0c,loc l'ensemble des martingales locales continues nulles en 0. Proposition 29. Si X ∈ M0c,loc est à variations nies, alors X = 0 P-p.s. Démonstration : rappelons que Vt = supπ sumπ={t1 <···<tp } |Xti+1 − Xti |. Considérons : τ n = inf{t ≥ 0, |Xt | + |Vt | ≥ n}. Alors Xtn ≤ n et Vtn ≤ n. Par suite, si 0 = t0 < t1 < · · · < tp = t est un partage de [0, t] dont le pas est |π| = sup |ti+1 − ti | → 0, nous avons : E[(Xtn )2 ]
=E
" X
# ((Xtni+1 )2
−
(Xtni )2 )
=E
hX
(Xtni+1 − Xtni )2
i
i
X |Xtni+1 − Xtni | ≤ n E[sup |Xtni+1 − Xtni |] → 0, ≤ E sup |Xtni+1 − Xtni | |π|→0
où la dernière inégalité est une conséquence du théorème 3 de convergence dominée (sup |Yti+1 − Yti | →|π|→0 0 car Yt est continue et Yt est borné). Par conséquent, Xtn = 0 presque sûrement. Il en va de même pour Xt . On pose : 0
L (P) =
φ progressif, ∀t ≥ 0,
Z 0
t
φ2s ds
< ∞ P-p.s. ,
(3.82)
et on note L0 (P) les classes d'équivalence de L0 (P) pour la relation d'équivalence : [φ ∼ ψ] ⇔ [φ = ψ (P ⊗ λ) -p.s.]. Soit : Z t 2 τ p = inf t, φs ds ≥ p . 0
Notons que φs I[0,τ p [ (s) ∈ L (P) (φs I[0,τ p [ (s) est progressif et borné) et posons : 2
Z
Mtp
= 0
t
φs I[0,τ p [ (s)dBs .
(3.83)
On vérie immédiatement que, si {t < τ p }, Mtp = Mtp+1 P-p.s. On peut donc dénir sans ambiguïté : Mt = Mtp si t < τ p . Par construction, Mt est un processus continu (les processus Mtp étant continus pour tout p, en tant qu'intégrales stochastiques de processus de L2 (P)). On a donc établi le théorème qui suit.
126
Mathématiques pour les systèmes dynamiques
Théorème 23. Il existe une application linéaire J : L0R (P) → M0c,loc telle que,
pour tout φ ∈ L0 (P) et tout temps d'arrêt τ vériant E Z [J(φ)]t∧τ =
t
0
τ 0
φ2s ds < ∞, on ait :
φs I[0,τ [ (s)dBs , P-p.s.
(3.84)
R
Évidemment, on notera encore [J(φ)]t = 0t φs dBs . On prendra toutefois R garde à ce que 0t φs dBs n'est plus nécessairement une v.a. intégrable. Nous concluons la discussion précédente par un résultat de localisation. Proposition 30. Soit φ ∈ L0 (P) et A ∈ F0 . Supposons que φ ≡ 0 sur A. Rt Alors, 0 φs dBs = 0 P-p.s. sur A. Démonstration : supposons que φ ∈ L2 (P). Alors : "
Z
E IA
0
2 #
t
φs dBs
" = E IA E
"Z
φs dBs
0
##
2
t
|F0
Z t Z t 2 2 = E IA = IA E φs ds|F0 φs ds = 0, 0
0
RT
et donc 0 φs dBs = 0 P-p.s. sur A. Si φ ∈ L0 (P), on se ramène au cas précédent R en introduisant les temps d'arrêt τ p = inf{t, 0t φ2s ds ≥ p}.
3.8.4. Mouvement brownien d-dimensionnel. Un mouvement brownien d-dimensionnel issu de 0 est un processus à valeurs dans (Rd , B(Rd ))), les composantes de ce vecteur étant des mouvements browniens réels issus de 0 et indépendants. On note Bt = (Bt1 , · · · , Btd ). Il résulte immédiatement de la dénition des mouvements browniens réels et des propriétés des vecteurs gaussiens que, pour 0 < s < t, Bt − Bs est un vecteur gaussien centré, de matrice de covariance (t − s)Id , où Id est la matrice identité d × d. De plus, (Bt − Bs ) est indépendant de σ(Bs , s ≤ t), ce qui conduit à la dénition suivante. Dénition 45 (Mouvement brownien d-dim.). Un processus (Bt , t ≥ 0) à valeurs Rd est un mouvement brownien d-dimensionnel issu de 0 si :
1. Bt − Bs est indépendant de Fs ; 2. B0 = 0 et Bt − Bs suit une loi gaussienne Nd (0, (t − s)Id ); 3. Bt est presque sûrement à trajectoires continues. Lemme 9. Soit Bt = (Bt1 , · · · , Btd ) un mouvement brownien à valeurs Rd issu de 0. Alors, pour tout i 6= j , Bti Btj est une martingale.
Probabilités et calcul stochastique
127
Démonstration : soit s < t. Alors : Bti Btj = (Bsi + Bti − Bsi )(Bsj + Btj − Bsj ) = Bsi Bsj + (Bti − Bsi )Bsj + Bsi (Btj − Bsj ) + (Bti − Bsi )(Btj − Bsj ),
d'où l'on déduit : E[Bti Btj |Fs ] = Bsi Bsj . Nous allons maintenant étendre au cas vectoriel la dénition des diérentes classes de processus introduites dans le cas scalaire. On note |x| =
P
1/2
la norme euclidienne d'un vecteur de Rd et < x, y >= le produit scalaire. On dénit : d i=1
x2i
L2d (P)
Pd
i=1
xi yi
Z t d 2 = φ progressif à valeurs dans R , ∀t > 0, E |φs | ds < ∞ , 0
(3.85)
Z t 0 d 2 Ld (P) = φ progressif à valeurs dans R , ∀t > 0, |φs | ds < ∞ , (3.86) 0
et L2d (P) et L0d (P) les classes d'équivalence correspondantes. Evidemment, si φ = (φ1 , · · · , φd ) ∈ L2d (P) (respectivement L0d (P)), chaque composante φi ∈ L2 (P) (respectivement L0 (P)). On pose donc, pour chaque φ ∈ L0d (P) : Z Mt =
t
0
< φs , dBs >=
d Z X k=1
t
0
(3.87)
φks dBsk .
Mt est une martingale locale vectorielle et, si φ ∈ L2d (P), Mt est une martingale
de carré intégrable. R R Proposition 31. Soient φ, ψ ∈ L0 (P), Mt = 0t φs dBsi , Nt = 0t ψs dBsj , i 6= j . Alors Mt Nt ∈ M0c,loc . Si φ, ψ ∈ L2 (P), Mt Nt est une martingale continue. Démonstration : on se ramène au cas où φ, ψ sont des processus étagés et on conclut en appliquant le lemme 9. La proposition précédente montre de plus que, pour φ ∈ L2d ( P) : "Z
E
0
2 #
t
< φs , dBs >
=
d X k=1
"Z
E
0
2 #
t
φks dBsk
Z =E
0
t
|φs |2 ds .
3.9. Espaces gaussiens Dénition 46 (Espace gaussien). Un espace gaussien (centré) est un sousespace fermé de L2 (Ω, F, P) constitué de v.a. gaussiennes centrées.
128
Mathématiques pour les systèmes dynamiques
Proposition 32. Soit X = (Xt , t ∈ T ) un processus aléatoire gaussien. Le sous-espace vectoriel de L2 (Ω, F , P) engendré par les variables (Xt , t ∈ T ) est un espace gaussien, noté H(X). La démonstration découle immédiatement du lemme suivant. Lemme 10. Soit (Xn , n ∈ N) une suite de v.a. réelles gaussiennes centrées. Si Xn converge vers X dans L2 (Ω, F , P), alors X est une v.a. gaussienne centrée. Démonstration : puisque Xn converge vers X dans L2 , alors σ 2n = E[Xn2 ] → σ 2 = E[X 2 ]. Par conséquent, φXn (t) = exp(−σ 2n t2 /2) → exp(−σ 2 t2 /2) et Xn converge en loi vers une loi gaussienne centrée de variance σ 2 . Comme Xn converge vers X dans L2 , X a pour distribution N1 (0, σ2 ). Soit (Bt , t ∈ R+ ) un mouvement brownien à valeurs dans Rd issu de 0. On note H(B) l'espace gaussien engendré par les variables (Bti , 1 ≤ i ≤ d, t ≥ 0) et on pose : Z L2d =
Proposition 33.
∞
|f (t)|2 dt < ∞ . (3.88) 0 R L'application Φ : L2d → H(B), f 7→ 0∞ < f (t), dBt > est f borélienne,
un isomorphisme. Démonstration : pour toute fonction f ∈ L2d , il existe une suite de fonctions P de la forme : fn (t) = ki=1 ank I[tnk ,tnk+1 [ (t), telle que kfn − f k2 → 0. On a Φ(fn ) ∈ H(B) et il sut d'appliquer le lemme 10 pour avoir Φ(f ) ∈ H(B). 2 Réciproquement, soit X ∈ H(B). On a X = lim Xn dans , où Xn est R ∞ L (Ω, F , P) i i une combinaison linéaire des Bt . Du fait que Bt = 0 I[0,t[ (s)dBsi , Xn admet la représentation Xn = Φ(fn ), où fn est une fonction étagée appartenant à L2d . De ce fait, et parce que fn et fm sont déterministes, on a :
2
E |Xn − Xm |
Z =E
0
+∞
2
(fn (t) − fm (t)) dt =
Z 0
+∞
(fn (t) − fm (t))2 dt,
soit encore : kfn − fm kL2 (R+ ) = kΦ(fn ) − Φ(fm )kL2 (Ω,F ,P) .
La convergence de Xn − φ(fn ) entraîne que la suite fn est une suite de Cauchy et, donc, qu'elle converge vers f dans L2d . Par identication de la limite, il vient Rt X = 0 < f (t), dBt >, ce qui termine la preuve.
3.10. Processus d'Itô Dénition 47 (Processus d'Itô). Soit B = (Ω, Ft , F , Bt , P) un mouvement brownien à valeurs Rd issu de 0. On appelle processus d'Itô d-dimensionnel
Probabilités et calcul stochastique
tout processus X de la forme :
Z
Xt = X0 +
Z
t
< φs , dBs > +
0
t
(3.89)
αs ds,
0
129
où X0 est FR0 -mesurable, φ ∈ L0d (P) et αs est un processus progressif tel que, pour tout t, 0t |αs |ds < ∞ P-p.s. Nous utiliserons de façon équivalente la notation diérentielle : dXt =< φt , dBt > +αt dt =
d X
φkt dBtk + αt dt.
(3.90)
k=1
Remarque 4. La décomposition (3.89) est unique. En eet, si l'on considère une seconde décomposition :
Z
Xt = X0 +
Z
t
0
< ψ s , dBs > +
alors, en vertu de la proposition 30, on a : Z
0
Z
t
< φs , dBs > −
0
Exemple 15.
Z
t
< ψ s , dBs >=
0
t
β s ds, Z
t
0
β s ds −
0
t
αs ds = 0.
Le processus Xt = |Bt |2 , où Bt est un mouvement brownien d-dimensionnel issu de 0 est un processus d'Itô. En eet, en utilisant les résultats obtenus pour l'exemple 14, nous avons : 2
|Bt | =
d X
2(Btk )2
k=1
=
d Z X k=1
0
t
Bsk dBsk + dt.
(3.91)
Par suite, |Bt |2 est un processus d'Itô avec : φs = (φ1s , · · · , φds ) = (Bs1 , · · · , Bsd ), αs = d.
Le processus Xt = Bt1 Bt2 , où Bt = (Bt1 , Bt2 ) est un mouvement brownien dans R2 , est un processus d'Itô. Remarquons en eet que : Xt =
1 (Bt1 + Bt2 )2 − (Bt1 − Bt2 )2 . 4
D'autre part, √12 (Bt1 + Bt2 ) et √12 (Bt1 − Bt2 ) sont deux mouvements browniens réels indépendants (on remarque en eet que : E[(Bt1 + Bt2 )(Bs1 − Bs2 )] = t ∧ s − t ∧ s = 0). Par conséquent, en utilisant (3.91), nous avons : (Bt1 (Bt1
+ −
Bt2 ) Bt2 )
Z
t
= 0
Z =
0
t
(Bs1 + Bs2 )(dBs1 + dBs2 ), (Bs1 − Bs2 )(dBs1 − dBs2 ),
130
Mathématiques pour les systèmes dynamiques
et donc :
1 Xt = 2
Z
t 0
Bs2 dBs1
+
Bs1 dBs2
.
Soit Ut un processus adapté à trajectoires continues et Xt un processus d'Itô donné par (3.90). On dénit la notation intégrale : Z
t
0
Us dXs =
d Z X k=1
t
Yt = Y0 + 0 < ψ s , dBs > + de X et Y par :
t 0
φks Us dBsk +
0
Dénition 48 (Crochet).R Soient R
Z
t
0
Rt
t
(3.92)
αs Us ds. Rt
α ds et 0 s β s ds, deux processus d'Itô. On dénit le crochet Xt = X0 +
≺ X, Y t =
d Z X k=0
0
0
< φs , dBs > +
t
φks ψ ks ds.
Soient Bti et Btj , 1 ≤ i, j ≤ d les composantes d'un mouvement brownien d-dimensionnel. Notons que Bti est un processus d'Itô, avec φis = ei le i-ième vecteur coordonnée et αis = 0. Par conséquent : ≺ B i , B j t = δ i,j t,
(3.93)
où δ i,j est le symbole de Kronecker. On note simplement : ≺ X t ,≺ X, X t . On voit facilement que l'application (X, Y ) 7→≺ X, Y t est bilinéaire. De plus, dès que X (ou Y ) est à variations nies, ≺ X, Y t = 0. On peut montrer que : si X, Y sont des martingales locales, ≺ X, Y t est l'unique processus à variations nies tel que Xt Yt − ≺ X, Y t soit une martingale locale ; P si 0 = t0 < t1 < · · · < tn = t est un partage de [0, t] de pas |π|, alors n i=1 (Xti+1 − Xti )(Yti+1 − Yti ) converge en probabilité vers ≺ X, Y t lorsque le pas |π| du partage tend vers 0. Théorème 24 (Formule d'Itô). Soit Xt = (Xt1 , · · · , Xtd ) un processus d'Itô d-dimensionnel et soit f ∈ C 2 (Rd ). Alors, f (Xt ) est un processus d'Itô et : f (Xt )−f (X0 ) =
d Z X k=1
t 0
d Z 1 X t ∂2f ∂f (Xs )dXsk + (Xs )d ≺ X j , X k s . ∂xk 2 0 ∂xj ∂xk j,k=1
(3.94) Démonstration : commençons par quelques remarques permettant de simplier la preuve. On peut en eet supposer que : 1. |X0 | ≤ M (en utilisant la proposition 30) ; 2. pour tout t ≥ 0, |Xt | ≤ M (en introduisant un temps d'arrêt τ p = inf{t, |Xt | ≥ p} et en travaillant sur le processus arrêté) ;
Probabilités et calcul stochastique
131
3. la fonction f est deux fois continûment diérentiable à support compact (f ∈ Ck2 ), car |Xt | ≤ M ; 4. f (x1 , · · · , xn ) = P (x1 , · · · , xn ) où P est un polynôme : en eet, pour toute fonction f ∈ C 2 , il existe une suite de polynômes convergeant vers f uniformément et dont les dérivées d'ordre 1 et 2 convergent uniformément vers les dérivées correspondantes de f . Il sut donc de montrer (3.94) pour f (x1 , x2 ) = x1 x2 , grâce au lemme 11. Lemme 11. Soient X et Y deux processus d'Itô, alors : Z
Xt Yt − X0 Y0 =
0
Z
t
Xs dYs +
t 0
Ys dXs + ≺ X, Y t ,
(3.95)
et, en particulier : Xt2 − X02 = 2
Z 0
t
Xs dXs + ≺ X t .
(3.96)
Démonstration : on remarque que (3.96) implique (3.95), en écrivant : Xt Yt =
1 (Xt + Yt )2 − (Xt − Yt )2 , 4
et il sut donc de montrer (3.96). On a Xt = X0 + Mt + Vt , avec : Z t Z t Mt = < φs , dBs >, At , |φs |2 ds, 0 0 Z t Z t αs ds, |V |t , |αs |ds. Vt = 0
0
On peut supposer que X0 = 0 et |Mt | + At + |V |t ≤ K . Notons que Mt2 − At est une martingale. Soit π un partage générique de l'intervalle [0, t], π = {0 = t0 < t1 < t2 < · · · < tn = t}, de pas |π| = sup |ti+1 − ti |. On a (x2 − x1 )2 = x22 − x21 − 2x1 (x2 − x1 ), d'où : X
(∆X(ti ))2 = Xt2 − X02 − 2
X
X(ti )∆X(ti ).
P (∆X(ti ))2 tend vers At (lemme 13) ci-dessous et le terme X(ti )∆X(ti ) tend vers ≺ X t (lemme 12), d'où le résultat.
Le P terme
Établissons maintenant les résultats techniques qui viennent d'être évoqués. Lemme 12. Soit Kt un processus adapté continu borné, alors : X
Z
Kti ∆X(ti ) →
|π|→0
0
t
Ks dXs dans L2 ,
où ∆X(ti ) = X(ti+1 ) − X(ti ).
132
Mathématiques pour les systèmes dynamiques P
Démonstration : en notant Ktπ = X
i
Kti I[ti ,ti+1 [ (t), nous avons : Z
Kti ∆X(ti ) =
t
Ksπ dXs .
0
Les processus Ksπ , αs et Ks étant continus et bornés, nous avons : Z
Z
t
Ksπ αs ds →
|π|→0
0
t
0
Par ailleurs : "Z
E
2 #
t
0
P-p.s. et dans L2 .
Ks αs ds
(Ksπ
Z =E
− Ks ) < φs , dBs >
0
t
(Ksπ
2
2
− Ks ) |φs | ds ,
et, comme ci-dessus, le second terme tend vers 0 lorsque |π| → 0.
Lemme 13.
X
(∆X(ti ))2 →
|π|→0
Z At =
t
0
|φs |2 ds dans L2 .
(3.97)
Démonstration : par dénition, Xt = X0 + Mt + Vt . Donc : X
(∆Xti )2 =
X
(∆Mti )2 + 2
X
∆Mti ∆Vti +
X
(∆Vti )2 .
Les deux derniers termes de cette somme tendent vers 0 dans L2 . En eet, le processus t 7→ Vt étant continu : X
2
(∆Vti ) ≤ sup |∆Vti |
X
Z |∆Vti | ≤ sup |∆Vti |
0
t
|αs | ds
→
|π|→0
0.
De même, la continuité de M implique : Z t X X ∆Vti ∆Mti ≤ sup |∆Mti | |∆Vti | ≤ sup |∆Mti | |αs |ds 0
→
|π|→0
0.
2 Ces variables étant bornées, elles convergent aussi dans P L . Il reste à montrer P 2 2 que : (∆M (ti )) → At dans L . Comme At = ∆A(ti ), on doit montrer
que δ π → 0, où : δπ = E
X
|π|→0
2 2 X
= (∆M (ti ))2 − At . [(∆M (ti )) − ∆A(ti )] 2
2
(3.98)
Remarquons que t 7→ Mt2 −At est une martingale par construction, impliquant : δπ , E
hX
i [(∆M (ti ))2 − ∆A(ti )]2 ,
Probabilités et calcul stochastique
133
et, en utilisant les relations (a+ b)2 ≤ 2a2 + 2b2 et E (∆M (ti ))2 = E [∆A(ti )] : i hX i (∆A(ti ))2 (∆M (ti ))4 + 2E i hX hX i ≤ 2K 2 E ∆A(ti ) (∆M (ti ))2 + 2KE hX i hX i ≤ 2K 2 E ∆A(ti ) + 2KE ∆A(ti ) ≤ 2(K 2 + K)E[At ],
δ π ≤ 2E
hX
¯ (At étant borné). On en déduit : et donc δ π ≤ K E
X
2
(∆M (ti ))
2
(3.99)
¯ ≤ 2K.
Par suite, en utilisant l'inégalité de Cauchy-Schwartz :
i h h i X X δ π ≤ 2E sup(∆M (ti ))2 ∆A(ti ) (∆M (ti ))2 + 2E sup ∆A(ti ) X 2 4 2 ≤ 2E sup(∆M (ti )) E + 2KE [sup ∆A(ti )] . (∆M (ti ))
Mt et At étant continues et bornées, on a : E sup(∆M (ti ))4 →|π|→0 0 et E [sup ∆A(ti )] →|π|→0 0,
et l'on conclut en appliquant (3.99). En notation diérentielle, la formule d'Itô (3.94) s'écrit, avec Yt = f (Xt ) : dYt =
d d X 1 X ∂2f ∂f (Xt ) + (Xt )d ≺ X j , X k t . ∂xk 2 ∂xj ∂xk
k=1
(3.100)
j,k=1
Exemple 16 (Carré du brownien). Considérons l'intégrale It =
Rt
Bs dBs . 0 Nous avons déjà montré par un calcul direct (voir exemple 14) que It = Bt2 /2 + t/2. Posons Xt = Bt et g(x) = x2 /2. Notons que It = g(Xt ). En appliquant la formule d'Itô (sous sa forme diérentielle (3.100)), nous obtenons : dYt =
∂g 1 ∂2g 1 dBt + d ≺ B t = Bt dBt + dt, 2 ∂x 2 ∂x 2
ce que l'on peut écrire de façon plus suggestive en notation diérentielle :
d
1 2 B 2 t
1 = Bt dBt + dt. 2
On voit apparaître ici la diérence entre le calcul diérentiel usuel et le calcul diérentiel stochastique.
