FORMATO DE GUÍA DE PRÁCTICA DE LABORATORIO / TALLERES /

CENTROS DE SIMULACIÓN – PARA DOCENTES

CARRERA: Ingeniería Electrónica ASIGNATURA: Comunicaciones Digitales

NRO. PRÁCTICA: 1 TÍTULO PRÁCTICA: Reconocimiento y análisis de señales
OBJETIVO GENERAL
 Analyze and recognize the behavior of transcendental signals implemented in the theory of communications
as well as in the domain of time and frequency.
OBJETIVO ESPECIFICO
1. Represent the signals in time domain by establishing and checking the Nyquist sampling theorem.
2. Implement Fourier series through a Matlab script in order to obtain the coefficients of the Fourier series for an
input signal. Modify the input parameters for at least 2 different signals and comment the results.
3. Obtain the magnitude and phase spectra of the following periodic functions using Fseries, FFt and comment
the results.
4. Perform the calculation of the energy of the signals implemented in points 1 and 3, considering the direct
calculation in the time domain and the indirect calculation through the autocorrelation of the signals. Comment
the results
5. For the signal expressed below, identify for each time span T, if the signal corresponds to S1 or S2 taking
advantage of the concept of correlation.
6. Answer the following questions.
 The calculation of the energy of the signals from point 1 is exactly the same obtained through your
program with the analytical calculation?
 Summarize the equations corresponding to the relationship between power and energy spectral
density correlation
 Explain how to transform dB to dBi, dBu, dBm and what relationship exists between them.
 In a frequency spectrum that is known as noise floor
 What are the factors that intervene in the degradation of transmission?
 What is delay distortion?
 What is thermal noise?
 What is intermodulation noise?
 Explain the additive channel model.
1. Analizar las respectivas señales en el dominio de tiempo y frecuencia
2. Obtener los espectros de densidad de potencia y energía.
INSTRUCCIONES
3. Simular cada señal y comprobar el método analítico con el uso de software Matlab.

ACTIVIDADES DESARROLLADAS
1. Representar señales en el dominio del tiempo y frecuencia mediante software.
2. Analizar y calcular la densidad espectral de potencia y energía.
3. Simular los espectros de magnitud y fase de funciones periódicas.
4. Implementar un programa para obtener los coeficientes de la serie compleja de Fourier.
MARCO TEÓRICO:
SERIES DE FOURIER
Las series de Fourier engloba la descomposición de una señal periódica en funciones básicas, que tienen frecuencias
que son múltiplos de la señal original, lo que permite el análisis de propiedades y síntesis de los objetos. Se determina
mediante:
 ∞
𝑎0
𝑓(𝑥) = + ∑(𝑎𝑛 cos(𝑛𝜔0 𝑥) + 𝑏𝑛 sen(𝑛𝜔0 𝑥))
2
𝑛=1

Donde:
2𝜋
𝜔0 =
𝑇

1
𝑎0 = ∫ 𝑓(𝑥)𝑑𝑥
𝑇/2 𝑇
1
𝑎𝑛 = ∫ 𝑓(𝑥)cos⁡(𝑛𝜔0 𝑥)𝑑𝑥
𝑇/2 𝑇

1
𝑏𝑛 = ∫ 𝑓(𝑥)sen⁡(𝑛𝜔0 𝑥)𝑑𝑥
𝑇/2 𝑇

Tanto como 𝑎0 , 𝑎𝑛⁡ 𝑦⁡𝑏𝑛 son los coeficientes de la serie de Fourier.

Si las funciones a evaluar tienen periodo de 2𝜋, se considera la función en el intervalo [−𝜋, 𝜋]; Si la función es par,
el coeficiente 𝑏𝑛 = 0 pero si la función es impar, el coeficiente 𝑎𝑛 = 0, debido a que las funciones trigonométricas,
tanto el coseno como el seno se convierten en funciones impares.

TEOREMA DE NYQUIST

El teorema de Nyquist, también conocido como el teorema de muestreo, valida el proceso de conversión analógica
digital o viceversa, de manera que el número de muestras que se toma a una frecuencia doble de la máxima
frecuencia de la señal a muestrear.
𝑓𝑠 = 2𝑓𝑚𝑎𝑥

Este teorema se utiliza para eliminar el efecto de aliasing producido por la conversión A/D.

