Disponible en: http://www.redalyc.org/articulo.oa?

id=181317869009


Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Sistema de Informacin Cientfica
David Grau-Merconchini, Odalis Moreno-Oliva, Diana P. Chala-Ramrez, Jorge Andrs Quintero-Toro, Luis
Bertel-Paternina
SISTEMA BASADO EN EL CONOCIMIENTO PARA LA PLANIFICACIN Y GESTIN DEL CULTIVO DE
PLTANO EN COLOMBIA Y CUBA
Ciencia en su PC, nm. 2, abril-junio, 2010, pp. 101-113,
Centro de Informacin y Gestin Tecnolgica
Cuba
Cmo citar? Fascculo completo Ms informacin del artculo Pgina de la revista
Ciencia en su PC,
ISSN (Versin impresa): 1027-2887
cpc@megacen.ciges.inf.cu
Centro de Informacin y Gestin Tecnolgica
Cuba
www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 1o1
SISTEMA BASADO EN EL CONOCIMIENTO PARA LA PLANIFICACIN Y
GESTIN DEL CULTIVO DE PLTANO EN COLOMBIA Y CUBA .
KNOWLEDGE-BASED SYSTEM FOR THE PLANNING AND MANAGEMENT
OF BANANA CULTIVATION IN COLOMBIA AND CUBA
Autores:
David Grau-Merconchini, david@megacen.ciges.inf.cu. Mster en Telemtica,
MEGACEN, Centro de Informacin y Gestin Tecnolgica. Santiago de Cuba,
Cuba.
Odalis Moreno-Oliva, oimo@megacen.ciges.inf. cu. Mster en Direccin de
Empresas, MEGACEN, Centro de Informacin y Gestin Tecnolgica . Santiago
de Cuba, Cuba.
Diana P. Chala-Ramrez, chala@umanizales.edu.co. Universidad de Manizales,
Colombia.
Jorge Andrs Quintero-Toro, jaq@umanizales.edu.co. Universidad de
Manizales. Colombia.
Luis Bertel-Paternina, lbertel@jaq@umanizales.edu.co. Universidad de
Manizales. Colombia.
RESUMEN
El pltano es uno de los cultivos ms importantes de nuestra regin;
asimismo, es muy significativo en Cuba y Colombia. Este ltimo estado es
el primer exportador de pltano a nivel mundial y en Santi ago de Cuba
representa ms del 50% de las siembras. Un Sistema Experto , que
recopile el conocimiento de especialistas de alto nivel de todas partes del
mundo, acumule informacin bibliogrfica actualizada, mezcle el
conocimiento cientfico experimental con habilidades intuitivas, mediante la
utilizacin de las potencialidades de la inteligencia artificial y las
oportunidades existentes en el proceso de convergencia de las
tecnologas de informtica y las comunicaciones, y ponga sus resultados
en uso por PYME y MIPYME productoras de pltano; dotar, en un corto
plazo, a productores, tcnicos y cooperativas, de conocimientos que les
permitirn mejorar la competitividad de sus sistemas productivos.
Palabras clave: Pltano, PYME, MIPYME, Inteligencia Artificial , Sistemas
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 1o
Experto, Razonamiento Basado en Casos, Aprendizaje automtico basado
en memoria, KNN, K vecinos ms cercanos, algoritmos de clasificacin,
Interpolacin, PostgreSQL.
ABSTRACT
The banana is one of the most important crops in our region and
specifically in Cuba and Colombia. The latter is the biggest exporter in a
world and in Santiago de Cuba representing over 50% of the plantings. An
Expert System to compile the knowledge of high level specialists from all
the world, accumulating updated bibliogr aphic information, combine
scientific knowledge with intuitive abilities using the potential of Artificial
Intelligence and the opportunities in the process of Convergence of
Information Technologies and Communications for use in SMEs and
MSMEs banana producers, this project will provide to producers,
technicians and cooperatives in a short amount of time with the knowledge
necessary to improve competitiveness of their production systems.
