Resultado
Esta página no tiene parte de servidor en absoluto. La tabla que pegas la procesa JavaScript dentro de tu propio navegador, el gráfico se dibuja en un elemento canvas de tu máquina y el archivo de exportación se arma localmente. Nada se sube, se almacena ni se escribe en ningún registro. Puedes desconectar la red después de cargar la página y todo seguirá funcionando: es la forma más sencilla de comprobarlo tú mismo.
Datos y límites del método
| Método | Índice de Jaccard sobre conjuntos de palabras: palabras compartidas dividido entre todas las palabras distintas de ambos textos |
|---|---|
| Tokenización | Las palabras son secuencias de caracteres sin espacios, separadas por espacios, tabulaciones y saltos de línea |
| Manejo de mayúsculas | Ambos textos se convierten a minúsculas antes de comparar, así «Crecimiento» y «crecimiento» cuentan como la misma palabra |
| Repeticiones | Cada palabra se cuenta una vez por texto — repetir una palabra no cambia la puntuación |
| Orden de las palabras | Se ignora por completo — solo importa qué palabras aparecen, no su secuencia |
| Rango de la puntuación | Del 0% sin palabras compartidas hasta el 100% con conjuntos de palabras idénticos |
Cuándo induce a error
- Esta es similitud de CONJUNTO de palabras, no de frases ni oraciones: dos textos con exactamente las mismas palabras en un orden completamente distinto obtienen 100%, aunque su significado sea diferente. Es una limitación real del método, no un error.
- La puntuación pegada a una palabra forma parte del token: «crecimiento,» y «crecimiento» se cuentan como dos palabras distintas a menos que quites la puntuación antes de pegar el texto.
- La puntuación no tiene en cuenta la frecuencia ni la importancia de las palabras — un texto que repite una palabra cien veces se compara exactamente igual que si esa palabra apareciera una sola vez, porque las repeticiones colapsan en una única entrada del conjunto.
- En textos muy cortos la puntuación puede saltar a 0% o 100% por la diferencia de una sola palabra, ya que el tamaño de la unión y la intersección son pequeños — en textos más largos, del tamaño de una oración o un párrafo, la puntuación es mucho más estable y significativa.
Cómo se calcula
Ambos textos se convierten a minúsculas y se dividen en palabras por cualquier secuencia de espacios en blanco; luego la lista de palabras de cada texto se convierte en un conjunto de palabras únicas — las palabras repetidas dentro de un mismo texto colapsan en una sola entrada.
«Palabras en común» es la intersección de los dos conjuntos: palabras que aparecen tanto en el texto A como en el texto B, sin importar cuántas veces ni dónde.
«Palabras solo en A» y «palabras solo en B» son las palabras presentes en un conjunto pero ausentes en el otro; junto con las palabras compartidas, forman la unión del vocabulario de ambos textos.
El porcentaje de similitud es el índice de Jaccard: el número de palabras compartidas dividido entre el número total de palabras distintas en ambos textos, mostrado como porcentaje con un decimal.
Preguntas y respuestas
¿Por qué dos textos con las mismas palabras en distinto orden obtienen 100%?
Porque el método compara CONJUNTOS de palabras, no secuencias — solo comprueba qué palabras aparecen, nunca su orden. Si el orden de las palabras importa en tu caso, esta puntuación no es la herramienta adecuada.
¿Las mayúsculas afectan a la puntuación?
No. Ambos textos se convierten a minúsculas antes de comparar, así que «Informe» e «informe» se tratan como la misma palabra.
¿Repetir una palabra aumenta la puntuación de similitud?
No. Cada palabra se cuenta una vez por texto sin importar cuántas veces aparezca, así que la repetición dentro de un mismo texto no afecta a la puntuación.
¿Qué significa 0% y qué significa 100%?
0% significa que los dos textos no comparten ninguna palabra; 100% significa que ambos textos contienen exactamente el mismo conjunto de palabras únicas, aunque el número de repeticiones o el orden difieran.
¿Alguno de los textos se sube a algún sitio?
No. Todo se ejecuta en tu navegador; ninguno de los textos se envía nunca a un servidor.