ENERGIA
Una señal eléctrica está representada por un voltaje, corriente, resistencia y una potencia disipada, sin embargo, en
sistemas de comunicaciones se normaliza la resistencia a un valor de 1 ohmio.
∞

𝐸𝑥 = ∫ 𝑥 2 (𝑡)𝑑𝑡
−∞
Donde 𝑥(𝑡) puede considerarse como la corriente o el voltaje de la señal eléctrica.
Las señales pueden considerarse de energía si y solo si la energía es mayor a cero y finita y la potencia equivalente
a cero. Las señales determinísticas no periódicas se consideran señales de energía.

POTENCIA
De igual manera para calcular la potencia se considera el concepto de energía con la diferencia que se considera la
relación con el periodo:
∞
1
𝑃𝑥 = ∫ 𝑥 2 (𝑡)𝑑𝑡
𝑇
−∞

Es decir, la potencia determina el voltaje que se debe aplicar en un transmisor o es la velocidad a la que se entrega
energía en un determinado periodo.
Las señales se consideran de potencia solo y solo si la potencia es mayor a cero y finita, y que la energía sea infinita.
Entre estas están las señales periódicas y aleatorias.
 DENSIDAD ESPECTRAL
La densidad espectral de una señal se caracteriza la distribución de energía y potencia de una señal en el dominio
de la frecuencia y sirve para evaluar la señal y el ruido a la salida de un filtro.
DENSIDAD ESPECTRAL DE ENERGÍA
La densidad espectral de energía describe la energía de la señal por unidad de ancho de banda. Si se aplica la
transformada de Fourier a la energía se obtiene el espectro, por lo tanto
∞ ∞ 2
2
𝐸𝑥 = ∫ 𝑥 (𝑡)𝑑𝑡 = ∫ |𝑋(𝑓)| 𝑑𝑓
−∞ −∞

𝑥(𝑓) = 𝐹{𝑥(𝑡)}

𝑋(𝑓) = ∫ 𝑥(𝑡)⁡𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡

−∞
Entonce se denota que la densidad espectral de energía es

𝜑(𝑓) = |𝑋(𝑓)|2

DENSIDAD ESPECTRAL DE POTENCIA

La función densidad espectral de potencia es una función real, par y no negativa que da la distribución de la potencia
x(t) en función de la frecuencia y se la define como una sucesión de las funciones delta
∞

𝐺𝑥 (𝑓) = ∑ |𝑐𝑛 |2 𝛿(𝑓 − 𝑛𝑓0 )

𝑛=−∞
Si la función a evaluar es no periódica se denota
1
𝐺𝑥 (𝑓) = lim |𝑋(𝑓)|2
𝑇→∞ 𝑇

RESULTADO(S) OBTENIDO(S):
1. Representar las siguientes señales en el dominio del tiempo estableciendo y comprobando el teorema de
muestreo de Nyquist para el dominio del tiempo.
a) 𝑥 = 𝐴𝑠𝑒𝑛(𝜔𝑡)⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑓 = 100⁡𝐻𝑧
En la Figura 1 se observa la función con respecto al tiempo con frecuencia igual a 100 Hz.

Figura 1 Función del literal a con respecto al tiempo con frecuencia de 100 Hz
 Figura 2 Función del literal a evaluada en el dominio de la frecuencia

Si la frecuencia se cambia 𝑓 = 50⁡𝐻𝑧, la función en el tiempo toma más muestras por lo que la
gráfica se acerca más a la original.

Figura 3 Función del literal a con respecto al tiempo con frecuencia de 50 Hz

 Figura 4 Función del literal a con respecto a la frecuencia con frecuencia de 50 Hz

Mientras que en la Figura 4 se observa que tiene sus máximos cercanos a -50 y 50.
Ahora, si la frecuencia se hace mayor, en este caso 𝑓 = 200⁡𝐻𝑧, se obtiene:

Figura 5 Función con respecto al tiempo con f=200Hz

La función tiende a no ajustarse a la original debido a que cuenta con menos muestras que las frecuencias
anteriores.
 Figura 6 Función con respecto al dominio de frecuencia, f=200 Hz

Pero en la Figura 6, el espectro de fase tiende a ser más fijo, mientras que el espectro de magnitud muestra
los máximos cercanos a -200 y 200.

b) 𝑦 = 𝑠𝑒𝑛(𝜔𝑡) + cos(𝜔𝑡) con 𝑓1 = 100⁡𝐻𝑧 y 𝑓2 = 300⁡𝐻𝑧

 Figura 7 Función del literal b con respecto al tiempo

Figura 8 Función del literal b evaluada en el dominio de la frecuencia

Para ver el comportamiento de la onda, se analiza en otras frecuencias

Cuando 𝑓1 = 50𝐻𝑧 y 𝑓2 = 150𝐻𝑧
 Figura 9 Función con respecto al tiempo con f1=50 Hz y f2=150 Hz

Figura 10 Función con respecto a la frecuencia con f1=50 Hz y f2=150 Hz

En la siguiente figura se observa que la función se evalúa hasta 1 por lo que la onda de ajusta al rango y pierde
información. Por lo que se recomienda elevar la frecuencia de muestreo o disminuir la frecuencia de análisis.

