ARTÍCULO

Análisis estadístico de datos textuales.

Aplicación al estudio de las declaraciones
del Libertador Simón Bolívar

ZULAIMA OSUNA
MARÍA PURIFICACIÓN GALINDO VILLARDÓN
JAVIER MARTÍN VALLEJO
UNIVERSIDAD DE SALAMANCA

RESUMEN. En este trabajo se presenta una estrategia metodológica

basada en el Análisis Estadístico de Datos Textuales de corpus cronológi-
cos. Se emplean distintas herramientas tales como: los métodos estadísti-
cos multidimensionales descriptivos y métodos derivados de la estadística
léxica. La utilización del Análisis Estadístico de Datos Textuales permite,
entre otras posibilidades, una lectura de los textos sustancialmente distinta
y complementaria a las lecturas realizadas desde un enfoque más cualitati-
vo. Consideramos que esta aplicación es novedosa ya que la misma ha sido
escasamente empleada para tratar declaraciones e inferir las concepciones
mentales de los sujetos y analizar cambios evolutivos.

PALABRAS CLAVE: análisis estadístico de datos textuales, estadística

léxica, lematización.

RESUMO. Neste trabalho se apresenta uma estratégia metodológica

baseada na Análise Estatística de Dados Textuais de corpus cronológicos.
Utiliza-se distintas ferramentas, tais como: os métodos estatísticos multi-
dimensionais descritivos e métodos derivados da estatística léxica. A
utilização da Análise Estatística de Dados Textuais permite, entre outras
possibilidades, uma leitura dos textos substancialmente distinta e comple-
mentaria às leituras realizadas a partir de um enfoque mais qualitativo.
Consideramos que esta aplicação é uma novidade já que a mesma foi
escasamente utilizada para tratar declarações e inferir as concepções
mentais dos sujeitos e analisar mudanças evolutivas.

PALAVRAS CHAVE: análise estatístico de dados textuais, estatística

léxica, lematização.

ALED 4 (2), pp. 55-62 55

 4 (2)

ABSTRACT. In this investigation a methodological strategy based on the

analysis of textual data of chronological corpus is presented. Diverse
instruments related to this analysis are used, such as methods of descripti-
ve multidimensional statistics and methods derived from lexical statistics.
The statistical analysis of textual data allows, among other things, a
reading of the data substantially different and complementary to the
readings carried out from most qualitative approaches. We consider that
this application is original since it has been rarely applied to deal with
declarations and to infer mental conceptions of individuals as well as to
analyze changes progressively.

KEY WORDS: statistical analysis textual data, lexical statistics,

lemmatisation

Introducción
El análisis de lo escrito ha motivado un interés muy particular en el
seno de las diversas disciplinas de las ciencias humanas. Estos análisis se
llevan a cabo desde distintas perspectivas y puntos de vistas. En este
trabajo abogamos por el uso de las técnicas multivariantes de análisis de
datos textuales que consideran la complejidad del objeto de estudio en
sus múltiples determinaciones e interdependencias.
Las técnicas de Análisis Estadístico de Datos Textuales (AEDT), a
partir de los modelos desarrollados por Lebart y Salem (1994), basadas
en análisis cuantitativo cuyo punto de partida básico es el recuento de
ciertas unidades textuales definidas previamente, y que se fundamentan
principalmente en el análisis a través de la comparación, son aplicadas en
este trabajo al procesamiento de datos textuales procedentes de las
principales declaraciones del Libertador Simón Bolívar.

Objetivos y métodos
El objetivo principal es presentar una estrategia estadística para el
análisis de datos textuales. Los objetivos específicos son los siguientes:
· Determinar las ideas “nucleares” o temáticas que se derivan o infieren del
conjunto de las declaraciones del Libertador Simón Bolívar.
· Determinar cuáles declaraciones presentan un perfil léxico similar.
· Estudiar la evolución del vocabulario y organización de las declaraciones
a lo largo de los años 1812-1826.
Se aplica la técnica fundamental del AEDT, la cual es el Análisis
Factorial de Correspondencia de tablas léxicas. El Análisis Factorial de
Correspondencias (AFC) fue propuesto por Benzècri en 1973 como un
método para explorar tablas de contingencias multidimensionales (Ta-
blas Léxicas), en el cual se enfatiza la potencialidad de las representacio-

