Análisis de Don Quijote de la Mancha de Miguel de Cervantes

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

#Palabras: #Palabras distintas: 7624 2284 15248 3484 22872 4380 30496 5317 38120 6187 45744 6860 53368 7577 60992 8125 68616 8700 76240 9236 83864 9726 91488 10210 99112 10584 106736 10988 114360 11415 121984 11765 129608 12093 137232 12464 144856 12932 152480 13263 160104 13572 167728 13909 175352 14296 182976 14723 190600 15199 198224 15575 205848 15961 213472 16323 221096 16671 228720 17022 236344 17360 243968 17809 251592 18169 259216 18475 266840 18801 274464 19043 282088 19353 289712 19714 297336 20059 304960 20372 312584 20658 320208 20906 327832 21160 335456 21444 343080 21711 350704 21962 358328 22215 365952 22426 373576 22714 381200 22935 381216 22935	Ajuste por mínimos cuadrados de los datos a K*n^b:
	K = 12.991		b = 0.582

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.