1

Tarea 1 - Procesamiento Digital de Señales

Pablo Andrés Bolaños Semanate1

Resumen—En esta primer tarea se realizaron las actividades M= [ 5 , 1 0 , 2 0 , 5 0 , 1 0 0 ] ;

propuestas por la guı́a, en este informe presenta todo el pro- SigmaRuido = 0 . 0 5 ;
cedimiento que se llevó a cabo haciendo uso de la herramienta p e a k s n r =0;
Matlab, en el cuál se desarrollaron programas que son capaces
de resolver los problemas propuestos en dicha guı́a. nombre= ’ v i d e o c o n t ’ ;
a v i= ’ . a v i ’ ;
Index Terms—Correlación, Ruido aditivo Gaussiano, Señales
discretas, Media, Desviación, PSNR, Red Meteorológica Auto-
matizada (RMA), Matlab. f o r i i =1: l e n g t h (M)
v ( i i ) = VideoWriter ( s t r c a t ( nombre , i n t 2 s t r (
i i ) , a v i ) , ’ Uncompressed AVI ’ ) ;
I. Introducción
open ( v ( i i ) ) ;

E N el siguiente documento se presentará como se

realizó la implementación y evaluación de la función
de correlación para señales discretas; por otra parte se
mostrará la eliminación de ruido de una señal, para
este caso se aplicará a un vı́deo en donde se promedian
las señales afectadas por dicho ruido y se observará el
resultado del proceso mediante el promedio.
II. Procedimiento
En el siguiente procedimiento se mostrará paso a paso
como se realizó cada uno de los componentes de la Tarea
1, de esta forma se mostraran el desarrollo de códigos y ası́
mismo se anexarán gráficas para evidenciar los resultados
obtenidos en los dos requerimientos.
II-A. Eliminación de ruido de una señal a través del
promedio de varias señales.
Para este primer caso se elaboró un programa capaz
de eliminar el ruido de una señal a través del promedio
de varias señales, en donde fue necesario extraer un
vı́deo de 3 segundo de duración al cual se le aplicará el
ruido aditivo Gaussiano con una media cero y desviación
estándar de 0,05.
Después de hacer un análisis previo del problema
planteado en la guı́a de la Tarea 1, de donde se realizó el
siguiente código en Matlab:
f u n c t i o n v=Vipromedio ( Vi ,M, MuRuido ,
SigmaRuido )
clear all ;
close all ;
format s h o r t e ;
format compact ;
Vi=VideoReader ( ’ Video1 . a v i ’ ) ; %Cargar e l
video
Frame=Vi . NumberofFrames ;
1 Pablo Andrés Bolaños Semanate Departamento de electrónica
y ciencias de la computación . Facultad de ingenieria electrónica .
Santiago de Cali. (e-mail:pabloabs97@gmail.com).
p e a k s n r =0;
f o r k =1:88
j a u x=r e a d ( Vi , 1 ) . ∗ ( 0 ) ;
f o r i =1:M( i i )
x= r e a d ( Vi , k ) ; %Frame o r i g i n a l
j=i m n o i s e ( x , ’ g a u s s i a n ’ , 0 , 0 . 2 2 3 6 0 ) ; %
A p l i c o r u i d o g a u s s i a n o a cada
Frame ( i , n o i s e , media , v a r i a n c e )
j a u x =(( j ) . ∗ ( 1 / 2 0 ) )+j a u x ;
end
p e a k s n r=p s n r ( jaux , x )+p e a k s n r ;
writeVideo ( v ( i i ) , jaux ) ;
end
PSNRvec ( i i )=p e a k s n r /Frame ;
close (v( i i ) ) ;
stem ( PSNRvec ( i i ) ,M)
t i t l e ( ’PSNR vs M’ )
y l a b e l ( ’M’ )
x l a b e l ( ’PSNR ’ )
g r i d on ;
g r i d minor ;
end
stem ( PSNRvec ,M)
implay ( ’ v i d e o c o n t 5 . a v i ’ )
implay ( ’ v i d e o c o n t 1 0 . a v i ’ )
implay ( ’ v i d e o c o n t 2 0 . a v i ’ )
implay ( ’ v i d e o c o n t 5 0 . a v i ’ )
implay ( ’ v i d e o c o n t 1 0 0 . a v i ’ )
v=VideoReader ( ’ v i d e o c o n t 2 0 . a v i ’ ) ; %Cargar
e l v i d e o promediado
end
El funcionamiento de este código, consiste en cargar
un vı́deo de 3 segundos de duración para poder iniciar
este procedimiento, ya habiendo cargado el vı́deo externo
se cuenta cuantos frames lo componen, se crea un vector
que contiene cuantas veces debe promediar la señal
M=[5,10,20,50,100], antes de iniciar con las iteraciones se
 2

