Análisis de Don Quixote 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: 8261 2188 16522 3135 24783 3840 33044 4525 41305 5188 49566 5664 57827 6154 66088 6498 74349 6880 82610 7233 90871 7505 99132 7790 107393 8001 115654 8210 123915 8480 132176 8718 140437 8910 148698 9176 156959 9442 165220 9598 173481 9757 181742 9956 190003 10199 198264 10497 206525 10789 214786 11006 223047 11212 231308 11416 239569 11606 247830 11786 256091 11973 264352 12209 272613 12372 280874 12540 289135 12698 297396 12844 305657 13009 313918 13182 322179 13305 330440 13498 338701 13667 346962 13791 355223 13904 363484 14030 371745 14171 380006 14309 388267 14458 396528 14551 404789 14694 413050 14810 413057 14810	Ajuste por mínimos cuadrados de los datos a K*n^b:
	K = 32.002		b = 0.476

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.