56
 Osuna, Galindo y Vallejo: Análisis estadístico de datos textuales

nes gráficas. La clasificación del AFC como técnica exploratoria se debe a

que, para su utilización no se requiere supuestos acerca de la distribución
subyacente en los datos.
El AFC es una técnica apropiada para investigar la magnitud y
naturaleza de las inter-asociaciones entre palabras y declaraciones. Para
ello se construyen los subespacios de dimensión reducida que mejor se
ajustan, en el sentido de los mínimos cuadrados, a la nube que se desea
describir. En estos subespacios es posible interpretar las distancias entre
las proyecciones de las palabras sobre los planos, como medida de su
semejanza en cuanto a la frecuencia con que aparece en cada una de las
declaraciones. Por su parte, las proximidades entre las declaraciones
representan afinidades entre ellas, es decir, si dos declaraciones aparecen
muy cercanas en proyección, probablemente se deba a que están caracte-
rizadas por las mismas palabras. Las distancias entre palabras y declara-
ciones sólo deben interpretarse en términos baricéntricos.
Para el procesamiento de los datos textuales se utilizaron los progra-
mas computacionales LEXICO 3 y ADE-4.

Corpus analizado
El corpus analizado lo constituyó una base de datos textuales creada a
partir de las algunas declaraciones pronunciadas después de la proclama-
ción de la independencia de Venezuela (5 julio 1811) por el Libertador
Simón Bolívar entre los años 1812 y 1826 (Tabla N∞ 1). El corpus tiene
una extensión o longitud de 28870 ocurrencias y está formado por 8783
formas gráficas distintas o palabras propias. El porcentaje de diversidad
es 30,42%.
Como fase previa a los análisis multivariantes, el corpus fue intervenido a
objeto de eliminar palabras que, desde el punto de vista estadístico no
aportan información adicional a los mismos. Las modificaciones fueron:
· Exclusión de las preposiciones y conjunciones
· Exclusión de pronombres personales y demostrativos
· Exclusión de grafías romanas, números y abreviaturas
· Exclusión de palabras que aparecen una sola vez (Hápax)
· Las letras mayúsculas, sólo se han mantenido en el caso de los nombres
propios, en el resto de contextos tipográficos no se distingue entre letras
mayúsculas y minúsculas.
A los palabras restantes se les aplicó un nivel moderado de lematiza-
ción (Bolasco, 1993), es decir se han reagrupado algunas flexiones del
mismo lema para «reducir el número de variaciones no significativas»,
llevando las palabras de alta frecuencia de ocurrencia y con significado
relevante a sus formas canónicas (verbos al infinitivo, sustantivos en
singular y adjetivos en masculino singular).

57
 4 (2)

Tabla N∞ 1. Declaraciones analizadas

Año Declaración Extensión P. Propias Hápax
1812 Memoria dirigida a los ciudadanos
de la Nueva Granada por un caraqueño 5765 2006 1453
1813 Decreto de Guerra Muerte 667 326 253
1815 Carta de Jamaica 7932 2411 1678
1819 Discurso de Angostura 10304 2636 1731
1826 Mensaje al Congreso Constituy. de Bolivia 4202 1404 991

Resultados
A fin de ver si el léxico de las declaraciones del Libertador es
diferenciable, se trabajó con la Tabla Léxica formada por las cinco
declaraciones y 476 palabras distintas, ya que el Análisis Factorial de
Correspondencias permite establecer tipologías en términos de semejan-
za y disimilitud, entre las partes de un corpus en función de su
frecuencia. El umbral de frecuencia seleccionado fue seis, es decir en la
tabla léxica sólo esta constituida por aquellas palabras cuya frecuencia de
ocurrencia en todo el corpus es mayor o igual a seis. En el análisis de esta
tabla se observó que la información se distribuye en cuatro ejes, en los
que pueden observarse las tendencias en el comportamiento de las
palabras. Los valores propios, los porcentajes de inercia y la inercia
acumulada de cada eje principal asociado a cada valor propio correspon-
diente al AFC de la Tabla Léxica TL (476x5) se muestran en la Tabla N∞
2 y estos miden la inercia captada o varianza sobre cada uno de los ejes
principales.

Tabla N∞ 2. Valores propios y porcentaje de inercia

Valor Propio % Inercia Inercia acumulada
0,17 35,75 35,75
0,12 25,00 60,75
0,10 21,98 82,73
0,08 17,27 100,00

En este caso se analizará sólo el plano factorial generado por lo dos

primeros valores propios el cual recoge o explica el 60,75% de la
variabilidad de los datos, los elementos de partida serán la información
proporcionada por las contribuciones absolutas y relativas (del Elemento
al Factor).
Este análisis nos permitió corroborar la existencia de un léxico
diferenciado por declaraciones. Más específicamente, se observó que el

