Análisis de Fígaro - Artículos selectos de Mariano José de Larra

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: 1791 711 3582 1215 5373 1647 7164 2078 8955 2487 10746 2908 12537 3220 14328 3596 16119 3894 17910 4181 19701 4436 21492 4712 23283 4988 25074 5276 26865 5589 28656 5784 30447 6004 32238 6198 34029 6414 35820 6627 37611 6879 39402 7148 41193 7393 42984 7636 44775 7835 46566 8072 48357 8251 50148 8416 51939 8648 53730 8879 55521 9053 57312 9237 59103 9380 60894 9573 62685 9716 64476 9874 66267 10050 68058 10260 69849 10414 71640 10594 73431 10747 75222 10868 77013 11013 78804 11171 80595 11325 82386 11466 84177 11615 85968 11776 87759 11938 89550 12084 89571 12085	Ajuste por mínimos cuadrados de los datos a K*n^b:
	K = 3.943		b = 0.707

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.