Comparativa: Literatura española contra literatura inglesa

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

Castellano Inglés #Palabras: #Palabras distintas: 36018 5706 72036 11046 108054 14561 144072 17696 180090 20200 216108 21997 252126 23464 288144 24611 324162 25754 360180 27048 396198 28321 432216 29474 468234 30611 504252 31605 540270 32583 576288 34920 612306 36999 648324 38836 684342 40455 720360 41950 756378 43172 792396 44394 828414 45454 864432 46436 900450 47394 936468 48173 972486 50942 1008504 52746 1044522 54236 1080540 55220 1116558 56054 1152576 56826 1188594 57533 1224612 58207 1260630 58817 1296648 59339 1332666 60002 1368684 60926 1404702 61908 1440720 65447 1476738 68505 1512756 69268 1548774 70229 1584792 71196 1620810 71937 1656828 72696 1692846 73642 1728864 74555 1764882 75449 1800900 76810 1800906 76810 #Palabras: #Palabras distintas: 26474 3967 52948 5917 79422 7099 105896 7964 132370 8728 158844 9468 185318 10064 211792 10928 238266 11577 264740 12214 291214 12727 317688 13241 344162 13764 370636 14146 397110 14572 423584 15237 450058 16085 476532 16923 503006 17544 529480 18110 555954 18664 582428 19148 608902 19847 635376 20541 661850 21042 688324 21698 714798 22294 741272 22702 767746 22999 794220 23299 820694 23573 847168 23841 873642 24255 900116 24715 926590 25059 953064 25366 979538 25674 1006012 26025 1032486 26261 1058960 26519 1085434 26745 1111908 26900 1138382 27158 1164856 27413 1191330 27656 1217804 27896 1244278 28178 1270752 28475 1297226 28666 1323700 28903 1323714 28903	Ajuste por mínimos cuadrados de los datos a K*n^b:
	Castellano		Inglés
	K = 10.669		K = 18.351
	b = 0.615		b = 0.524

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.