Key words: Banana, SME, MSME, Artificial Intelligence, Expert Systems ,
Case Based Reasoning, Memory -based Machine Learning, KNN, K
Nearest Neighbors, Classification algorithms, Interpolation, PostgreSQL.
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 1o
DESARROLLO
El proyecto se propone la implementacin y refinamiento de un Sistema basado
en el conocimiento (SBC), especficamente un Sistema Experto basado en casos
(SEBC)
[10]
, capaz de planificar el proceso del cultivo del pltano , anticipar los
posibles resultados de rendimiento en la cosecha y el comportamiento del cultivo .
Para nuestro proyecto, la base de conocimient o es implementada con la
utilizacin de un Sistema de bases de datos r elacionales (SBDR). Este sistema es
un diseo complejo, que cubre todo el proceso de cultivo ; al finalizar su
implementacin qued constituido por 29 entidades, 56 relaciones entre ellas y,
adicionalmente, para garantizar la integridad y agilizar el proceso de desarrollo , se
debieron implementar 98 funciones, 23 triggers y ms de 50 vistas. En general, se
logra como mnimo una 3
ra
Forma Normal
a
, aunque una parte importante de la
base de datos se encuentra en Forma Normal de Boyce Codd
b
.
La implementacin del SEBC se realiza con el empleo del modelo de arquitectura
de software conocido Modelo - Vista - Controlador
c
(MVC). El objetivo de esta
decisin era lograr una independencia real entre las interfaces de usuario, la
lgica del sistema y los datos, para alcanzar de este modo un producto que
minimice las prestaciones necesari as por parte del cliente, supere los problemas
de mantenimiento, accesibilidad y actualizacin de los productos que hoy
encarecen el uso de implementaciones comerciales. Se implementa el MVC con
el uso de una distribucin y acoplamiento jerrquico de sus elementos, similar a la
implementacin del proyecto CakePHP
d
del MIT
e
.
Todos los algoritmos de nuestro trabajo se re alizaron con el empleo de PL/pgSQL
f
de PostgreSQL
g
, esto permiti implementarlos dentro de la misma base de datos
(Modelo), lo que facilita la optimizacin del funcionamiento del sistema , al
aprovechar al mximo la distribucin de la tecnologa concebida en esta
arquitectura de software.
La necesidad de efectuar en poco tiempo un sistema que suponga un
comportamiento til , ms los estudios y anlisis de la informacin; consolidaron
las decisiones tecnolgicas tomadas. Gran cantidad de variables involucradas, en
contraposicin con insuficientes estudios de campo , y mucha informacin basada
en la experiencia personal de los agricultores y tcni cos, fueron caractersticas
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 1oq
constantes de la informacin disponible en los centros de informacin y en los
artculos cientficos revisados.
Para la seleccin de los casos candidatos se utiliz el mtodo de clasificacin,
conocido como KNN (K Nearest Neighbors ), este mtodo fue descrito por
primera vez por Fix y Hodges en 1951. Para los algoritmos KNN los casos
almacenados son tratados como vectores en un espacio multidimensional, cada
caso est descrito en trminos de p atributos (campos o propiedades) de los que
se consideran q clases para la clasificacin ( 1 q p). Los valores de los
atributos del i-esimo ejemplo se representan por el vector p-dimensional X.
X x x x x
pi i i i
e = ) ,..., , (
2 1
Entonces, el espacio de bsquedas de soluciones para un problema determinado
queda dividido en clases; en las que un vector es asignado a la clase C solo si
esta es la clase ms frecuente entre los k casos (puntos) ms cercanos.