134
Mathématiques pour les systèmes dynamiques
Exemple 17 (Martingale exponentielle). Soit φs ∈ L0d (P) et posons : Z
Zt = exp
t
0
Z
1 < φs , dBs > − 2
t
0
2
|φs | ds .
On a donc : Zt = f (Xt ), avec f (x) = ex et Xt déni par : Z
Xt =
0
t
< φs , dBs > −
1 2
Z
0
t
|φs |2 ds.
Une application directe de la formule d'Itô (3.94) montre que : 1 dZt = f 0 (Xt )dXt + f 00 (Xt )d ≺ X t 2 1 1 = Zt < φt , dBt > − Zt |φt |2 dt + Zt |φt |2 dt = Zt < φt , dBt >, 2 2
ce que l'on peut écrire, de façon équivalente : Z
Zt = 1 +
0
t
Zs < φs , dBs > .
Enh particulier, (Zt )i est une martingale locale. Si de plus, pour tout t ∈ [0, T ], R 1 t 2 E exp 2 0 |φs | ds < ∞, alors on peut montrer (théorème de Novikov) que (Zt ) est une martingale sur [0, T ].
3.11. Equations diérentielles stochastiques (EDS) Dans toute cette section, B = (Ω, Ft , F , Bt , P) désigne un mouvement brownien à valeurs dans Rd issu de 0.
3.11.1. Introduction L'évolution de nombreux systèmes physiques est décrite par une équation diérentielle ordinaire (EDO, voir chapitre 5) de la forme : dx(t) = b(x(t))dt,
(3.101)
mais, dans certaines circonstances, ces systèmes physiques sont perturbés par un bruit aléatoire. Une façon de prendre en compte ces perturbations consiste à rajouter à (3.101) un terme perturbateur de la forme σdBt , où σ caractérise la puissance du bruit. Ceci conduit à une équation d'évolution de la forme : dx(t) = b(x(t))dt + σdBt .
(3.102)
Probabilités et calcul stochastique
135
La puissance du bruit peut elle-même dépendre de l'état à l'instant t : (3.103)
dx(t) = b(x(t))dt + σ(x(t))dBt .
Cependant, le mouvement brownien n'étant pas diérentiable, il faut prendre garde que cette équation n'est pas dénie au sens du calcul diérentiel classique : il faut donner un sens à (3.103). Au vu de la discussion précédente, il est naturel de dénir x(t) comme la solution de : Z
Z
t
x(t) = x(0) +
t
b(x(s))ds + 0
0
σ(x(s))dBs .
(3.104)
Une équation de la forme (3.103) ou (3.104) s'appelle une équation diérentielle stochastique (en abrégé, EDS ). Ce sont ces équations que nous étudierons dans la suite de ce chapitre. Comme nous traitons les EDS vectorielles, nous aurons besoin de quelques notations et dénitions complémentaires. On munit Rm × Rd (espace des matrices réelles m × d) de la norme euclidienne :
|M | =
X
1/2
m2i,j
M = (mi,j ) ∈ Rm × Rd .
,
i,j
Si Rσs est un processus progressif à Rvaleurs dans Rm × Rd et tel que, pour tout t t t, 0 |σ s |2 ds < ∞ P-p.s., on dénit 0 σ s dBs composante par composante par : Z
0
t
σ s dBs
= i
d Z X
t j σ i,j s dBs , i ∈ {1, · · · , m}.
0
j=1
C'est un processus à valeurs (R , B(Rm )). Notons que l'on a encore : m
" Z 2 # Z t t E σ s dBs = E |σ s |2 ds . 0
(3.105)
0
Dénition 49 (Solution d'une EDS). On considère un champ de matrices (t, x) 7→ σ(t, x) et un champ de vecteurs (t, x) 7→ b(t, x) que l'on suppose B(R+ ) × B(Rd )−mesurable. On appelle solution de l'EDS : dXt = b(t, Xt )dt + σ(t, Xt )dBt , X0 = η ∈ Rm , η F0 -mesurable,
(3.106)
tout processus Xt à valeurs dans R tel que, pour tout t : m
Z
et vériant :
0
t
2
Z
|σ(s, Xs )| ds < ∞, Z
Xt = η +
0
t
0
|b(s, Xs )|ds < ∞ Z
t
b(s, Xs )ds +
0
t
σ(s, Xs )dBs
P-p.s.,
P-p.s.
(3.107)
Il nous reste maintenant à trouver des conditions réalistes sous lesquelles des EDS de la forme (3.106) admettent des solutions au sens de (3.107).
136
Mathématiques pour les systèmes dynamiques
3.11.2. Solution des EDS : cas lipshitzien Théorème 25. Supposons que, pour tous x, y ∈ Rd et tout t ≤ T, on ait : |b(t, x) − b(t, y)| + |σ(t, x) − σ(t, y)| ≤ A(T )|x − y|, |b(t, x)| + |σ(t, x)| ≤ A(T )(1 + |x|).
(3.108) (3.109)
Alors, pour tout η ∈ L2 (F0 ), l'équation (3.106) a une solution unique L2m (P). Cette solution a une version presque sûrement continue en t, qu'on notera Xtη . Démonstration : on xe T > 0 et on note : (
H=
φ progressif à valeurs Rm , E
"Z
#
T
)
|φs |2 ds < ∞ .
0
(3.110)
H = L2 (Ω × [0, T ], P, P ⊗ λ), H est donc un espace de Banach pour la norme hR i1/2 T kφkH = E 0 |φs |2 ds . On pose, pour φ ∈ H : Z (U φ)t = η +
0
Z
t
b(s, φs )ds +
t
0
σ(s, φs )dBs .
(3.111)
En utilisant (3.109), on montre que sup0≤t≤T E |U (φ)t |2 < ∞ : 2 Z Z Z t t E σ(s, φs )dBs = E |σ(s, φs )|2 ds ]A2 (T ) 0
0
T
0
(1 + E |φs |2 )ds < ∞.
Nous avons de même :
2 Z T Z T E b(s, φs )ds ≤ A(T )2 (1 + E |φs |2 )ds < ∞, 0 0
et donc φ 7→ U φ dénit une application de H → H . On a alors, pour φ, ψ ∈ H , pour t ≤ T et sous la condition (3.108) : i h E |(U φ)t − (U ψ)t |2 Z t Z t 2 2 |b(s, φs ) − b(s, ψs )| ds + 2E |σ(s, φs ) − σ(s, φs )| ds ≤ 2t E 0
0
Z
≤ K(T )
On dénit, pour φ ∈ H :
"Z kφkc = E
E |φs − ψ s |2 ds.
#
T
e 0
0
t
−ct
2
|φs | ds .
(3.112)
Probabilités et calcul stochastique
137
k.kc est évidemment une norme équivalente à k.k et on a, pour φ, ψ ∈ H : Z T k(U φ) − (U ψ)k2c = E |U φt − U ψ t |2 e−ct dt, 0
Z
≤ K(T )
0
Z ≤ K(T )
≤
T
Z
t
0 T e−cs
E |φs − ψ s |2 e−cs e−c(t−s) ds dt,
0
E |φs − ψ s |2
Z |s
T
e−c(t−s) dt {z }
≤ 1c
K(T ) kφ − ψk2c . c
En choisissant c assez grand, on a K(T )/c < 1. U : H → H est alors une application contractante et on conclut grâce au théorème du point xe. Lemme 14 (Point xe). Soit B un espace de Banach, U : B → B une application contractante, c'est-à-dire telle que kU (x) − U (y)k ≤ ρkx − yk avec ρ < 1. Alors il existe un unique x tel que U (x) = x. Il faut noter que Xtη , la solution continue de (3.106) de donnée initiale η, n'est pas une solution trajectoire par trajectoire , mais une solution globale. Nous avons toutefois le résultat suivant, conséquence de (3.111). 0 Corollaire 3. Sous les hypothèses du théorème 25, Xtη = Xtη P-p.s. sur η = η0 . Exemple 18 (EDS linéaires). Nous développerons au paragraphe 3.11.5 une théorie générale des EDS linéaires. Nous présentons ici le cas simple suivant : b(s, x) = dXt
=
b1 x + b0 ,
σ(s, x) = σ 0 + σ 1 x,
(b1 Xt + b0 )dt + (σ 0 + σ 1 Xt )dBt ,
X0 = η ∈ L2 (F0 ).
On vérie aisément que b(s, x) et σ(s, x) satisfont les hypothèses du théorème 25 pour tout T . Cette EDS admet donc une solution globale sur tout intervalle [0, T ], T > 0 et pour tout choix des constantes bi et σ i . Le choix particulier b0 = 0 et σ 0 = 0 correspond à l' équation de Langevin (1908), utilisée pour modéliser la vélocité d'une particule brownienne. En notation diérentielle, cette équation est de la forme : dXt = bXt + σdBt
et peut être donc interprétée comme la perturbation de l'équation diérentielle linéaire x˙ = bx intervenant, par exemple, dans les équations du mouvement en mécanique classique. Sa solution, pour une condition initiale η, est donnée par : Z t
Xt = ebt η +
0
e(t−s)b σdBs .
On se reportera au théorème 28 pour la démonstration.
138
Mathématiques pour les systèmes dynamiques
Exemple 19 (Mouvement brownien géométrique). On considère l'équation diérentielle stochastique suivante sur R (γ et ρ ∈ R) : Z
Xt = η + γ
0
Z
t
Xs ds + σ
0
t
(3.113)
Xs dBs .
Les hypothèses du théorème 25 sont vériées (b(t, x) = γx, σ(t, x) = σx) et l'EDS (3.113) a une solution. Considérons tout d'abord le cas où γ = 0 : dXt = σXt dBt ,
(3.114)
X0 = η. 2
Nous avons déjà démontré (voir l'exemple 17) que Zt = exp(λBt − λ2 t) vérie : dZt = λZt dBt , Z0 = 1. L'unicité des solutions des EDS montre que (3.114) a pour solution : Xt = η exp(σBt −
Considérons maintenant le cas σ = 0 :
λ2 t). 2
(3.115)
dXt = γXt dt, X0 = η.
Il s'agit ici d'une équation diérentielle ordinaire (seule la condition initiale est aléatoire). Cette équation admet comme solution explicite : (3.116)
Xt = η eγt .
Cherchons maintenant la solution de (3.113) dans le cas général. Le procédé que nous allons utiliser est assez général. Remarquons que les deux solutions particulières que nous avons trouvées sont de la forme Xt = f (t, Bt ), où (t, x) 7→ f (t, x) est une fonction C ∞ → R2 . Supposons maintenant que les solutions de l'équation (3.113) sont de cette forme et cherchons alors à identier la fonction f . On note : ∂ f (x1 , x2 ) (x1 ,x2 )=(t,x) , i = 1, 2, ∂xi ∂2 fij (t, x) = f (x1 , x2 ) ((x1 ,x2 )=(t,x) , i, j = 1, 2. ∂xi ∂xj fi (t, x) =
La formule d'Itô montre que : Z
Xt = η +
0
t
1 (f1 (s, Bs ) + f22 (s, Bs ))ds + 2
Z 0
t
f2 (s, Bs )dBs .
(3.117)
En identiant les termes de ce développement avec (3.113), nous aboutissons au système d'équations : 1 γf (t, x) = f1 (t, x) + f22 (t, x), 2 σf (t, x) = f2 (t, x).
(3.118) (3.119)
Probabilités et calcul stochastique
139
En dérivant l'équation (3.119) par rapport à x, on a : σ 2 f (t, x) = f22 (t, x) et le système (3.118)-(3.119) peut se réécrire de façon plus simple : (c − σ 2 /2)f (t, x) = f1 (t, x),
σf (t, x) = f2 (t, x).
Nous allons chercher à résoudre ce système sous la forme f (t, x) = g(t)h(x). Les équations précédentes se réécrivent alors : (c − σ 2 /2)g(t) = g 0 (t),
σh(x) = h0 (x).
Ces deux équations diérentielles admettent des solutions explicites : g(t) = g(0) exp((c − σ 2 /2)t),
h(x) = h(0) exp(σx).
La solution de (3.113) est donc donnée par : Xt = f (t, Bt ) = η exp[(c − σ 2 /2)t + σBt ].
Ce processus est appelé le mouvement brownien géométrique. Il est utilisé en mathématique nancière pour modéliser le prix d'un actif risqué (risky asset). De façon intuitive, dXt /Xt = cdt + σdBt est le retour relatif (relative return) de l'actif risqué sur une période élémentaire dt. Ce retour relatif est fonction d'une tendance cdt perturbée par un terme de bruit σdBt . c > 0 est appelé le taux d'intérêt (mean rate of return), et σ la volatilité. Il est possible de généraliser ce modèle et de considérer le processus : Z
Xt = η +
Z
t
0
c(s)Xs ds +
0
t
σ(s)Xs dBs ,
t ∈ [0, T ].
On montre, par des arguments similaires, que la solution de cette EDS est : Z
Xt = η exp
t
0
2
(c(s) − 1/2σ (s)]ds +
Z
0
t
σ(s)dBs ,
t ∈ [0, T ].
3.11.3. Dépendance en fonction des conditions initiales Nous commençons par deux résultats techniques. 1. Soit (bt ) un processus à valeurs dans Rm . On a, pour p ≥ 1 :
Lemme 15.
Z E sup s≤t
0
s
p Z t p−1 p ≤t E bu du |bu | du . 0
(3.120)
2. Soit (σt ) un processus progressif à valeurs Rm × Rd . On a, pour p ≥ 2 : Z E sup s≤t
0
s
p Z t ≤ Kp (t)E σ u dBu |σ u |p du . 0
(3.121)
140
Mathématiques pour les systèmes dynamiques
Démonstration : (1) on a, en appliquant l'inégalité de Jensen : Z E sup s≤t
s
0
"Z p p # Z t t ≤ tp−1 E ≤E bu du |bu | du |bu |p du . 0
0
(2) En travaillant composante par composante, on peut se ramener au cas Rt d = 1. On pose Mt = 0 σ s dBs . On peut supposer que Mt est bornée (en introduisant un temps d'arrêt). Mt est une martingale et l'inégalité maximale de Doob (théorème 19) montre que : E sups≤t |Ms |p ≤ cp E [|Mt |p ] . Appliquons maintenant la formule d'Itô à la fonction f (x) = |x|p : Z
|Mt |p =
t
f 0 (Ms )σ s dBs +
0
Ceci implique :
p(p − 1) 2 Z
E [|Mt | ] ≤ Ap E sup |Ms | p
t
s≤t
0
|Ms |p−2 sign(Ms )σ 2 (s) ds.
" Z p #! p2 t 2 2 E σ s ds 0
s≤t p−2 p
0
ds ,
p−2 p p ≤ Ap E sup |Ms | ≤ A¯p (t) (E [|Mt |p ])
t
σ 2s
p−2
Z
(Hölder)
Z t p2 p E |σ s | ds , 0
p−2
d'où le résultat, en divisant par (E [|Mt | ]) p . Lemme 16 (de Gronwall). Si f ≥ 0 est intégrable sur [0, T ], alors on a : p
Z
∀t ∈ [0, T ], f (t) ≤ a + b
t
f (s) ds 0
⇒ f (t) ≤ aebt .
Démonstration : on a, par substitutions successives : Z
f (t) ≤ a + b n X (bt)k
0
Z
t
f (s) ds ≤ a + bat + b Z
Z
t
s
ds 0
f (u) du
0 n X
(t − v)n (bt)k tn +b dv ≤ a + bn+1 f (u) ≤a k! n! k! n! 0 0 0 n R d'où le résultat, du fait que : bn+1 tn! 0t f (u) dv −−−−→ 0. t
n+1
Z
t
f (u) dv, 0
n→∞
Proposition 34. Sous les hypothèses du théorème 25, on a, pour p ≥ 2 :
E
sup |Xsη s≤t
≤ C1 (p, t)(1 + E[|η|p ]),
− η|
p
0
E sup |Xsη − Xsη |p ≤ C2 (p, t)E [|η − η 0 |p ] , s≤t
∀η ∈ Lp ,
(3.122)
∀η, η 0 ∈ Lp .
(3.123)
La première inégalité entraîne que si η ∈ Lp , il en va de même pour Xtη .
Probabilités et calcul stochastique
141
0
Démonstration : posons X = X η et X 0 = X η : |Xs − η|p ≤ 2p−1 |
Z
Z
s
σ u (Xu ) dBu |p + |
0
s
0
bu (Xu ) du|p .
En appliquant le lemme 15, nous avons donc :
Z t Z t p p ≤ C1 E |σ s (Xs )| ds + E |bs (Xs )| ds ,
E sup |Xs − η|
p
0
s≤t
0
et, en utilisant l'équation (3.109), il vient : E sup |Xs − η|p
Z
≤ C2
s≤t
E [|Xt |p ]
0
t
(3.124)
(1 + E [|Xs |p ]) ds,
= E [|η + Xt − η|p ] ≤ C3 (E [|η|p ] + E [|Xt − η|p ]) Z t ≤ C4 (1 + E [|η|p ]) + C5 E [|Xs |p ] ds, 0
d'où, en appliquant le lemme de Gronwall : E [|Xt |] ≤ C6 (1 + E [|η|p ]), que l'on reporte dans (3.124). La première inégalité (3.122) est ainsi démontrée. Pour (3.123), on utilise (a+ b + c)p ≤ 3p−1 (ap + bp + cp ). Soit 4b = b(s, Xs )− b(s, Xs0 ) et soit 4σ = σ(s, Xs ) − σ(s, Xs0 ). Alors, en appliquant le lemme 15 : E sup |Xs − s≤t
Xs0 |p
≤3
p−1
Z 0 p E [|η − η | ] + E sup | s≤t
0
s
4b ds|
p
Z +E sup |
0
s≤t
s
4σ dBs |
p
Z t Z t |4b|p ds + E |4σ|p ds , ≤ C1 E [|η − η 0 |p ] + E 0
≤ C2 E [|η − η 0 |p ] + C3
Z
0
t
E [|Xs − Xs0 |p ] ds, Z t 0 p 0 p E sup |Xu − Xu | ds. ≤ C2 E [|η − η | ] + C3 0
0
u≤s
Vu (3.123), f (t) = E sups≤t |Xs − Xs0 |p est nie et, en lui appliquant le lemme de Gronwall, on obtient : E sups≤t |Xs − Xs0 |p ≤ C ∗ E [η − η0 |p ] . La seconde
inégalité, (3.123), est ainsi démontrée.
Si l'on applique la proposition 34 à η = x et η0 = x0 , on obtient pour p ≥ 2 :
E
sup |Xsx s≤t
−
0 Xsx |p
≤ C(p, t)|x − x0 |p .
(3.125)
Le théorème de Kolmogorov (théorème 17) admet la généralisation suivante.
142
Mathématiques pour les systèmes dynamiques
Théorème 26 (de Kolmogorov généralisé). Soit (Ztx ,
t ≥ 0, x ∈ Rm ) une famille de v.a. continues en t pour tout x, vériant pour tous x, y ∈ Rm : x y q E sup |Zs − Zs | ≤ a(t, q)|x − y|m+ , q > 1, > 0. s≤t
Alors, il existe un processus Z(t, x) continu en (t, x) tel que, pour tout x, Z(t, x) = Ztx P-p.s. Ce théorème et (3.125) impliquent qu'il existe un processus Xt (x) continu en (t, x) et solution, pour tout x, de (3.106) avec η = x comme condition initiale. C'est cette solution que nous choisirons dorénavant. Proposition 35. Pour tout η ∈ L2 (F0 ), on a Xtη = Xt (η) P-p.s. pour tout t (on pourra se reporter à la page 137 pour la dénition précise de Xtη ). Démonstration : si η est étagée, ceci résulte directement du corollaire 3. Si η ∈ L2 (F0 ), on choisit η étagée telle que η n → η dans L2 et P-p.s. ; alors, d'après la proposition 34, Xtηn → Xtη dans L2 et, d'après la continuité en x, on a Xt (η n ) → Xt (η), donc Xtη = Xt (η) P-p.s. La continuité en t montre que cette égalité est vraie P-p.s. pour tout t.
3.11.4. Caractère markovien des solutions On sait que, pour s xé, (Bt+s − Bs , t ≥ 0) est encore un mouvement brownien issu de 0. On peut donc considérer, pour t ≥ s, la solution de l'équation diérentielle stochastique : Z Xt = η +
Z
t
b(u, Xu )du + s
t
σ(u, Xu )dBu .
(3.126)
s
Notons que si η = x, cette solution ne dépend que de σ(Bu − Bs , s < u ≤ t). Théorème 27. Pour s ≥ 0 et b, σ des fonctions vériant (3.108)-(3.109), il existe Xt (x, s) processus continu en (t, x) et σ(Bu − Bs , s < u ≤ t)-mesurable, tels que pour tout η ∈ L2 (F0 ), Yt = Xt (η, s) soit l'unique solution de : Z Yt = η +
Proposition 36.
