Contador de frecuencia de letras

Qué es la frecuencia de letras

La frecuencia de letras es cada cuánto aparece cada letra en un conjunto de escritura. En inglés el reparto es célebremente desigual: la E vale más o menos una letra de cada ocho y la Z una de cada mil seiscientas. De ese desequilibrio salen las puntuaciones del Scrabble, el desgaste desigual de un teclado y la caída de cualquier cifrado por sustitución.

Conviene decirlo cuanto antes: esta herramienta cuenta únicamente las letras de la a a la z y pliega los acentos sobre su letra base, de modo que la ñ no se cuenta como ñ y la á suma una a. Mide, por tanto, el esqueleto latino de un texto, no el alfabeto español. Y las dos tablas de referencia son inglesas, así que un texto en español se apartará de ellas con toda razón.

Casi todas las páginas que publican una tabla de frecuencias publican una sola, sin etiquetar, como si fuera una constante física. No lo es. Una tabla es la medición de un montón concreto de texto, y montones distintos dan respuestas distintas. Aquí verás dos, cada una con el corpus del que sale, y podrás alternar entre ellas para ver moverse la columna esperada.

Cómo usar el contador

1. Pega o escribe tu texto en el cuadro. El recuento empieza al instante y ocurre en tu propio navegador. Los espacios, las cifras, la puntuación y todo lo que quede fuera de la a a la z se contabilizan aparte como caracteres ignorados.
2. Elige con qué tabla comparar. Doce novelas de dominio público o Google Books. No coinciden, y ahí está la gracia: al cambiar de una a otra se mueve la proporción esperada de cada letra y algunas diferencias cambian de signo.
3. Lee el veredicto antes que la tabla. Te dice si tu muestra da siquiera para interpretarla y si su distancia a la referencia es rara o es sencillamente lo que tiene un texto de ese tamaño. Ordena de la A a la Z o por frecuencia y cópialo todo en CSV.

El texto real no converge hacia un idioma: converge hacia su autor

Este es el resultado que dio forma a la página. Si se extraen letras al azar y de forma independiente del corpus de doce novelas, la muestra se acerca a la tabla exactamente como predice la teoría del muestreo: a las 200.000 letras la distancia es de 0,0040, prácticamente una coincidencia perfecta. Si en cambio se toman fragmentos continuos y reales de la misma longitud de esos mismos libros, la distancia se queda en 0,0301, siete veces y media más lejos.

Y la brecha se ensancha conforme crece la muestra. Con 30 letras un fragmento real no es peor que una extracción aleatoria (0,3018 frente a 0,3237); con 1.000 letras es 1,3 veces peor; con 200.000, siete veces y media. Pasados unos pocos miles de letras uno ya no está midiendo el inglés con más precisión, sino a un autor con más precisión, y un autor no es un idioma.

Eso tiene una consecuencia para las tablas mismas. La de doce novelas y la que Norvig construyó con 3.563.505.777.820 letras de Google Books distan 0,0305 entre sí. La distancia mediana entre dos novelas sueltas del corpus es de 0,0449 y las dos más parecidas distan 0,0236, así que siete de los sesenta y seis pares de novelas están más cerca entre ellos que las dos tablas de referencia entre sí. Un corpus 668.000 veces mayor no zanjó la cuestión: respondió a otra pregunta.

La discrepancia se ve en el orden. Las dos empiezan por E T A O y luego se separan: las novelas dan ETAONISHRDLU y Google Books da ETAOINSRHLDC, y solo quince de las veintiséis letras ocupan el mismo puesto en ambas. La mayor diferencia está en la H: 6,18 % en las novelas frente a 5,05 % en Google Books. La ficción está llena de he, she, that y the; Google Books está lleno de todo lo demás.

Cuánto texto hace falta y qué no puede decirte

La cantidad de texto necesaria resulta ser una propiedad de la pregunta, no del texto. Treinta letras bastan para romper un cifrado César el 98,0 % de las veces, y las dos tablas que discrepan entre sí eligen el mismo desplazamiento el 99,3 % de las veces con esa longitud. Y sin embargo, en esas mismas treinta letras la letra más frecuente es realmente la E solo el 41,3 % de las veces. Romper un cifrado necesita que el orden esté aproximadamente bien en conjunto; leer una frecuencia de la tabla exige que esa letra concreta esté decidida.

El patrón se mantiene al ampliar. Con 1.000 letras la más frecuente acierta el 96,7 % de las veces, pero las seis primeras salen en el orden correcto solo el 22,5 % de las veces incluso con 100.000 letras, y apenas nueve de las doce novelas completas reproducen las tres primeras del propio corpus. Si has visto una página enumerar con aplomo las diez letras más frecuentes del inglés, ese orden es más frágil de lo que parece.

Por eso la herramienta marca una letra como amplia y no como significativa. La significación estadística de manual trata el texto como extracciones aleatorias independientes, y la prosa no lo es, de modo que en cualquier muestra larga señalaría casi todas las letras. Aquí se marca cuando la letra se aleja de la tabla más de lo que se alejan entre sí las doce novelas. Solo la h va del 4,90 % al 8,10 % entre dos novelas corrientes: 3,20 puntos de recorrido en una letra que vale 6,18. Juzgar contra el ruido de muestreo declararía extraordinario cualquier libro normal.

Los límites, sin rodeos: por debajo de unas 200 letras la herramienta se niega a interpretar, porque a esa escala la respuesta es ruido. El corpus de novelas es ficción del siglo XIX y se nota. Y puede decirte que un texto es atípico, nunca por qué lo es.

¿Por qué es gratis?

Porque contar letras no nos cuesta nada. Todo el análisis —los recuentos, las distancias, las tablas de referencia y la curva de convergencia que hay detrás del veredicto— son unos pocos kilobytes de JavaScript que se ejecutan dentro de tu navegador. Tu texto no se sube, no se guarda y no lo vemos, porque no hay ningún servidor que pudiera verlo.

De ahí que no haya cuenta, ni registro, ni límite de tamaño, ni marca de agua en el CSV. Pega un manuscrito privado si quieres: no sale del equipo desde el que estás leyendo esto. Es gratis por la misma razón por la que usar dos veces una calculadora de bolsillo es gratis.