ENSAYO

APLICACIN DE LAS CADENAS DE MARKOV EN GOOGLE

Con el pasar de los aos el hombre ha cambiado la forma de adquirir conocimiento, en
sus inicios eran simples preguntas, pero luego eran tantos los cuestionamientos acerca
de las cosas y el mundo que no bastaba con pequeas respuestas; los libros ya no eran
suficientes para adquirir el conocimiento que se quera y por esta razn, a medida que
transcurra el tiempo se empez a necesitar una fuente de informacin ms grande para
responder a todas las preguntas que se tenan; gracias a esta necesidad es que hoy en
da se puede acceder a una gran cantidad de informacin de forma rpida y sencilla sin
importar el sitio en el que las personas se encuentren, todo esto es gracias a la Internet,
en la que se puede encontrar cualquier cosa que se nos ocurra utilizando un motor de
bsqueda, uno de los ms usados y conocidos actualmente es Google, en este se
realiza una consulta acerca una tema especfico y lo normal es que se obtenga una
gran cantidad de resultados bien organizados; pero en realidad esto cmo funciona?,
como hace Google para buscar lo que solicitamos? y como organiza los resultados
obtenidos?, la respuesta a estas preguntas se obtienen con el vector de PageRank que
es el corazn del motor de bsqueda de google.
El vector PageRank es el criterio en el que est basado el buscador Google, es el
encargado de especificar las pginas web de acuerdo a su importancia, es decir, una
pgina es importante cuando tiene muchos enlaces provenientes de otras pginas y de
acuerdo a esto se da una lista ordenada de prioridad de unas pginas sobre otras; de
una manera ms clara, el criterio funciona por medio de votos que hacen unas pginas
a otras, dependiendo la cantidad de votos de la pgina se define su importancia y
calidad.
Adems, este vector posee una caracterstica de acuerdo al tiempo de navegacin en
internet, mientras ms tiempo se navegue aumenta la posibilidad de encontrar las
pginas con mayor PageRank.
Por otro lado, es importante mencionar que el vector PageRank utiliza una gran
herramienta matemtica llamada Cadenas de Markov, debido a que el clculo de este
equivale al clculo del vector estacionario de una cadena de Markov ergdica, por
tanto, es necesario comprender y entender en qu consisten para un mejor
entendimiento del criterio ya mencionado.

Las Cadenas de Markov son un proceso estocstico, que se aplica cuando existe una
concatenacin de sucesos, y la probabilidad de cada uno de esos sucesos depende de
la probabilidad del evento inmediatamente anterior. Estas cadenas, se pueden mostrar
como grafos orientados (es decir, que es importante tomar un punto de partida y otro de
llegada en cada arista). [1]
Adems de esta definicin es importante explicar y conocer el concepto de una matriz
de transicin. Se considera una cadena de Markov estacionaria y E= {0,..,N} el
conjunto donde toma sus valores. La matriz P dada por P (i,j)= P (X 1=j| X0=i) con i, j

E,

se llamara matriz de probabilidad de transicin. Esta matriz cumple con las siguientes
propiedades: pij 0 para todo i, j

Ey

para toda i E. [2]

Despus de tener una definicin clara acerca de las cadenas de Markov y su relacin
directa con la matriz de transicin, se comienza a dar explicacin de cmo funcionan en
el clculo del vector PageRank, que es la base fundamental del buscador Google como
ya se haba dicho inicialmente, en este caso lo que se hace es asignar una matriz que
corresponde al flujo de internet, esta se obtiene de un grafo orientado en el cual los
estados de la cadena pertenecen a las pginas y las flechas corresponden a los votos
de una pgina a otra; obteniendo de esta manera una matriz estocstica en la que la
suma de sus filas es igual a 1. Pero al tener esta matriz an no se ha logrado calcular el
PageRank, para ello se necesita calcular la probabilidad de estado estable que permite
establecer la prioridad o importancia debido a la cantidad de solicitudes que ha tenido la
pgina. Por tanto el PageRank que toma el buscador Google es el resultado de la
probabilidad de estado estable.
Con la explicacin realizada anteriormente se da respuesta a las preguntas hechas
inicialmente y se alcanza entender de manera profunda cmo es posible el
funcionamiento de Google; notando que el mtodo de clculo del PageRank asociado a
las cadenas de Markov es un punto clave en la bsqueda solicitada y en la organizacin
de los resultados obtenidos, logrando de esta manera ser un mtodo eficiente y rpido.

Despus de investigar en mltiples fuentes y entender al fin cmo funciona el buscador

Google, se puedo comprender que las cadenas de Markov aplicadas a las
telecomunicaciones son una herramienta potente para desarrollar sistemas ms
eficientes y rpidos, logrando obtener resultados en poco tiempo y de buena calidad.
El buscador Google es una gran demostracin de los grandes avances que ha hecho el
ser humano para adquirir conocimiento, hoy en da solo basta con tener acceso a la
Internet y utilizar un buscador para adquirir una gran cantidad de informacin del tema
solicitado en la bsqueda. Avances como este hacen posible que el aprendizaje sea
ms sencillo y de fcil acceso para las personas.
Cibergrafia
PageRank y las Cadenas de Markov. J. Gamz. Consultado el 26/10/2014. Disponible
en: http://www.matematicasdigitales.com/pagerank-y-las-cadenas-de-markov/ [1]
Google y las cadenas de Markov. N. Vargas. Consultado el 26/10/2014. Disponible en:
https://es.scribd.com/doc/63157931/Google-y-Las-Cadenas-de-Markov [2]