N° d’ordre 07/RS/TCO Année Universitaire : 2024 / 2025
UNIVERSITE D’ANTANANARIVO
----------------------
ECOLE SUPERIEURE POLYTECHNIQUE
-----------------------
MENTION TELECOMMUNICATION
MEMOIRE en vue de l’obtention du DIPLOME de LICENCE
Domaine : Sciences de l’Ingénieur
Mention : Télécommunication
Parcours : RS
Par : ANDRIAMBOLATAHIANA Yves Anthony
MODELISATION MATHEMATIQUE DES
SYSTEMES PHYSIQUES
CHAPITRE 1 QUELQUES DEFINITIONS ......................................................................... 1
1.1 Un modèle ........................................................................................................................ 1
1.2 Une modélisation............................................................................................................. 1
1.3 Modélisation mathématique .......................................................................................... 2
1.3.1 Objectifs ..................................................................................................................... 2
1.3.2 Étapes de la Modélisation Mathématique ................................................................ 2
1.3.3 Types de modelés mathématiques ............................................................................. 2
1.4 Un système physique ...................................................................................................... 3
1.4.1 Caractéristiques d'un Système Physique .................................................................. 3
1.4.2 Types de Systèmes Physiques .................................................................................... 3
1.5 Modélisation Mathématique des Systèmes Physiques ................................................. 4
1.5.1 Objectifs ..................................................................................................................... 4
1.5.2 Étapes de la Modélisation Mathématique ................................................................ 4
1.6 Conclusion ....................................................................................................................... 5
CHAPITRE 2 FONCTIONS SPECIALES ............................................................................ 6
2.1 Définition ......................................................................................................................... 6
2.2 Différence entre fonction spéciale et fonction .............................................................. 6
2.3 Différence entre une fonction et une distribution ........................................................ 6
2.4 Types de fonctions spéciales........................................................................................... 7
2.4.1 Fonction Beta ............................................................................................................ 9
2.4.2 Fonction Gamma ...................................................................................................... 7
2.4.3 Fonction de Bessel .................................................................................................. 10
2.4.4 Fonction d’erreur .................................................................................................... 12
2.4.5................................................................................................................................... 13
2.4.6................................................................................................................................... 13
i
CHAPITRE 1
QUELQUES DEFINITIONS
1.1 Un modèle
Un modèle est une représentation simplifiée et abstraite d’un système ou d’un phénomène du
monde réel. Il sert à mieux comprendre, analyser, et prédire le comportement du système étudié.
En sciences et en ingénierie, un modèle peut prendre différentes formes :
- Un modèle physique : Une maquette ou une réplique simplifiée (ex. une soufflerie pour tester
l’aérodynamisme d’une voiture).
- Un modèle mathématique : Un ensemble d’équations et de formules qui décrivent les relations
entre les variables du système (ex. les lois de Newton en mécanique).
- Un modèle informatique : Une simulation numérique basée sur des algorithmes (ex. les
prévisions météorologiques).
- Un modèle conceptuel : Un schéma ou une théorie expliquant un phénomène (ex. le modèle
atomique de Bohr).
1.2 Une modélisation
La modélisation est le processus de construction et d'utilisation d'un modèle pour représenter
un phénomène, un système ou un processus réel. Elle permet d'analyser, de comprendre et de
prédire le comportement du système étudié.
Les type de modélisation sont :
- Modélisation physique : Création de prototypes ou de maquettes (ex. soufflerie pour tester
une voiture).
- Modélisation mathématique : Utilisation d’équations et de relations mathématiques pour
décrire un système (ex. lois de Newton en mécanique).
- Modélisation numérique : Simulation sur ordinateur d’un système complexe (ex. prévisions
météorologiques).
- Modélisation conceptuelle : Représentation schématique ou théorique (ex. modèles
économiques ou biologiques).
1
1.3 Modélisation mathématique
La modélisation mathématique est le processus qui consiste à représenter un phénomène du
monde réel à l’aide d’équations et de concepts mathématiques. Elle permet de décrire,
analyser, comprendre et prédire le comportement d’un système physique, biologique,
économique, etc.
1.3.1 Objectifs
La modélisation mathématique a comme objectif de :
- Simplifier un phénomène complexe en le traduisant sous forme de relations
mathématiques.