Un rasgo negativo de las tcnicas de KNN es su bajo desempeo en cuanto a
tiempo de ejecucin; aunque este criterio no puede ser generalizado, es muy
frecuente, por la gran cantidad de implementaciones de KNN que representan su
base de conocimiento de manera plana, tecnologa conocida como Lazy
Learning; es decir, sin crear ningn tipo de abstraccin o utilizar algn tipo de
datos abstractos que mejore la eficiencia en la recuperacin de la informacin.
Otra arista es la dependencia de los resultados y su eficiencia a la K
seleccionada, y el efecto horizonte, asociado a este parmetro, sobre los
resultados. Las implementaciones, muy numerosas, interactan con un nmero
grande de casos para evitar los efectos del ruido en los datos, con lo cual se
empeora el tiempo de ejecucin de los algoritmos. La eleccin de un K eficiente
depende mayormente de la composicin de l os datos con los que se opera; un
valor eficiente para K puede es seleccionado mediante una optimizacin del uso.
Adicionalmente, nuestro proyecto realiza una seleccin de los casos
almacenados, esta seleccin persigue la discontinuidad de estos, procurando
solamente la permanencia de casos t picos, as se evita tener que interactuar con
casos que consumen tiempo y debilitan las fronteras entre las clases.
Los mtodos de seleccin de nuestro SEBC pudieran enmarcarse en un primer
acercamiento dentro de los algoritmos Lazy Learning, pero los r egistros de una
tabla o vista no son un listado plano de casos, aunque a simple vista lo
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 1o
sugieran. Las posibilidades de PostgtreSQL, permiten la implementacin de un
conjunto de mecanismos que mejoran significativamente el proceso de bsqueda
de casos, a travs de la indexacin, reglas y triggers.
El indexado de la informacin se dirige fundamentalmente a la eliminacin de
casos en la bsqueda de soluciones potenciales.
Figura # 2. Indexado de la BC
En el nivel de desarrollo que hasta el momento de la publicacin tiene la BC, se
encuentra definido un conjunto de generalizaciones (Figura # 2), distribuidas en
dos recorridos: un primer grupo (lneas slidas) establece prcticas probadas de
buenos resultados. El sealado con el recorrido de lneas punteadas, establece
un conjunto de experiencias que, esencialmente, han establecido result ados
malos, vinculados a la ocurrencia de fenmenos naturales o infecciones por
enfermedades, en niveles que comprometen completamente la cosecha.
La efectividad de los algoritmos de la familia KNN depende directa y
fundamentalmente del clculo de la mtrica (distancia) utilizada. El proyecto utiliza
variaciones de la Mtrica de Solapamiento, que viene dada por la ecuacin # 1.
Donde (x,y) es la distancia entre los casos x y y, representados por n campos
que van a ser comparados, y (x
i
,y
i
) es la distancia entre los valores del campo i-
simo.
Caracterizacin del terreno
Especie
Afectaciones
Rendimiento de la cosecha
Preparacin de la plantacin
Enfermedades Fenmenos naturales
Acciones del oficio
Afectaciones Acciones del oficio
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 1o6
) , ( ) , (
1
_
=
= A
n
i
i i
y x y x
Ecuacin # 1. Mtrica de Solapamiento
El estudio del dominio de la informacin arroj que para el clculo (x
i
,y
i
) en cada
una de las propiedades x
i
numricas, estas se tenan que agrupar por su
naturaleza en dos grupos.
En el primero, el clculo de la mtrica (Ecuacin # 2) es normalizada por la
varianza, lo que har la distancia ms signifi cativa para campos donde sus
valores sufran poca variacin.