Z
t
s
t
σ(u, Yu )dBu , t ≥ s.
b(u, Yu )du +
(3.127)
s
s ≤ t ≤ t + h ⇒ Xt+h (η, s) = Xt+h (Xt (η, s), t) P-p.s.
Cette proposition montre que, pour prédire Xt+h (η, s) connaissant Xu (η, s) pour u ≤ t, il sut de connaître Xt (η, s). Autrement dit, le processus aux instants postérieurs à t ne dépend du processus aux instants antérieurs à t que par la valeur du processus à l'instant t. Cette propriété remarquable est la propriété de Markov.
Probabilités et calcul stochastique
143
Démonstration : soit ξ u = Xu (η, s). On a, pour u ≥ t : Z
Z
u
ξu = η +
u
b(v, ξ v ) dv + s
Z
σ(v, ξ v ) dBv s Z t
Z u Z v b(v, ξ v ) dv + σ(v, ξ v ) dBv + b(v, ξ v ) dv + σ(v, ξ v ) dBv , s s t t Z u Z u = Xt (η, s) + b(v, ξ v ) dv + σ(v, ξ v ) dBv , t
=η+
t
t
et l'unicité des solutions implique que ξ u = Xu (Xt (η, s), t), u ≥ t.
3.11.5. Equations diérentielles stochastiques linéaires Nous étudions dans cette partie les EDS linéaires, dénies par : dXt = (F (t)Xt + f (t)) dt + G(t) dBt ,
X0 = η,
(3.128)
où t 7→ F (t) et t 7→ G(t) sont des fonctions continues à valeurs dans Rd×d , t 7→ f (t) est une fonction continue à valeurs dans Rd , Bt est un brownien d-dimensionnel et η est F 0 -mesurable. On vérie facilement que les hypothèses du théorème 25 sont satisfaites. Il y a donc existence et unicité de la solution. Intéressons-nous d'abord à la solution de l'équation déterministe matricielle associée, qui est linéaire non autonome4 : ˙ Φ(t) = F (t)Φ(t).
(3.129)
Pour toute condition initiale (t0 , Φ0 ), elle admet une solution unique non singulière Φ(t; t0 , Φ0 ) dénie sur tout intervalle [t0 , t0 + T ]. Les solutions de (3.129) sur [t0 , t0 + T ] forment un espace vectoriel. Dans le cas autonome F (t) = F , elles sont données par : Φ(t; t0 , Φ0 ) = Φ0 eF (t−t0 ) . Considérons maintenant la solution Φ(t) , bΦ(t; 0, Id ) de (3.129) pour la condition initiale t0 = 0 et Φ0 = Id . Cherchons une solution de (3.128) sous la forme Xt = Φ(t)Ct , où Ct est un processus d'Itô. On doit avoir : ˙ dXt = Φ(t)C t dt + Φ(t) dCt = F (t)Xt dt + f (t) dt + G(t) dBt . ˙ En identiant ces représentations et puisque Φ(t)C t = Ft Ct , nous obtenons : Φ(t) dCt = f (t) dt + G(t) dBt , dCt = Φ−1 (t)f (t) dt + Φ−1 (t)G(t) dBt , 4 Le lecteur se référera au chapitre 5 pour les notions relatives aux EDO déterministes et à leur stabilité.
144
Mathématiques pour les systèmes dynamiques
et, nalement : Z t Z t Xt = Φ(t) η + Φ−1 (s)f (s) ds + Φ−1 (s)G(s) dBs . 0
0
(3.130)
On vérie a posteriori, grâce à la formule d'Itô, que (3.130) satisfait (3.128). De même qu'en dimension 1, on dit qu'un processus (Xt , t ≥ 0) à valeurs dans Rd est gaussien si, pour tout 0 ≤ t1 ≤ t2 ≤ · · · ≤ tn , le vecteur (Xt1 , · · · , Xtn ) est gaussien. Ceci implique que, pour tout uk ∈ Rd : Yn =
n X
(3.131)
uTk Xtk ,
k=1
est une v.a. gaussienne. Posons alors : m(t) = E[Xt ],
K(s, t) = Γ(Xs , Xt ) = E[(Xs − m(s))(Xt − m(t))T ]. (3.132)
On a évidemment K(s, t) = K T (t, s) et la v.a. Y n vérie : E[Y n ] =
n X
uTk m(tk ), var(Y n ) =
k=1
E exp i
n X
!# uTk Xtk
uTj K(tj , tk )uk .
j,k=1
On a donc : "
m X
= E i
k=1
n X k=1
n X 1 uTk m(tk ) − uTj K(tj , tk )uk , 2 j,k=1
(3.133) ce qui montre que la loi du processus (Xt , t ≥ 0) est entièrement déterminée par la donnée de la moyenne t 7→ m(t) et de la fonction de covariance (s, t) 7→ K(s, t). Proposition 37. Si η suit une loi gaussienne, le processus Xt déni par (3.130) est gaussien. Démonstration : considérons l'espace H(B) (voir section 3.9). Les composantes R t −1 de Φ(t) 0 Φ (s)G(s) dBs sont dans H(B). De plus, elles sont indépendantes Rt de F0 . Comme η est F0 -mesurable gaussienne et Φ(t) 0 Φ−1 (s)f (s) ds est déterministe, ceci implique que Xt est un processus gaussien. On considère le processus Xt déni par (3.130). Calculons la moyenne m(t) et la fonction de covariance K(s, t), dénis par (3.134). On a :
Z
m(t) = Φ(t) m(0) +
t
Φ 0
−1
(s)f (s) ds ,
(3.134)
Probabilités et calcul stochastique
et si l'on pose V (t) = K(t, t), il vient :
Z
s
K(s, t) = Φ(s) V (0) +
Φ
−1
T
(u)G(u)G(u) Φ
0
Z tZ V (t) = Φ(t)V (0)Φ(t)T + Φ(t) 0
−T
145
(u) du Φ(u), s ≤ t,
(3.135) s
Φ−1 (u)G(u)G(u)T Φ−T (u) du Φ(t)T .
0
(3.136)
On en déduit facilement des systèmes d'équations diérentielles vériées par les fonctions t 7→ m(t), t 7→ V (t) et t 7→ K(s, t) : m(t) ˙ = F (t)m(t) + f (t), m(0) = E[η], ˙ V (t) = F (t)V (t) + V (t)F T (t) + G(t)GT (t),
(3.137) V (0) = E[ηη ], T
(3.138)
∂K (s, t) = K(s, t)F T (t), t > s, K(s, s) = V (s), K(s, t) = K T (t, s). (3.139) ∂t
Ces équations n'admettent en général pas de solution explicite. Si l'on suppose maintenant que l'équation linéaire est à coecients constants : F (t) ≡ F,
G(t) ≡ G,
f ≡ 0,
(3.140)
on a alors Φ(t) = etF et :
Z t Xt = etF η + e(t−s)F GdBs , 0 Z t V (t) = etF V (0) + e−sF GGT (e−sF )T ds et F, 0
V˙ (t) = F V (t) + V (t)F T + GGT , V (0) = E[ηη T ].
(3.141) (3.142) (3.143)
Supposons de plus que F est une matrice de Hurwitz : alors il existe M < ∞ et λ > 0 tels que |etF | ≤ M e−λt pour tout t > 0. On cherche à savoir sous quelle condition le processus Xt est stationnaire, c'est-à-dire que pour tout h > 0 et tout 0 ≤ t1 ≤ t2 ≤ · · · ≤ tn : (Xt1 +h , · · · , Xtn +h ) et (Xt1 , · · · , Xtn ) ont même loi.
On doit alors avoir V (t) = V (0) = V et V˙ (t) = 0 pour tout t. La condition (3.144) implique l'équation de Liapounov suivante : F V + V F T = −GGT ,
(3.144)
qui, dans ce cas, a une solution unique dénie positive (voir pages 214 ou 335). On conclut que la solution de condition initiale η qui a pour distribution Nd (0, V ) est stationnaire. Il est possible d'expliciter cette solution puisque R∞ T (3.142) montre que : V = 0 esF GGT esF ds. On a donc établi le théorème qui suit.
146
Mathématiques pour les systèmes dynamiques
Théorème 28 (de Langevin).
1. L'équation : dXt = F Xt dt + GdBt , X0 = η a pour solution : Z tF
Xt = e η +
0
t
e(t−s)F GdBs .
(3.145)
2. Si la matrice F est de Hurwitz et si η est RF0 -mesurable et distribuée suiT vant une loi gaussienne Nd (0, V ), où V = 0∞ esF GGT esF ds est l'unique solution de l'équation de Liapounov (3.144), alors le processus (Xt ) est gaussien centré de covariance K(s, t) = V e(t−s)F . Exemple 20 (Modèle de Vasicek). Considérons l'équation diérentielle : dXt = c[µ − Xt ]dt + σdBt .
où c, µ et σ sont des constantes positives. Cette équation est utilisée pour modéliser un processus qui uctue autour d'une moyenne µ. Lorsque Xt s'écarte de µ, le terme de dérive (µ − Xt )dt rappelle le processus Xt vers sa valeur moyenne. L'intensité de cette force de rappel est ajustée par la constante c. Le troisième paramètre σ mesure l'ordre de grandeur des uctuations autour de la moyenne µ. Ce processus est un cas particulier d'EDS linéaire homogène. La solution est donnée explicitement par (3.145) : Xt = ηe−ct + µ(1 − e−ct ) + σe−ct
Z 0
t
ecs dBs .
Si η est une variable gaussienne F0 -mesurable, alors Xt est un processus gaussien. Lorsque µ = 0, le processus Xt est appelé processus de OrnsteinUhlenbeck. On calcule aisément sa moyenne et sa variance : E[Xt ] = E[η 0 ]e−ct + µ(1 − e−ct ), var(Xt ) =
σ2 (1 − e−2ct ). 2c
Lorsque t → ∞, la v.a. Xt converge en loi vers une v.a. gaussienne N (µ, σ 2 /(2c)).
3.12. Bibliographie [BIL 95]
Billingsley P.,
[BIL 99]
Billingsley P.,
1995.
Probability and measure, 3e édition, John Wiley and Sons,
Convergence of probability measure, Wiley series in Probability and Statistics, 2e édition, 1999. [DUR 91] Durett R., Probability : theory and examples, Brookscole, 1991.
Probabilités et calcul stochastique [DUR 96]
147
Durret R., Pinsky M., Stochastic calculus : a practical introduction, Probability and Stochastic Series, CRC, 1996. [FEL 68] Feller W., An introduction to probability theory and its application, John Wiley & Sons, 1968. [HOR 91] Horn R., Johnson C., Topics in matrix analysis, Cambridge University Press, 1991. [KAR 97] Karatzas I., Shreve S., Brownian motion and stochastic calculus, Graduate texts in mathematics, Springer-Verlag, 2e édition, 1997. [OKS 98] Oksendal B., Stochastic dierential equations, Universitext, Springer, 1998. [RES 98] Resnick S., Probability path, Springer-Verlag, 1998. [REV 97] Revuz D., Probabilité, Herman, Paris, 1997. [REY 91] Revuz D., Yor M., Continuous martingales and Brownian motion, Springer, 1991. [RIC 01] Richard J.P. (Dir.), Algèbre et analyse pour l'automatique, Hermès, Traité IC2, 2001. [SCH 93] Schwartz L., Analyse - tome 4 : théorie de la mesure et applications, Hermann, 1993. [WIL 91] Williams D., Probability with martingales, Cambridge Mathematical Textbooks, 1991.
'(8;,Ê0( 3$57,(
6\VWqPHVG\QDPLTXHV
Chapitre 4
Outils de géométrie diérentielle Ce chapitre est consacré à l'étude des concepts et outils de base de la géométrie diérentielle, introduits en théorie de l'automatique non linéaire depuis les années 1970 (voir par exemple [ISI 89, NIJ 90]). La géométrie diérentielle repose sur l'étude des variétés diérentielles. Dans son principe, une variété diérentielle V de dimension n est un espace dans lequel chaque point peut être repéré par n réels au moyen d'un système de coordonnées locales, système qui n'est en général pas valable sur toute la variété.
4.1. Notion de variété diérentielle La surface de la terre est en bonne approximation une sphère S 2 , surface de l'espace R3 : S 2 = {(x, y, z) ∈ R3 tels que x2 + y 2 + z 2 = r2 }. On représente naturellement la terre par un ensemble de cartes qui dénissent un atlas géographique. Chaque carte peut alors être vue comme un homéomorphisme (c'est-à-dire une bijection bicontinue) d'une certaine région de la terre sur une partie de R2 . Nous pouvons généraliser ces notions : si V est un espace topologique de dimension n, on introduit les dénitions suivantes. Dénition 1 (Carte locale). On appelle carte locale sur V , tout homéomorphisme u déni par : u : U ⊂ V → Ω ∈ Rn , où U est un ouvert de V , appelé domaine de la carte locale. Les composantes ui de u constituent ce que l'on appelle un système de coordonnées locales, c'est-à-dire un moyen de lire dans les cartes. Cette carte locale est notée (U, u). Dénition 2 (Atlas). On appelle atlas sur V , toute famille (Ui , ui , Ωi )i∈I , telle que V = ∪i∈I Ui . L'atlas est de dimension n si les ui (Ui ∩ Uj ) sont des ouverts de Rn . Si Ui ∩ Uj 6= ∅, alors se pose le problème des changements de cartes et du recollement de celles-ci (voir gure 4.1). Dénition 3. Si Ui ∩ Uj 6= ∅, on appelle changements de cartes les homéomorphismes uji : ui (Ui ∩ Uj ) → uj (Ui ∩ Uj ), uji = uj ◦ (ui )−1 . Il est clair (voir sur la gure 4.1) que uij = (uji )−1 . Chapitre rédigé par Brigitte
.
d'Andréa-Novel
152
Mathématiques pour les systèmes dynamiques
U
j
U
i
V
u
u
j
i
u
Ω
ji
Ω
j
i
Figure 4.1. Atlas et changements de cartes. Ces changements de cartes sont des applications entre des ouverts de Rn : on peut donc parler de leur diérentielle. On dira qu'un atlas est de classe C r si les changements de cartes sont des diéomorphismes de classe C r . Dénition 4 (Variété diérentielle). Une variété diérentielle V de dimension n et de classe C r , notée V (n, r), est la donnée d'un atlas de dimension n et de classe C r . Exemple 1. Rn est trivialement une variété diérentielle de dimension n et de classe C ∞ . Il n'y a dans ce cas qu'une carte, qui est globale et donnée par les coordonnées habituelles de Rn .
N p
y
0
qN qS
1
x
S
Figure 4.2. Le cercle et les projections stéréographiques
Exemple 2. Le cercle unité S 1 d'équation
x2 + y 2 = 1 est une variété diérentielle de dimension 1 et de classe C . Soient N le pôle nord et S le pôle ∞
sud (voir la gure 4.2). On peut considérer comme cartes les deux projections
Géométrie Diérentielle
153
stéréographiques : PN dénie sur S 1 − {N } et PS sur S 1 − {S}, respectivement par PN (p) = qN et PS (p) = qS . L'intersection des domaines des deux cartes est S 1 − {N, S} et le changement de cartes est donné par : PS ◦ PN−1
:
R ? → R? , qN 7→ qS = q1N .
(4.1)
On peut généraliser cette construction à la sphère S n−1 : S n−1 = {(x1 , · · · , xn ) ∈ Rn tels que x21 + · · · + x2n = 1}.
Exemple 3. Le cylindre de révolution p dans R3 d'équation x2 + y 2 = 1 (gure
4.3) et le tore T 2 = S 1 × S 1 d'équation ( x2 + y 2 − r)2 + z 2 = ρ2 , ρ < r (gure 4.4) sont des variétés diérentielles de dimension 2 et de classe C ∞ . z
y x
Figure 4.3. Le cylindre de révolution dans R3 z y
x
Figure 4.4. Le tore dans R3 La notion de coordonnées locales permet de parler d'application diérentiable entre deux variétés, comme précisé dans la dénition suivante. Dénition 5. Soit V1 (n, k) et V2 (m, k) deux variétés de classe C k . Une application f : V1 → V2 . est de classe C r (r ≤ k) si, pour tout x dans V1 , il existe une carte locale (U1 , u1 ) telle que x ∈ U1 , une carte locale (U2 , u2 ) telle que f (x) ∈ U2 , ces deux cartes étant telles que u2 ◦ f ◦ (u1 )−1 soit de classe C r .
154
Mathématiques pour les systèmes dynamiques
Montrons que cette dénition est indépendante du choix des cartes. Soient deux autres cartes : en x, (Uˆ1 , uˆ1 ) et en f (x), (Uˆ2 , uˆ2 ). On a : u ˆ2 ◦ f ◦ (ˆ u1 )−1 = u ˆ2 ◦ (u2 )−1 ◦ u2 ◦ f ◦ (u1 )−1 ◦ u1 ◦ (ˆ u1 )−1 .
Or, u1 ◦ (ˆ u1 )−1 et u ˆ2 ◦ (u2 )−1 sont de classe C r , donc u ˆ2 ◦ f ◦ (ˆ u1 )−1 aussi.
4.2. Espace tangent Dans la suite de ce chapitre, nous supposerons que les variétés sont de classe
C ∞ . On notera Fx l'ensemble des fonctions numériques de classe C ∞ dénies sur un voisinage de x inclus dans V . On notera Cx l'ensemble des courbes paramétrées de classe C ∞ passant par x. On rappelle que σ ∈ Cx est une application C ∞ d'un intervalle I ⊂ R dans V , telle que σ(t0 ) = x, où t0 désigne
la variable initiale, en général le temps (et c'est ce qui sera considéré dans la suite). Soit alors une courbe paramétrée σ ∈ Cx , on introduit la notion de vecteur tangent comme suit. Dénition 6 (Vecteur tangent). On appelle vecteur tangent à la courbe paramétrée σ au point x, une application notée Xx : Xx : Fx → R telle que Xx f =
d (f ◦ σ)(t) |t0 . dt
(4.2)
Xx f est donc la dérivée de f dans la direction de la courbe σ en t = t0 . Proposition 1. Xx satisfait les propriétés suivantes :
i) Xx est une application linéaire de Fx dans R ; ii) Xx (f.g) = (Xx f ).g(x) + f (x).(Xx g), ∀ f, g ∈ Fx . La preuve est immédiate et résulte des propriétés de l'opérateur de dérivad tion dt . On peut montrer de manière tout aussi simple le théorème suivant. Théorème 1. L'ensemble des applications Xx de Fx dans R est un espace vectoriel pour les lois : i) (Xx + Yx )f = (Xx f ) + (Yx f ), ∀f ∈ Fx ; ii) (λXx )f = λ(Xx f ), ∀λ ∈ R. Remarque 1. Ceci justie l'emploi du terme de vecteur tangent. Explicitons à présent Xx f en coordonnées locales. Soit (U, u1 , u2 , · · · , un ) un système de coordonnées locales et x un point de U . Soit σ une courbe paramétrée de Cx et f un élément de Fx . On a le schéma de la gure 4.5. Plus précisément, on peut écrire : X ∂(f ◦ u−1 ) d d(ui ◦ σ) d (f ◦ σ)(t) = ((f ◦ u−1 ) ◦ (u ◦ σ))(t) = (t). (u ◦ σ(t)) dt dt ∂ui dt i=1 n
Géométrie Diérentielle1 Rn
u−1
-
¾
f
U
u
-
155
R
6 σ
I⊂R
Figure 4.5. Coordonnées locales omises par abus de notation On commet le plus souvent l'abus de notation suivant, consistant à oublier les cartes : ∂f ∂(f ◦ u−1 ) = , ∂ui ∂ui
σ j (t) = uj ◦ σ(t),
ce qui permet d'écrire : X ∂f dσ i d (f ◦ σ)(t) |t0 = (t0 ). (x) dt ∂ui dt i=1 n
Avec ces notations, soit σ ui la courbe de V dénie en termes de coordonnées locales par : i σ ui (t) = ui (x) + t, σ jui (t) = uj (x) si i 6= j.
Notons que les ui sont des éléments de Fx . On constate que vecteur tangent à σ ui au point x, pour tout i. En eet : X ∂f dσ kui ∂f d (f ◦ σ ui )(t) |t0 = (t0 ) = |x (x) = dt ∂uk dt ∂ui n
k=1
∂ ∂ui
∂ ∂ui
x
est un
f. x
De même, on a le théorème fondamental qui suit. Théorème 2. L'espace vectoriel des vecteurs tangents au point x à la variété V a pour base : ∂ ∂u1
, x
∂ ∂u2
,··· x
∂ ∂un
.
(4.3)
x
Démonstration : soit σ une courbe telle que σ(t0 ) = x et soit Xx un vecteur tangent au point x à σ. Alors : n n j j X X d ∂f dσ dσ ∂ f, )(t0 ) = ( )(t0 ) Xx f = (f ◦ σ)(t) |tO = ( )(x)( dt ∂u dt dt ∂u j j x j=1 j=1
156
Mathématiques pour les systèmes dynamiques
et, donc, la famille des P
Soit nj=1 αj dénie par :
∂ ∂uj
x
∂ ∂ui
x
, i = 1, · · · , n est génératrice.
une combinaison linéaire nulle et soit σ la courbe
σ j (t) = uj (x) + αj t , j = 1, · · · , n. P On montre facilement que le vecteur nj=1 αj ∂u∂ j est tangent à σ en x. On x
a alors :
n n X X ∂ui ∂ αj αj (x) = αi = 0 ∀i = 1, · · · , n. ui = ∂u ∂u j x j j=1 j=1
La famille des
∂ ∂ui
x
, i = 1, · · · , n est libre et constitue donc une base.