- Prédire l’évolution d’un système en fonction des conditions initiales et des paramètres.
- Optimiser des processus pour améliorer leur efficacité (ex. en ingénierie ou en
économie).
- Tester des hypothèses sans avoir à réaliser d’expériences coûteuses.
1.3.2 Étapes de la Modélisation Mathématique
La modélisation mathématique suit les étapes suivantes :
- Identification du système : définition du problème a étudier et sélectionner les variables
et les paramètres pertinents
- Formulation du modèle : traduction du problème en équation mathématiques et faire des
hypothèses simplificatrices tout en conservant la pertinence du modèle.
- Résolution et analyse : résolution analytique (si possible) numérique du modèle et étude
de la stabilité, la sensibilité et les limites du modèle.
- Validation du modèle : comparaison des résultats obtenus avec des observations
expérimentales ou des données réelles. Et ajustement du modèle si nécessaire pour
améliorer sa précision
1.3.3 Types de modelés mathématiques
On cite les suivants :
[Link] Modèles Déterministes et Stochastiques
- Déterministes : Produisent toujours le même résultat pour les mêmes conditions initiales
(ex. lois de Newton).
2
- Stochastiques : Intègrent des éléments aléatoires et probabilistes (ex. mouvement
brownien).
[Link] Modèles Continus et Discrets
- Modèles continus : Utilisent des équations différentielles pour représenter des
phénomènes évoluant de manière fluide dans le temps (ex. dynamique des fluides).
- Modèles discrets : Décrivent des systèmes évoluant par étapes successives (ex. modèles
en théorie des graphes).
[Link] Modèles Linéaires et Non Linéaires
- Modèles linéaires : Simples à analyser, suivent le principe de superposition (ex. circuits
électriques linéaires).
- Modèles non linéaires : Décrivent des phénomènes plus complexes (ex. effet de la
turbulence en mécanique des fluides).
1.4 Un système physique
Un système physique est un ensemble d'éléments interagissant entre eux selon des lois
physiques. Il peut être un objet unique ou un ensemble d'objets soumis à des forces et des
phénomènes physiques (mécaniques, thermiques, électriques, etc.).
1.4.1 Caractéristiques d'un Système Physique
Un système physique est défini par :
- Ses composants : Les objets et les éléments qui le constituent.
- Ses interactions : Les forces et phénomènes qui influencent son comportement.
- Ses frontières : Ce qui le sépare de son environnement extérieur.
- Ses états : Variables qui décrivent son évolution dans le temps (ex. vitesse, température,
charge électrique).
1.4.2 Types de Systèmes Physiques
On peut citez :
- Systèmes Ouverts et Fermés
- Systèmes Discrets et Continus
- Systèmes Linéaires et Non Linéaires
3
1.5 Modélisation Mathématique des Systèmes Physiques
D’après tout ces définitions, on peut définir la Modélisation Mathématique des Systèmes
Physiques comme représentation d’un un système physique à l’aide d’équations et de concepts
mathématiques afin d’analyser son comportement, de prédire son évolution et d’optimiser ses
performances. Elle est essentielle en ingénierie, en physique appliquée et en sciences
fondamentales.
1.5.1 Objectifs
L’objectif de la Modélisation Mathématique des Systèmes Physiques est de :
- Traduire un phénomène physique en langage mathématique pour mieux le
comprendre.
- Prédire le comportement du système sous différentes conditions.
- Optimiser des processus en testant différentes configurations.
- Simuler des phénomènes complexes sans recourir à des expériences coûteuses.
1.5.2 Étapes de la Modélisation Mathématique
[Link] Définition du système physique
Identification des éléments du système et leurs interactions et détermination des paramètres
influents (ex. force, température, charge électrique).
[Link] Choix des hypothèses et simplifications
Élimination des effets négligeables pour faciliter l’analyse.
Exemples :
- En mécanique, on peut négliger la résistance de l’air pour un mouvement simple.
- En thermodynamique, on peut supposer un gaz parfait pour simplifier les calculs.
[Link] Formulation du modèle mathématique
Établir les équations du système à partir des lois fondamentales de la physique.
[Link] Résolution des équations
- Trouver des solutions analytiques (exactes) ou numériques (approximatives).
