Análisis de la obra de Benito Pérez Galdós

Índice

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

• Doña Perfecta
• Fortunata y Jacinta
• Marianela
• Misericordia
• Trafalgar

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: 12914 3577 25828 5800 38742 7603 51656 9063 64570 10408 77484 12206 90398 13619 103312 14872 116226 16057 129140 17106 142054 18263 154968 19212 167882 20017 180796 20892 193710 21663 206624 22392 219538 23072 232452 23872 245366 24543 258280 25131 271194 25649 284108 26326 297022 26831 309936 27416 322850 27919 335764 28475 348678 28906 361592 29341 374506 29806 387420 30290 400334 30739 413248 31184 426162 31631 439076 31999 451990 32314 464904 32809 477818 33338 490732 33829 503646 34206 516560 34730 529474 35276 542388 35854 555302 36342 568216 36891 581130 37331 594044 37766 606958 38383 619872 38928 632786 39367 645700 39738 645715 39739	Ajuste por mínimos cuadrados de los datos a K*n^b:
	K = 16.732		b = 0.583

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.