Figura 11 Función con respecto al tiempo con f1=200 Hz y f2=600 Hz

Figura 12 Función con respecto a la frecuencia con f1=200 Hz y f2=600 Hz

c) 𝑧 = 𝑟𝑒𝑐𝑡(3𝑡 − 2)
En el caso de esta función, no tiende a evaluarse en otros rangos debido a que no depende de una frecuencia de
análisis ni muestreo.

Figura 13 Función del literal c evaluada en el dominio del tiempo

Figura 14 Función del literal c evaluada en el dominio de la frecuencia

2. Implementar las series de Fourier a través de un script en Matlab de manera que se obtenga los coeficientes
de la serie de Fourier para una señal de entrada. Modifique los parámetros de entrada para al menos dos
señales diferentes y comente los resultados.

Para este literal es necesario analizar en 2 señales diferentes. Se procede con la primera señal
 2
𝑓(𝑡) = {𝑡 ⁡⁡⁡⁡ − 𝜋 < 𝑡 < 0}
0⁡⁡⁡⁡⁡⁡⁡⁡ < 0⁡⁡𝑡 < 𝜋

Figura 15 Coeficientes obtenido mediante el Script

En la Figura 15 se observan los coeficientes de la función 𝑓(𝑡) = 𝑡 2 , estos valores están en función de n para
evaluarse según lo necesario. Por otro lado, Figura 16 muestra el comportamiento de estos coeficientes a medida
de que crece o decrece n.

Figura 16 Comportamiento de la función debido a los diferentes coeficientes.

La segunda señal a analizar es

 𝜋 + 𝑡⁡⁡⁡⁡ − 𝜋 < 𝑡 < 0
𝑓(𝑡) = { }
0⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ < 0⁡⁡𝑡 < 𝜋

El código se mantiene pero se modifica dicha función, por lo que sus coeficientes son

Figura 17 Coeficientes de la segunda señal

De igual manera se puede observar el comportamiento.

Figura 18 Comportamiento de la función debido a los diferentes coeficientes.

 3. Obtenga los espectros de magnitud y fase de las siguientes funciones periódicas usando:
a) Fseries
b) FFT y comente los resultados.
Funciones:
a) 𝑥 = 𝐴𝑠𝑒𝑛(𝜔𝑡)⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑓 = 100⁡𝐻𝑧

Figura 19 Espectro de magnitud y fase mediante FFT de la funcion del literal a

Figura 20 Espectro de magnitud y fase discreto, literal a uso de fseries

En la Figura 19 se muestra la función en el dominio de la frecuencia y Figura 20 muestra en el dominio del

tiempo, las 2 figuras muestran similitud al mostrar 2 picos máximos en el espectro de magnitud.
Si la misma función se analiza en una frecuencia menor, es decir, 𝑓 = 50𝐻𝑧, se obtiene

Figura 21 Espectro de Magnitud y fase, literal a con uso de FFT, f=50Hz

Figura 22 Espectro de Magnitud y fase, literal a con uso de fseries, f=50Hz

De igual manera se observan los 2 picos en el espectro de la magnitud pero más cercanos a la 0, por lo
que la función varía de acuerdo a la frecuencia, pero sigue existencia similitud entre ellas.
b) 𝑦 = 𝑠𝑒𝑛(𝜔𝑡) + cos(𝜔𝑡)

Figura 23 Espectro de magnitud y fase mediante FFT del literal b

Figura 24 Espectro de magnitud y fase mediante fseries del literal b

En la Figura 23 y Figura 24 se analizan la función 𝑦 = 𝑠𝑒𝑛(𝜔1 𝑡) + cos⁡(𝜔2 𝑡) donde se muestra los 4 picos
similares entre las 2 graficas pero se observa que la función con fseries no tiende a cero por lo que se
requiere un número más grande de muestras para visualizar la función con muestras en 0.
Ahora si la misma función se evalúa en frecuencias menores, 𝑓1 = 50⁡𝐻𝑧 y 𝑓2 = 150⁡𝐻𝑧