- Utiliser des outils comme les transformées de Fourier, les méthodes numériques, ou la
simulation informatique.
4
[Link] Validation du modèle
- Comparer les prédictions du modèle avec des expériences réelles.
- Si les écarts sont trop importants, ajuster le modèle (modifier les hypothèses, affiner les
équations).
[Link] Utilisation du modèle
Exploiter le modèle pour la simulation, l’optimisation ou le contrôle du système.
1.6 Conclusion
Pour conclure, la modélisation mathématique des systèmes physiques est un outil puissant
permettant d’expliquer et de prédire le comportement des phénomènes naturels et
technologiques. Elle repose sur des équations dérivées des lois fondamentales de la physique et
peut être résolue analytiquement ou numériquement.
5
CHAPITRE 2
FONCTIONS SPECIALES
2.1 Définition
Une fonction spéciale est une fonction mathématique qui apparaît fréquemment dans des
domaines comme la physique, l’ingénierie et les mathématiques appliquées. Ces fonctions ne
sont pas simplement des fonctions élémentaires (comme les polynômes, exponentielles,
logarithmes, sinus et cosinus), mais elles sont souvent définies par des intégrales, des séries ou
des équations différentielles.
2.2 Différence entre fonction spéciale et fonction
Leurs différences sont représentées dans le tableau suivant :
Critère Fonction spéciale Fonction ordinaire
- Relation entre deux ensembles
Définition - Fonction avec des propriétés
- Formellement définie (polynôme,
spéciales
exponentielle)
- Par intégrale, série ou
équation différentielle
Exemple 𝛾(𝑥), 𝐽 𝑛(𝑥), 𝑃 𝑛(𝑥) 𝑓(𝑥) = 𝑥 2 , 𝑓(𝑥) = 𝑒 𝑥
Application Physique, ingénierie, équations Mathématiques générales
différentielles
2.3 Différence entre une fonction et une distribution
Leurs différences sont représentées dans le tableau suivant :
Critères Fonction Distribution
Définition C’est une relation qui associe une C’est un objet mathématique généralisant les
valeur unique à chaque élément fonctions, utilisé en analyse et physique pour
d'un domaine. représenter des objets mathématiques qui ne
peuvent pas être définis classiquement.
Nature Définie point par point Définie sur un ensemble de fonctions test
6
Continuité Peut-être continue ou discontinue Peut représenter des objets discontinus (ex :
Dirac).
Exemple 𝑓(𝑥) = 𝑥 2 , 𝑒 𝑥 , sin 𝑥 𝐷𝑖𝑟𝑎𝑐 (𝛿), 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑜𝑛 𝑑𝑒 𝐻𝑒𝑎𝑣𝑖𝑠𝑖𝑑𝑒 𝐻(𝑥)
Application Modélisation classique Physique, équations aux dérivées partielles,
théorie des signaux
2.4 Types de fonctions spéciales
2.4.1 Fonction Gamma
La fonction Gamma généralise la factorielle aux nombres réels et complexes. Elle est définie
par l'intégrale :
∞
Γ(𝑥) = ∫ 𝑒 −𝑡 𝑡 𝑥−1 𝑑𝑡, 𝑥 > 0
0
Ou 𝑥 peut-être réel ou complexe avec 𝑅𝑒(𝑥) > 0. Cette intégrale appelé aussi l’intégrale
d’Euler de première espèce n’existe que si x est strictement positif.
[Link] Formule et propriétés
La fonction gamma satisfait la relation
Γ(𝑥 + 1) = 𝑥Γ(𝑥)
et si x est un entier non négatif, on déduit que
Γ(𝑥 + 1) = 𝑥!
Cette relation montre que la fonction gamma prolonge la fonction factorielle a l’ensemble des
nombres complexes. Elle montre également que
Γ(1) = 0!
=1
En plus, comme la fonction gamma diverge au point x = 0 (Γ (0) = +∞), elle diverge également
aux points ´ x = −1, −2, −3, . . .. La fonction gamma est représentée graphiquement sur la Fig.
(1.1)
7
Figure 1.1: Trace de la fonction gamma le long de l’axe des réels.