58
 Osuna, Galindo y Vallejo: Análisis estadístico de datos textuales

Eje 2: 25%
mejicano

Méjico hemisferio
población

comercio
Fernando
allí
rey habitante

exacto tal limitado

conservado
requerir atrever relativo ambos esclavo

constante poseer parece monarquía

Europa actual
reino diferente monarca
línea siglo alma
usurpador
tres riqueza privilegio exclusivo
regla difícil especie decir
régimen momento

JAMAICA
vitalicio Dios posesión fuerte natural extranjero
género futuro documento
abuso luz feliz
mérito destinado posible
ejecutivo talento equilibrio nación extremo
conservar base popular capital curso
(1815)
potestad hereditario luego consecuencia
cámara dos romano interés
individuo democracia legítimo institución violencia extensión
dividido acción ciencia excesivo suceso
carrera revolución
democrático nulo jurisdicción suma tempestad forma
tierra arte
bajo inmenso próspero
mayor querer vicioestablecimiento
elemento
formar esperanza
vicepresidente religión administración universo gran caso pequeño
cabeza bienhechor senado puro uno ilustre imperio mundo segundo conocimiento
siendo dignidad Inglaterra estar tiempo diferencia
fin
censor pertenece América
modelo noble
Atenas amor sublime sociedad ambición superior europeo fácil independiente
mando atribuciónproyecto
largo divinocostumbre restricción tanto liberal americano

ANGOSTURA
Bolivia príncipe falta establecer
grande meridional
tribunal responsabilidad compuesta firme útil elección moderno virtud real miembro humanidad término principio idea imposible situación
función antiguo saber división importante resultado
fuente masa
duda cuadro parte
ley representante Roma verdad acreedor es existencia costa
(1819)
dominio poder espíritu nombre efecto opinión país
moral esclavitud alto
traba opresión visto llamafuera justicia diez carácter territorio
sola goce tiranía autoridad pasado ventaja libre
suerte junto
legislador primer pasión político
establecido beneficio
paso libertad perfecto señor capaz deseo
legislativo social conforme mantener sistema tener razón conquista
juez eterno ver español
fundamental monstruo republicano atención naciente cruel conservación semejante número
humano dicho historia naturaleza
Eje 1: 35,75%
BOLIVIA
sentimiento unidad cuerpo punto hay unido marcha único gobierno sangre prodigio
resorte soberano ejercicio
sabio justa España
orden deber constitución ser poderoso obstante
ministro legislación generoso despotismo
presidente tocar
esperar
(1826) soberanía
ha
consideración
Francia obra hacer
hombre anarquía
república
derecho
privado
débil
soy
respecto
necesario
nuevo
fortuna
subalterno
felicidad pesar
infinito religioso igual modo facultad sea práctica gratitud hecho negocio muerte reciente
ciudadano acto destino han
inmediato código cosa santo estado militar vano físico
voluntad pueblo contra precioso ejemplo causa mar
civil origen lazo
conciencia genio absoluto seguridad independencia medio oposición
familia sagrado público supremo embargo presente
objeto
simple celo
garantía departamento propiedad nacional honor fuerza salud doméstico
tirano servidumbre general ir partido
dictado complicado mirar filantrópico
influencia gozar límite eclesiástico Venezuela hijo región norte provincia
máxima favor
gloria cierto
cielo magistrado dignovida consiguiente federal
peligro corazón entero Perú
ignorancia
lección particular lugar
puesto mano peso reforma ruina ojo tratado
ministerio apoyo experiencia constitucional
cadena contraria
debida reunión cuestión
congreso campo guerra
podido patria granada
bienes providencia yugo ejército día
sacrificio último
dado haber marina
exigir pacto
servicio medida
terrible hemos circunstancia
paz
mal error enemigo
crimen
jefe año
necesidad
ejercer
consejo horror
dar
arma
título valor tenido
deberes tomar
señalado
hermano
venezolano
tropa ciudad
soldado confianza

MUERTE
espada
completo

conciudadano
(1813)
NUEVA GRANADA
(1812)

colombiano

Caracas

Colombia

oficial
confederación

Figura 1. Análisis Factorial de Correspondencia

léxico de la Carta de Jamaica se contrapone con el léxico utilizado en el

Decreto de Guerra a Muerte y la Memoria dirigida a los ciudadanos de la
Nueva Granada por un caraqueño (Ver Figura 1). De igual forma se
observa en esta figura el ordenamiento cronológico de las cinco declara-
ciones, lo cual pone de manifiesto la estructura evolutiva del vocabulario
empleado; es decir confirma la existencia de un tiempo léxico en la
práctica discursiva.
Este análisis nos permitió corroborar la existencia de un léxico
diferenciado por declaraciones. Más específicamente, se observó que el
léxico de la Carta de Jamaica se contrapone con el léxico utilizado en el
Decreto de Guerra a Muerte y la Memoria dirigida a los ciudadanos de la
Nueva Granada por un caraqueño (Ver Figura 1). De igual forma se
observa en esta figura el ordenamiento cronológico de las cinco declara-
ciones, lo cual pone de manifiesto la estructura evolutiva del vocabulario
empleado; es decir confirma la existencia de un tiempo léxico en la
práctica discursiva.