Figura 25 Espectro de magnitud y fase mediante FFT con frecuencias menores

Figura 26 Espectro de magnitud y fase mediante fseries con frecuencias menores

Tanto en la Figura 25 y Figura 26 se observan los 4 picos pero se muestra que la función con fseries tiene
a 0, a diferencia donde se tenía frecuencias más altas, por lo que se deduce que si se mantienen
frecuencias najar y un numero de muestras menor, la función tiende a 0, pero si se trabaja a altas
frecuencias se necesita un numero de muestras más alto para un análisis mas preciso.
c) 𝑧 = 𝑟𝑒𝑐𝑡(3𝑡 − 2)

Figura 27 Espectro de magnitud y fase mediante FFT del literal c

Figura 28 Espectro de magnitud y fase mediante fseries del literal c

En la Figura 28 se observa que la función es 0 en todos los valores de muestra debido a que se anula la
función de entrada sinc y el pulso rectangular.
d) 𝑚 = 𝑠𝑒𝑛(2𝜋100𝑡) + 𝑐𝑜𝑠(2𝜋150𝑡) + 𝑠𝑒𝑛(2𝜋820𝑡)
 Figura 29 Espectro de magnitud y fase mediante FFT del literal d

Figura 30 Espectro de magnitud y fase mediante fseries, literal d

En la Figura 29 y Figura 30 se analiza la función 𝑦 = 𝑠𝑒𝑛(2𝜋100𝑡) + 𝑐𝑜𝑠(2𝜋150𝑡) + 𝑠𝑒𝑛(2𝜋820𝑡) pero de igual

manera no se puede apreciar los picos por tener frecuencias altas, por lo que se analiza en frecuencias menores.
 Figura 31 Espectro de magnitud y fase mediante FFT con bajas frecuencias

Figura 32 Espectro de magnitud y fase mediante fseries con bajas frecuencias literal d

Tanto en la figura Figura 31 y Figura 32 se observan 6 picos de las diferentes frecuencias analizadas y la
función antes de las 30 muestras en fseries, ya se estabiliza.
𝑡2
1
e) 𝑟 = 𝑒− 2
√2𝜋
 Figura 33 Espectro de magnitud y fase mediante FFT del literal e

Figura 34 Espectro de magnitud y fase mediante fseries, literal e

La Figura 33 y Figura 34 muestran un pico y la función tiende a 0 debido a que no depende de la frecuencia
específicamente, por lo que no es necesario el análisis a otras frecuencias.

De la misma manera, el punto 1 se relaciona con este punto a, ya que son las mismas graficas al tratarse del mismo
espectro cuando se utiliza la función FFT en Matlab. Lo recomendable en este punto es que la frecuencia de muestreo
este acorde al análisis. El análisis mediante fseries ayuda a comprobar o corroborar las gráficas en FFT pero se debe
aumentar el número de muestras cuando se trabaje a altas frecuencias.

4. Realice el cálculo de la energía de las señales implementadas en el punto 1 y 3 considerando el cálculo

directo en el dominio del tiempo y el cálculo indirecto a través de la autocorrelación de las señales. Comente
los resultados.
a) 𝑥 = 𝐴𝑠𝑒𝑛(𝜔𝑡)

Figura 35 Script de la función x(t)=Asen(wt), con f=100Hz

En la Figura 35 se observa el código para el cálculo de la Energía de la función 𝑥(𝑡) = 𝐴𝑠𝑒𝑛(𝜔𝑡), y en la

ventana de comandos es visible la energía correspondiente.
Al momento de cambiar la frecuencia, el valor de energía varía debido a que la función es evaluada en
otro periodo.

Figura 36 Script de la función x(t)=Asen(wt), con f=200Hz

 b) 𝑦 = 𝑠𝑒𝑛(𝜔𝑡) + cos(𝜔𝑡)

Figura 37 Script de la función x(t)=sen(wt)+cos(wt), con f=100Hz y f2=300

Al ser una función compuesta, se debe evaluar en 2 frecuencias diferentes, en este caso se evaluó en 100
y 300 Hz.

