Análisis de Zalacaín el aventurero de Pío Baroja

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: 1000 487 2000 852 3000 1161 4000 1439 5000 1727 6000 1979 7000 2205 8000 2433 9000 2641 10000 2831 11000 3015 12000 3193 13000 3371 14000 3569 15000 3789 16000 4033 17000 4184 18000 4356 19000 4544 20000 4693 21000 4807 22000 4919 23000 5027 24000 5155 25000 5287 26000 5388 27000 5484 28000 5611 29000 5724 30000 5823 31000 5959 32000 6036 33000 6148 34000 6226 35000 6314 36000 6415 37000 6521 38000 6615 39000 6722 40000 6813 41000 6926 42000 7009 43000 7115 44000 7221 44613 7326	Ajuste por mínimos cuadrados de los datos a K*n^b:
	K = 4.733		b = 0.691

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.