Nous sommes en mesure à présent de dénir l'espace tangent en x. Dénition 7 (Espace tangent). L'ensemble des vecteurs tangents en x à la variété diérentielle V , noté Tx V , se nomme l'espace tangent en x à V . Les P nombres αj sont appelés les composantes du vecteur nj=1 αj ∂u∂ j relativex ment au système de coordonnées locales (u1 , · · · , un ). Remarque 2. Tx V peut donc être vu comme l'espace des dérivations, c'est un espace vectoriel isomorphe à Rn . Dénition 8 (Fibré tangent). L'union disjointe des espaces tangents constitue ce que l'on appelle le bré tangent de V : T V = ∪x∈V Tx V.
(4.4)
On peut montrer que T V a une structure de variété diérentielle de classe C r−1 et de dimension 2n [SPI 79].
Remarque 3. On peut se faire une image simple du bré tangent. Considérons
un point de la sphère S 2 . Les vecteurs tangents à toutes les courbes paramétrées passant par x engendrent le plan R2 . En chaque point on reconstruit l'espace vectoriel R2 et la réunion disjointe de ces vectorialisés , ∪x∈V {x} × R2 , est le bré tangent de la sphère. Chaque {x} × R2 constitue une bre.
4.3. Champ de vecteurs et crochet de Lie Nous sommes en mesure à présent d'introduire la notion importante de champ de vecteurs sur une variété.
Géométrie Diérentielle
157
Dénition 9. Soit X une application
X : V → T V qui, à x ∈ V , associe un vecteur Xx de Tx V . Pour toute fonction f ∈ C ∞(V ), notons X.f : V → R la fonction qui à x ∈ V associe Xx f . On dira que X est un champ de vecteurs diérentiable, si pour tout f ∈ C ∞ (V ), X.f ∈ C ∞ (V ). L'ensemble Ξ(V ) des champs de vecteurs sur V possède une structure de C ∞ (V )-module [RIC 01] pour les lois dénies par : (X + Y )x = Xx + Yx ,
∀X, Y ∈ Ξ(V ),
∀X ∈ Ξ(V ) ∀f ∈ C ∞ (V ).
(f X)x = f (x)Xx ,
En termes de coordonnées locales (U, u1 , · · · , un ), on peut écrire : X=
n X
Xi
i=1
∂ ∂ui
(4.5)
,
où les Xi sont des fonctions dénies sur U et sont appelées les composantes de X relativement à (U, u1 , · · · , un ). X est de classe C r si ses composantes sont de classe C r .
Remarque 4. Cette formulation (4.5) du champ de vecteurs X à l'aide de ses composantes dans la base des dérivées directionnelles du premier ordre fait de X un opérateur de dérivation du premier ordre. Introduisons à présent un nouveau champ de vecteurs, obtenu par le crochet de Lie de deux champs de vecteurs. Proposition 2. Soient X et Y deux éléments de Ξ(V ). Il existe un unique champ de vecteurs Z tel que : ∀f ∈ C ∞ (V ), Zf = X(Y f ) − Y (Xf ).
(4.6) Dénition 10 (Crochet de Lie). Le champ de vecteurs Z déni par (4.6) est appelé crochet de Lie des champs de vecteurs X et Y . Il est noté [X, Y ]. En utilisant (4.5) et la proposition 2, on obtient aisément l'expression en coordonnées locales du crochet [X, Y ], comme l'indique la proposition suivante.
Proposition 3. Si X =
Pn
P
et Y = ni=1 Yi ∂u∂ i et si l'on note Z le crochet Z = [X, Y ], alors les composantes Zj de Z sont données par : i=1
Zj =
Xi
∂ ∂ui
n X ∂Yj k=1
∂Xj Xk − Yk . ∂uk ∂uk
(4.7)
On peut aussi montrer facilement les propriétés suivantes du crochet de Lie. Proposition 4. Soient X , Y et Z trois champs de vecteurs. Les égalités suivantes sont satisfaites :
158
Mathématiques pour les systèmes dynamiques
i) (antisymétrie du crochet de Lie) [X, X] = 0 et [X, Y ] = −[Y, X], ii) [X + Y, Z] = [X, Z] + [Y, Z], iii) (identité de Jacobi) [X, [Y, Z]] + [Y, [Z, X]] + [Z, [X, Y ]] = 0.
Remarque 5 (Algèbre de Lie). Ξ(V ) muni du crochet de Lie comme multiplication interne est une algèbre de Lie, c'est-à-dire une algèbre antisymétrique vériant l'identité de Jacobi. [X, Y ] est aussi appelé le commutant des deux champs de vecteurs X et Y . Dénition 11 (Crochet itéré). Les crochets de Lie itérés sont dénis et notés comme suit :
ad0X Y = Y, adiX Y = [X, adi−1 X Y ].
Introduisons à présent deux notions importantes, dérivées de celle de champ de vecteurs : la notion de ot et celle de courbe intégrale.
Dénition 12 (Flot). On appelle ot associé au champ de vecteurs X , l'ap-
plication :
ϕt
:
V → V, x 7→ ϕt (x) = Φ(t, x),
(4.8)
où Φ : R × V → V satisfait :
Φ(0, x) = x, ∂Φ ∂t (t, x) = X(Φ(t, x)).
Remarque 6. En fait, ϕt (x) = Φ(t, x) est le point de V atteint par le système au bout du temps t, en partant de x à l'instant initial t = 0. On a ainsi les relations :
ϕ0 = Id, ϕt+s = ϕt ◦ ϕs .
(4.9)
Dénition 13 (Courbe intégrale). Les courbes intégrales du champ de vecteurs X sur V sont les solutions de l'équation diérentielle : x˙ = X(x),
c'est-à-dire les applications ψ : I → R, où I ⊂ R est un intervalle non vide, telles que : dψ (t) = X(ψ(t)) dt
∀t ∈ I.
Géométrie Diérentielle
x
159
Xx vecteur tangent en x courbe integrale du champ de vecteurs X
Figure 4.6. Courbes intégrales et vecteurs tangents d'un champ sur le cylindre
4.4. Espace cotangent, 1-formes diérentielles et distributions Par dualité avec les notions d'espace tangent et de champ de vecteurs, on introduit à présent les notions d'espace cotangent et de 1-forme diérentielle. Dénition 14 (Espace, bré cotangent). On appelle espace cotangent en x à V l'espace noté Tx∗ V , dual de l'espace tangent en x à V , Tx V . On pose T ∗ V = ∪x∈V Tx∗ V , T ∗ V est le bré cotangent à la variété V . Dénition 15 (Covecteur, 1-forme). Un covecteur en x à V est un élément de l'espace cotangent Tx∗ V : c'est aussi la donnée d'une 1-forme diérentielle, ou forme diérentielle de degré 1. Pour toute fonction h sur V , la diérentielle de h en x, notée (dh)x est une 1-forme diérentielle dénie par : < (dh)x , Xx >= Xx h , avec Xx ∈ Tx V.
(4.10)
On introduit de même la base duale de l'espace tangent. Proposition 5. Les diérentielles (du1 )x , · · · , (dun )x forment une base de ∂ ∗ Tx V , la base duale de Tx V , c'est-à-dire la base duale de ∂u1 , · · · , ∂u∂ n . x
x
Démonstration : soit (U, u1 , · · · , un ) un système de coordonnées locales et un point x de U . On a : < (dui )x ,
∂ ∂uj
>=
x
∂ ∂uj
ui =
x
∂ui ∂uj
= δ ij , x
où δ ij désigne le symbole de Kronecker, ce qui termine la preuve. Par conséquent, toute 1-forme diérentielle s'écrit de manière unique sous la forme : n ω=
X
ω i (u1 , · · · , un )dui ,
(4.11)
i=1
où les ω i sont des fonctions dénies sur U et sont appelées les composantes de ω relativement au système de coordonnées locales.
160
Mathématiques pour les systèmes dynamiques
ω sera dite de classe C r si ses composantes sont de classe C r . Si h est une fonction C ∞ sur V, on a : ∂ ∂h (x). < (dh)x , >= (4.12) ∂ui x ∂ui
On retrouve donc la formule, bien connue, de la diérentielle exacte de h : dh =
n X ∂h dui . ∂ui i=1
(4.13)
Remarque 7. Pour plus de détails sur ces notions de formes diérentielles, on pourra consulter [CAR 82].
Dénition 16 (Dérivée de Lie). Soit X un élément de Ξ(V ), h un élément de F (V ). On appelle dérivée de Lie de h par rapport au champ X , la fonction notée LX h : V → R et dénie par : Proposition 6.
n X
∂h (x). (4.14) ∂ui i=1 Si ψ : I → V est une courbe intégrale de X et si h est une
x 7→ LX h(x) =< (dh)x , Xx >=
Xi (x)
fonction C 1 sur V on a :
LX h(ψ(t)) =
d h(ψ(t)). dt
(4.15)
La dérivation de Lie apparaît donc comme la dérivation le long des courbes intégrales du champ de vecteurs. Démonstration : dψ = dh(ψ(t)) X(ψ(t)) dt = < (dh)ψ(t) , Xψ(t) >= LX h(ψ(t)). Dénition 17 (Intégrale première). On dit que h est une intégrale première de X si LX h = 0, c'est-à-dire si h est constante le long des courbes intégrales de X . d (h ◦ ψ)(t) dt
=
d(h ◦ ψ)(t).1 = dh(ψ(t))
Introduisons à présent la notion de distribution de champs de vecteurs sur une variété diérentielle V de dimension n. Dénition 18 (Distribution). Un moyen simple de dénir une distribution ∆ de champs de vecteurs sur V , est de dire que ∆ est une application qui assigne de manière régulière à tout x de V un sous-espace ∆(x) de l'espace tangent Tx V , engendré par un ensemble ni de champs de vecteurs {τ i , i = 1, · · · , m}, ce que l'on note ∆(x) = span{τ i (x) , i = 1, · · · , m}. La dimension de ∆ au point x est la dimension dans Tx V du sous-espace vectoriel engendré par l'application ∆ prise au point x. La distribution ∆ sera dite non singulière sur un ouvert U de V si sa dimension est constante pour tout x dans U .
Géométrie Diérentielle
161
Dénition 19 (Involutivité). La distribution ∆ sera dite involutive si elle est stable par le crochet de Lie, c'est-à-dire si, pour tous champs de vecteurs X et Y dans ∆, le crochet [X, Y ] est encore un élément de ∆. Une autre propriété intéressante d'une distribution est celle d'intégrabilité. Dénition 20 (Intégrabilité). La distribution ∆ engendrée par les champs de vecteurs {τ i , i = 1, · · · , m} est intégrable, s'il existe n − m fonctions αj qui soient des intégrales premières des τ i , c'est-à-dire telles que : Lτ i αj (x) = 0,
i = 1, · · · , m et j = 1, · · · , n − m.
L'intégrabilité signie, entre autres, que le noyau de ∆ est engendré par les covecteurs de degré 1 ou 1-formes diérentielles : dαj , j = 1, · · · , n − m qui sont des diérentielles exactes (voir la dénition 16). Le théorème suivant relie les concepts d'involutivité et d'intégrabilité. On pourra consulter [ISI 89] pour une preuve. Théorème 3 (de Frobenius). Une distribution ∆ est intégrable si et seulement si elle est involutive.
4.5. Application à l'étude de la commandabilité Nous allons à présent illustrer l'utilisation de ces notions et, en particulier, celle du crochet de Lie pour l'étude de la commandabilité des systèmes dynamiques non linéaires commandés de la forme : x˙ = f (x) +
m X
gi (x)ui ,
(4.16)
i=1
où l'état x appartient à une variété V de dimension n, u de taille m ≤ n désigne le vecteur des commandes, f est le champ de vecteurs décrivant la dynamique autonome du système et gi , i = 1, · · · , m sont les champs de commande. Avant d'introduire le concept de commandabilité, nous allons considérer l'exemple suivant, qui met en évidence les diérentes directions dans lesquelles peut évoluer un système non linéaire. Exemple 4. Soit le système suivant, dans Rn : x˙ = g1 (x)u1 + g2 (x)u2 ,
(4.17)
où u1 et u2 sont deux commandes scalaires. Remarquons que le champ de la dynamique autonome (u1 = u2 ≡ 0) est nul. Appliquons au système (4.17) la
162
Mathématiques pour les systèmes dynamiques
suite de commandes en boucle ouverte suivante : u1
=
1, u2 = 0 pour t ∈ [0, T [,
u1 u1
= =
0, u2 = 1 pour t ∈ [T, 2T [, −1, u2 = 0 pour t ∈ [2T, 3T [,
u1
=
0, u2 = −1 pour t ∈ [3T, 4T [.
Si le système (4.17) était linéaire (c'est-à-dire si g1 et g2 étaient constants), on aurait clairement : x(4T ; x0 ) = x0 ,
autrement dit, l'état du système au temps 4T en partant de x0 à l'instant initial serait égal à x0 . Or, dans le cas de champs de commande non linéaires, un développement limité permet d'écrire (voir par exemple [NIJ 90]) : x(4T ; x0 ) = x0 + T 2 [g1 , g2 ](x0 ) + o(T 3 ), [g1 , g2 ](x0 ) désignant le crochet des champs de commande en x0 et o() étant la notation classique d'un terme négligeable devant : lim −1 o() = 0.
→0
Ce petit exemple met donc en évidence le fait qu'un système non linéaire peut évoluer selon les directions des champs de commande, mais aussi dans les directions données par les crochets de Lie de ces champs. On comprend donc que l' opérateur crochet de Lie joue un rôle important dans l'étude de la commandabilité des systèmes non linéaires. Donnons à présent les dénitions de commandabilité. Dénition 21 (Commandabilité locale). Le système (4.16) est localement commandable en x0 si, pour tout voisinage U de x0 , l'espace accessible AU (x0 ) est aussi un voisinage de x0 : AU (x0 ) = {y ∈ V / ∃ T ∈ R+ , ∃ u sur [0, T ] / y = ϕT (x0 ) et ϕt (x0 ) ∈ U , ∀ t ∈ [0, T ]}, P où ϕt désigne le ot du champ de vecteurs f + m i=1 gi ui .
Dénition 22 (Commandabilité faible). Le système (4.16) est localement faiblement commandable en x0 si, pour tout voisinage U de x0 , l'espace accessible AU (x0 ) contient un ouvert de V , ouvert qui ne contient pas nécessairement x0 . Remarque 8. Un système localement commandable est localement faiblement commandable mais la réciproque est fausse, comme le montrera l'exemple 5. Enonçons à présent le théorème suivant, qui donne un critère algébrique de commandabilité locale faible (voir [ISI 89, NIJ 90] pour une preuve).
Géométrie Diérentielle
163
Théorème 4. Dans le cas où les champs de vecteurs sont analytiques, le sys-
tème (4.16) est localement faiblement commandable en x0 si et seulement si le rang de l' idéal de Lie I(g1 , · · · , gm )(x0 ) engendré par les champs de commande est égal à n. I est vu comme idéal de l'algèbre de Lie A(f, g1 , · · · , gm )(x0 ) engendrée par le champ f de la dynamique autonome et les champs de commande gi , i = 1, · · · , m. Dans le cas de champs de vecteurs seulement C ∞ , cette condition de rang est susante mais pas nécessaire.
Remarque 9.
L'idéal de Lie I(g1 , · · · , gm )(x0 ) s'obtient en considérant les champs de commande, les crochets de ces champs avec le champ f , les crochets de tous ces champs obtenus entre eux, à nouveau recrochetés par f , etc. Le rang de I(x0 ) est inférieur ou égal à n puisque les éléments de I(x0 ) appartiennent à Tx0 V , espace vectoriel tangent à V en x0 , de dimension n. L'élément de l'algèbre de Lie A(f, g1 , · · · , gm )(x0 ) qui ne soit pas élément de I(x0 ) est précisément le champ f de la dynamique autonome du système.
Prouver qu'un système non linéaire ane en la commande de la forme (4.16) est localement faiblement commandable s'avère assez simple, puisque l'on est ramené à vérier un critère algébrique donné par le théorème 4. Par contre, tester la commandabilité locale au sens de la dénition 21 est plus complexe. Une condition susante existe par exemple dans [SUS 87]. Les conditions de commandabilité et commandabilité faible sont confondues pour les systèmes linéaires, mais aussi pour les systèmes non linéaires dont le champ f de la dynamique autonome est nul (comme dans le cas de (4.17)). Cela provient essentiellement du fait que ces systèmes sont symétriques par rapport ˙ −u) = −x(x, ˙ u). à la commande, c'est-à-dire x(x, Pour clore ce chapitre, nous allons considérer trois exemples. - Le premier illustre le fait qu'un système non linéaire peut être faiblement localement commandable sans être localement commandable (voir remarque 8). - Le second, pouvant décrire les équations en rotation d'un corps rigide, met en évidence qu'un système non linéaire peut être faiblement commandable alors que son linéarisé tangent (système approximé au premier ordre) n'est pas commandable et donc, en particulier, qu'il ne vérie pas le critère de Kalman de commandabilité des systèmes linéaires [AND 00]. - Enn, le troisième montre que le critère du rang de l'idéal de Lie donné par le théorème (4) appliqué à un système linéaire, n'est autre précisément que le critère de commandabilité de Kalman.
164
Mathématiques pour les systèmes dynamiques
Exemple 5. On considère, sur R2 , le système non linéaire suivant :
x˙ 1 x˙ 2
=
x22 0
+
0 1
(4.18)
u.
Si l'on applique le théorème 4, on vérie aisément que ce système est localement faiblement commandable en tout point x, l'idéal I(x) étant de rang 2, engendré par les champs de vecteurs :
g=
0 1
Notons pour l'exercice que [f, g] =
et [[f, g], g] =
−2x2 0
2 0
.
.
Par contre, (4.18) n'est pas commandable, puisque le sous-espace atteignable depuis l'état (x1,0 , x2,0 )T est le demi-plan {(x1 , x2 ) / x1 ≥ x1,0 }, qui ne constitue pas un voisinage de x0 . Exemple 6. On considère sur R3 les équations d'Euler d'un corps rigide en rotation, qui peuvent représenter de manière simpliée l'évolution d'un satellite : x˙ 1 a1 x2 x3 b1 x˙ 2 = a2 x1 x3 + b2 u, x˙ 3 a3 x1 x2 0
(4.19)
où u est une commande scalaire, les ai , i = 1, · · · , 3 et b1 , b2 sont des constantes non nulles qui dépendent des moments d'inertie principaux du corps rigide. On pourra supposer sans restriction : a1 b22 6= a2 b21 .
(4.20)
En appliquant une nouvelle fois le théorème 4 on vérie que (4.19) est localement faiblement commandable en tout point x, l'idéal I(x) étant de rang 3, engendré par les champs de vecteurs :
b1 0 2a1 a3 b1 b22 et [[f, g1 ], g] = 2a2 a3 b21 b2 , 0 g = b2 , g1 = [[f, g], g] = 0 0 2a3 b1 b2
qui constituent trois champs de vecteurs indépendants compte tenu de l'hypothèse (4.20). Par contre, le linéarisé tangent du système au point d'équilibre (x, u) = (0, 0) s'écrit :
0 0 x˙ = Ax + Bu , avec A = 0 0 0 0
0 b1 0 et B = b2 . 0 0
Géométrie Diérentielle
165
Ce système linéaire est clairement non commandable d'après le critère de Kalman, puisque le rang de la matrice de commandabilité [B; AB; A2 B] vaut 1. Exemple 7. Soit le système dynamique linéaire sur Rn en représentation d'état : x˙ = Ax + Bu, (4.21) où le vecteur de commande est de dimension m ≤ n. On notera Bi , i = 1, · · · , m les colonnes de la matrice B . Appliquons le théorème 4 à (4.21). Le champ f et les champs de commande gi s'écrivent ici : f = Ax , gi = Bi , i = 1, · · · , m.
On a clairement les égalités suivantes : [f, gi ] = [Ax, Bi ] = −ABi , [f, [f, gi ]] = [Ax, −ABi ] = A2 Bi , adnf Bi = (−1)n An Bi .
Or, d'après le théorème de Cayley-Hamilton, on sait que An est combinaison linéaire des Ai , i = 1, · · · , n − 1. Par conséquent, le système linéaire est commandable si et seulement si le rang de [B; AB; · · · ; An−1 B] est égal à n, ce qui constitue bien le critère de commandabilité de Kalman pour les systèmes linéaires.
4.6. Bibliographie [AND 00]
d'Andréa-Novel B., Cohen de Lara M., Cours d'automatique. Commande linéaire des systèmes dynamiques, Presses de l'École des Mines, 2000. [CAR 82] Cartan H., Cours de calcul diérentiel, Hermann Paris, Collection Méthodes, 1982. [ISI 89] Isidori A., Nonlinear control systems, Springer-Verlag, Second Edition, 1989. [NIJ 90] Nijmeijer H., Van der Schaft A.J., Nonlinear dynamical control systems, Springer-Verlag, 1990. [RIC 01] Richard J.P. (Dir.), Algèbre et analyse pour l'automatique, Hermès, Traité IC2, 2001. [SPI 79] Spivak M., A comprehensive introduction to dierential geometry, Second Edition, vol. 1, Publish or Perish, Inc. Houston, Texas, 1979. [SUS 87] Sussmann H.J., A general theorem on local controllability, SIAM Journal of Control and Optimization, vol. 25, n◦ 1, p. 158-194, janvier 1987.