Figura 38 Script de la función x(t)=sen(wt)+cos(wt), con f=50Hz y f2=150Hz

Para el análisis de una función con 2 frecuencias, se debe tomar la frecuencia mínima entre las 2.
 c) 𝑧 = 𝑟𝑒𝑐𝑡(3𝑡 − 2)

Figura 39 Script de la función z(t)=rect(3t-2)

La función rectangular no varía respecto a la frecuencia por lo que solo se evalúa en un intervalo de tiempo.

d) 𝑚 = cos(2𝑝𝑖 ∗ 100𝑡) + cos(2𝑝𝑖 ∗ 150𝑡) + 𝑠𝑒𝑛(2𝑝𝑖 ∗ 820𝑡)

Esta función también se evalúa en 3 diferentes frecuencias por lo que se toma 3 graficas distintas, tanto
con frecuencias mayores como frecuencias menores.

Figura 40 Script de la función m(t)=sen(wt)+cos(w2t)+sen(w3t), f=100, f2=150 y f3=820 Hz

Si las frecuencias disminuyen a la mitad, la energía tiende a elevarse

Figura 41 Script de la funcion m(t)=sen(wt)+cos(w2t)+sen(w3t), f=50, f2=75 y f3=410 Hz

Ahora, si las frecuencias suben, la energía disminuye, esto se da porque la frecuencia y el periodo son
proporcionales.

Figura 42 Script de la función m(t)=sen(wt)+cos(w2t)+sen(w3t), f=100, f2=300 y f3=1620 Hz

𝑡2
1 −
e) 𝑟 = 𝑒 2⁡
√2𝜋
 Figura 43 Script de la función r(t)=1/sqrt(2pi)exp(-t^2/2)

De igual manera, esta función solo se evalúa en un intervalo de tiempo por lo que la frecuencia no interviene en el
análisis tanto de la energía ni de las gráficas.

5. Para la señal expresada a continuación identifique para cada lapso de tiempo T, si la señal corresponde a 𝑆1
o 𝑆2 aprovechando el concepto de correlación.
Primero se genera la señal s, para compararla con s1 y s2 mediante la convolución de señales, para lo que
se utiliza el siguiente Script.
2𝜋𝑡
𝑠1 = 𝑠𝑒𝑛 ( ) [𝑢(𝑡) − 𝑢(𝑡 − 𝑇)]
𝑇
2𝜋𝑡
𝑠1 = −𝑠𝑒𝑛 ( ) [𝑢(𝑡) − 𝑢(𝑡 − 𝑇)]
𝑇

Lo que primero se genera es la señal s; Luego se establece un bucle el cual va a comparar la señal 1 con la señal s
o la señal 2 con la señal s, para esto se utiliza la convolución de funciones.

Figura 44 Script en Matlab para la identificación de señal

Los valores evaluado y ya comprobados, se crea otro bucle para guardar los datos y obtener la sumatoria de cada
señal para analizar a que señal pertenece y obtener la secuencia.

Figura 45 Graficas de cada señal, s1, s2 y s, respectivamente

Con lo que se obtiene la siguiente secuencia

Figura 46 Secuencia obtenida mediante MATLAB

Este punto ayuda al identificar si existen señales repetidas en un mensaje de transmisión o recepción.

6. Responda las siguientes preguntas

a) El cálculo de la energía de las señales del punto 1 ¿es exactamente el mismo obtenido a través de
su programa con el cálculo analítico?

b) Resumir las ecuaciones correspondientes a la relación entre correlación de densidad espectral de

potencia y energía
Cuando se aplica energía

𝐸𝑥 = ∫ 𝑥 2 (𝑡)𝑑𝑡
−∞

𝑥(𝑡) se puede reemplazar con la transformada de Laplace de manera que

𝑋(𝑡) = 𝐹{𝑥(𝑡)}
Donde
∞

𝑋(𝑡) = ∫ 𝑥(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡

−∞
Por lo que
𝜑𝑥 (𝑓) = |𝑋(𝑡)|2
𝜑𝑥 (𝑓) se define como la densidad espectral de energía, siendo la magnitud del espectro al cuadrado,
por lo que se define que
 ∞

𝐸𝑥 = ∫ 𝜑𝑥 (𝑓)𝑑𝑡
−∞
En el caso de la potencia

∞ ∞
1
𝑃𝑥 = ∫ 𝑥 2 (𝑡)𝑑𝑡 = ∑ |𝑐𝑛 |2
𝑇
−∞ 𝑛=−∞

Donde 𝑐𝑛 son los coeficientes complejos de la serie de Fourier de la señal periódica, entonces
∞

𝐺𝑥 (𝑓) = ∑ |𝑐𝑛 |2 𝛿(𝑓 − 𝑛𝑓0 )