[Link] D’autre représentations de la fonction gamma
La fonction gamma peut être représentée également par les intégrales suivantes
∞
2
Γ(𝑥) = 2 ∫ 𝑒 −𝑡 𝑡 2𝑥−1 𝑑𝑡, 𝑥 > 0
0
1 𝑥−1
1
Γ(𝑥) = ∫ [ln ( )] 𝑑𝑡, 𝑥 > 0
0 𝑡
[Link] Relation de gamma avec les fonctions trigonométriques
Une propriété très importante de la fonction gamma est la suivante
𝜋/2
Γ(𝑥)Γ(𝑦)
∫ cos2x−1 𝜃 sin2y−1 𝜃 𝑑𝜃 =
0 2Γ(𝑥 + 𝑦)
Si on pose x = y = 1/2 dans cette équation, il en résulte que :
𝜋
2 𝜋
∫ 𝑑𝜃 =
0 2
Γ(1/2)Γ(1/2 )
=
2Γ(1)
8
Donc
Γ(1/2) = √𝜋
Remarque : Le type de la fonction Gamma est une fonction transcendantale spéciale utilisée en
probabilités et physique statistique.
2.4.1 Fonction Bêta
[Link] Définition
La fonction bêta (ou l’intégrale d’Euler de première espèce) est définie pour tous nombres
complexes x et y de parties réelles strictement positives par
1
𝐵(𝑥, 𝑦) = ∫ 𝑡 𝑥−1 (1 − 𝑡)𝑦−1 𝑑𝑡 𝑥 > 0, 𝑦 > 0
0
La fonction bêta peut être définie également par l’intégrale suivante
∞
𝑡 𝑥−1
𝐵(𝑥, 𝑦) = ∫ 𝑑𝑡 𝑥 > 0, 𝑦 > 0
0 (1 + 𝑡)𝑥+𝑦
[Link] Relation entre les fonctions gamma et bêta
La fonction bêta est liée à la fonction gamma par la formule
𝜋
2
𝐵(𝑥, 𝑦) = 2 ∫ cos 2x−1 𝜃 sin2y−1 𝜃 𝑑𝜃
0
Γ(𝑥)Γ(𝑦)
=
Γ(𝑥 + 𝑦)
[Link] Propriétés de la fonction bêta
Les propriétés les plus importantes de la fonction bêta sont :
𝑥
(𝑎) 𝐵(𝑥 + 1, 𝑦) = 𝐵(𝑥, 𝑦)
𝑥+𝑦
𝑦
(𝑏) 𝐵(𝑥, 𝑦 + 1) = 𝐵(𝑥, 𝑦)
𝑥+𝑦
(𝑐) 𝐵(𝑥 + 1, 𝑦) + 𝐵(𝑥, 𝑦 + 1) = 𝐵(𝑥, 𝑦)
1
(𝑑) 𝐵(𝑥, 𝑥) = 21−2𝑥 𝐵 (𝑥, )
2
9
2.4.2 Fonction de Bessel
[Link] Définition
Les fonctions de Bessel (appelées aussi fonctions cylindriques ou d’harmoniques ´
cylindriques) ont et´ e introduites par Bernoulli et l’analyse de ses fonctions a été développée
par Bessel en 1860. Les fonctions de Bessel notées 𝐽𝑛 (𝑥) sont les solutions de l’equation
suivante dite de Bessel
𝑑2𝑦 𝑑𝑦
𝑥2 2
+𝑥 + (𝑥 2 − 𝑛2 )𝑦 = 0,
𝑑𝑥 𝑑𝑥
Où 𝑛 est un nombre réel positif (le plus souvent,𝑛 est un entier naturel, ou un demi-entier).
Cette équation admet deux solutions indépendante 𝐽𝑛 (𝑥) et 𝐽−𝑛 (𝑥) où 𝐽𝑛 (𝑥) est donnée par
∞
1 𝑥 2𝑟+𝑛
𝐽𝑛 (𝑥) = ∑(−1)𝑟 ( )
r! Γ(𝑛 + 𝑟 + 1) 2
𝑟=0
La Fig. (2.1) représente les courbes des fonctions de Bessel 𝐽𝑛 (𝑥) pour 𝑛 = 0, 1, 2, 3, 4. La
deuxième solution indépendante notée´ 𝐽−𝑛 (𝑥) correspond à 𝑠 = −𝑛
∞
1 𝑥 2𝑟−𝑛
𝐽−𝑛 (𝑥) = ∑(−1)𝑟 ( )
r! Γ(−𝑛 + 𝑟 + 1) 2
𝑟=0
Figure 2.1: Trace de la fonction de Bessel ´ 𝐽𝑛 (𝑥) pour n = 0, 1, 2, 3, 4.
