Un grupo de investigadores de la UIB
(informáticos y economistas) estamos realizando un estudio de
la web de Baleares y su correlación -si es que existe- con las
actividades económicas de las islas. Una parte importante del
trabajo es crear lo más automáticamente posible una
base de datos con los sitios de Baleares y sus enlaces entre ellos.
Llegamos a un punto que tenemos más o menos datos fiables. Por
ello adelanto unas curiosidades, entre ellas el porcentaje de uso de
los servidores que muestra el título.
Ahora estamos trabajando en la
primera parte del proyecto: recorrer con un robot los webs a partir
de un conjunto inicial de webs y luego ir agregando nuevos sitios a
la lista de dominios locales. La automatización de la decisión
es una parte también muy importante, de hecho hay una
matemática haciendo su tesis doctoral sólo en este
tema.
El caso es que después de un
par de meses ya tenemos una base de datos importante de webs locales
(básicamente de personas y empresas radicadas en Baleares, o
que parte importante de su actividad sea en las islas). Por ahora
llevamos más de 1000 servidores y menos de 10.000, y más
de 6.000.000 de enlaces -ya diremos el número exacto en cuanto
validemos más datos. Más detalles “técnicos”
al final.
Tipos de servidores
Lo más llamativo es que la
proporción de uso del Apache es bastante superior, más
de 10 puntos, al reportado
por Netcraft para toda la red web. En la siguiente tabla tenéis
los valores más significativos.
Tipo de servidor reportado
Porcentaje
Apache
77.65%
Microsoft IIS
14.85%
Oracle
1.42%
PHP
44.00%
Perl
19.83%
En esta tabla sólo se han
tomado en cuenta los servidores que han desevelan esos datos en la
“firma” de las cabeceras. Dichos servidores son
aproximadamente el 95% del total de servidores en la base de datos.
Distribución por países
Otro dato curioso es la lista de
países donde están alojados los servidores de los
sitios anteriores. En total hemos encontrado servidores alojados en
14 países distintos, casi el 60% están en España,
luego le sigue USA y después Alemania. Los datos completos en
la siguiente tabla.
País
Porcentaje
AR
0.24%
AU
0.16%
CA
1.18%
CH
0.24%
DE
14.16%
DK
0.16%
ES
59.40%
FR
3.70%
GB
3.38%
IT
0.31%
NL
0.16%
NO
0.24%
SE
0.87%
US
16.60%
Más datos técnicos
Para los fanáticos de datos y
que sepan un poco del tema, aquí van los otros datos que
calculamos, sobre todo para validar la muestra.
Número medio de enlaces a sitios distintos
4.184
Nro. de sitios aislados (sin enlaces desde otros
sitios)
26.000
Longitud media del camino entre dos webs conectados
4.156
Diámetro del grafo (la mayor de las
distancias más cortas)
13.000
Densidad de enlaces con bucles
.003
Densidad de enlaces con bucles
.003
Coeficiente de Clustering = CC
.414
Grado de Prestigio (centralidad interior)
.056
Grado de Intermediación
.154
Lo más curioso es que el
coeficiente de clustering (CC) es elevadísimo, un 41%.
Este coeficiente indica en las redes sociales si las personas que yo
conozco se conocen también entre ellas. En el caso de web de
Baleares dice que si un sito tiene enlaces a dos distintos, la
probabilidad de que haya enlace entre esos dos es de un 41%.
Por otro lado, todos los demás
datos se corresponden con lo que dice la “teoría”
en base a datos genéricos de Internet. Por ejemplo, con la
evidencia hasta ahora, los webs de Baleares no conforman un grafo
aleatorio, sino un small world, con una distribución
power-law y además scale-free, tal como es la
red web general. El hecho que sea power-law de alguna manera
valida como correctos a nuestros datos, ya que en teoría si se
cogen muestras más pequeñas de la red web general (que
es una power-law), esos subgrafos también deberían
seguir una distribución power-law.
O sea, la evidencia dice que nuestra
red es coherente con Internet, a pesar del altísimo nivel de
endogamia indicado por el CC 🙂
NOTA: si estáis interesados en
colaborar, sobre todo en acabar de reprogramar el robot en lenguaje
Perl (ahora está en C++, e l nuevo debe estar en menos de un
mes, ya tengo el esqueleto basado en WWW::Mechanize), seréis
muy bienvenidos 🙂
Este post ha sido traido de forma automatica desde https://web.archive.org/web/20140625063149/http:/bulma.net/body.phtml?nIdNoticia=2018 por un robot nigromante, si crees que puede mejorarse, por favor, contactanos.