crea una variable con la rutina VideoWriter que permite con respecto al fragmento del vı́deo contaminado total-
guardar el vı́deo después de haber realizado las iteraciones mente.
necesarias inicializando con el comando open(v), después
el código se compone de dos ciclos For, el primero ciclo es
creado con la necesidad de que recorrer todos los frames
que componen la señal y el segundo ciclo es creado para
que se contamine cada frame con ruido aditivo Gaussiano
de forma aleatoria posteriormente irlo guardando en una
variable y ası́ poder ir promediando según las iteraciones
del caso,para finalizar la rutina se cierra con el comando
close(v), y para poder observar el resultado final se crea Figura 4. Fragmento del vı́deo contaminado con M=10
una variable para poder cargar el vı́deo con el promedio
ya realizado, utilizando la rutina VideoReader, para este En la Figura 4 se presenta un fragmento del vı́deo conta-
caso se utilizó el formato avi. minado pero para este caso promediado con 10 iteraciones
logrando un mejoramiento en la calidad del fragmento
Para mostrar el promediado de cada caso primero con respecto con el fragmento del vı́deo contaminado
se iniciará mostrando una fragmento del vı́deo original: totalmente.

Figura 1. Fragmento del vı́deo original Figura 5. Fragmento del vı́deo contaminado con M=20

En la Figura 1 se muestra un fragmento del vı́deo
original sin realizar ninguna manipulación del mismo,
después se mostrara la secuencia para ver la transición
entre cada promedio, mostrado a continuación:
En la Figura 5 se presenta un fragmento del vı́deo
contaminado pero para este caso promediado con 20
iteraciones logrando un mejoramiento considerable en la
calidad del fragmento con respecto con el fragmento del
vı́deo contaminado totalmente.

Figura 2. Fragmento del vı́deo contaminado totalmente

En la Figura 2 se muestra un fragmento del vı́deo origi-
nal contaminado sin realizar ningún promedio, únicamente
se contamina con Ruido aditivo Gaussiano establecidos
por los parámetros antes mencionados.
Figura 6. Fragmento del vı́deo contaminado con M=50
En la Figura 6 se presenta un fragmento del vı́deo
contaminado pero para este caso promediado con 50
iteraciones logrando un mayor mejoramiento en la calidad
del fragmento con respecto con el fragmento del vı́deo
contaminado totalmente.

Figura 3. Fragmento del vı́deo contaminado con M=5

En la Figura 3 se presenta un fragmento del vı́deo conta-

minado pero para este caso promediado con 5 iteraciones Figura 7. Fragmento del vı́deo contaminado con M=100
logrando un leve mejoramiento en la calidad del fragmento

