Approximation of the identity

Imaginez une image légèrement floue que l'on observe avec une loupe de plus en plus fine. Une approximation de l'identité réalise ce geste avec une convolution : elle remplace chaque valeur par une moyenne locale, puis resserre cette moyenne autour du point étudié. Si le noyau est positif et garde une masse totale égale à 1, le résultat conserve une échelle comparable à celle de la fonction. Quand la zone moyenne devient minuscule, la fonction régulière obtenue retrouve progressivement la fonction de départ.

Opérationnellement, on applique la convolution f * φ_n pour remplacer f par une moyenne locale. La fenêtre de cette moyenne diminue avec n, ce qui permet de suivre le retour vers f dans l'espace de convergence choisi.

La convergence vers f dépend de l'espace fonctionnel et des hypothèses sur f. Elle peut avoir lieu dans un espace L^p, ou uniformément lorsque f possède la régularité nécessaire. Dans la théorie des distributions, des noyaux suffisamment réguliers, typiquement C^∞ à support compact, servent à remplacer temporairement un objet peu régulier par des fonctions régulières. Une famille paramétrée par une largeur ε>0 constitue une variante équivalente : ε joue le rôle d'une échelle qui tend vers 0, tandis que l'indice n tend vers l'infini dans une suite.

Soit (φ_n) une famille de fonctions positives d'intégrale 1, dont le support se concentre autour de 0. Lorsque les hypothèses sur f et sur la famille garantissent une convergence ponctuelle en x, la convolution de f par φ_n converge vers f(x) lorsque n tend vers l'infini. En notation compacte :

La formule exprime une approximation, et non une égalité à n fini : chaque convolution moyenne encore f sur un voisinage de x.

La construction s'applique lorsque les noyaux φ_n sont intégrables, positifs, normalisés par une intégrale égale à 1 et concentrés autour de 0. Il faut aussi préciser l'espace où la convergence est demandée : une fonction de L^p n'est pas automatiquement traitée avec la même convergence qu'une fonction continue uniformément.

Un noyau dont l'intégrale vaut 2 double la moyenne au lieu de préserver l'échelle de f ; il ne forme donc pas une approximation de l'identité dans cette construction. Une fonction présentant une discontinuité ne converge généralement pas vers sa valeur au point de saut en convergence ponctuelle : selon le noyau, on obtient plutôt une valeur moyenne ou l'on choisit une convergence dans un espace adapté.

Prenons f(x)=x² et, pour une largeur ε>0, le noyau triangulaire φ_ε(t)=(1−|t|/ε)/ε lorsque |t|≤ε, et 0 ailleurs. Ce noyau est positif, son support est [−ε,ε] et son intégrale vaut 1. On examine la convolution au point x=1.

Données : x=1 ; ε=1 puis ε=1/2 ; f(x)=x² ; φ_ε est symétrique autour de 0.

Par symétrie, la moyenne du terme linéaire en t est nulle. Le terme constant donne 1. Pour le second moment, le noyau triangulaire donne : ∫t²φ_ε(t)dt = 2∫₀^ε t²(1−t/ε)/ε dt = ε²/6. Le calcul se refait en intégrant t²/ε−t³/ε² entre 0 et ε, puis en multipliant par 2.

Ainsi, (f*φ_ε)(1)=1+ε²/6. Pour ε=1, on obtient (f*φ₁)(1)=7/6. Pour ε=1/2, on obtient (f*φ_1/2)(1)=25/24.

La valeur exacte f(1) est 1. L'écart vaut 1/6 dans le premier cas, puis 1/24 dans le second ; il diminue quand la fenêtre se resserre. Le contrôle se refait en soustrayant 1 : 7/6−1=1/6 et 25/24−1=1/24.

Pour lisser une fonction irrégulière avant de la dériver ou de l'étudier, on la convole avec un noyau régulier de petite largeur. La largeur choisie règle le compromis entre lissage et fidélité aux détails fins.

En analyse harmonique, une famille d'échelles permet d'observer le même objet à des résolutions successives. On préfère une approximation de l'identité lorsque l'on veut conserver la fonction dans la limite ; un lissage de largeur fixe convient lorsque l'on cherche seulement une représentation plus stable.

Pour une distribution, la convolution avec ces noyaux fournit des fonctions régulières qui servent à raisonner ou à calculer. Le résultat doit ensuite être interprété dans le mode de convergence annoncé, et non comme une égalité exacte à largeur non nulle.

Une approximation de l'identité n'est pas une identité exacte. L'identité laisse f inchangée à chaque étape, tandis que f*φ_n moyenne encore f sur un voisinage. Dans l'exemple f(x)=x² au point 1, la valeur 7/6 pour ε=1 tranche immédiatement : elle n'est pas égale à f(1)=1, même si elle s'en rapproche lorsque ε diminue.

Elle ne se confond pas non plus avec n'importe quel lissage. Un lissage de largeur fixe peut réduire les détails sans tendre vers la fonction initiale. Le critère testable est la concentration du support autour de 0, accompagnée d'une masse totale égale à 1 et d'un mode de convergence précisé.

Une convergence ponctuelle n'est pas garantie en tout point pour une fonction discontinue. Au point de saut, une moyenne symétrique peut tendre vers la moyenne des deux limites, plutôt que vers une valeur choisie pour f. Il faut alors annoncer le mode de convergence ou travailler dans un espace fonctionnel adapté.

La normalisation est un seuil décisif : une masse totale égale à 1 préserve les constantes, tandis qu'une masse totale égale à 2 les double. Dans l'exemple conducteur, l'écart à f(1) vaut exactement 1/6 pour ε=1 et 1/24 pour ε=1/2 ; il ne faut pas les présenter comme des égalités avec 1.

Enfin, la concentration autour de 0 ne signifie pas que le support est déjà réduit au point 0. Pour tout ε>0, le noyau triangulaire agit sur [−ε,ε] ; le retour à l'identité est une limite lorsque ε tend vers 0, pas une opération instantanée.

Le glossaire de la convolution permet de revoir l'opération qui combine f et φ_n, avant d'étudier les espaces L^p et la théorie des distributions.