𝑛=−∞
𝐺𝑥 (𝑓) Se define como la densidad espectral de potencia, siendo como una sumatoria de funciones
delta.
∞

𝑃𝑥 = ∫ 𝐺𝑥 (𝑓) 𝑑𝑡
𝑛=−∞

 Explicar cómo transformar dB a dBi, dBu, dBm y qué relación existe entre estos.
Estos son derivaciones de los decibeles, con la variación de la escala de la potencia.
Los dBm se refieren a que la relación de potencia se encuentre en los miliwatios.
𝑑𝐵𝑚 = 𝑑𝐵 + 30
Los dBi establece la ganancia de una antena como referencia a una fuente isotrópica. Es decir, en
antenas isotrópicas dBi es igual a dB. Se calcula mediante

𝑑𝐵𝑖 ± 𝑑𝐵𝑖 = 𝑑𝐵𝑑 = 𝑑𝐵𝑖 − 2.15

𝑑𝐵 = 𝑑𝐵𝑖 + 2.15
A diferencia de los anteriores, los dBu toman en cuenta a la relación de voltajes.
0⁡𝑑𝐵𝑢 = 0.775⁡𝑣𝑜𝑙𝑡𝑠

 En un espectro de frecuencia a que se le conoce como piso de ruido

El piso de ruido es conocido por ser la suma de todas las fuentes de ruido y señales no deseadas del sistema,
con el cual se puede obtener figura del ruido, sensibilidad, amplificación, tamaño de la antena, tipo de antena
y protección de radiofrecuencias.

 ¿Cuáles son los factores que interviene en la degradación de transmisión?

Entre los principales factores que degradan la transmisión se encuentra el ruido, la distorsión y la atenuación.
El ruido tiende a crear señales no deseadas y distorsiona la señal original. La distorsión por atenuación se
da cuando las altas frecuencias pierden potencia rápidamente que las bajas frecuencias, a diferencia que la
distorsión por retraso donde la señal tiende a retrasarse en algunas frecuencias; y la atenuación reduce la
fuerza de la señal lo que produce perdidas en el sistema.

 ¿Qué es distorsión de retardo?

La distorsión de retardo se produce debido a que la velocidad de propagación de la señal varía con la
frecuencia y hay frecuencias que llegan antes que otras al receptor. Se puede compensar con técnicas de
ecualización. Otra definición es la interferencia entre símbolos; su efecto consiste en variar los instantes de
transición de bit de la señal recibida.

 ¿Qué es ruido térmico?

El ruido térmico es producido por el movimiento de los electrones en los elementos o componentes en el
sistema, es decir, se produce por el calor o pérdida de potencia de los componentes a utilizar.
  ¿Qué es ruido de intermodulación?
Este ruido se da cuando señales con diferentes frecuencias se encuentran o se propagan por un mismo
medio.

 Explique el modelo de canal aditivo.

Es un modelo de ruido básico utilizado en teoría con la información para imitar efecto de procesos aleatorios,
es aditivo ya que se ánade a cualquier ruido que puede ser intrínseco al sistema de información

CONCLUSIONES:
To introduce ourselves to telecommunications it’s important to remember some of the basic functions to appreciate its magnitude
and phase as required.
Through the simulations, you can see the behavior of the spectra, both power and energy of the different functions, for which it is
necessary to take into account the range in which the function is evaluated.
In point 3, the spectrums of magnitude and phase of the functions are checked by 2 methods, as well as FSERIES and FFT, but
it’s required that the frequencies to be evaluated are in accordance with the number of samples, that is, if the frequencies are high,
it’ll be necessary to a higher number of samples.
The analytical method varies with minimal quantities compared to the result obtained by Matlab.
The concepts analyzed in point 6, give a brief knowledge of different basic terms in telecommunications.
Both in the graphs and in the analytical method it was possible to verify that the higher the frequencies, the Energy tends to
decrease and vice versa; If the function consists of different frequencies of analysis, it is better to check with others both major and
minor just to observe the behavior of the wave.

RECOMENDACIONES:
El análisis de estos conceptos es básico por lo que se requiere recordar todos los conocimientos sobre señales tanto
en el dominio del tiempo como de la frecuencia.
Además, los intervalos de trabajo o las frecuencias de análisis y muestreo deben estar en rangos donde se puede
evaluar y observar el comportamiento, debido a que si se encuentran en un rango muy pequeño, las señales pierden
información.

Nombre de estudiante: Duy Damián, Jara Tatiana