En la Figura 7 se presenta un fragmento del vı́deo
contaminado pero para este caso promediado con 100
iteraciones logrando un alto mejoramiento en la calidad
del fragmento con respecto con el fragmento del vı́deo
contaminado totalmente.
Lo mostrado desde la Figura 2 a la Figura 7 nos da cuenta
de como mediante el promediado de la señal se logra el
mejoramiento de la misma al realizar este proceso, como
muestra de esto se puede evidenciar en el paper Técnicas
de procesamiento digital de señales para reducción de
ruido de señales de múltiples sensores ası́ncrono, en
donde se incorporan fuentes de ruido blanco y también
ruido térmico generado por los sensores, y de esta forma
se realizan análisis de diferentes casos como ejemplo la
señal de referencia se muestrea a una tasa baja y por
otra parte se realiza el sobremuestreo (oversampling)
en todos estos casos se realiza la interpolación de los
puntos, finalmente se realiza promedios en los dominios
del tiempo y frecuencia con el fin de establecer diferencia
entre los datos obtenidos y los datos esperados.
Para el caso del Peak Signal-to-Noise Ratio (PSNR),
este estimador de ruido es la relación entre señal a ruido
pico el cual afectar directamente la relación entra la
máxima energı́a posible de una señal y el ruido que la
afecta, dicho estimador tiene como unidad el decibel
(dB), la expresión que describe a este estimadores la
siguiente:
2552
P SN R = 10 log10 ( ) (1)
M SE
En la Ecuación 1 se presenta la expresión para PSNR,
en donde se define con 65025 el factor por el que se
debe realizar la razón debido a que los pixeles son
representados usando 8 bits y 255 es el máximo valor que
se puede obtener en base decimal, por otra parte, mean
squared error(MSE), es el error cuadrático medio siendo
este una forma de medir el error que se introduce a la
señal original,la expresión que describe a este estimador
es la siguiente:
M N
1 XX
M SE = (I(i, j) − I 0 (i, j))2 (2)
M N i=i j=1
En la Ecuación 2 se presenta como está dado por una
imagen monocromática de tamaño M x N sin ruido I y con
una imagen de igual tamaño pero contaminada con ruido
I’ y de esta manera se puede calcular el error cuadrático
medio.
II-B. Correlación de señales
II-B1. : Para este caso, se elaboró una programa capaz
de realizar la correlación entre dos secuencias discretas,
con la caracterı́stica principal de que es capaz de identificar
si se debe efectuar la auto correlación o en su defecto la
correlación cruzada de las señales, por otra parte se debe
ingresar el punto cero de cada una de las señales para
3
realizar la operación de forma correcta, para iniciar este
proceso se inicia desde la siguiente expresión:
∞
X
rxy (l) = x(n)y(n − l), l = 0, 1, 2, 3... (3)
n=−∞
En la Ecuación 3 se muestra la correlación definida de
forma estricta, en donde l es el retardo en el tiempo, por
otra parte los subı́ndices xy indican la correlación cruzada,
en el caso que sea xx hace referencia a la auto correlación
.
Para obtener la correlación cruzada y auto correlación
en forma normalizada es necesario aplicar las siguientes
expresiones para que dichos valores de correlación estén
dentro de 0 y 1, dados por las siguientes expresiones:
rxx
ρxx (l) = , rxx (0) : Instante cero (4)
rxx (0)
En la Ecuación 4 se presenta la expresión para la auto
correlación normalizada, dada para la correlación de dos
señales iguales y que dicha correlación este entre los rangos
de 0 y 1.
rxy
ρxy (l) = p2
, rxx (0), ryy (0) : Instante cero
rxx (0)ryy (0)
(5)
En la Ecuación 5 se presenta la expresión para la auto
correlación normalizada cruzada, dada para la correlación
de dos señales diferentes y que dicha correlación este entre
los rangos de 0 y 1. Después de haber realizado el análisis
de las Ecuaciones 3,4 y 5 se procedió a realizar el código
en Matlab capaz de calcular la correlación cruzada o auto
correlación, dado de la siguiente manera:
f u n c t i o n [ rnorm ]= c o r r e l a c i o n _ P a b l o ( )
close all ;
clear all ;
% Datos s u m i n i s t r a d o s por e l u s u a r i o % % %
%−−−−−−−prueba v e c t o r e s
a =[0 , 0 , 2 , −1, 3 , 7 , 8 , 1 , 2 , −3, 0 , 0 ] ;
% b =[0 , 0 , 2 , −1, 3 , 7 , 8 , 1 , 2 , −3, 0 ,
0];
b =[0 , 0 , 1 , −1, 2 , −2 ,4 , 1 , −2, 5 , 0 , 0 ] ;
a0 =8; % P o s i c i o n de l a marca d e l Vector a
b0 =8; % P o s i c i o n de l a marca d e l Vector b
rang =12; %Rango de l a c o r r e l a c i o n [− rang ,
rang ]
% Longitud de cada v e c t o r
tam_a=l e n g t h ( a ) ;
tam_b=l e n g t h ( b ) ;
% C a l c u l o para a g r e g a r c e r o s
a_zero=tam_a−a0 ;
left_num=a_zero −(a0 −1) ; %c e r o s a l a
izquierda
rigth_num=a0 −(tam_a−a0 ) −1; %c e r o s a l a
derecha
a=[ z e r o s ( 1 , left_num ) a z e r o s ( 1 , rigth_num )
] ; % Completa d i m e n s i o n e s
r e a l _ a=l e n g t h ( a ) ;
b_zeros=tam_b−b0 ;
 4

