Número de formas léxicas distintas observadas en una muestra definida de habla o texto bajo un procedimiento de preprocesamiento y muestreo explícito (por ejemplo: tokenización, normalización de mayúsculas/minúsculas, lematización y longitud de muestra). El Tamaño del Vocabulario es una cuenta dependiente de la muestra, no una propiedad intrínseca salvo que se aplique un procedimiento de estimación poblacional.

Principio

Porque la medida cuenta formas distintas observadas en una muestra dada, el Tamaño del Vocabulario aumenta con el tamaño de la muestra y según las elecciones de preprocesamiento; las comparaciones son significativas solo si esos parámetros se mantienen constantes o se ajustan explícitamente.

Demostración

Escenario ilustrativo → Un investigador define el preprocesamiento (minúsculas, eliminar puntuación, sin lematizar) y extrae una muestra de 10.000 tokens de un autor; contar las formas distintas según esas reglas produce un Tamaño del Vocabulario N. Reconocimiento → el investigador documenta la definición procedimental. Acción → informa N junto con metadatos de muestreo y preprocesamiento. Consecuencia → otros analistas pueden reproducir o comparar ese valor con muestras medidas de la misma forma.

Aplicación incorrecta

Interpretación errónea: tratar un Tamaño del Vocabulario medido en un único corpus como el léxico completo del hablante. Por qué parece plausible: el término «vocabulario» es ambiguo. Error semántico: confundir una estadística observada dependiente de la muestra con un léxico poblacional no observado.

Consecuencia

Los usos prácticos (descripción estilística, comparación de corpus, diagnósticos educativos) requieren controlar la longitud de la muestra, el género y el preprocesamiento; la ausencia de control produce comparaciones engañosas e inferencias inválidas sobre competencia léxica.

Inversión

Si se aplica un estimador estadístico explícito (p. ej. extrapolación de tipos no observados) y se cumplen sus supuestos, la estimación del Tamaño del Vocabulario puede interpretarse como una aproximación al léxico poblacional; de lo contrario, el recuento bruto permanece ligado a la muestra.

Límite

Dentro de la definición: recuento de tipos distintos en un texto tras preprocesamiento declarado. Caso límite: comparar recuentos lematizados con recuentos de formas flexionadas sin ajuste. Fuera de la definición: entradas de diccionario o estimaciones teóricas del léxico mental que no están vinculadas a una muestra observable.

Tensión semántica

Tensión entre la medición descriptiva reproducible (recuentos basados en la muestra) y la noción normativa o teórica del léxico completo de un hablante (léxico psicolingüístico).

Síntesis

El Tamaño del Vocabulario es una estadística procedimental: su significado y comparabilidad dependen totalmente de elecciones explícitas de muestreo y preprocesamiento; sin ellas, el número carece de interpretación.