Chapitre 5
Equations diérentielles ordinaires 5.1. Introduction Le calcul innitésimal (diérentiel) a tout naturellement conduit les scientiques à énoncer certaines lois de la physique en termes de relations entre, d'une part, des variables dépendantes d'une autre variable indépendante (en général le temps) et, d'autre part, leurs dérivées : il s'agit là d'équations diérentielles ordinaires (en abrégé, EDO ). L'un des précurseurs dans ce domaine fut Isaac Newton (1642-1727) qui, dans son mémoire de 1687 intitulé Philosophiae naturalis principiae mathematica (les lois mathématiques de la physique) écrit : Data aequatione quotcunque uentes quantitae involvente uxiones invenire et vice versa (en langage moderne, il parle d'équations diérentielles). Dès lors, de nombreux modèles de la physique ont étés énoncés par l'intermédiaire d'EDO (dont, au XVIIe siècle, les équations d'Euler-Lagrange pour les systèmes mécaniques). Nous donnerons tout d'abord quelques exemples issus de divers domaines des sciences pour l'ingénieur.
5.1.1. Biologie Une boîte de Petri contient des bactéries qui se développent sur un substrat nutritif. En notant x le nombre de bactéries, un modèle simplié, dit modèle logistique, est donné par : dx = ax(xmax − x), dt
(5.1)
où a est une constante strictement positive et xmax est le nombre maximal de bactéries pouvant survivre dans la boîte de dimension donnée. En eet, lorsqu'il y a peu de bactéries : x˙ ∼ ax (croissance exponentielle) et, lorsque x est proche de xmax , la croissance est fortement ralentie puisque x˙ ∼ 0. Un autre exemple célèbre, le modèle proie-prédateur de Volterra-Lotka, sera évoqué dans le paragraphe 5.4.1. Chapitre rédigé par Wilfrid Perruquetti.
168
Mathématiques pour les systèmes dynamiques
5.1.2. Chimie Les diérents bilans (de matière, thermodynamique) peuvent, sous leur forme simpliée, s'exprimer par des EDO. On considère par exemple une cuve alimentée en produits chimiques A et B de concentrations respectives cA et cB par l'intermédiaire de deux pompes de débits volumiques respectifs u1 et u2 . Dans cette cuve, un mélangeur homogénéise les deux produits, qui réagissent selon la réaction : k1
nA A + nB B nC C, k2
où nA , nB et nC sont les coecients stochiométriques de chacun des composants. Le mélange est sous-tiré par un orice de section s à la base de cette cuve de section S = 1 m2 . Le bilan de matière conduit, en utilisant la relation de Bernouilli, à :
p dh = u1 + u2 − 2sgh, dt où h est la hauteur du mélange dans la cuve et g, l'accélération de la pesanteur (9.81 ms−2 ). Les lois de la cinétique donnent la relation (sous l'hypothèse d'une S
cinétique de second ordre) :
vcin = −k1 cA cB + k2 c2C .
Ainsi, les conservations de chacun des composants donnent : p d(hcA ) = u1 cA0 − 2sghcA − nA vcin h, dt p d(hcB ) = u2 cB0 − 2sghcB − nB vcin h, dt p d(hcC ) = − 2sghcC + nC vcin h, dt = cA (entrant) et cB0 = cB (entrant) . En notant x = (h, hcA , hcB , hcC )T
avec cA0 le vecteur d'état, on obtient le modèle :
√ √ x˙ 1 = u1 + u2 − 2sg x1 , q (−k1 x2 x3 +k2 x24 ) 2sg , x˙ 2 = u1 cA0 − x1 x2 − nA x1 q (−k1 x2 x3 +k2 x24 ) 2sg , x˙ 3 = u2 cB0 − x1 x3 − nB x1 q 2 x˙ 4 = − 2sg x4 + nC (−k1 x2 x3 +k2 x4 ) . x1
(5.2)
x1
5.1.3. Electricité On considère un système électrique constitué d'une résistance R, d'une inductance L et d'une capacité C montées en triangle. On note respectivement
Equations diérentielles ordinaires
169
iX et vX le courant et la tension dans la branche comportant l'élément X . On suppose que les éléments L et C sont parfaitement linéaires et que l'élément résistif R obéit à la loi d'Ohm généralisée (vR = f (iR )). Les lois de Kircho permettent d'obtenir :
L didtL = vL = vC − f (iL ), C dvdtC = iC = −iL.
(5.3)
Si dans cette EDO, dite équation de Liénard, on considère le cas particulier où f (x) = (x3 − 2µx), on abouti à l'équation de Van der Pol.
5.1.4. Electronique
Figure 5.1. Montage PI avec amplicateurs opérationnels Le montage PI (proportionnel-plus-intégral) de la gure 5.1 a pour modèle, sous des hypothèses simplicatrices de linéarité : Ti
dus due = k(ue + Ti ), dt dt
Ti =
R4 R3 R1 C , R5 R2
k=
R6 . R4 R1 C
5.1.5. Electrotechnique Pour un moteur pas à pas ayant au rotor n dents de polarité Nord et autant de polarité Sud, les diérents bilans électromagnétiques (dans le repère dq , dit
170
Mathématiques pour les systèmes dynamiques
de Park) donnent : did = vd − Rid + nLq ωiq , dt diq = vq − Riq − nLd ωid − nmir ω, Lq dt Cem = n(Ld − Lq )id iq + nmir iq + Kd sin(nθ),
Ld
où m et ir sont l'inductance et le courant ctif du rotor, générant le ux (constant) mir dû à l'aimantation permanente ; id , iq , vd , vq sont les courants et tensions du stator [COR 99]. Le bilan mécanique s'écrit : dθ = ω, dt dω J = Cem − Ccharge . dt
5.1.6. Mécanique Si un système mécanique est constitué de n éléments reliés entre eux par des liaisons parfaites (sans frottement), on aura la position du système qui dépendra de n paramètres indépendants (coordonnées généralisées notées q1 , . . . , qn ). Pour écrire les équations d'Euler-Lagrange, il faut déterminer le lagrangien (différence entre l'énergie cinétique et l'énergie potentielle) : L = Ec − Ep ,
(5.4)
le travail élémentaire de chaque force interne et externe Di , ainsi que le travail des forces de frottement : −
∂D dqi , ∂ q˙i
donnant lieu à l'énergie dissipée D. On obtient alors le système d'équations d'Euler-Lagrange : ∂L ∂D d ∂L ( )− + = Di . dt ∂ q˙i ∂qi ∂ q˙i
(5.5)
Notons que l'énergie cinétique Ec = 12 q˙T M (q)q˙, où M (q) est une matrice n × n symétrique dénie positive (voir dénition 34), dépend des qi et de leurs dérivées q˙i , alors que l'energie potentielle Ep ne dépend que des qi . Pour un 2 pendule pesant d'angle θ avec la verticale, on a L = 12 ml2 θ˙ − mgl(1 − cos(θ)). Si l'on néglige les frottements, ceci conduit à : ¨θ = − g sin(θ). l
(5.6)
Equations diérentielles ordinaires
171
Si de plus on tient compte d'un frottement sec, on peut voir apparaître une discontinuité sur ¨θ (qui peut ne pas être dénie à vitesse nulle). Aussi, pour ce type de modèle, on est amené à préciser la notion de solution et à donner des conditions susantes d'existence et/ou d'unicité de solution : ceci sera l'objet de la section 5.3, qui développera plus particulièrement les EDO du premier ordre. Les EDO sous forme implicite seront abordées à la section 5.2. Au-delà des conditions d'existence, il est important pour l'automaticien de pouvoir caractériser les comportements asymptotiques de ces solutions (la section 5.4 concernera les points d'équilibre, attracteurs étranges, etc. ; la section 5.5 traitera du cas particulier des systèmes linéaires) et de disposer d'outils d'analyse permettant de les localiser et de caractériser l'évolution temporelle des solutions vers ces ensembles (sections 5.6, 5.7 et 5.8). Enn, de nombreux systèmes physiques font intervenir, dans la description de leurs dynamiques au moyen des EDO, des paramètres dont les variations peuvent conduire à des modications qualitatives des solutions (bifurcations et, parfois, catastrophes ) : ceci fera l'objet de la section 5.9.
5.2. Equations diérentielles ordinaires sous forme implicite 5.2.1. Dénitions Une EDO sous forme implicite est une relation : F
dk y dy t, y, , . . . , k = 0, dt dt
y ∈ Rm ,
(5.7)
où la fonction F est dénie sur un ouvert de R × Rm(k+1) à valeur dans Rm . L'ordre de l'EDO est l'entier k correspondant à la dérivée d'ordre le plus élevé apparaissant dans (5.7). Notons que (5.1), (5.2) et (5.6) sont des EDO d'ordres respectifs 1, 1 et 2. Le théorème de la fonction implicite garantit que ce système (5.7) de m équations peut se mettre (localement) sous forme explicite : dk−1 y dy dk y , . . . , , = G t, y, dtk dt dtk−1
à condition que :
(5.8)
det (JF ) 6= 0,
où JF est la matrice jacobienne de F c'est-à-dire la matrice constituée des i éléments aij = ∂F , (i, j) ∈ {1, . . . , m}2 . d k xj ∂
dtk
En particulier, soit F est une fonction de classe C 1 par rapport à chacune de ses variables, telle que F (t, x, z) = 0 admette p racines en la variable z .
172
Mathématiques pour les systèmes dynamiques
Si det( ∂F ∂z (t0 ,x0 ) ) 6= 0, alors il existera p solutions locales dites régulières, solutions de F (t, x, x) ˙ = 0, x(t0 ) = x0 . Par contre, si det( ∂F ∂z (t0 ,x0 ) ) = 0, alors on ne peut rien armer sans faire une étude approfondie et toute solution sera dite singulière. Par exemple y : t 7→ t2 /4, est une solution singulière . de l'équation y˙ 2 − ty˙ + y = 0 au voisinage de (y, y) = (0, 0). Par ailleurs, y : t 7→ sin(arcsinh(t)) est une solution régulière de (1 + t2 )y˙ 2 + (−1 + y 2 ) = 0 au voisinage de (0, 0).
5.2.2. Quelques équations particulières Equations de Lagrange et de Clairaut Une EDO de la forme :
x + tf
dx dt
+g
dx dt
(5.9)
= 0,
est dite de Lagrange. Lorsque f = Id, elle sera dite de Clairaut. De façon à résoudre ce type d'équations, on cherche une représentation paramétrée des solutions : pour cela, on pose dx dt = m et x = x(m), t = t(m), ce qui ramène la résolution de (5.9) à celle de : (m + f (m))
dt + f 0 (m)t = −g 0 (m), dm
qui est linéaire du premier ordre en t. Exemple 1. La résolution de l'équation x + 2tx˙ + x˙ 3 =√ 0 se ramène à celle de dt 3m dm + 2t = −3m2 , qui a pour solution t (m) =
paramétrées de la première équation sont donc : √ 1 x(m) = − m3 − 2 3 mC1 , 4
t (m) =
8
3 1 −3( m) +8C1 √ 2 8 ( 3 m)
. Les solutions
√ 8 1 −3 ( 3 m) + 8C1 . √ 2 8 ( 3 m)
Equation de Bernouilli Une EDO de la forme : dx + f (t)x + g(t)xr = 0, dt
(5.10)
est dite de Bernouilli. Les cas r = 0 ou r = 1 sont triviaux. Dans le cas général, on utilise le changement de variable y = x1−r , conduisant à la résolution de
Equations diérentielles ordinaires
173
l'EDO :
1 dy + f (t)y + g(t) = 0, 1 − r dt qui est linéaire du premier ordre en y . 4 Exemple 2. La résolution de l'équation dx dt + sin(t)x + sin(t)x = 0, en posant 1 dy −3 y = x , se ramène à celle de − 3 dt + sin(t)y + sin(t) = 0, qui admet pour solution y (t) = −e3 cos t + C1 e−3 cos t .
Equation de Riccati Certaines équations ne sont pas intégrables (c'est-à-dire que l'on ne peut exprimer les solutions de façon explicite avec des fonctions de l'analyse). Par exemple l'équation de Riccati : dx + f (t)x + g(t)x2 + h(t) = 0, dt n'est pas intégrable si f, g, h (fonctions continues) ne satisfont pas certaines
relations particulières.
5.3. Equations diérentielles du premier ordre Notons que, lorsque la variable y de l'équation implicite (5.7) appartient à un ensemble plus général qu'un produit cartésien d'ouvert de R, alors en
k−1
d y posant x = y, dy dt , . . . , dtk−1 la forme :
T
, l'équation explicite (5.8) peut se mettre sous
dx = f (t, x), t ∈ I, x ∈ X . (5.11) dt Dans cette équation : t ∈ I ⊂ R représente la variable temporelle, X est l'espace
d'état 1 . En pratique, l'espace d'état peut être borné : il reète les caractéristiques physiques du système (bornitude des performances). De façon générale, l'espace d'état est une variété diérentiable. Lorsque le vecteur x s'exprime à l'aide d'une variable et de ses dérivées successives, X est aussi appelé espace de phase. Cependant, certains auteurs ([ARN 88] p. 11) emploient indiéremment les deux dénominations. Le vecteur x ∈ X correspondant est le vecteur d'état de (5.11) (ou de phase par abus de langage). En pratique, il est construit à partir des variables dont l'évolution régit celle du processus physique. x(t) est l'état instantané à l'instant t. f : I × X → T X (espace tangent ), (t, x) 7→ f (t, x), représente le champ de vecteurs. An de simplier la suite de l'exposé, on se placera dans le cas où I × X est un ouvert de Rn+1 et T X est Rn . 1
Vocabulaire de l'automatique.
174
Mathématiques pour les systèmes dynamiques
5.3.1. Notion de solution Lorsqu'on parle de solution, il faut préciser le problème associé : ici, pour les EDO, il existe le problème aux conditions limites ou frontières2 et le problème aux conditions initiales, (dit de Cauchy, en abrégé PC) :
(PC) :
existe-t-il une fonction φ : I ⊂ R → X ⊂ Rn , t 7→ φ(t), satisfaisant (5.11) avec la condition initiale suivante : φ(t0 ) = x0 ?
On cherche une fonction du temps φ : t 7→ φ(t), qui soit susamment régulière et dont la dérivée soit égale à presque tout instant3 à la valeur du champ à cet instant et en ce point x = φ(t). Si f (u, φ(u)) est mesurable4 , alors on peut exprimer φ(t) sous la forme : Z
t
φ(t) = φ(t0 ) +
f (v, φ(v))dv,
(5.13)
t0
l'intégration étant prise au sens de Lebesgue [RIC 01] et ce, même si t 7→ f (t, .) n'est pas continue en t (cas intéressant en automatique, car pour x˙ = g(t, x, u) un retour u = u(t) discontinu peut être envisagé). Ainsi, on cherchera des fonctions au moins absolument continues5 par rapport au temps.
Solutions, portrait de phase
Dénition 1. On appelle solution de (5.11) passant par x0 à t0 , toute fonction
φ absolument continue dénie sur un intervalle non vide I(t0 , x0 ) ⊂ I ⊂ R contenant t0 : φ : I(t0 , x0 ) ⊂ I ⊂ R → X ⊂ Rn , t 7→ φ(t; t0 , x0 ),
notée plus simplement φ(t), satisfaisant (5.13) pour tout t ∈ I(t0 , x0 ) (ou, de façon équivalente : φ˙ = f (t, φ(t)) presque partout sur I(t0 , x0 )) et telle que φ(t0 ) = x0 . 2 Enoncé similaire au problème de Cauchy, mais pour lequel la condition initiale est remplacée par la donnée de n valeurs φσ(i) (ti ) aux instants ti donnés, i ∈ N = {1, . . . , n}, σ : N → N. 3 C'est-à-dire pour tous les temps t ∈ T \ M, M étant un ensemble de mesure nulle, avec la notation ensembliste T \ M = {x ∈ T : x ∈ / M}. 4 Cette condition est vériée si, pour x xé, t 7→ f (t, x) est mesurable et pour t xé, x 7→ f (t, x) est continue [RIC 01]. 5 φ : [α, β] 7→ Rn est absolument continue si ∀εP > 0, ∃δ(ε) > 0 : P
n ∀ {]αi , β i [}i∈{1..n} , ]αi , β i [⊂ [α, β], n i=1 (β i − αi ) ≤ δ(ε) ⇒ i=1 kφ(β i ) − φ(αi )k ≤ ε. φ est absolument continue si et seulement s'il existe une fonction (Lebesgue intégrable) qui soit presque partout égale à la dérivée de φ.
Equations diérentielles ordinaires
175
Exemple 3. En séparant ses variables, l'équation du modèle logistique (5.1) devient :
dx ax(xmax − x)
= dt,
qui permet de construire la solution au PC (5.1), x(0) = x0 : φ : R → R, t 7→ φ(t; 0, x0 ) =
x0 xmax . x0 + e−axmax t (xmax − x0 )
(5.14)
Dénition 2. La solution de (5.11) peut être représentée dans deux espaces : soit dans l'espace d'état étendu I × X ou espace du mouvement, dans ce cas, on parle de mouvement ou de trajectoire, soit dans l'espace d'état X , dans ce cas, on parle d' orbite. On appelle portrait de phase l'ensemble de toutes les orbites munies de leurs sens de parcours temporel. Bien souvent, par commodité on ne représente que les ensembles de points d'accumulation vers lesquels les orbites convergent pour des temps très grands (positifs ou négatifs). Par exemple, pour le système : dx = dt
1 − x21 − x22 1
−1 1 − x21 − x22
x,
t ∈ R, x ∈ R2 ,
(5.15)
les éléments importants du portrait de phase sont l'origine et le cercle unité C1 : si la condition initiale est diérente de l'origine, les orbites convergent vers C1 ; sinon, l'état reste gé à l'origine (voir gure 5.2).
Figure 5.2. Cercle unité : simulation de (5.15)
176
Mathématiques pour les systèmes dynamiques
Existence Le problème de Cauchy (PC) n'a pas forcément de solution et, parfois, peut en avoir plusieurs. En eet, le système : 1 dx = |x| 2 , dt x(0) = 0,
x ∈ R,
(5.16)
admet une innité de solutions dénies par : ε ∈ R+ ,
φε : R → R, 0 (t−t0 −ε)2 t 7→ φε (t) = 4 2 − (t−t04+ε)
si si si
t0 − ε ≤ t ≤ t0 + ε, t0 + ε ≤ t, t ≤ t0 − ε.
(5.17)
Figure 5.3. Innité de solutions au PC (5.16) Ainsi, il se pose le problème de donner des conditions assurant l'existence d'une ou de plusieurs solutions au problème de Cauchy. Selon la régularité de la fonction f on distingue les cinq cas A, B, C, D, E qui suivent.
Cas A) Si la fonction f est continue en x et éventuellement discontinue en t (mais mesurable), alors il y a existence de solutions absolument continues. Théorème 1 (de Carathéodory, 1918). [FIL 88] Supposons que : A1) f soit dénie pour presque tout t sur un tonneau : T = {(t, x) ∈ I × X : |t − t0 | ≤ a, kx − x0 k ≤ b} ,
(5.18)
Equations diérentielles ordinaires
177
A2) f soit mesurable en t pour tout x xé, continue en x pour t xé et telle que, sur T , on ait kf (t, x)k ≤ m(t), où m est une fonction positive Lebesgueintégrable sur |t − t0 | ≤ a. Alors, il existe au moins une solution (absolument continue) au problème de Cauchy dénie sur au moins un intervalle [t0 − α, t0 + α], α ≤ a. On peut même montrer l'existence de deux solutions, l'une dite supérieure et l'autre, inférieure, telles que tout autre solution soit comprise entre ces deux solutions [FIL 88, LAK 69].
Cas B) Si la fonction f est continue en (t, x), alors il y a existence de solutions de classe C 1 .
Théorème 2 (de Peano, v.1886). [COD 55] Supposons que : B1) f soit dénie pour tout t sur un tonneau T déni par (5.18), B2) f soit continue sur T déni par (5.18). Alors il existe au moins une solution au problème de Cauchy de classe C 1 dénie sur au moins un intervalle [t0 − α, t0 + α], α = min(a, maxT kfb (t,x)k ).
Figure 5.4. Approximation d'Euler La preuve est basée sur les approximations d'Euler. Ce sont les lignes polygonales (voir la gure 5.4) dénies par : φ0 = x0 , φ (t) = φn (ti−1 ) + f (ti−1 , φn (ti−1 ))(t − ti−1 ), ti−1 < t ≤ ti , n ti = t0 + ni α, i = {0, . . . , n},
dont on montre qu'elles constituent une famille équicontinue de fonctions dénies sur [t0 − α, t0 + α], convergente, dont on peut extraire une sous-suite φ0n uniformément convergente vers une fonction continue φ (lemme d'Ascoli-Arzela
178
Mathématiques pour les systèmes dynamiques
[RIC 01]) qui vérie : φ(t) = lim φ0n (t) = x0 + n→+∞
Z
t
lim f (v, φ0n (v))dv
t0 n→+∞
Z
t
+ lim
n→+∞
t0
dφ0n (v) − f (v, φ0n (v))dv. dt
φ est donc solution de (5.13) puisque limn→+∞
dφ0n dt (v)
− f (v, φ0n (v)) = 0.