59
 4 (2)

POLÍTICO
mejicano

Méjico hemisferio
población

comercio
Fernando
allí
rey habitante

exacto tal
limitado
conservado
requerir
atrever relativo ambos esclavo
poseer parece monarquía
constante
Europa actual
reino diferente monarca
línea siglo alma
usurpador
privilegio exclusivo
tres riqueza
regla difícil especie
régimen momento decir

JAMAICA
vitalicio posesión fuerte natural extranjero
Dios género documento
luz futuro feliz
mérito abuso destinado
talento posible extremo
ejecutivo conservar equilibrio popular nación
base capital curso

(1815)
potestad
hereditario luego consecuencia
cámara dos romano interés
individuo democracia legítimo extensión
acción ciencia institución violencia suceso
dividido carrera excesivo revolución
nulo jurisdicción forma bajo inmenso próspero elemento
democrático
suma tempestad tierra arte mayor querer vicio establecimiento formar esperanza
vicepresidente religión administración gran caso pequeño
cabeza bienhechor senado puro uno ilustre imperio universo
mundo segundo conocimiento
siendo Inglaterra estar tiempo diferencia

TERRITORIAL
dignidad fin
censor pertenece noble sublime ambición superiorliberal europeo fácil América independiente
mando Atenas amor modelo sociedad proyecto divino costumbre americano
Bolivia príncipe atribución largo restricción tanto

ANGOSTURA
falta establecer meridional
responsabilidad firme útil elección moderno virtud real miembrohumanidadtérmino grande principio idea imposible situación
tribunal compuesta resultado
función división importante fuente masa
JUDICIAL

antiguo saber
representante Roma acreedor es existencia costa duda cuadro parte
ley

(1819)
dominio verdad poder efecto opinión país
moral esclavitud espíritu nombre alto
traba opresión llama fuera justicia diez carácter territorio
sola goce visto tiranía autoridad pasado ventaja suerte junto
legislador primer pasión libre
establecido paso libertadbeneficio político
perfecto señor capaz deseo
legislativo social tener conquista
eterno ver conforme mantener sistema razón
español
juez
fundamental monstruo
republicano atención naciente cruel conservación semejante número
humano dicho historia naturaleza

BOLIVIA
sentimientounidad cuerpo punto hay unido marcha único gobierno sangre prodigio
resorte soberano ejercicio
sabio justa España
orden constitución ser poderoso obstante
deber generoso despotismo
ministro legislación
presidente tocar
esperar
(1826) soberanía
ha
consideración
felicidad
Francia
hombre
obra
hacer república
anarquía derecho
privado
débil
pesar
soy
respecto
necesario
nuevo
fortuna
subalterno

infinito igual modo facultad sea prácticagratitud negocio muerte reciente

religioso han hecho
ciudadano acto
inmediato código destino cosa santo militar vano
voluntad estado ejemplo causa físico mar
pueblo contra precioso lazo
civil origen
genio absoluto seguridad independencia oposición
conciencia sagrado público
supremo embargo
familia medio presente
objeto
simple salud doméstico celo general ir
garantía departamento propiedad nacional honor fuerza tirano servidumbre partido
dictado complicado mirar filantrópico
Venezuela hijo
influencia gozar límite eclesiástico región norte provincia
máxima favor
gloria cierto
cielo magistrado dignovida consiguiente federal
peligro corazón entero Perú
ignorancia
lección particular lugar
puesto mano peso reforma ruina ojo tratado
ministerio apoyo experiencia constitucional
cadena contraria
debida reunión cuestión
congreso campo guerra
podido patria granada
bienes providencia yugo ejército día
sacrificio último
haber
dado marina
exigir pacto
servicio medida
terrible hemos circunstancia
paz
mal error enemigo
crimen
jefe año
necesidad
ejercer
consejo horror
dar
arma
título valor tenido
deberes tomar
señalado
hermano
venezolano

tropa ciudad
soldado confianza

MUERTE
espada
completo

conciudadano
(1813)
NUEVA GRANADA
(1812)