=
=

=
i i
i i
i
i i
i i
y x si
y x si
numrico es si
y x
y x
1
0 ) , (

Ecuacin # 2. Distancia de Mahalanobis

En este grupo se encentran las propiedades en las cuales es ms significativa la
diferencia entre campos en los que sus valores varan muy poco; por ejemplo: l os
componentes qumicos del terreno (hierro, calcio, materia orgnica). La naturaleza
del dominio de estas propiedades es muy diferente a , por ejemplo: velocidades
del viento o la pluviosidad, pues pequeas variaciones en la primera son
significativas y deben ser tenidas en cuenta; variaciones mucho ms notables en
las ltimas han demostrado no tener el mismo efecto sobre la clasificacin de un
terreno.
En segundo grupo se pondera por el rango de variacin de la propiedad de la qu e
se est calculando la distancia. Por lo que para estas propiedades , mayor rango
en la variacin de los extremos exigir de una mayor diferencia entre los valores ,
para que resulte significativa.
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 1o,

=
=

=
i i
i i
i i
i i
i i
y x si
y x si
numrico es si
y x
y x
1
0
min max
) , (
Ecuacin # 3. Distancia Manhattan o L1
En las mtricas expresadas anteriormente, los rasgos son considerados de igual
importancia para la seleccin de los casos. Sin embargo , es necesario que el
proceso de aprendizaje automtico inherente a esta tecnologa, utilice el
conocimiento derivado del comportamiento de los datos en las diferentes
propiedades, para mejorar el proceso de seleccin de casos candidatos. De ah
que a los algoritmos de mtricas anteriores se haya incorporado el concepto de
Ganancia de i nformacin (GI)
[4]
.
La GI se basa en la Teora de la i nformacin
h
, por lo que se interpreta el conjunto
de caso almacenados como una fuente de informacin generadora de distintos
mensajes, cada uno con una determinada probabilidad. La entropa de
informacin de dicha fuente puede ser compar ada entonces para cada campo,
con la entropa de informacin media de la fuente de informacin , cuando el valor
de dicho campo es conocido. Aquellos rasgos que reduzcan la entropa en mayor
grado sern los que aporten una mayor informacin . Los pesos que aporta la GI a
las mtricas constituyen una media probabilstica del grado de informacin
(relevancia) que aportan los diferentes valores en cada campo, esto hace que los
resultados de las mtricas sean ms robustos frente a problemas de estimacin.
La entropa de informacin de la base de conocimiento en general se obtiene de
la Ecuacin # 4, donde p
i
(la probabilidad del caso i) es estimada a partir de su
frecuencia relativa dentro del conjunto de entrenamiento de m casos.
_
=
=
m i
p
i i
i
p p D H
2
log ) (
Ecuacin # 4. Entropa de informacin general de la base de conocimiento
El clculo de la entropa de informacin para una propiedad se realiza tomando la
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 1oB
entropa de informacin media de la base de ejemplos y restringindola a cada
posible valor que puede tomar di cha propiedad. (Ecuacin # 5.)
j
j
_
e
=
=
=
V v
v f
v f f
i
i
i
D
D
D H D H ) ( ) (
Ecuacin # 5. Entropa de informacin para una propiedad
Donde:
D
[f=v]
casos que tienen valor v para el rasgo f.
V es el conjunto de posibles valores para la propiedad f.
|D| es el nmero de casos.
La ganancia de informacin de un campo i se obtendr de computar la diferencia
de entropa entre las situaciones con y sin el conocimiento del valor de dicho
campo.
j
) ( ) ( ) (
f
D H D H f G =
Ecuacin # 6. Ganancia de Informacin.
La Ecuacin # 1 se modifica, quedando:
) , ( ) ( ) , (
1
_
=
= A
n
i
i i i
y x f G y x
Ecuacin # 7. Mtrica con la ganancia de informacin asociada a cada propiedad
Para normalizar la sobrestimacin de la relevancia de propiedades con un
elevado nmero de valores propia de la GI, Quinlan
[7],
se introdujo una versin
llamada ratio de ganancia, que es la ganancia de informacin, dividida por la
entropa de los valores de las propiedades.
j
) (
) (
) (
i si
D H
D H
f
f
=
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 1oq
Ecuacin # 8. Ratio de ganancia
Donde:
_
e
=
i
V v
v P v P i si ) ( log ) ( ) (
2
Ecuacin # 9. Entropa en los val ores de las propiedades.
Los valores de la ratio de ganancia que resultan son usados como los pesos en la
distancia mtrica con pesos. Al algoritmo KNN con esta mtrica se le conoce
como IB1-IG
[4]
.
El proceso de seleccin no es el nico de los SEBC, tambi n es necesario una
adaptacin de los resultados obtenidos del problema planteado. En el proyecto se
hace uso de la Interpolacin, como mtodo para la adaptacin de las soluciones
(resultados de las cosechas en las plantaciones) que se encuentran validadas en
los casos almacenados.
En las estimaciones de los resultados para cada problema el eje de las abscisas
se compone de las densidades de la plantacin de los casos recuperados , y para
cada propiedad que debe ser estimada se reconstruye este espacio con l a nueva
propiedad a evaluar, como un nuevo eje de valor para estas abscisas; se procede,
entonces, a interpolar la nueva solucin como una nueva funcin para cada
propiedad.
Pero este mtodo tiene una limitante : el clculo de la propiedad tipo de
resultado, el cual resume las diferentes variables obtenidas en la cosecha , segn
el criterio del factor humano que lo evala. Esta caracterstica hace que en el
valor de esta propiedad tenga un peso importante la subjetividad del evaluador ;
adems, define un espacio multidimensional desconocido para cada resultado
brindado, pues los criterios para dar una evaluacin no han podido ser
discriminados con exactitud por cada productor, durante el proceso de este
proyecto.
La estimacin de este resultado se realiza reevaluando esta propiedad con la
utilizacin de la mtrica conocida como Mtrica por diferencia de valor modificada.
[8, 1]
, nicamente en los casos ms prximos seleccionados :
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 11o
_
=
=
n
i
i i
V C P V C P V V
1
2 1 2 1
) | ( ) | ( ) , (
Ecuacin # 10. Mtrica por diferencia de valor modificada .
Para la distancia entre dos valores V
1
, V
2
del campo tipo de resultado, se calcula
la diferencia de la distribucin condicional de las soluciones C
i,
diferentes
evaluaciones contenidas en los n casos recuperados.
Para el resto de las variables (campos) que componen el resultado se utiliza el
mtodo de las Diferencias divididas de Newton.
_ [
=