Prolongement de solution, unicité, solution globale p Evidement, pour l'exemple (5.16), il y a existence de solution (f : x 7→ |x| est continue) mais pas unicité. Pour garantir l'unicité, il faut donc que la fonction f soit plus que continue : par exemple il sut qu'elle soit localement lipschitzienne en la seconde variable x, comme suit.
Dénition 3.
f est dite localement lipschitzienne sur X si : ∀x0 ∈ X ,
∃δ > 0 et k(t) intégrable :
∀(x, y) ∈ Bδ (x0 ) ⇒ kf (t, x) − f (t, y)k ≤ k(t) kx − yk . f est dite globalement lipschitzienne sur X si : ∃k(t) intégrable : ∀(x, y) ∈ X 2 , kf (t, x) − f (t, y)k ≤ k(t) kx − yk .
Ces propriétés sont dites uniformes si k ne dépend pas de t. Proposition 1. Toute fonction C 1 (I × X ) dont la norme de la jacobienne est bornée par une fonction intégrable, est localement lipschitzienne. De plus, si X est compact (fermé, borné), elle est globalement lipschitzienne. Sous l'hypothèse f localement lipschitzienne en x, il se peut qu'une solution φ dénie sur I1 puisse être prolongée sur un intervalle I2 ⊃ I1 , dénissant ainsi e dénie sur I2 ⊃ I1 et telle que φ e | I1 = φ. Aussi, an de ne pas une fonction φ alourdir les notations, I(t0 , x0 ) =]α(t0 , x0 ), ω(t0 , x0 )[ désignera par la suite le plus grand intervalle sur lequel on peut dénir une solution passant à t0 par x0 et qui ne puisse être prolongée : la solution sera dite maximale.
Cas C) Si la fonction f est localement lipschitzienne en x et éventuellement discontinue en t (mais mesurable), alors il y a existence et unicité de solution (maximale) absolument continue. Théorème 3. Si, dans le théorème 1, l'hypothèse de continuité dans A2) est remplacée par f localement lipschitzienne sur kx − x0 k ≤ b , alors il existe
Equations diérentielles ordinaires
179
une unique solution (absolument continue) au problème de Cauchy dénie sur I(t0 , x0 ) ⊃ {t ∈ I : |t − t0 | ≤ α}.
De même, si f est continue en (t, x) et localement lipschitzienne en x, alors il existe une unique solution au problème de Cauchy de classe C 1 . Les preuves de ces résultats sont basées sur les approximations de PicardLindelöf : φ0 = x0 , Rt φn+1 (t) = x0 + t0 f (v, φn (v))dv, b t ∈ [t0 − α, t0 + α], α = min(a, maxT kf (t,x)k ),
dont on montre qu'elles convergent uniformément vers une solution. L'unicité de la solution se démontre ensuite par contradiction.
Cas D) Si la fonction
f est bornée en norme par une fonction ane, c'està-dire que ∀(t, x) ∈ (I × X ) : kf (t, x)k ≤ c1 kxk + c2 (éventuellement presque partout), alors en utilisant le lemme de Gronwall [RIC 01], on peut conclure que toute solution au PC est dénie sur I .
Cas E) Si le système possède une propriété de dissipativité et si
f est localement lipschitzienne, alors le PC admet une solution maximale unique dénie pour tout t ≥ t0 (I = R, X = Rn ).
La propriété de dissipativité peut être exprimée sous la forme : il existe
α ≥ 0, β ≥ 0, v ∈ Rn tels que pour tout t ∈ R et tout x ∈ Rn : < x − v, f (t, x) >≤ α − β kxk2 ou bien, à l'aide de fonctions de Liapounov6 (voir paragraphe 5.7.2), sous la forme il existe V et W : Rn 7→ R+ continues, dénies positives sur un compact A (c'est-à-dire : V (x) = 0 ⇔ x ∈ A), telles que pour tout t ∈ R et tout x ∈ Rn \A 7 : < ∂V ∂x , f (t, x) >≤ −W (x).
Dépendance des conditions initiales
Théorème 4. Sous les hypothèses du théorème 3, la solution au problème de
Cauchy t 7→ φ(t; t0 , x0 ) dénie sur I(t0 , x0 ) est continue par rapport à chacun de ses arguments. En particulier, si t est susamment proche de t0 , alors φ(t; t0 , x0 ) est proche de x0 . Cette proximité peut être étudiée pour des instants très grands : c'est la question de la stabilité (voir paragraphe 5.4.2). 6 Alexander Mikhaïlovich Liapounov, mathématicien et physicien russe. Après des études à l'université de Saint-Pétersbourg (où il est élève de P.L. Tchebychev), il est assistant puis professeur à l'université de Kharkov. En 1902, il est nommé professeur à l'université de SaintPétersbourg. 7 On notera A\B la diérence ensembliste de A et B : A\B = {x ∈ A : x ∈ / B}.
180
Mathématiques pour les systèmes dynamiques
5.3.2. Classication Dénition 4. L'équation (5.11) est dite autonome si la variable temporelle n'apparaît pas explicitement dans l'EDO : dx = g(x), dt
t ∈ I,
x ∈ X.
Dans le cas contraire, elle est dite non autonome. Si l'on connaît les solutions d'une EDO autonome passant à un instant t donné par un point x donné, alors on obtient toutes les solutions passant par ce même point à d'autres instants par simple translation temporelle des premières. Donc, une EDO autonome ne peut servir qu'à modéliser des phénomènes physiques indépendants du temps initial (chute d'un corps, etc.). Notons au passage que la longueur de I(t0 , x0 ) ne dépend pas de l'instant initial. Dénition 5. On dit qu'un champ de vecteurs non linéaire non autonome f (t, x) est T −périodique s'il existe un réel T > 0 tel que pour tout t et pour tout x : f (t + T, x) = f (t, x). Dans ce cas, si l'on connaît les solutions pour un intervalle de longueur T , on aura toutes les autres par translation temporelle. Cas linéaire autonome Lorsque (5.11) est de la forme : dx = Ax + b, dt
on dit qu'il s'agit d'une EDO linéaire autonome. Il existe alors une solution unique au PC (puisque Ax + b est globalement uniformément lipschitzienne) de la forme : Z x(t) = eA(t−t0 ) x0 + eAt
P
t
e−Av dv b,
t0
ou encore x(t) = ri=1 eλi t pi (t) + c, avec λi les valeurs propres de A et pi (t) des vecteurs de polynômes de degrés plus petits que l'ordre de multiplicité de la valeur propre correspondante λi . La section 5.5 donne des résultats plus précis lorsque b = 0. Ce type de modèle caractérise des phénomènes pour lesquels : 1. l'instant initial n'a pas d'inuence sur l'évolution temporelle du vecteur état (EDO autonome) ;
Equations diérentielles ordinaires
181
2. si b = 0 (respectivement, b 6= 0), alors une combinaison linéaire (respectivement, convexe) d'évolutions est encore une évolution possible : ceci traduit la linéarité du système. Pour de tels systèmes, on peut noter que, au bout d'un temps inni, les diérentes variables dénissant le vecteur x : 1. soit convergent vers un vecteur (le vecteur x évoluant vers un vecteur xe dit point d'équilibre ), 2. soit divergent (la norme de x devient inniment grande), 3. soit ont un comportement oscillatoire : lorsqu'on observe leurs évolutions les unes en fonction des autres, elles évoluent sur une courbe fermée (comme le cercle) : c'est ce qu'on appelle un cycle fermé (exemples : cycle économique, population cyclique, masse attachée à un ressort, etc.). Enn, si A et b dépendent du temps, le système est dit linéaire non autonome (ou non stationnaire ) : en plus des comportements précités on retrouve la dépendance des solutions à l'instant initial . Notons que lorsque A(t) est une fonction T −périodique continue sur R, on peut étudier formellement les solutions grace à la théorie de Floquet [HAH 67] : il existe alors une transformation bijective P (t) T −périodique et continue, z(t) = P (t)x(t), telle que z˙ = M z + c(t), avec M une matrice constante vériant M = P˙ (t) + P (t)A(t)P (t)−1 et c(t) = P (t)b(t).
Cas non linéaire autonome Lorsque (5.11) est de la forme : dx = g(x), dt
(5.19)
on dit qu'il s'agit d'une EDO non linéaire autonome. On ne peut lui donner de solution explicite, sauf dans des cas très particuliers. Outre les comportements précités dans le cas linéaire autonome, on peut mentionner : 1. cycles limites : il s'agit de courbes fermées de X vers ou à partir desquelles les trajectoires du système se dirigent ; 2. phénomène de chaos : ces comportements, régis par des EDO (déterministes), sont en apparence aléatoires. Une des caractéristiques est la sensibilité aux conditions initiales : deux conditions initiales très proches donneront naissance à deux évolutions complètement diérentes (voir section 5.9) ;
182
Mathématiques pour les systèmes dynamiques
3. attracteur étrange : il s'agit en général d'un ensemble de dimension non entière, ce qui traduit une certaine rugosité de l'objet. Par exemple, une surface est de dimension 2, un volume est de dimension 3, alors qu'un ocon de neige ayant une innité de ramications est de dimension non entière comprise entre 2 et 3. Lorsque les trajectoires se dirigent vers (respectivement s'éloignent de) cet ensemble, il est dit attracteur (respectivement répulseur) étrange . Souvent la présence d'attracteurs ou répulseurs étranges est un signe du chaos, cependant dans certains cas le phénomène chaotique n'est que transitoire et disparaît au bout d'un temps susamment long (voir paragraphe 5.9.3).
5.3.3. Notion de ot Dans cette partie, on suppose l'existence et l'unicité de la solution (maximale) au PC associé à (5.19), que l'on notera φ(t; t0 , x0 ). Si le champ est complet, c'est-à-dire I(x0 ) = R, et si l'on connaît une solution pour un couple (t0 , x0 ), alors on aura toutes les autres (pour x0 xé) par translation temporelle. Considérons l'application qui, à toute condition initiale, associe sa solution maximale à l'instant t : Φtg : X → X , x0 7→ φ(t; 0, x0 ).
Dénition 6. Si le champ de vecteurs g de l'EDO (5.19) permet de générer une solution maximale unique pour tout (t0 , x0 ) de R × X , dénie sur I(x0 ) = R (respectivement sur [α, ∞[, sur [α, ω] avec α et ω nis), alors l'application génératrice Φtg est appelée un ot (respectivement un semi-ot, un ot local). D'après les hypothèses, Φtg est bijective, donc on a au moins un ot local. La justication du choix de la notation Φtg devient évidente lorsqu'on calcule le ot d'une EDO linéaire autonome homogène : x˙ = Ax, Φtg = eAt . Dans le cas où g est de classe C k (respectivement C ∞ , analytique), le ot associé Φtg est un diéomorphisme local de classe C k (respectivement C ∞ , analytique) pour tout instant t où il est déni. En particulier, si le ot Φtg est déni pour tout t ∈ R, alors il dénit un groupe à un paramètre de diéomorphismes locaux de classe C k (respectivement C ∞ , analytique) (voir [ARN 88] p. 55 à 63) : Φtg : x0 7→ Φtg (x0 ) est de classe C ∞ , Φtg
◦
Φsg Φ0g
=
Φt+s g ,
= Id.
(5.20) (5.21) (5.22)
Equations diérentielles ordinaires
183
On en déduit, ∀t ∈ R, ∀x0 ∈ X : Φtg (x0 ) = Φ−t −g (x0 ), ◦ Φ−t g t −1 (Φg )
Φtg
= =
Φt−t = Id, g −t Φg = Φt−g .
(5.23) (5.24) (5.25)
La dualité caractérisée par (5.25) est importante puisque, si l'on connaît le portrait de phase du système dynamique (5.19) pour les temps positifs, son dual pour les temps négatifs s'obtient tout simplement en renversant le sens de parcours des orbites : cette propriété est utilisée dans la méthode du renversement des trajectoires (en anglais, trajectory reversing method ) permettant, en dimension deux (et parfois trois), de déterminer précisément la plupart des portraits de phase en alliant l'étude qualitative du champ de vecteurs non linéaire à des simulations (pour plus de détails, voir [CHI 88, CHI 89, GEN 84, GEN 85, PER 94]). Le crochet de Lie (ou commutateur, voir chapitre 4) déni par :
[g1 , g2 ] =
∂g1 ∂g2 g1 − g2 , ∂x ∂x
permet de calculer la condition de commutativité de deux ots Φtg1 et Φsg2 . Théorème 5. Soient g1 et g2 des champs de vecteurs C ∞ complets, dénis sur X (par exemple Rn ). Alors : ∀t, ∀s,
Φtg1 ◦ Φsg2 = Φsg2 ◦ Φtg1 ⇔ [g1 , g2 ] = 0.
Démonstration : soient x0 ∈ Rn et t, s > 0 donnés. Pour un champ de vecteurs analytique X , on a ΦtX (y) = y + tX(y) + R(t, y), où R(t, y) représente un reste s'annulant pour t → 0. On obtient donc : ∂g1 g2 (x0 ) + R1 (t, s, x0 ), ∂x ∂g2 g1 (x0 ) + R2 (t, s, x0 ), ◦ Φtg1 (x0 ) = x0 + (sg2 (x0 ) + tg1 (x0 )) + st ∂x
Φtg1 ◦ Φsg2 (x0 ) = x0 + (sg2 (x0 ) + tg1 (x0 )) + st Φsg2
et donc : Φtg1 ◦ Φsg2 (x0 ) − Φsg2 ◦ Φtg1 (x0 ) = st[g2 , g1 ](x0 ) + R3 (t, s, x0 ).
Prenons t = s, alors l'implication est immédiate. Pour la réciproque, [g1 , g2 ] = Φ−t ◦Φs ◦Φt (x0 )−Φsg1 (x0 ) 0 ⇒ ∀x0 ∈ Rn : limt→0 ( g2 g1 g2t ) = 0. Soit la trajectoire x(t) = s t s t s Φ−t ˙ = 0, donc Φ−t g2 ◦ Φg1 ◦ Φg2 (x0 ), alors x(t) g2 ◦ Φg1 ◦ Φg2 = Φg1 . En automatique, la non-commutativité des champs a une application très importante puisqu'elle permet de caractériser l'atteignabilité (version locale de la commandabilité) d'un système commandé du type x˙ = g1 (x) + g2 (x)u (voir chapitre 4 et [ISI 89]).
184
Mathématiques pour les systèmes dynamiques
5.3.4. Comparaison de solutions, inégalités diérentielles Dans cette partie, les inégalités vectorielles seront à comprendre composante à composante et D est un opérateur de dérivation (dit de Dini ) : Dx(t) = (Dx1 (t), . . . , Dxn (t)), où les dérivées Dxi (t) sont toutes dénies par l'une des quatre limites suivantes : D+ xi (t) = lim inf θ→0+
xi (t + θ) − xi (t) xi (t + θ) − xi (t) , D+ xi (t) = lim sup , θ θ θ→0+
D− xi (t) et D− xi (t) dénies de façon similaire pour les limites par valeurs inférieures (θ → 0− ).
Soit S ⊂ I un ensemble de mesure nulle. On considère les relations diérentielles suivantes : Dx(t) ≤ f (t, x), dz = f (t, z), dt
t ∈ I\S, x ∈ X ,
(5.26)
t ∈ I\S, z ∈ X .
(5.27)
On se pose le problème de savoir sous quelles conditions les solutions de (5.27) majorent celles de (5.26). Dans ce cas, (5.27) constituera un système majorant de (5.26), dont l'utilisation est intéressante pour l'analyse des comportements des solutions d'une EDO (voir paragraphe 5.7.8). La contribution de Waºewski [WAZ 50] (précédée de [KAM 32] et complétée par celle de Lakshmikantham et Leela [LAK 69]) est certainement l'une des plus importantes puisqu'elle donne des conditions nécessaires et susantes pour que les solutions du problème de Cauchy associé à (5.26) avec x0 donné à t0 , soient majorées par la solution supérieure de (5.27) démarrant de z0 ≥ x0 à l'instant t0 . Dénition 7. La fonction f : I × X → X ⊂ Rn , (t, x) 7→ f (t, x) est quasi monotone non-décroissante en x si : ∀t ∈ I, ∀(x, x0 ) ∈ X 2 , ∀i ∈ {1, . . . , n}, [(xi = x0i ) et (x ≤ x0 )] ⇒ fi (t, x) ≤ fi (t, x0 ).
Théorème 6. Supposons que :
(5.28)
1) f (t, x) vérie les hypothèses A1-A2 du théorème 1 d'existence de solution, 2) f (t, x) est quasi monotone non-décroissante en x presque partout en t (∀t ∈ I\S ). Alors, pour tout x0 ∈ X , les solutions du problème de Cauchy associé à (5.27) vérient : x(t) ≤ zsup (t), (5.29) pour tout instant où les quantités x(t) et zsup (t) ont un sens, avec zsup (t) la solution supérieure de (5.26) démarrant de z0 ∈ X , avec x0 ≤ z0 .
Equations diérentielles ordinaires
185
5.4. Quelques caractérisations de comportements Sauf mention explicite, l'EDO considérée est (5.11), pour rappel : dx = f (t, x), dt
t ∈ I,
x ∈ X.
5.4.1. Ensembles remarquables Points d'équilibre Pour certaines conditions initiales, le système reste gelé , c'est-à-dire que l'état n'évolue plus : on parlera alors de points d'équilibre. Dénition 8. xe ∈ X est un point d'équilibre pour le système (5.19) si les solutions φ(t; 0, xe ) de (5.19) sont dénies sur [0, +∞[ et vérient : φ(t; 0, xe ) = xe ,
∀t ∈ [0, +∞[.
Exemple 4. La solution au problème de Cauchy (5.1), x(0) = x0 , est donnée par (5.14). Il est facile de vérier que x = 0 et x = xmax sont des points d'équilibre. On peut donner une dénition similaire pour (5.11) en tenant compte du fait que les solutions dépendent alors de l'instant initial. Ainsi, un point peut n'être d'équilibre que pour certains instants initiaux. Si xe est un point d'équilibre, alors pour que le système reste en ce point il faut que la vitesse soit nulle, pas susante c'est-à-dire que g(xe ) = 0. Cependant, cette condition seule n'est √ comme le montre l'étude de (5.16) : on a bien xe = 0 solution de x = 0, mais il existe une innité de solutions qui quittent ce point (voir paragraphe 5.3.1). Théorème 7. [GRU 87] xe est un point d'équilibre pour le système (5.19) si et seulement si : 1. (5.19) admet une unique solution dénie sur [t0 , +∞[ au problème de Cauchy, 2. g(xe ) = 0. Par la suite, on considèrera que le point d'équilibre est l'origine : en eet, l'étude de (5.19) au voisinage d'un point d'équilibre xe se ramène, par le changement de coordonnées y = x − xe , à l'étude de y˙ = g(y + xe ), ayant pour équilibre (y = 0). Exemple 5. Le système de Volterra-Lotka est un modèle simple de lutte de deux espèces. En 1917, donc pendant la guerre, le biologiste Umberto d'Ancona constata une augmentation du nombre de sélaciens (requins) dans la partie nord
186
Mathématiques pour les systèmes dynamiques
de la mer Adriatique. An d'expliquer ce phénomène, il t appel à son beaupère, le mathématicien Vito Volterra, qui expliqua ce phénomène de la façon suivante. Soit un volume d'eau inni (mer Adriatique par exemple), peuplé par deux espèces : l'une, carnivore (C : sélaciens), dévorant l'autre, herbivore (H : crevettes). Notons x et y les nombres respectifs d'individus des espèces (H) et (C). Si l'espèce (H ) peuplait seule la mer, elle se développerait de façon exponentielle8 et la vitesse de croissance de l'espèce (H) serait : dx dt = αx, avec α > 0. Par contre, l'espèce (C) ne peut assurer seule son développement, ni même sa survie, donc sa vitesse de variation serait : dy dt = −βy , avec β > 0. Lorsque les deux espèces cohabitent, les carnivores (C) dévorent les herbivores (H). En faisant l'hypothèse qu'à chaque rencontre d'un carnivore avec un herbivore, ce dernier est dévoré et que le nombre de rencontres est proportionnel au produit des densités volumiques des deux espèces (donc, aussi à xy ), on peut conclure que l'évolution des deux espèces est régie par le système diérentiel :
dx dt = αx − γxy dy dt = −βy + δxy
(herbivores), (carnivores),
(5.30)
avec α, β, γ, δ des réels positifs. Dans ce cas, les variables d'état s'introduisent de façon naturelle : x, y . On peut a priori supposer que l'espace d'état est le quart de plan R2+ . Le théorème 3 permet de garantir l'existence et l'unicité des solutions et le théorème 7, l'existence de deux équilibres : (0, 0) et ( βδ , αγ ). dy dx En séparant les variables selon : x(α−γy) = y(−β+δx) , on peut montrer que H(x, y) = [α ln(y) − γy] + [β ln(x) − δx] est une fonction constante le long des solutions de (5.30). On montre ainsi que, pour toute condition initiale strictement incluse dans le quart de plan strictement positif, les orbites du système sont fermées. De plus les solutions sont dénies sur R : on obtient un ot dont le portrait de phase est représenté sur la gure 5.5 (simulation pour α = β = γ = δ = 1). Les orbites sont centrées autour du point d'équilibre ( βδ , αγ ). Avant la guerre, l'activité de la pêche était plus importante (on tient compte des prélèvements de la pêche −qx x et −qy y dans (5.30), avec qx , qy positifs) : c'est-à-dire que le couple de paramètres (α, −β) est remplacé par (α − qx , −β − qy ), donc α−qx y le point d'equilibre ( βδ , αγ ) est remplacé par ( β+q δ , γ ). Ce qui explique un déplacement du cycle vers le haut pendant la guerre, donc une augmentation du nombre de célaciens.
