Comparativa: La Regenta lematizada contra Fortunata y Jacinta lematizada

Índice

• Información General
  
• Ley de Heaps - Saturación léxica
  
• Ley de Zipf
  
• Test de Dunning
  

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

Regenta_lemat Fortunata_lemat #Palabras: #Palabras distintas: 6178 1747 12356 2775 18534 3494 24712 4048 30890 4515 37068 4931 43246 5286 49424 5581 55602 5962 61780 6210 67958 6492 74136 6739 80314 6963 86492 7199 92670 7426 98848 7629 105026 7847 111204 8069 117382 8260 123560 8429 129738 8588 135916 8723 142094 8860 148272 9028 154450 9169 160628 9310 166806 9392 172984 9533 179162 9645 185340 9797 191518 9922 197696 10067 203874 10173 210052 10285 216230 10397 222408 10487 228586 10622 234764 10697 240942 10756 247120 10858 253298 10945 259476 11053 265654 11159 271832 11223 278010 11294 284188 11353 290366 11429 296544 11490 302722 11534 308900 11595 308922 11595 #Palabras: #Palabras distintas: 7876 1911 15752 2998 23628 3820 31504 4491 39380 5072 47256 5620 55132 6092 63008 6505 70884 6989 78760 7392 86636 7702 94512 8036 102388 8274 110264 8653 118140 8908 126016 9125 133892 9345 141768 9564 149644 9783 157520 9971 165396 10223 173272 10448 181148 10618 189024 10785 196900 10922 204776 11069 212652 11308 220528 11473 228404 11609 236280 11731 244156 11888 252032 12012 259908 12145 267784 12285 275660 12398 283536 12488 291412 12586 299288 12702 307164 12841 315040 12946 322916 13054 330792 13174 338668 13252 346544 13345 354420 13476 362296 13560 370172 13626 378048 13709 385924 13770 393800 13854 393844 13855	Ajuste por mínimos cuadrados de los datos a K*n^b:
	Regenta_lemat		Fortunata_lemat
	K = 43.718		K = 34.438
	b = 0.446		b = 0.471

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.