Por ejemplo, pi puede representar la habilidad de un equipo en un torneo deportivo, estimada a partir del número de veces que he ganado un partido.
El modelo de Bradley–Terry se puede utilizar para obtener una clasificación completa.
El pi individual expresa entonces la relevancia del documento y se puede estimar a partir de la frecuencia con la que los usuarios hacen clic en "resultados" particulares cuando se les presenta una lista de resultados.
[1] Las observaciones requeridas son los resultados de comparaciones previas, por ejemplo, pares (i , j) donde i vence a j. Resumiendo estos resultados como wij, el número de veces que i ha vencido a j, obtenemos la probabilidad logarítmica del vector de parámetros p = p1 , ..., pn como[1] Denote el número de comparaciones "ganadas" por i como Wi.
A partir de un vector arbitrario p, el algoritmo realiza iterativamente la actualización para todo i.
Después de calcular todos los nuevos parámetros, deben volver a normalizarse, Este procedimiento de estimación mejora la probabilidad logarítmica en cada iteración y, finalmente, converge a un máximo único.