Dénition 9. On classe les points d'équilibre xe de (5.19) en deux catégories : 1. les points hyperboliques (ou non dégénérés) : ce sont ceux pour lesquels 8 On fait ici l'hypothèse que son développement n'est limité ni par l'espace ni par la quantité de nourriture.
Equations diérentielles ordinaires
187
Figure 5.5. Cycles pour l'équation de Volterra (5.30) la jacobienne9 correspondante Jg (xe ) ne comporte aucune valeur propre à partie réelle nulle (Jg (xe ) est aussi dite hyperbolique) ; 2. les points non hyperboliques (ou dégénérés) : ce sont ceux pour lesquels la jacobienne Jg (xe ) possède au moins une valeur propre à partie réelle nulle (Jg (xe ) est dite dégénérée). Comme nous le verrons dans le paragraphe 5.6.2, cette distinction est importante puisque, pour tout point hyperbolique, on peut connaître localement le comportement des solutions, alors que ce n'est pas forcément le cas pour les points non hyperboliques.
Orbites : périodiques, fermées, homocliniques et hétérocliniques L'étude des systèmes non linéaires met en évidence des orbites particulières : 1. les orbites fermées qui sont une extension des points xes puisque, si on laisse évoluer un système à partir d'une condition initiale appartenant à cette orbite, alors il continuera à évoluer sur cette orbite ;
9
Si g est un champ de vecteur sur Rn , alors sa jacobienne au point x est la matrice
∂gi ∂xj
(x) .
188
Mathématiques pour les systèmes dynamiques
2. les orbites homocliniques et hétérocliniques qui relient des points d'équilibre. Les dénitions suivantes sont inspirées de [ROU 73] (tome 1, pages 87-88, tome 2, page 8), [HAL 91] (pages 113-117) et de [GUC 83]. Dénition 10. La solution φ(t; t0 , x0 ) est T -périodique (périodique de période T ), si I(t0 , x0 ) = R et s'il existe un réel positif λ, tel que pour tout réel t on ait φ(t + λ; t0 , x0 ) = φ(t; t0 , x0 ). Le plus petit réel positif λ noté T s'appelle la période de la solution. Dans ce cas, l'orbite correspondante est une orbite périodique de période T (ou orbite T -périodique). Dénition 11. γ est une orbite fermée si γ est une orbite et une courbe de Jordan, c'est-à-dire homéomorphe10 à un cercle. Toute orbite correspondant à une solution T -périodique non triviale (non identique à un point d'équilibre) est une orbite fermée. La réciproque est vraie dans le cas de systèmes autonomes. Exemple 6. Si l'on reprend l'équation de Van der Pol, c'est-à-dire l'équation (5.3) avec f (x) = (x3 − 2µx), alors en posant iL = −x2 , vC = x1 , L = C = 1, (5.3) devient : dx1 = x2 , dt dx2 = 2µx2 − x32 − x1 . (5.31) dt Ainsi, pour µ > 0, on peut montrer ([HIR 74] p. 211-227) l'existence d'une orbite périodique γ représentée sur la gure suivante.
Dénition 12. Une orbite homoclinique est une orbite qui relie un point d'équilibre à lui-même. Si une orbite relie deux points d'équilibre distincts, elle est dite hétéroclinique. Ensembles limites
Des notions plus précises ont étés introduites pour cerner les informations pertinentes et rémanentes après dissipation d'un éventuel transitoire. C'est le rôle des ensembles limites. Rappelons que I(t0 , x0 ) =]α(t0 , x0 ), ω(t0 , x0 )[ est l'intervalle de dénition de la solution maximale associée à (t0 , x0 ). Dénition 13. L' ensemble ω-limite par rapport à une condition initiale (t0 , x0 ), noté Ωf (t0 , x0 ), est déni par : Ωf (t0 , x0 ) = {y ∈ X : il existe une suite {ti } dans I(t0 , x0 ) : lim ti = ω(t0 , x0 ) et lim φ(ti ; t0 , x0 ) = y}. i →+∞
i →+∞
Un homéomorphisme est un morphisme continu. Ainsi, une courbe de Jordan est une courbe obtenue par transformation continue à partir du cercle. 10
Equations diérentielles ordinaires
189
Figure 5.6. Orbite fermée périodique pour l'oscillateur de Van der Pol (5.31)
Figure 5.7. (a) orbite homoclinique,
(b) orbite hétéroclinique
L' ensemble α-limite par rapport à une condition initiale (t0 , x0 ), noté Af (t0 , x0 ), est déni par : Af (t0 , x0 ) = {y ∈ X : il existe une suite {ti } dans I(t0 , x0 ) : lim ti = α(t0 , x0 ) et
i →+∞
lim φ(ti ; t0 , x0 ) = y}.
i →+∞
Ces notions Ωf (t0 , x0 ) et Af (t0 , x0 ) ont tout d'abord été introduites par G.D. Birkho ([BIR 27] p. 197, 198). Lorsque ω = +∞ (respectivement, α = −∞), l'ensemble ω -limite (respectivement, α-limite) est aussi appelé l'ensemble limite positif (respectivement, négatif ), parfois noté Λ+ f (t0 , x0 ) (respectivement, Λ− (t , x ) ) (voir par exemple [BHA 70] p. 19 ). Pour un champ de 0 0 f vecteurs non linéaire autonome g associé à (5.19) et générant un ot global, on
190
Mathématiques pour les systèmes dynamiques
a la relation suivante : − + + Λ− −g (t0 , x0 ) = Λ−g (x0 ) = Λg (x0 ) = Λg (t0 , x0 ).
Cette propriété permet de relier les notions d'attracteur et de répulseur. De plus, on peut noter que les ensembles ω ou α-limite sont, dans ce cas, indépendants de l'instant initial. L'ensemble ω-limite par rapport à la condition initiale x0 est déni par : Ωg (x0 ) = {x ∈ Ω : ∃{ti }i∈N ⊂ I(x0 ) : lim ti = ω(x0 ) et lim Φtgi (x0 ) = x}. i→∞
i→∞
(5.32)
Dans le cas général (5.11), on a le résultat qui suit.
Théorème 8. Si, pour x0 ∈ X et t0 ∈ I donnés, il existe une solution au problème de Cauchy et si l'orbite issue de x0 à t0 (ni) est contenue dans un ensemble compact de X , alors Ωf (t0 , x0 ) et Af (t0 , x0 ) sont des sous-ensembles compacts, non vides, connexes de X . Ensembles non-errants La notion de point non-errant, plus ne que celle d'ensemble limite, fut également introduite par G.D. Birkho [BIR 27] pour décrire les comportements asymptotique plus complexes (attracteur étrange par exemple). Elle concerne principalement les systèmes autonomes régis par (5.19) pour lesquels I(x0 ) =]α(x0 ), +∞[ contient l'instant initial.
Dénition 14. Un point x ∈ X est dit non-errant pour le système (5.19) si,
pour tout voisinage V(x) de ce point et tout T > 0, il existe un temps t > T tel que : φ(t; 0, x) ∩ V(x) 6= ∅. L'ensemble constitué de tels points est dit ensemble non-errant.
Figure 5.8. Point non errant
Equations diérentielles ordinaires
191
5.4.2. Propriétés Dans cette partie, on considère le système (5.11) en supposant qu'il y a au moins une solution au problème de Cauchy.
Invariance Les systèmes physiques ont souvent tendance, dans certaines congurations, à satisfaire un principe de moindre eort : j'y suis, j'y reste (équilibres, orbites périodiques, etc.). Cette propriété d'invariance peut être étendue pour des ensembles géométriques plus complexes, comme suit. Dénition 15. Soit J ⊂ I . Un ensemble non vide compact A ⊂ X est dit J −invariant si : ∀t0 ∈ J , ∀x0 ∈ A, ∀t ∈ I(t0 , x0 ) : φ(t; t0 , x0 ) ∈ A.
Figure 5.9. Invariance de A Pour un champ de vecteurs non linéaire autonome g associé à (5.19), on obtient le résultat suivant. Lemme 1. [BHA 70] Soit (5.19), alors Ωg (x0 ) déni en (5.32) est un sousensemble fermé de Ω. Si de plus φ(t; x0 ) est bornée alors Ωg (x0 ) est non vide, compact, connexe et invariant. Démonstration : (fermé) soit x ∈ Ωg (x0 ), alors ∃{xn }n∈N ⊂ Ωg (x0 ) : ∀ε > 0, ∃N1 > 0 tels que ∀n > N1 , ρ(x, xn ) < ε2 . De plus, xn ⊂ Ωg (x0 ), donc ∃{tni }i∈N ⊂ I(x0 ) : ∀ε > 0, ∃N2 > 0 tels que limi→∞ tni = ω(x0 ) et ∀n > tn N2 , ρ(xn , Φg i (x0 )) < 2ε . Si l'on prend tn = tnn : limn→∞ tn = ω(x0 ), alors ∀n > N = max(N1 , N2 ) : ρ(x, Φtgn (x0 )) ≤ ρ(x, xn ) + ρ(xn , Φtgn (x0 )) < ε, donc x ∈ Ωg (x0 ) et Ωg (x0 ) est donc fermé.
192
Mathématiques pour les systèmes dynamiques
Supposons que φ(t; x0 ) soit bornée. Alors C = Φtg (x0 ) est compact et on prend une suite d'instants {ti }i∈N : limi→∞ ti = ω(x0 ). On a donc une suite de points Φtgi (x0 ) ∈ C, d'où, d'après le théorème de Bolzano-Weierstrass 0 [RIC 01], on peut extraire une sous-suite convergente vers x : limi Φtgi (x0 ) = x. 0 Or Φtgi (x0 ) ∈ Φtgi (x0 ), donc x ∈ Ωg (x0 ). De plus, Ωg (x0 ) est fermé borné, donc compact. Montrons qu'il est connexe : si Ωg (x0 ) n'est pas connexe, ∃(A, A0 ) disjoints fermés : Ωg (x0 ) = A ∪ A0 (donc A, A0 compacts). Soit x ∈ A : ∃{ti }i∈N ⊂ I(x0 ), limi→∞ ti = ω(x0 ) et limi→∞ Φtgi (x0 ) = x. Soit t0 x0 ∈ A0 : ∃{t0i }i∈N ⊂ I(x0 ), limi→∞ t0i = ω(x0 ) et limi→∞ Φgi (x0 ) = x0 . Mais alors, pour tout i, [ti , t0i ] est (compact) connexe et, Φtg (x0 ) étant continue, on 0 00 / A (ni a Φ[tg i ,ti ] (x0 ) connexe : d'après [SCH 95] (p. 256), ∃t00i ∈ [ti , t0i ] : Φtgi (x0 ) ∈ 00 à A0 ) mais limi→∞ t00i = ω(x0 ) et limi→∞ Φtgi (x0 ) ∈ Ωg (x0 ). Enn, il est invariant : x ∈ Ωg (x0 ), ∃{ti }i∈N ⊂ I(x0 ), limi→∞ ti = ω(x0 ) et limi→∞ Φtgi (x0 ) = x, i donc limi→∞ Φt+t (x0 ) = Φtg (x) : Φtg (x) ∈ Ωg (x0 ). g
Stabilité au sens de Liapounov Les ensembles remarquables (équilibres, orbites périodiques, etc.) peuvent caractériser des congurations à énergie minimale pour un système physique. Ces systèmes peuvent avoir tendance à rechercher une de ces congurations plutôt qu'une autre : c'est ce que les concepts de stabilité traduisent d'une certaine façon. Par exemple, le pendule pesant (5.6) possède. deux équilibres en position verticale : l'un au-dessus de l'horizontale, θ = π, θ = 0, l'autre en . dessous θ = 0, θ = 0. Il est bien connu que la masse a naturellement tendance à se positionner vers le bas plutôt que vers le haut. La position d'équilibre basse est stable, l'autre instable. D'un autre point de vue, les solutions maximales x(t; t0 , x0 ) d'une EDO sont continues par rapport aux trois variables t, t0 , x0 (sous certaines conditions, voir paragraphe 5.3.1). Donc, si l'on prend deux solutions x(t; t0 , x01 ) et x(t; t0 , x02 ) avec x01 et x02 proches, la continuité implique que ces deux solutions sont proches sur un certain intervalle de temps [t0 , t], sans aucune indication sur la taille de cet intervalle. On peut souhaiter obtenir une proximité de ces deux solutions sur un intervalle de temps assez grand : c'est ce que pose de façon plus générale le problème de la stabilité au sens de Liapounov pour une solution particulière (équilibre, orbite périodique, ensemble ou bien une trajectoire donnée). Par la suite, A est un ensemble non vide compact (par exemple, un point d'équilibre) de X muni d'une distance d. ρ(x, A) = inf y∈A d(x, y) est une distance du point x à l'ensemble A [RIC 01]. Enn, I(t0 , x0 ) =]α(t0 , x0 ), +∞[.
Equations diérentielles ordinaires
Dénition 16.
(5.11) si :
193
A est stable au sens de Liapounov par rapport à J ⊂ I pour
∀t0 ∈ J , ∀ε > 0, ∃δ(t0 , ε) > 0 tel que : ∀x0 ∈ X : ρ(x0 , A) ≤ δ(t0 , ε) ⇒ ρ(φ(t; t0 , x0 ), A) ≤ ε, ∀t ≥ t0 .
Lorsque J = I = R, A est dit stable au sens de Liapounov. Lorsque δ(t0 , ε) = δ(ε) est indépendant de t0 la propriété de stabilité est dite uniforme. Dans le cas particulier des systèmes non linéaires autonomes (5.19), cela revient à dire que, pour tout voisinage de A, il existe un voisinage de A (inclus dans le premier) positivement invariant (voir [BHA 70] p. 58). Ces dénitions peuvent s'exprimer en termes topologiques plus généraux : par exemple, un point d'équilibre xe est stable au sens de Liapounov pour (5.19) si, pour tout voisinage V(xe ) de xe , il existe un voisinage W(xe ) de xe tel que : x0 ∈ W(xe ) ⇒ φ(t; t0 , x0 ) ∈ V(xe ), ∀t ≥ t0 . De façon générale, pour (5.11), cette dénition s'exprime par : pour tout
t0 ∈ J et pour tout voisinage V(A) de A, il existe un voisinage W(t0 , V) de A tel que toute trajectoire issue de ce voisinage W(t0 , V) à l'instant t0 évolue dans le premier voisinage V(A) sans en sortir (voir gure 5.10). Cependant, si l'on se xe t0 , pour chaque voisinage V(A), il est utile de connaître le plus grand de ces voisinages W(t0 , V) que l'on notera Ds (t0 , V, A) : ceci correspond à la notion de domaine de stabilité (l'intersection des Ds (t0 , V, A)).
Figure 5.10. Stabilité d'un ensemble A, de domaine de stabilité Ds (A)
Dénition 17. Pour (5.11), Ds (t0 , A) est le domaine de stabilité au sens de Liapounov par rapport à t0 de A si :
194
Mathématiques pour les systèmes dynamiques
1. ∀ε > 0, Ds (t0 , ε, A) ⊂ X est un voisinage de A ; 2. pour ε > 0, x0 ∈ Ds (t0 , ε, A) si et seulement si : ρ(φ(t; t0 , x0 ), A) ≤ ε, ∀t ≥ t0 ; 3. Ds (t0 , A) = ∪ε>0 Ds (t0 , ε, A). Ds (J , A) est le domaine de stabilité au sens de Liapounov par rapport à J
de A si :
1. ∀t0 ∈ J , Ds (t0 , A) existe ; 2. Ds (J , A) = ∪t0 ∈J Ds (t0 , A). Ds (A) est le domaine de stabilité au sens de Liapounov de A si : Ds (A) = Ds (J = R, A).
Dénition 18. Pour (5.11),
Dsu (J , A) est le domaine de stabilité uniforme au sens de Liapounov par rapport à J de A si :
1. Dsu (J , A) est un voisinage de A ; 2. x0 ∈ Dsu (J , A) si et seulement si : ∀t0 ∈ J , ∀ε > 0, ρ(φ(t; t0 , x0 ), A) ≤ ε, ∀t ≥ t0 .
Dsu (A) est le domaine de stabilité uniforme au sens de Liapounov de A si : Dsu (A) = Dsu (J = R, A).
Dénition 19. Symbolisons schématiquement par (κ) l'un des quatre qualicatifs suivants : stable au sens de Liapounov par rapport à J , stable au sens de Liapounov, uniformément stable au sens de Liapounov par rapport à J , uniformément stable au sens de Liapounov. Si D(κ) (J , A) = X (l'espace d'état), alors A est globalement (κ), dans le cas contraire A est localement (κ). Remarque 1. Les dénitions de stabilité 16 peuvent être remplacées par : l'ensemble A est (κ) si le domaine D(κ) est non vide. Remarque 2. Ces dénitions peuvent, ici encore, être énoncées en termes de voisinages. La construction précédente nous conduit à procéder comme suit : si, pour chaque V(A), on construit l'union des Ds (t0 , V(A), A) (qui sont les équivalents des Ds (t0 , ε, A)), alors on obtient le domaine de stabilité au sens de Liapounov par rapport à t0 de A noté : Ds (t0 , A) = ∪V(A) Ds (t0 , ε, A). Si l'on fait varier t0 dans l'intervalle J , on obtient le domaine de stabilité de A au sens de Liapounov par rapport à J , noté Ds (J , A). Attractivité La propriété d'attractivité d'un ensemble traduit le rapprochement asymptotique des solutions vers cet ensemble.
Equations diérentielles ordinaires
Dénition 20.
195
A est attractif par rapport à J ⊂ I pour (5.11) si :
∀t0 ∈ J , ∃δ(t0 ) > 0, ∀x0 ∈ X : ρ(x0 , A) ≤ δ(t0 ) ⇒ lim ρ(φ(t; t0 , x0 ), A) = 0, t→∞
c'est-à-dire : ∀ε > 0, ∃T (t0 , x0 , ε) > 0 : ∀t ≥ t0 + T (t0 , x0 , ε), ρ(φ(t; t0 , x0 ), A) ≤ ε.
Lorsque J = I = R, A sera dit attractif. Lorsque δ(t0 ) = δ est indépendant de t0 et T (t0 , ε, x0 ) = T (ε) est indépendant de t0 et x0 alors la propriété d'attractivité sera dite uniforme.
Figure 5.11. Attractivité d'un ensemble A, de domaine d'attraction Da (A) Cette notion peut être formulée en termes de voisinages. Par exemple, pour tout t0 ∈ J et tout V(A) voisinage de A, il existe W(t0 , V) un voisinage de A tel que, pour toute trajectoire issue de ce voisinage W(t0 , V) à l'instant t0 , il existe un temps T (t0 , x0 , V) > 0 tel que la trajectoire évolue dans W(t0 , V) sans en sortir à partir de l'instant t0 + T (t0 , x0 , V) (voir gure 5.11). Cependant, pour t0 et V(A) un voisinage de A donnés, il est utile de connaître le plus grand de ces voisinages W(t0 , V) que l'on notera Da (t0 , V, A) : ceci conduit à la notion de domaine d'attractivité, intersection des Da (t0 , V, A) (sur les V ). Dénition 21. Pour (5.11), Da (t0 , A) est le domaine d'attractivité de A par rapport à t0 pour (5.11) si :
1. Da (t0 , A) ⊂ X est un voisinage de A ; 2. pour ε > 0, x0 ∈ Da (t0 , ε, A) si et seulement si : ∃T (t0 , ε) > 0 tel que ∀t ≥ t0 + T (t0 , ε), ρ(φ(t; t0 , x0 ), A) ≤ ε.
196
Mathématiques pour les systèmes dynamiques Da (J , A) est le domaine d'attractivité de A par rapport à J si :
1. ∀t0 ∈ J , Da (t0 , A) existe ; 2. Da (J , A) = ∪t0 ∈J Da (t0 , A). Da (A) est le domaine d'attractivité de A si : Da (A) = Da (J = R, A).
Dénition 22. Pour (5.11), Dau (J , A) est le domaine d'attractivité uniforme de A par rapport à J pour (5.11) si :
1. Dau (J , A) est un voisinage de A ; 2. pour ε > 0, x0 ∈ Dau (J , A) si et seulement si : ∃T (ε) > 0, ∀t0 ∈ J ,, tel que l'on ait ρ(φ(t; t0 , x0 ), A) ≤ ε, ∀t ≥ t0 + T (ε). Dau (A) est le domaine d'attractivité uniforme de A si : Dau (A) = Dau (J = R, A).