=
+ =
m
i
i
j
j i m
x x a a x p
1
1
0
0
)) ( ( ) (
Ecuacin # 13. Interpolacin polinmica a travs de las Diferencias divididas de
Newton.
Los coeficientes a
i
se conocen como Diferencias divididas. Y se obtienen de los
datos conocidos de la funcin f:
) , , , ( , ), , ( ), (
1 0 1 0 1 0 0 i i
x x x f a x x f a x f a = = =
Ecuacin # 13. Diferencias divididas.
Donde las f(x
i
,,x
i+j
) se calculan recursivamente:
i j i
j i i j i i
j i i
x x
x x f x x f
x x f

=
+ +
+ + + +
+ +
1
1 1
1
) , , ( ) , , (
) , , (

Ecuacin # 15. Clculo recursivo de las diferencias divididas.

La interpolacin obtiene valores convenientes cuando el nuevo valor buscado se
encuentra comprendido entre valores conocidos (S
1
, S
2
, S
3
), Ej. P
1
en la Figura #
4.
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 111
Figura # 4. Espacio bidimensional de estimacin de nuevos valores
Sin embargo, esta condicin no es siempre vlida, existen problemas cuyas
soluciones no estn comprendidas entre los casos ya conocidos (P
2
figura # 4).
La solucin que el sistema ofrece ante estos casos es la propagacin de los
resultados de los k casos ms similares al nuevo problema, teniendo en cuenta su
densidad y utilizando la regresin lineal ; aunque aporta una estimacin
coherente para las propiedades, sus resultados son menos significativos y estn
sujetos a mayor incertidumbre. Sea x el valor de la densidad del cultivo problema,
y
i
la i-esma propiedad de m campos:
_
_
=
=