left_num=b_zeros −(b0 −1) ; g r i d on ;

rigth_num=b0−(tam_b−b0 ) −1; g r i d minor ;
b=[ z e r o s ( 1 , left_num ) b z e r o s ( 1 , rigth_num subplot ( 2 , 2 , [ 3 , 4 ] )
) ]; stem ( l a g s 1 , rnorm )
real_b=l e n g t h ( b ) ; t i t l e ( ’ C o r r e l a c i o n Normalizada Rab ’ )
a=[ z e r o s ( 1 , ( real_b−r e a l _ a ) / 2 ) , a , z e r o s xlabel ( ’ Retrasos ( l ) ’ )
( 1 , ( real_b−r e a l _ a ) / 2 ) ] ; y l a b e l ( ’ Amplitud ’ )
b=[ z e r o s ( 1 , ( real_a−real_b ) / 2 ) , b , z e r o s g r i d on ;
( 1 , ( real_a−real_b ) / 2 ) ] ; g r i d minor ;
comp_a=l e n g t h ( a ) ; end
A=a ; B=b ; El funcionamiento de este código, consiste en tomar las
%Completa l o s v e c t o r e s con c e r o s para dos señales discretas y la marca del punto cero de cada
operar señal además se pide que se ingrese el rango de la función,
a=[ z e r o s ( 1 , comp_a−1) , a ] ; de esta forma se procede a calcular el tamaño de ambas
b=[b , z e r o s ( 1 , comp_a−1) ] ; señales con el fin de saber si es necesario completar
m=1; con cero ya sea a la izquierda o derecha para poder
R= [ ] ; %Vector de R e s u l t a d o s realizar de forma correcta el procedimiento realizado en
f_b=2∗comp_a ; %I n d i c e d e l u l t i m o v a l o r de b el Cálculo de ceros y después de eso generar un nuevo
w h i l e (m <= comp_a∗2−1 ) vector corregido con el tamaño adecuado, después se
mul=dot ( a , b ) ; %Producto e s c a l a r a ’ ∗ b hace el centrado de los puntos ceros de cada señal, para
b=[ z e r o s ( 1 , 1 ) , b ] ; lo siguiente del código se procede a hacer el cálculo de
b ( f_b ) = [ ] ; la correlación iniciando en el ciclo While en donde se
R=[R, mul ] ; realiza la multiplicación escalar entre las dos señales y de
m=m+1; esta manera se obtiene un vector de resultados, luego se
end establecen los rangos finales teniendo en cuenta el vector
Comp_R=[R ] ; resultado y los retrasos, antes de realizar las gráficas
tam_R=l e n g t h (Comp_R) ; se detecta si es auto correlación o correlación cruzada
f_b0=(tam_R+1) / 2 ; para saber que tipo de normalización se debe realizar y
l a g s 1 =[−f_b0 +1: f_b0 − 1 ] ; %Vector de finalmente se realiza la gráfica de ambas señales de forma
corrimientos L independiente y de la correlación de las señales, en todos
los casos se relaciona la Amplitud vs Retrasos(l).
i f ( rang ~= ’ a l l ’ )
Comp_R( rang+f_b0 +1:tam_R) = [ ] ;
Comp_R( 1 : f_b0−rang −1) = [ ] ; %Desde 1 8 5

h a s t a l a r e s t a de f a c t o r e s 6

4
3

l a g s 1 ( rang+f_b0 +1:tam_R) = [ ] ; 2

0
1

l a g s 1 ( 1 : f_b0−rang −1) = [ ] ; -2

-4
-8 -6 -4 -2 0 2 4 6 8
-1

-2
-8 -6 -4 -2 0 2 4 6 8

end 0.3

tam_R=l e n g t h (A) ; 0.2

dom=[−(tam_R−1) / 2 : ( tam_R−1) / 2 ] ; 0.1

auto=i s e q u a l ( a , b ) ; -0.1

-0.2

i f auto -15 -10 -5 0 5 10 15

rnorm=Comp_R/ s q r t ( ( a∗a ’ ) ∗ ( b∗b ’ ) ) ;

