El análisis de frecuencia de texto cuenta cuántas veces aparece cada palabra o carácter. En español, la letra que domina es la «E», y la propia estructura de la lengua —con sus artículos y preposiciones cortas— deja una huella estadística muy reconocible.
Por qué «E» domina el español
La «E» es la letra más frecuente en español, en gran parte porque aparece en verbos, artículos y desinencias muy comunes («de», «que», «se», los infinitivos en «-er»). En el extremo opuesto están letras como «W» o «K», casi ausentes salvo en préstamos de otros idiomas, lo que las convierte en una firma casi segura de una palabra extranjera dentro de un texto en español.
Palabras cortas muy frecuentes: «de» y «que»
En el análisis de frecuencia por palabras, «de» y «que» suelen encabezar la lista en cualquier texto español extenso, muy por delante de sustantivos con contenido temático. Esto es habitual en todos los idiomas —las palabras funcionales superan casi siempre a las de contenido— pero en español destaca especialmente por la cantidad de construcciones que dependen de «que» como conector subordinante.
Frecuencia de letras y criptoanálisis clásico
Los cifrados de sustitución simple no cambian la distribución de frecuencias de las letras, solo reordenan qué letra corresponde a cuál. Comparando la distribución de un texto cifrado con la distribución conocida del español —con la «E» a la cabeza— se puede recuperar la correspondencia de caracteres y romper el cifrado sin probar todas las claves posibles.
Para qué sirve
- Captar rápidamente los temas principales de un documento largo a partir de sus palabras más frecuentes.
- Comprobar si un texto tiene una distribución natural de letras (ejercicios educativos de criptografía).
- Analizar la repetición de palabras para optimizar el SEO del texto de una página.
La ley de Zipf
En los idiomas naturales, la frecuencia de una palabra es inversamente proporcional a su rango en la lista ordenada de mayor a menor frecuencia: la palabra más frecuente aparece aproximadamente el doble de veces que la segunda más frecuente, el triple que la tercera, y así sucesivamente. Este patrón (la ley de Zipf) es tan estable para un texto normal que una desviación significativa respecto a él es una señal: el texto puede estar generado artificialmente, saturado de palabras clave, o escrito en un idioma distinto del esperado.