Análisis de Complete Works de William Shakespeare

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: 18213 3132 36426 4740 54639 5898 72852 6940 91065 7779 109278 8464 127491 9207 145704 9792 163917 10373 182130 11067 200343 11770 218556 12454 236769 12952 254982 13425 273195 14118 291408 14738 309621 15177 327834 15559 346047 15883 364260 16133 382473 16427 400686 16710 418899 16994 437112 17222 455325 17597 473538 17963 491751 18393 509964 18717 528177 18960 546390 19233 564603 19512 582816 19841 601029 20057 619242 20259 637455 20525 655668 20705 673881 20868 692094 20981 710307 21198 728520 21408 746733 21643 764946 21866 783159 22061 801372 22254 819585 22492 837798 22735 856011 22961 874224 23108 892437 23273 910650 23514 910657 23514	Ajuste por mínimos cuadrados de los datos a K*n^b:
	K = 25.839		b = 0.500

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.