Comparativa: La Regenta contra Fortunata y Jacinta

Índice

Información General

Título:La Regenta
Autor:Leopoldo Alas Clarín
Idioma:Castellano
#Palabras total:308254
#Palabras distintas:22907
Type-Token ratio:7.43%
Título:Fortunata y Jacinta
Autor:Benito Pérez Galdós
Idioma:Castellano
#Palabras total:394672
#Palabras distintas:29367
Type-Token ratio:7.44%

Ley de Heaps - Saturación léxica

La Ley de Heaps es una ley empírica que predice el tamaño del vocabulario dado un texto. Esto es, nos da una estimación del número de palabras distintas (v) dado el número total de palabras (n) de que consta el texto, según la fórmula

v = K*n^b

donde b está entre 0 y 1 (habitualmente entre 0.4 y 0.6) y K es una cierta constante, habitualmente entre 10 y 100.

En particular, mayores valores de b se corresponden con vocabularios más grandes, en el sentido de que aumentan rápidamente; mientras que se tienen valores menores de b cuando casi todo el vocabulario aparece al principio y luego se van añadiendo muy pocos términos nuevos (el vocabulario se satura rápidamente).

RegentaFortunata
#Palabras:#Palabras distintas:
61652271
123303791
184954953
246605904
308256760
369907547
431558247
493208872
554859606
6165010139
6781510711
7398011235
8014511782
8631012283
9247512770
9864013211
10480513627
11097014110
11713514532
12330014951
12946515322
13563015644
14179515987
14796016358
15412516712
16029017052
16645517290
17262017613
17878517904
18495018254
19111518547
19728018859
20344519141
20961019458
21577519748
22194019993
22810520309
23427020503
24043520676
24660020921
25276521135
25893021405
26509521645
27126021842
27742522023
28359022213
28975522389
29592022595
30208522760
30825022907
30825422907
#Palabras:#Palabras distintas:
78932565
157864264
236795618
315726883
394658003
473589041
5525110012
6314410853
7103711795
7893012676
8682313361
9471614081
10260914711
11050215429
11839516060
12628816619
13418117131
14207417675
14996718208
15786018684
16575319289
17364619816
18153920285
18943220724
19732521105
20521821491
21311121983
22100422443
22889722823
23679023160
24468323592
25257623966
26046924316
26836224700
27625525017
28414825313
29204125575
29993425919
30782726259
31572026604
32361326910
33150627234
33939927507
34729227816
35518528142
36307828404
37097128671
37886428907
38675729093
39465029367
39467229367
Ajuste por mínimos cuadrados de los datos a K*n^b:
Regenta Fortunata
K = 20.142 K = 14.613
b = 0.561 b = 0.595

Ley de Zipf

La ley de Zipf es una ley empírica que se basa en el principio de mínimos esfuerzo. Esto es, supone que existe un pequeño número de palabras, las más "conocidas", que son utilizadas con mucha frecuencia, mientras que hay un gran número de palabras son poco empleadas.

Matemáticamente esto quiere decir que la frecuencia (número de apariciones) de una palabra cualquiera es inversamente proporcional a su ranking, entendido como su posición en una lista de las palabras presentes en el texto ordenada descendentemente en función de su frecuencia.
Así, la palabra más frecuente aparecerá aproximadamente dos veces más que la segunda palabra más frecuente, unas tres veces más que la tercera palabra más frecuente, etc.

Gráficamente, cuando una curva se encuentra por encima de la recta "ideal" quiere decir que el texto emplea recurrentemente un número de palabras muy reducido, habiendo muy pocas que aparezcan con poca frecuencia.
Por el contrario, cuando la curva se encuentra por debajo de la "ideal", el texto contiene un vocabulario más amplio, con muchas palabras que aparecen relativamente pocas veces.

RegentaFortunata Ilustración del principio de mínimo esfuerzo:
RankPalabraFrec
1de16580
2la11489
3que9901
4y9457
5el8268
6a7535
7en7137
8no4999
9se4779
10los4033
11con3202
12un3121
13su3084
14del3016
15las2939
16por2879
17le2436
18lo2335
19era2301
20había2212
21una2206
22al2168
23pero1914
24como1866
25don1798
26más1733
27para1377
28él1208
29es1193
30si1173
31sin1097
32qué1097
33ella1021
34sus1018
35todo917
36ya906
37ana898
38usted822
39magistral769
40aquella764
41aquel735
42estaba731
43yo712
44677
45ni672
46me638
47o635
48tenía610
49muy555
50sobre508
RankPalabraFrec
1de18253
2que15616
3la14563
4y13277
5a9945
6el7919
7no7657
8en7609
9se6206
10con4637
11le4034
12lo4028
13su4000
14los3930
15un3767
16las3736
17por3617
18me3140
19una2873
20más2337
21al2312
22del2310
23como2294
24para2285
25es2263
26pero2097
27si2032
28qué1782
29yo1722
30era1656
31usted1626
32te1430
33había1393
34muy1215
35ya1180
36porque1094
37cuando1085
38ella1074
39dijo1073
40sus1041
41tan1028
42o989
43todo903
44pues903
45bien894
46él883
47casa874
48esta872
49fortunata869
50sin863
Mostrar todo

Test de Dunning

El test de Dunning sirve para identificar las palabras distintivas de un texto.
En este caso lo utilizaremos para encontrar palabras distintivas de cada uno de los conjuntos que estamos comparando frente al otro.

Fórmula:

- 2 log(lambda) = 2 [ log L(p1,k1,n1)+log L(p2,k2,n2)-log L(p,k1,n1)-log L(p,k2,n2) ]

donde
L(p,k,n) = p^k * (1-p)^(n-k)

con
Para encontrar las palabras distintivas se enfrentará un conjunto (Regenta) (conjunto 1) contra el otro (Fortunata) (conjunto 2) y viceversa.

A continuación se muestra una lista de todas las palabras presentes en los textos, ordenadas por su puntuación en la razón de verosimilitud, indicando de cuál de ellos son distintivas. Haga click en la palabra para ver su definición según el diccionario de la RAE.

PalabraRegenta (308254)Fortunata (394672)Dunning -2log(lambda)
don1798792405.817
ana89801481.963
me63831401251.532
magistral76921243.386
fortunata08691004.008
víctor4900808.279
álvaro4900808.279
regenta4780788.474
vetusta4710776.921
te2251430707.305
jacinta0571659.521
mesía3730615.202
lupe0521601.741
fermín3500577.253
quintanar3060504.659
había22121393447.315
petra2412376.556
guillermina0320369.520
rubín0314362.589
del30162310352.145
Mostrar todo