Dénition 23. Symbolisons schématiquement par (κ) l'un des quatre qualicatifs suivants : attractif par rapport à J , attractif, uniformément attractif par rapport à J , uniformément attractif. Si D(κ) (J , A) = X (l'espace d'état), alors A est globalement (κ) ; dans le cas contraire, A est localement (κ). Remarque 3. Les dénitions d'attractivité 20 peuvent être remplacées par : l'ensemble A est (κ) si le domaine D(κ) est non vide. Stabilité asymptotique
La propriété d'attractivité d'un ensemble traduit la convergence des solutions vers cet ensemble au bout d'un temps inni et ce, indépendamment d'éventuelles excursions pendant le régime transitoire. La stabilité, elle, traduit la proximité de solutions tout au long de l'évolution, mais sans garantir la convergence. Ces deux propriétés sont donc distinctes et complémentaires. Leur combinaison correspond à la notion de stabilité asymptotique. Dénition 24. A est asymptotiquement stable par rapport à J ⊂ I s'il est stable au sens de Liapounov par rapport à J et attractif par rapport à J . Lorsque J = I = R, A sera dit asymptotiquement stable. Si les propriétés de stabilité et d'attractivité sont uniformes, alors la propriété de stabilité asymptotique résultante est dite uniforme. Les divers domaines de stabilité asymptotique associés aux propriétés ci-dessus sont dénis comme étant les intersections des domaines de stabilité et d'attractivité. Il est important de noter qu'en non-linéaire, un ensemble peut être attractif sans être stable, et vice versa. L'exemple suivant illustre cette indépendance des deux propriétés.
Equations diérentielles ordinaires
Exemple 7. Soit l'EDO : y p dx = x 1 − x2 + y 2 − dt 2 x p dy = y 1 − x2 + y 2 + dt 2
x
1− p x2 + y 2 x
197
! , !
1− p x2 + y 2
.
L'origine (0, 0) est un équilibre instable (pour le monter, on pourra utiliser les résultats du paragraphe 5.7.7) et l'équilibre (1, 0) est attractif mais instable : le portrait de phase est donné gure 5.12.
Figure 5.12. Equilibre (1, 0) attractif et instable
Exemple 8. La solution au problème de Cauchy (5.1) x(0) = x0 est donnée par (5.14). Il est donc facile de vérier que l'équilibre x = 0 n'est 0 xmax pas attractif (limt→∞ φ(t; 0, x0 ) = limt→∞ x0 +e−axxmax = xmax ) t (x max −x0 ) et que l'équilibre x = xmax est asymptotiquement stable. En eet, il est attractif (limt→∞ φ(t; 0, x0 ) = xmax ) et stable puisque φ(t; 0, x0 ) − (xmax −x0 )e−axmax t xmax = xxmax donc pour ε > 0, si |x0 − xmax | < −axmax t , +(x 0 max −x0 )e max −x0 ) ε, |φ(t; 0, x0 ) − xmax | < xmax x0(x +(xmax −x0 ) < ε.
Pour cet exemple, nous avons pu étudier la stabilité asymptotique à partir de l'expression analytique des solutions. Cependant, pour une EDO (5.11) dont en général on ne peut exprimer les solutions de façon explicite, il est important de disposer de critères permettant d'étudier la question de la stabilité sans avoir à calculer les solutions : ce sont les résultats des paragraphes 5.5 (première méthode de Liapounov) et 5.7.3, 5.7.4, 5.7.5, 5.7.7 (seconde méthode de Liapounov) qui le permettent.
198
Mathématiques pour les systèmes dynamiques
Stabilité exponentielle Le concept de stabilité exponentielle contient une information supplémentaire : la rapidité de la convergence vers l'ensemble A. Dénition 25. A est exponentiellement stable par rapport à J ⊂ I si : ∀t0 ∈ J , ∃δ(t0 ) > 0, ∃α(δ) > 0, ∃β(δ) ≥ 1 tels que ∀x0 ∈ X , ρ(x0 , A) ≤ δ(t0 ) implique : ρ(φ(t; t0 , x0 ), A) ≤ βρ(x0 , A) exp(−α(t − t0 )), ∀t ≥ t0 .
(5.33)
Lorsque J = I = R, A est dit exponentiellement stable. Lorsque δ(t0 ) = δ est indépendant de t0 et α(δ) = α, β(δ) = β sont indépendants de δ, alors la propriété de stabilité est dite uniforme. α est alors appelé le taux de convergence exponentielle. De même que pour les précédentes notions, on peut dénir les domaines de stabilité exponentielle correspondants. La dénition des ces domaines tient compte de la paire (α, β) retenue : par exemple, Deu (A, α, β) est le plus grand voisinage de A dans lequel la majoration (5.33) est vériée. Stabilité pratique En pratique, A étant un compact à atteindre (cible) et étant donnés un instant initial t0 ∈ J , un instant nal Tf > 0 et un temps de réponse Ts > 0, il est intéressant de savoir si, pour toute condition initiale dans un domaine Dini ⊂ X , les solutions : 1. sont au moins dénies sur [t0 , t0 + Tf ], 2. restent dans un domaine admissible Dadm ⊂ X pendant cet intervalle de temps, 3. rejoignent A à partir de l'instant t0 + Ts et y restent pour t ∈ [t0 + Ts, t0 + Tf ]. C'est ce que traduit la notion de stabilité pratique avec temps d'établissement [GRU 73a, GRU 73b, LAS 61, PER 95b, WEI 67b, WEI 67a]. Dénition 26. Un ensemble compact A est stable pratiquement avec temps d'établissement par rapport à {J , Ts , Tf , Dini , Dadm } si : ∀x0 ∈ Di , ∀t0 ∈ T0 , toute solution φ(t; t0 , x0 ) est dénie sur [t0 , t0 + Tf ] (c'est-à-dire [t0 , t0 + Tf ] ⊂ I(t0 , x0 )) et vérie : φ(t; t0 , x0 ) ∈ Dadm , ∀t ∈ [t0 , t0 + Tf ], φ(t; t0 , x0 ) ∈ A, ∀t ∈ [t0 + Ts , t0 + Tf ].
La propriété est globale si Dini = X (l'espace d'état).
(5.34)
Equations diérentielles ordinaires
199
Figure 5.13. Stabilité pratique Estimation des domaines La plupart du temps, les domaines dénis ci-dessus ne peuvent être calculés de façon exacte : ceci nécessiterait de résoudre formellement l'EDO. Il est donc intéressant d'en connaître un sous-ensemble, qui en constitue une estimation. Dénition 27. [PER 94] Le domaine D est une estimation du domaine Dsa (respectivement Ds , Dsu , Da , Dau , Dse ,Dseu ) de l'ensemble A si : D ⊂ Dsa (respectivement Ds , Dsu , Da , Dau , Dse , Dseu ), A ⊂ D.
5.5. Cas linéaire autonome 5.5.1. Calcul des solutions Considérons le modèle linéaire autonome suivant : x˙ = Ax,
x ∈ Rn .
(5.35)
Les solutions au problème de Cauchy associé à (5.35), x(t0 ) = x0 , sont connues explicitement : x(t) = exp(A(t − t0 ))x0 . (5.36) De même, pour le modèle linéaire non-homogène : x˙ = Ax + b(t),
x ∈ Rn ,
(5.37)
200
Mathématiques pour les systèmes dynamiques
les solutions sont :
Z t x(t) = exp(A(t − t0 )) x0 + exp(−A(v − t0 ))b(v)dv ,
(5.38)
t0
avec, dans le cas particulier où b est constant : Z
t
x(t) = exp(A(t − t0 ))x0 +
exp A(t − v)dv b,
(5.39)
t0
qui lorsque A est non singulière devient : x(t) = exp(A(t − t0 ))x0 + (exp A(t − t0 ) − Id) A−1 b.
(5.40)
Ainsi, le comportement des solutions de (5.35) et de (5.37) est entièrement conditionné par les contractions et dilatations 11 de l'exponentielle exp(At). Rappelons (voir [RIC 01] chapitre 3) que : exp(At) =
∞ X (At)i i=0
i!
=
n−1 X
(5.41)
αi (t)Ai ,
i=0
puisque, d'après le théorème de Cayley-Hamilton, An est une combinaison linéaire des Ai , 0 ≤ i ≤ (n − 1). Il existe plusieurs méthodes pour calculer l'exponentielle, rappelées ci-dessous. 1. En exprimant A sous forme de Jordan : A = P JP −1 , J = diag(J(λi )), λi 1 0 0 0 ... ... 0 , J(λi ) = . . .. ... 1 .. 0 ··· 0 λi
d'où exp(At) = P exp(Jt)P −1 avec exp(Jt) = diag(exp(J(λi )t)) et :
exp(J(λi )t) = exp(λi t)
1
t
0
..
.. .
..
t2 2!
. .
0 ···
.. ..
. .
0
t(k−1) (k−1)! t2 2!
t 1
.
11 Contractions dans les directions propres associées aux valeurs propres de A à parties réelles négatives et dilatations dans les directions associées aux valeurs propres de A à parties réelles positives.
Equations diérentielles ordinaires
201
2. En utilisant la décomposition de Dunford de A = N + D, avec N nilpotente (N n = 0) et D diagonalisable dans C, puisque exp(At) = P P∞ ((N +D)t)i et (N + D)i = ik=0 Cki N i−k Dk . Le calcul de l'exponeni=0 i! tielle s'en trouve simplié puisque N n = 0 : c'est une méthode similaire à celle du point 1, qui dans certains cas s'avère plus rapide. 3. En utilisant la méthode des matrices constituantes, la matrice f (A) pouvant s'exprimer sous la forme : f (A) =
r nX i −1 X
f (j) (λi )Zij ,
i=1 j=0
où r est le nombre de λi (valeurs propres de A distinctes) et ni leur multiplicité. Ainsi, f (A) s'écrit comme une combinaison linéaire de matrices Zij indépendantes de la fonction f (qui ne dépend que de A) ; les coefcients de cette combinaison dépendent, eux, de la fonction f . Aussi, on détermine les Zij à l'aide de fonctions-test simples (par exemple x 7→ xk ). Pour (5.37), dans le cas particulier de b constant : x˙ = Ax + b,
(5.42)
les points d'équilibre vérient Ax + b = 0. Si A est régulière, alors il n'en existe qu'un donné par xe = −A−1 b. Si A est singulière, alors deux cas se présentent : il y a une innité de points d'équilibre si rang(A, b) = rang(b), c'est-à-dire si b ∈ image(A) ou encore, si ∃c ∈ Rn : b = Ac. Ils sont alors dénis par : xe = c + u0 , où u0 ∈ ker(A) (u0 est n'importe quel vecteur propre de A associé à la valeur propre nulle) ; il n'y a aucun équilibre si b ∈ / image(A).
5.5.2. Conditions de stabilité Théorème 9. Soient A ∈ Mn (R), de spectre σ(A) = {λi ∈ C, i = 1, . . . , r ≤ n : det(λi Id − A) = 0 et λi 6= λj pour i 6= j}, et Eλi (i = 1, . . . , r) les espaces propres généralisés associés aux valeurs propres λi . Soit b constant vériant b ∈ image(A) et xe : Axe + b = 0. 1. Si ∃λi ∈ σ(A) : Re(λi ) > 0, alors limt→+∞ kexp(At)k = +∞ et xe est instable pour (5.42). 2. Si ∃λi ∈ σ(A) : Re(λi ) = 0 et dim Eλi > 1, alors limt→+∞ kexp(At)k = +∞ et xe est instable pour (5.42).
202
Mathématiques pour les systèmes dynamiques
3. Si Re(λi ) < 0, i = 1, . . . , (r − 1) et Re(λr ) = 0, avec dim Eλr = 1, alors kexp(At)k < +∞ et xe est stable mais non attractif pour (5.42). 4. Si ∀λi ∈ σ(A) : Re(λi ) < 0, alors limt→+∞ kexp(At)k = 0 et xe est exponentiellement (donc asymptotiquement) stable pour (5.42). Remarque 4. Puisqu'il n'y a pas de confusion possible car le ou les équilibres de (5.42) ont tous les mêmes propriétés de stabilité, on parle aussi de la stabilité du système (5.42) , ou encore, de la matrice A .
−1 0 xe = 0 de (5.35) est instable pour A = 0 1 0 1 0 0 (cas 1), instable pour A = (cas 2), stable pour A = (cas 3) 0 0 0 0 −1 1 et exponentiellement stable pour A = (cas 4). Remarquons que, 0 −1 dans les deuxième et troisième cas, A présente deux valeurs propres nulles. La
Exemple 9. L'équilibre
distinction se fait sur la dimension des espaces propres généralisés : un espace Eλ=0 , dim Eλ=0 = 2 dans le deuxième cas, deux espaces Eλi =0 , dim Eλi =0 = 1 dans le troisième. On en déduit la condition suivante nécessaire et susante pour que l'origine soit asymptotiquement stable pour un système linéaire autonome. Corollaire 1. xe est asymptotiquement stable pour (5.42) ⇔ ∀λi ∈ σ(A) : Re(λi ) < 0. Dans ce cas, xe = −A−1 b et la stabilité est également exponentielle. Corollaire 2. Si le polynôme caractéristique de A est de la forme π A (x) = Pn−1 n x + i=0 ai xi , alors une condition nécessaire de stabilité de xe pour (5.42) est que les ai soient tous positifs. Notons qu'une condition nécessaire et susante de stabilité asymptotique est que πA (x) soit de Hurwitz, ou encore que les ai satisfassent le critère de Routh (voir [BDR 93, HAH 67]). D'autres conditions nécessaires et susantes sont disponibles dans le cas linéaire autonome : certaines sont basées sur les équations de Liapounov (théorème 21), d'autres ne concernent que des formes particulières de la matrice A : si A = (aij ) avec aij ≥ 0 pour tout i 6= j, alors A est asymptotiquement stable si et seulement si les mineurs principaux les n dé de −A (c'est-à-dire terminants emboîtés des matrices (−a11 ) , det sont tous positifs (critère de Kotelianskii).
−a11 −a21
−a12 −a22
, ..., det(−A))
5.5.3. Discrétisation d'une équation d'état linéaire autonome La discrétisation peut intervenir an d'intégrer numériquement une équation diérentielle ou bien an d'obtenir un modèle en vue d'une analyse ou
Equations diérentielles ordinaires
203
d'une synthèse de commande discrète. Pour une équation linéaire autonome (5.35), la solution est (5.36) et la récurrence liant deux états successifs ( distant d'une période constante T ) est donc : xn+1 = A =
A xn , exp(AT ).
Pour une équation linéaire autonome non-homogène (5.42) dont on suppose que A est non singulière, la solution pour b constant (égal à bn ) entre deux instants d'échantillonnage est (5.40). La récurrence liant deux états successifs ( distants d'une période constante T ) est donc, dans ce cas : xn+1
=
A xn + B bn ,
A = B =
exp(AT ), (A − Id)A−1 ,
b(nT ). RT P Pour le cas où A est singulière, on a : B = 0 eA(T −θ) dθ = ∞ i=0 bn
=
T i+1 i (i+1)! A .
5.6. Etude de comportements : résultats locaux Dans cette section, on s'intéresse au système non linéaire autonome (5.19), pour lequel on suppose l'existence et l'unicité d'une solution au problème de Cauchy avec I(x0 ) = I = R.
5.6.1. Stabilité structurelle On sait que le réel ne se laisse pas réduire à un modèle mathématique : toute modélisation laisse apparaître des imprécisions. C'est pourquoi il est naturel de rechercher des classes de fonctions p(x) pour lesquelles les solutions de (5.19) et celles de : dx = gp (x, p(x)), x ∈ X , (5.43) dt
se ressemblent. Pour étudier cette propriété, dite de stabilité structurelle, il a été introduit la notion de distance au sens C 1 , permettant de caractériser la proximité de deux champs de vecteurs, ainsi que la notion d'équivalence topologique permettant de caractériser la ressemblance des solutions. Cette propriété de stabilité structurelle intéresse l'automaticien car elle caractérise une forme de robustesse. Les dénitions suivantes sont inspirées de [ARN 80] (p. 91-140), [GUC 83] (p.
38-42), [HIR 74] p. 305-318), [REI 82] (p. 93-101).
204
Mathématiques pour les systèmes dynamiques
Distance de Whitney
Dénition 28. Pour deux champs de vecteurs
g1 et g2 de classe C 1 (X ), on dénit la distance au sens C sur S ⊂ X séparant g1 et g2 , par :
j
∂ g1i (x) ∂ j g2i (x)
: i = 1, ..., n : j = 0, 1 . ρ1S (g1 ; g2 ) = max sup −
∂xj ∂xj x∈S 1
Pour un champ de vecteurs g de classe C 1 (X ), on dénit un ε−voisinage de g au sens C 1 sur S ⊂ X comme étant l'ensemble des champs de vecteurs g 0 de classe C 1 (X ) vériant ρ1S (g 0 ; g) ≤ ε. Équivalence
Dénition 29. La fonction
h établit une correspondance dans S ⊂ X entre les solutions de (5.19) et de (5.43) si : ∀x0 ∈ S , on a h[Φtgp (x0 )] = Φtg [h(x0 )] aux instants t ∈ R pour lesquels Φtgp (x0 ) et Φtg [h(x0 )] sont dans S . Cette relation signie que la fonction h envoie les orbites du système perturbé (5.43) sur celles du système non perturbé (5.19). Dénition 30. Les systèmes (5.19) et (5.43) sont topologiquement (respectivement diérentiablement, linéairement) équivalents dans S s'il existe h continue (respectivement diérentiable, linéaire) d'inverse continue (respectivement diérentiable, linéaire) qui établit une correspondance dans S entre les solutions de (5.19) et celles de (5.43). On sait que : [h linéaire] ⇒ [h diérentiable] ⇒ [h continue],
ainsi la notion d'équivalence topologique est-elle la plus faible : [équivalence linéaire] ⇒ [équiv. diérentielle] ⇒ [équiv. topologique].
Stabilité structurelle
Dénition 31. Le système (5.19) est structurellement stable dans S s'il existe un
ε−voisinage de g au sens C 1 sur S ⊂ X , tel que, pour tout champ gp de ce voisinage, les systèmes (5.43) associés à gp et (5.19) sont topologiquement équivalents.
Stabilité structurelle en dimension deux Il existe, comme nous allons le voir, un lien entre la stabilité structurelle et les ensembles non errants.
Equations diérentielles ordinaires
205
Dans le plan, les ensembles non errants qui peuvent exister sont : les points d'équilibre, les orbites fermées, les orbites homocliniques ou hétérocliniques. Par contre, sur le tore (C1 × C1 , C1 étant le cercle unité), cela n'est plus le cas ; il sut de remarquer que pour le système : dθ dt dψ dt
= a, = b,
(θ, ψ) ∈ C1 × C1 ,
(5.44)
lorsque ab est irrationnel on obtient des orbites non périodiques denses dans le tore : le tore est donc à lui seul un ensemble non-errant. De plus, lorsque ab est rationnel, on obtient des orbites périodiques. Or, tout irrationnel pouvant être approché par un rationnel avec une précision arbitraire, on en conclut que le système (5.44) est structurellement instable pour toutes les valeurs de a et de b. En évitant cette pathologie (voir point 3 du théorème suivant), on obtient une caractérisation des systèmes structurellement stables sur une variété de dimension deux. Théorème 10 (de Peixoto). Soit g un champ de vecteurs de classe C r (X ), où X est une variété de dimension 2. Le système (5.19) est structurellement stable si et seulement si : 1. le nombre d'éléments critiques (points d'équilibre et orbites fermées) est ni et chacun d'eux est de type hyperbolique ; 2. il n'y a pas d'orbite reliant les points-selles12 ; 3. l'ensemble des points non-errants est réduit aux éléments critiques seuls. De plus, si la variété X est orientable, alors l'ensemble des champs de vecteurs de classe C r (X ) structurellement stables est dense dans l'ensemble des champs de vecteurs de classe C r (X ). Ceci signie que tout champ peut être approché, de façon aussi précise que l'on veut (au sens C r (X )), par un champ structurellement stable.
5.6.2. Du modèle linéaire au modèle non linéaire Cette section a pour but d'établir les relations liant les comportements locaux d'une EDO non linéaire autonome (5.19) à ceux de l'EDO linéaire autonome suivante : dx = Ax, dt
x ∈ X,
(5.45)
sous l'hypothèse : (H)
X = Rn
et
∀x0 condition initiale, (5.19) a une et une seule solution maximale dénie sur I(x0 ) = I = R.
12 En dimension deux, un point-selle est un point d'équilibre instable dont la jacobienne possède une valeur propre à partie réelle strictement négative et l'autre à partie réelle strictement positive.
206
Mathématiques pour les systèmes dynamiques
Les méthodes d'étude locales sont basées sur un résultat fondamental de stabilité structurelle (voir paragraphe 5.6.2) qui permet de ramener l'étude locale de (5.19) à celle d'un système du type (5.45). Cette étude locale se fait au voisinage d'éléments dits critiques : points d'équilibres, orbites fermées. Théorème de stabilité structurelle et conséquences En étudiant (5.45), on partitionne le spectre de A (noté σ(A)) en trois parties : σs (A) = {λ ∈ σ(A) : Re(λ) < 0}, σ c (A) = {λ ∈ σ(A) : Re(λ) = 0}, σ i (A) = {λ ∈ σ(A) : Re(λ) > 0},
où les indices s, c, i sont les abréviations respectives pour stable , centre et instable . Ainsi les vecteurs propres généralisés associés aux trois parties du spectre de A permettent de dénir les sous-espaces propres généralisés, notés Es (A), Ec (A), Ei (A), de dimensions respectives ns , nc , ni avec : ns + nc + ni = n, Es (A) ⊕ Ec (A) ⊕ Ei (A) = Rn .
On peut noter qu'une partition similaire est possible si X est une vari