z= ’ auto ’ Figura 8. Auto correlación Normalizada cruzada (Amplitud vs
Retrasos(l) )
else
rnorm=Comp_R/ ( a∗a ’ ) ;
subplot (2 ,2 ,1) En la Figura 8 se puede observar las gráficas de cada una
p l o t (dom , A, ’ r ’ ) de las señales por separados Vector A y Vector B, y una
t i t l e ( ’ Vector A ’ ) gráfica de la correlación entre A y B llamada Correlación
xlabel ( ’ Retrasos ( l ) ’ ) Rab, en donde se puede observar que en el retraso -5
y l a b e l ( ’ Amplitud ’ ) las dos señales alcanzan el máximo nivel del correlación
g r i d on ; toma un valor de 0,255, para comprobar el resultado se
g r i d minor ; utiliza la función conv de Matlab obteniendo ası́ el mismo
subplot (2 ,2 ,2) resultado.
p l o t (dom , B, ’ g ’ ) Para este caso en la Figura 9 se muestra la prueba
t i t l e ( ’ Vector B ’ ) realizada para el caso de la auto correlación llamada
xlabel ( ’ Retrasos ( l ) ’ ) en donde se debı́a ingresar la misma señal con sus
y l a b e l ( ’ Amplitud ’ ) caracterı́sticas, punto cero del vector y el rango en el
 5

8 8 1 1

6 6
0.8 0.8

4 4
0.6 0.6
2 2
0.4 0.4
0 0

0.2 0.2
-2 -2

-4 -4 0 0
-8 -6 -4 -2 0 2 4 6 8 -8 -6 -4 -2 0 2 4 6 8 -150 -100 -50 0 50 100 150 -150 -100 -50 0 50 100 150

Secuencia de correlación normalizada

1 1

0.8
0.8

0.6
0.6
0.4
0.4
0.2

0.2
0

-0.2 0
-15 -10 -5 0 5 10 15 -100 -80 -60 -40 -20 0 20 40 60 80 100

Figura 9. Auto correlación Normalizada (Amplitud vs Retrasos(l) ) Figura 10. Auto correlación Normalizada (Amplitud vs Retrasos(l))

que se va a trabajar, de esta forma se obtiene que en el
valor cero del retraso la señal toma el mayor valor de la
auto correlación, es decir que en valor cero es donde la
señal tiene la mayor correlación observado en la figura
Correlación rAA toma un valor de correlación 1, para
comprobar el resultado se utiliza la función xcorr de
correlación y de esta manera se logró obtener la gráfica de
la parte inferior, para hacer un mejor análisis se realizara
un aumento en el tamaño de la imagen para realizar un
mejor análisis. En la Figura 11 se puede observar que desde
1
Secuencia de correlación normalizada (r=0.01)

Matlab obteniendo ası́ el mismo resultado. 0.9

0.8

0.7

II-B2. : Para este caso se extrajo información de 0.6

la base de datos adquiridos de la Red Meteorológica 0.5

Automatizada (RMA) con el fin de poder establecer una 0.4

0.3

posible presencia amenaza en el cambio climático, para 0.2

esto se hará el uso de la auto correlación normalizada y su 0.1

0 2 4 6 8 10 12 14 16 18

vez aplicando el ruido aditivo gaussiano con una media de

cero y una varianza de 0.01 a la variable de precipitación,
para este caso fue necesario normalización estadı́stica para
poder observar la gráfica con una mejor resolución dada
por la siguiente expresión:
X −µ
Z= (6)
σ aditivo gaussiano y la auto correlación normalizada, es
En la Ecuación 6 se presenta la normalización estadı́stica
donde X es la cada uno de los puntos del vector a analizar,u
es la media que para este caso se toma como cero y por
ultimo r es la desviación estándar 0.1, para este caso
fue necesario agregar dos partes extras para modificar el
código de Matlab para tomar los datos de excel dado ası́:
% Prueba Cana
M = c s v r e a d ( ’ cana . c s v ’ , 1 , 0 ) ;
Figura 11. Auto correlación Normalizada (Amplitud vs Retrasos(l))
el retraso 0 hasta el retraso 11 se presenta un periodo, es
decir que cada 11 meses se presenta una alta precipitación
este análisis se permite dado por la aplicación de ruido
necesario aclara que el retraso hace referencia al dato 100
del formato de excel que en cuanto a meses se refiere a
enero de 2002.
Después, el requerimiento nos pide comparar el periodo
obtenido pero con una varianza de 0.1 vs varianza 1,
para esto se realizará un cálculo de forma individual y
finalmente se realizará en análisis de estos resultados.
1
Secuencia de correlación normalizada (r=0.1)

