Frecuencia de aparición de letras
El cálculo de la frecuencia de letras en una lengua es difícil y está sujeto a la interpretación. Se cuenta la frecuencia de las letras de un texto arbitrariamente largo, pero en los resultados influyen varios parámetros:
- El estilo narrativo. Si hay muchos verbos en infinitivo, habrá muchas "R".
- El vocabulario específico del documento. Si se habla de ríos, habrá muchas "Í"; si uno de los protagonistas se llama Wenceslao, aumentará el número de "W".
- El tipo de documento. En pequeños anuncios se pueden encontrar muchos símbolos de monedas (€, $, Bs, etc), que es posible que estén ausentes en la mayor parte de otro tipo de documentos.
- En el diccionario de la RAE la letra más frecuente es la A, pero en cualquier texto castellano, la frecuencia de las partículas "que", "el", "se", "me", etc. hace que la "e" sea más frecuente.
- Los parámetros técnicos. Se pueden calcular fácilmente estadísticas sobre textos informatizados, pero a menudo, éstos no implican el uso de mayúsculas acentuadas (que a veces resultan complicadas de teclear). Además, algunos autores omiten los tildes.
- La presencia de caracteres no alfabéticos (signos de puntuación, cifras, paréntesis, símbolos matemáticos corrientes, etc.) pueden o no tenerse en cuenta. La coma y el punto, por ejemplo, son más frecuentes que más de la mitad de las letras.
Si estos parámetros tienen un impacto espectacular en los símbolos menos frecuentes, es también sensible incluso para las letras más frecuentes.
Frecuencia de aparición de letras en español
Porcentaje de aparición de letras en español:[1]
| Letra | Porcentaje |
|---|---|
| A | 12,53 |
| B | 1,42 |
| C | 4,68 |
| D | 5,86 |
| E | 13,68 |
| F | 0,69 |
| G | 1,01 |
| H | 0,70 |
| I | 6,25 |
| J | 0,44 |
| K | 0,02 |
| L | 4,97 |
| M | 3,15 |
| N | 6,71 |
| Ñ | 0,31 |
| O | 8,68 |
| P | 2,51 |
| Q | 0,88 |
| R | 6,87 |
| S | 7,98 |
| T | 4,63 |
| U | 3,93 |
| V | 0,90 |
| W | 0,01 |
| X | 0,22 |
| Y | 0,90 |
| Z | 0,52 |
Ordenadas de mayor a menor frecuencia de aparición obtenemos: E A O S R N I D L C T U M P B G V Y Q H F Z J Ñ X K W.
A partir de los datos anteriores, se puede decir que:
- Las vocales ocuparán alrededor del 45% del texto.
- La E y la A son identificables fácilmente dado su porcentaje de aparición.
- Las consonantes más frecuentes son: S,R,N,D,L,C (aparecen con una frecuencia de un 37%)
- Las seis letras menos frecuentes son: Z,J,Ñ,X,K,W (sumadas tienen una frecuencia que apenas supera el 1,5%)
Ejemplo concreto: el Quijote
El texto del Quijote[1] contiene 1.640.502 letras:
| Letra | Cantidad | Porcentaje |
|---|---|---|
| e | 229188 | 14,0% |
| a | 200492 | 12,2% |
| o | 162512 | 9,9% |
| s | 125726 | 7,7% |
| n | 108440 | 6,6% |
| r | 100953 | 6,2% |
| i | 90070 | 5,5% |
| l | 89141 | 5,4% |
| d | 87237 | 5,3% |
| u | 79471 | 4,8% |
| t | 61749 | 3,8% |
| c | 59435 | 3,6% |
| m | 44658 | 2,7% |
| p | 35464 | 2,2% |
| q | 32483 | 2,0% |
| y | 25115 | 1,5% |
| b | 24146 | 1,5% |
| h | 19920 | 1,2% |
| v | 17855 | 1,1% |
| g | 17225 | 1,0% |
| j | 10530 | 0,6% |
| f | 7581 | 0,5% |
| z | 6491 | 0,4% |
| ñ | 4241 | 0,3% |
| x | 377 | 0,0% |
| w | 2 | 0,0% |
| k | 1 | 0,0% |
La Regenta, de Leopoldo Alas (Clarín)
http://www.gutenberg.org/cache/epub/17073/pg17073.txt <- este enlace no funciona al entrar desde Wikipedia, redirecciona a otra página
Se ha incluido la frecuencia del "espacio" o separador de palabras, así como las de los signos de puntuación ". , ; :"
Hay que señalar los siguientes resultados: [2]
1. El separador o espacio es el signo más abundante, casi duplicando a la letra más frecuente.
2. La letra “a” es algo más abundante que la letra “e”.
3. Los signos de puntuación “,” y “.” son más abundantes que la letra “q” y siguientes. En cambio, como cabía esperar, los signos “;” y “:” son menos abundantes, aunque el "punto y coma" supera a la “ñ” y los "dos puntos" a la “k”.
| Letra | Cantidad | Porcentaje |
|---|---|---|
| espacio | 305290 | 17,599 |
| a | 192666 | 11,107 |
| e | 176252 | 10,160 |
| o | 128009 | 7,379 |
| s | 101317 | 5,841 |
| r | 89243 | 5,145 |
| n | 87585 | 5,049 |
| i | 86284 | 4,974 |
| l | 83524 | 4,815 |
| d | 67215 | 3,875 |
| u | 57662 | 3,324 |
| t | 53937 | 3,109 |
| c | 52346 | 3,018 |
| m | 36500 | 2,104 |
| p | 33970 | 1,958 |
| b | 26658 | 1,537 |
| . | 26079 | 1,503 |
| , | 24447 | 1,409 |
| q | 17773 | 1,025 |
| v | 15491 | 0,893 |
| g | 15202 | 0,876 |
| h | 13796 | 0,795 |
| y | 13619 | 0,785 |
| f | 8454 | 0,487 |
| j | 6428 | 0,371 |
| z | 5549 | 0,320 |
| ; | 3658 | 0,211 |
| ñ | 3501 | 0,202 |
| x | 1224 | 0,071 |
| : | 941 | 0,054 |
| k | 59 | 0,003 |
| w | 20 | 0,001 |
Total 1734699 [2]
Otros sistemas
Si se cuenta la frecuencia de aparición en un diccionario, la letra más frecuente resulta ser la A, pero en el lenguaje escrito hay una gran cantidad de palabras cortas (que, le, se, etc.) que contienen la E, por lo que el recuento en textos esta letra suele ser más abundante, aunque no siempre, como en el caso de La Regenta antes citado.
Otros idiomas
El alineamiento de las letras en una máquina linotipia es ETAOIN SHRDLU, que corresponde aproximadamente a las doce letras más frecuentes en inglés.
Referencias
- ↑ Fletcher Pratt, Secret and Urgent: the Story of Codes and Ciphers Blue Ribbon Books, 1939, pp. 254-255.
- ↑ a b Agustín (administrador de Kriptópolis). «Frecuencia de las letras en castellano: "La Regenta" - Kriptópolis, criptografía y seguridad.». Archivado desde el original el 16 de diciembre de 2013. Consultado el 2 de mayo de 2015.
Enlaces externos
- Frecuencia de las letras en castellano: "La Regenta" - Kriptópolis, criptografía y seguridad. en Wayback Machine (archivado el 16 de diciembre de 2013).