colombiano

Caracas

Colombia

oficial
confederación

DEFENSA

Figura 2. Plano Factorial. Temáticas asociadas a las declaraciones

El reconocimiento de las temáticas asociadas a cada declaración (Ver

Figura 2), permite establecer los significados de los ejes y reconstruir los
polos semánticos. De la lectura del plano factorial conjuntamente con las
contribuciones relativas determinamos que las palabras exclusivas del
Factor 1 o Eje 1 son: país, independencia, capital, extensión, conquista,
territorio, mando, juez, garantía, moral legislador, ministro, cámara, legis-
lativo, ley, jurisdicción entre otras, lo cual pone de manifiesto dos polos
semánticos asociados con las declaraciones, los cuales son: al lado
derecho o positivo del eje, aspectos relacionados con lo territorial, y la
lado izquierdo o negativo aspectos relacionados con el poder judicial. De
forma análoga para el Factor 2 o Eje 2 las palabras exclusivas son:
monarquía, reino, régimen, monarca, democracia, soldado, arma, honor,
jefe, hermano, entre otras cuyos polos semánticos asociados son los
aspectos relacionados con lo político y la defensa correspondiente a la
parte superior e inferior del plano factorial respectivamente.

60
 Osuna, Galindo y Vallejo: Análisis estadístico de datos textuales

Conclusiones
1. La segmentación del corpus en períodos no solamente permite
dar cuenta de las temáticas abordadas, sino también encontrar el ritmo
del discurso dentro de un contexto definido.
2. El análisis directo de las declaraciones del Libertador Simón
Bolívar funciona mejor a partir del corpus lematizado. El reagrupamiento
de las palabras en lemas reduce el número de unidades y como conse-
cuencia aumenta sus frecuencias. Por esta razón, el número de palabras
compartidas por dos a más declaraciones aumenta, lo que permite dar
mayor sentido a las distancias calculadas entre ellos.
3. La lematización influye en la selección de las palabras conserva-
das. El caso particular de los verbos, cuyas inflexiones son numerosas y
mucho más dispersas que la de los sustantivos, adjetivos y adverbios, es
eliminada en mayor cantidad por el proceso de filtrado mediante el
umbral de frecuencia. En efecto una vez agrupadas las diferentes inflexio-
nes de un mismo verbo bajo la forma infinitiva, aumenta la posibilidad
de que la frecuencia global supere el umbral seleccionado.

REFERENCIAS BIBLIOGRAFICAS

BOLASCO, S. (1993). Choix de lemmatisation en vue des reconstructions

syntagmatiques du texye par l’analyses des correspondence. Secondes Journées
Internationales d’Analyses des Données Textuelles. Ottobre 21-22 Montpellier.
BENZÉCRI, J. P. (1973). L’Analyse Des Dones. II L’Analyse Des Correspondances.
París: Dunod
LEBART, L. & SALEM, A. (1994). Statistique Textuelle. París: Dunod.

ZULAIMA OSUNA. Doctoranda de Estadística Multivariante Aplicada en la

Universidad de Salamanca. Licenciada en Ciencias Estadística por la Universidad
Central de Venezuela (1996). Estadístico de la Oficina de planificación del Sector
Universitario. Línea de investigación Análisis de Datos Textuales.
Correo-e: zulosu@cantv.net

MARIA PURIFICACION GALINDO. Doctora en Estadística Multivariante por la

Universidad de Salamanca (1985), es profesora titular e investigadora de la
Universidad de Salamanca desde 1986. Directora del Departamento desde 1991.
Coordinadora del Programa de Doctorado en Estadística Multivariante Aplicada
desde 1991. Profesora visitante en 12 universidades Europeas y Americanas.
Directora de 15 tesis doctorales, 8 tesinas de licenciatura. Ha publicado 15 libros y/
o monográficas científicas, más de 70 artículos en revistas, más de 150 comunicacio-
nes en congresos nacionales e internacionales, ha impartido 49 cursos de postgrado

61
 4 (2)

invitada por universidades europeas y americanas, ha coordinado varias reuniones

científicas nacionales e internacionales.
Correo-e: pgalindo@usal.es

JAVIER MARTIN VALLEJO. Doctor en Estadística Multivariante por la Universi-

dad de Salamanca (1995), Master en Psicología por la Oxford Brookes University
(1997). Profesor titular e investigador de la Universidad de Salamanca. Su investiga-
ción esta dirigida a la aplicación de las a diferentes técnicas multivariantes
(especialmente los métodos Biplot y Análisis de Correspondencias) a distintos
campos así como la utilización de estas técnicas en Meta-análisis.
Correo-e: jmv@usal.es

62