10
[Link] Fonction de Bessel de deuxième espèce
Il est plus pratique dans beaucoup d’applications d’utiliser au lieu de la fonction 𝐽−𝑛 (𝑥), une
nouvelle fonction notee´ 𝑌𝑛 (𝑥) et appellee fonction de Bessel de de deuxième espèce
(également appelée fonction de Neumann ou encore fonction de ´ Weber-Schlafli). Elle est
définie par
cos(𝑛𝜋)𝐽𝑛 (𝑥) − 𝐽−𝑛 (𝑥)
𝑌𝑛 (𝑥) =
sin(𝑛𝜋)
Ce qui prouve que 𝑌𝑛 (𝑥) est une solution de l’equation de Bessel. La représentation graphique
de 𝑌𝑛 (𝑥) pour 𝑛 = 0, 1, 2, 3, 4 est donnee dans la Fig. (2.2) ci-dessous.
Figure 2.2: Trace de la fonction de Bessel de deuxième espèce 𝑌𝑛 (𝑥) 𝑝𝑜𝑢𝑟 𝑛 = 0, 1, 2, 3, 4.
[Link] Propriétés
1. Si n ∈ N, les deux solutions de l’équation de Bessel ne sont plus indépendantes, elles
sont liées par la formule
𝐽−𝑛 (𝑥) = (−1)𝑛 𝐽𝑛 (𝑥)
2. Si n ∈ N on a toujours
𝑌−𝑛 (𝑥) = (−1)𝑛 𝑌𝑛 (𝑥)
[Link] Fonction génératrice
La fonction génératrice des fonctions de Bessel est donnée par
+∞
𝑥 1
𝑒 2(𝑡− 𝑡 ) = ∑ 𝑡 𝑛 𝐽𝑛 (𝑥)
𝑛=−∞
11
[Link] Représentations intégrales
1 𝜋
(𝑎) 𝐽𝑛 (𝑥) = ∫ (cos 𝑛∅ − 𝑥 sin ∅)𝑑∅ 𝑛 ∈Ν
𝜋 0
1 𝑛
(2 𝑥) 1 1 1
(𝑏) 𝐽𝑛 (𝑥) = ∫ (1 − 𝑡 2 )𝑛−2 𝑒 𝑖𝑥𝑡 𝑑𝑡 (𝑛 > − )
1 2
√𝜋Γ(𝑛 + 2) −1
[Link] Relations de récurrence
𝑑 𝑛
(𝑎) [𝑥 𝐽𝑛 (𝑥)] = (−)𝑥 𝑛 𝐽𝑛−1 (𝑥),
𝑑𝑥
𝑑 −𝑛
(𝑏) [𝑥 𝐽𝑛 (𝑥)] = −𝑥 −𝑛 𝐽𝑛+1 (𝑥),
𝑑𝑥
𝑛
(𝑐) 𝐽𝑛′ (𝑥) = 𝐽𝑛−1 (𝑥) − 𝐽𝑛 (𝑥),
𝑥
𝑛
(𝑑) 𝐽𝑛′ (𝑥) = 𝐽 (𝑥) − 𝐽𝑛+1 (𝑥),
𝑥 𝑛
1
(𝑒) 𝐽𝑛′ (𝑥) = (𝐽𝑛−1 (𝑥) − 𝐽𝑛+1 (𝑥)),
2
2𝑛
(𝑓) 𝐽 (𝑥) = 𝐽𝑛−1 (𝑥) + 𝐽𝑛+1 (𝑥),
𝑥 𝑛
2.4.3 Fonction erreur
La fonction erreur notée erf a été introduite en 1871 par Glaisher et elle est définit par l’intégrale
2 𝑥 2
erf(𝑥) = ∫ 𝑒 −𝑡 𝑑𝑡 − ∞ < 𝑥 < +∞ (3.1)
√𝜋 0
Elle est beaucoup utilisée dans le domaine des probabilités et statistiques. Elle est liée à la
probabilité pour qu’une variable normale centrée réduite prenne une valeur dans un intervalle
[−𝑥, 𝑥]. Cette probabilite est donnée par 𝑒𝑟𝑓(𝑥/ √ 2). Autrement dit, lorsque les resultats d’une
série de mesures sont décrits par une distribution normale avec variance σ et valeur moyenne
0, alors 𝑒𝑟𝑓(𝑥/𝜎 √ 𝜋) est la probabilite que l’erreur d’une seule mesure se situe dans
l’intervalle [ −𝑥, 𝑥]. En physique, la fonction erreur est souvent utilisee dans les problèmes de
diffusion et notamment dans la conduction en régime transitoire. La fonction erreur
complémentaire est défini par
2 ∞ −𝑡 2
erf 𝑐(𝑥) = ∫ 𝑒 𝑑𝑡 − ∞ < 𝑥 < +∞ (3.2)
√𝜋 0
12
A partir des expressions (3.1) et (3.2), il est clair que erfc(x) est le complément a 1 de la fonction
erreur 𝑒𝑟𝑓(𝑥)
𝑒𝑟𝑓𝑐(𝑥) = 1 − erf (𝑥)