=
=
= + =
k
j
j
k
j
j j
i
x x
y y x x
b
x b y a
m i bx a y
1
2
1
) (
) )( (
1
Ecuacin # 16. Estimacin de resultados de problemas.
CONCLUSIONES
El mejoramiento de la solucin en estos casos pertenece al proceso de
aprendizaje automtico de los SEBC, ya que en la medida que aumenten los
S
1
.
S
2
.
.S
3
. P
1
P
2
.
V
a
l
o
r
e
s

d
e
l

A
t
r
i
b
u
t
o
Densidades de la plantacin
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 11
casos en la base de conocimiento, un nmero menor de problemas quedar en
esta situacin.
En el momento en que fue escrito este art culo, el proyecto se encontraba en
ejecucin en un conjunto de cent ros de Cuba y Colombia, que lo utilizan de
manera experimental . De esta interaccin, se extraer la primera base de
conocimientos, que ser unificada y validada para generalizar su uso libre.
Esta aplicacin se desarroll ntegramente con la utilizacin de tecnologas libres.
Gracias al financiamiento de FRIDA, ser distribuida a travs de licencias GNU, lo
cual permitir el intercambio de conocimientos y ex periencias entre los grupos de
investigacin de ambos pases; asimismo, la formacin de redes permitir,
adems, promover la diseminacin de los resultados de investigaci n en los
mbitos investigativos y productivos; as como proponer modelos y polticas
pblicas que permitan la utilizacin de las TIC en la regin , basados en la
potenciacin de la cooper acin y el consenso, como mtodos de trabajo a partir
de enfoques integrados y multidisciplinarios.
BIBLIOGRAFA
1. Cost, S. y Salzberg, S. A weighted nearest neighbour algorithm for learning with
symbolic feautures. Machine Learning. 1993.
2. D. B. Leake. CBR in Context: The present and Future. Case -Based Reasoning:
Experiences, Lessons, and Future Directions. Menlo Park: AAAI Press., 1996.
3. D. M. Brann, D. A. Thurman, and C. M. Mitchell. Case-Based Reasoning as a
Methodology for Accumulating Human Expertise for Discrete System Control.
4. Dalemans, W., Gillis, S., Durieux, G., van den Bosch, A.: Learnability and
Markedness in Data-Driven Acquisition of Stress. Computational Phonology.
Ediburgh Working Papers in Cognitive Science. 1993.
5. Irwin R. Miller, John E. Freud. Richard Johnson. Probability and Statistics for
Engineers. Prentice-Hall. 1996.
6. K. Althoff; Potential uses of case-based reasoning in the experience-based
construction of software systems., Kaiserslautern, Alemania. Proceedings of the
5th German Workshop in Case-Based Reasoning, Centre for learning Systems
and Applications, University of Kaiserslautern, 1997.
7. Quinlan, J.R. Programs for Machine Learning. Morgan Kaufmann, San Mateo,
CA. 1993.
8. Stanfill, C. y Waltz, D. Toward memory-based reasoning. Communications of the
Cienciu en su PC, N , ubril-muyo-junio, o1o, p. 1o1-11
Recibido: ubril de ooq; Aceptudo: diciembre de ooq
p. 11
ACM 29. Diciembre 1986.
9. Van den Bosch A, Weijters T, van den Herik, Daelemans W. The Profit of
Learning Exceptions. Proceedings of the 5th Belgian -Dutch Conference on
Machine Learning 1995.
10. Winston, P. Artificial Intelligence. Reading Mass. Addison-Wesley, 1992.
11. Zavrel, J. y Daelemans, W. Memory-based learning: Using similarity for
smoothing. Computing and the Humanities. Special Issued on Senseval.
WEBGRAFA
a. http://es.wikipedia.org/wiki/3NF
b. http://es.wikipedia.org/wiki/Forma_normal_de _Boyce-Codd
c. http://es.wikipedia.org/wiki/Modelo_Vista_Controlador
d. http://www.cakephp.org/
e. http://www.opensource.org/licenses/mit -license.php
f. http://www.postgresql.org/docs/8.2/interactive/plpgsql.html
g. http://www.postgresql.org
h. http://es.wikipedia.org/wiki/ Teor%C3%ADa_de_la_informaci%C3%B3n