a=M( : , 6 ) ’ ; % 0.9

a=(a−median ( a ) ) / s t d ( a ) ; %N o r m a l i z a c i o n 0.8

estadistica
0.7

0.6

a=i m n o i s e ( a , ’ g a u s s i a n ’ , 0 , 0 . 0 1 ) ; 0.5

b=a ; 0.4

0.3

a0 =100; 0.2

b0 =100; 0.1

rang =100; 0
-100 -80 -60 -40 -20 0 20 40 60 80 100

En este fragmento de código de Matlab lo que se hace

Figura 12. Auto correlación Normalizada (Amplitud vs Retrasos(l))
es tomar los datos de excel dados para la precipitación,
después se realiza la normalización estadı́stica de cada
uno de los datos y finalmente se aplica ruido aditivo En la Figura 12 se presenta la auto correlación
gaussiano con media cero y varianza 0.01, de esta manera normalizada con una varianza de 0.1, para hacer un
se obtuvo la siguiente auto correlación: En la Figura 10 mejor análisis es necesario hacer un acercamiento de la
se muestra los dos vectores de los datos a analizar la auto imagen para poder determinar su periodo y tener más
 6

claridad del comportamiento de la señal. En la Figura En la Figura 15 la auto correlación normalizada con
una varianza de 1, la cual permite un mejor análisis
Secuencia de correlación normalizada (r=0.1) del comportamiento de esta señal, como primera medida
1
se puede observar que la los puntos de distribuyen de
0.9
una forma más uniforme con relación la Figura 13, con
0.8

0.7
un periodo de 11 meses pero con una diferencia en la
0.6
distribución de los puntos.
0.5

0.4
III. Conclusión
0.3

0.2
Se comprendió la importancia del uso de la
0.1 eliminación de ruido mediante el promediado de
0 2 4 6 8 10 12 14 16 18 20

varias señales, dando cuenta de este mediante los

vı́deos que se lograron extraer en cada una de las
Figura 13. Auto correlación Normalizada (Amplitud vs Retrasos(l)) pruebas realizadas para cada iteración.

13 se presenta de forma más clara la auto correlación Con un mayor número de iteraciones en el
normalizada con una varianza de 0.1, de donde se puede promediado se logró obtener una mayor resolución
evidenciar que la auto correlación entre cada punto para este caso en cada vı́deo.
se redujo con relación la figura 12, de esta forma se
obtiene que el periodo de esta señal es de 11 meses con Se comprendió el uso de la relación entre la máxima
la diferencia que se presentada anteriormente y con el potencia de la señal y la potencia del ruido dada por
pasar de los meses tiende a disminuirse el nivel de auto PSNR, al ser multiplicada por su factor.
correlación. En la Figura 14 se presenta la auto correlación
Se logró implementar una rutina capaz de identificar
1
Secuencia de correlación normalizada (r=1)
si debe realizar la correlación o en su defecto la
0.9
correlación cruzada para dos señales discretas.
0.8

0.7

0.6
Es necesario la normalización de los datos para poder
0.5 observar de forma clara los resultados propuestos
0.4
mediante la gráfica, de esta manera se podrá realizar
un mejor análisis de los resultados obtenidos en la
0.3

0.2

0.1 auto correlación, de esta manera es posible predecir

0
-100 -80 -60 -40 -20 0 20 40 60 80 100 fenómenos climáticos como es el caso de esta tarea.

Figura 14. Auto correlación Normalizada (Amplitud vs Retrasos(l)) Referencias

[1] S. Fingerhuth, "Técnicas de procesamiento digital de señales para
reducción de ruido de señales de múltiples sensores ası́ncronos",
normalizada con una varianza de 0.1, para hacer un RG.ResearchGate, vol. 1, no. 1, pp. 7 − 10, .Diciembre, 2014.
mejor análisis es necesario hacer un acercamiento de la LATEX
imagen para poder determinar su periodo y tener más
claridad del comportamiento de la señal, adicionalmente
se puede observar que los puntos se distribuyen de forma
uniforme con relación a la Figura 12 .
.
Secuencia de correlación normalizada (r=1)

1.4

1.2

0.8

0.6

0.4

0.2

0
0 5 10 15 20 25

Figura 15. Auto correlación Normalizada (Amplitud vs Retrasos(l))