[Link] Propriétés de la fonction erreur
2.4.4
2.4.5
13
BIBLIOGRAPHIE
[1] [Link]
didentification-automatique-navires-non-convetionnels/ consulté le 6 juin 2022
[2] [Link]
hoy-ny-minisitra-tomponandraikitra/ consulté le 6 juin 2022
[3] EL. MOHAMAD, « Conception d’un transmetteur/récepteur RF pour les systèmes
d’identification marine », pour l’obtention de la MAITRISE en GÉNIE ÉLECTRIQUE, École
de Technologie Supérieure Université du Québec, MONTRÉAL, le 17 décembre 2003
[4] A. Ando Nirina, « Introduction à la communication numérique » cours de l’année
universitaire :2021-2022 semestres 5 à l’ESPA département télécommunication
[5] El. Hafed « Modulation numérique » partie 2, GSTR 2012/2013
[6] A. GLAVIEUX. [Link], « Communications numériques : Introduction »
Masson, Paris, 1996
[7] A. W. M. Van Den Enden and Verhoeckx, « Traitement numérique du signal », Dunod,
Paris, 2003
[8] A. Glavieux, Ingénieur civil des Télécommunications, « Codage de l’information et
modulation des signaux », Dunod, Paris, 1998
[9] J.C. Bic, D. Duponteil, J.C. Imbeaux, « Éléments de communication numériques,
Transmission sur fréquence porteuse », Dunod, Paris, 1986
[10] M. Degauque, « Transmission numérique sur porteuse : ASK, FSK et PSK ». Probatoire
du CNAM, Bordeaux, juillet 1998
[11] [Link] consulté le 17 juillet 2022
[12] A. Iryna « Introduction aux Communications Numériques », Master M1 ISIM,
Université de Cergy-Pontoise, 19 mars 2012
[13] [Link], « Communication analogique », Ellipses, 1991
[14] D. François et R. Olivier, « Électronique appliquée aux hautes fréquences » Principes
et applications, 2e édition
14
[15] RECOMMANDATION UIT-T M.1371-2* « Caractéristiques techniques d’un système
d’identification automatique universel de bord pour navire, utilisant l’accès multiple par
répartition dans le temps et fonctionnant dans la bande attribuée aux services mobiles
maritimes en ondes métriques »
[16] P. Raoul, « Décodage et localisation AIS par satellite », thèse en vue de l’obtention du
DOCTORAT DE L’UNIVERSITÉ DE TOULOUSE
[17] M. V. Fabio « Fusion de données AIS et radar pour la surveillance maritime », thèse en
vue de l’obtention du DOCTORAT DE L’UNIVERSITÉ DE TOULOUSE
[18] K. Radia, K. Imene, « Étude de la radio navigation maritime par application », Projet
de fin d’études en vue de l’obtention du diplôme de Master en Télécommunications
[19] DIGITAL YACHT « Livre blanc sur le nouveau standard AIS »
[20] B. Claude, « Codes et turbocodes », Springer-Verlag France 2007
15