LexRO

Statistici lingvistice — Literatura Română Clasică (fără cuvinte de umplutură)

12opere

1,035,353tokens

7autori

1875–1955perioadă

28 June 2026, 08:14generat

ℹ️ Toate frecvențele de cuvinte și bigramele au fost filtrate cu o listă de ~200 stopwords românești (prepoziții, conjuncții, pronume, verbe auxiliare, adverbe comune). Ce rămâne reflectă vocabularul specific fiecărui autor — substantivele, verbele de acțiune, adjectivele, termenii proprii stilului.

📊 Tabel comparativ

Titlu	Autor	An	Tokens	Leme	MSTTR	MTLD	Yule K	Hapax%	Dens.lex.	Silabe
Povești și povestiri	Ion Creangă	1875	64,861	7,807*	0.4406	107.0	86.89	53.1%	—	1.74
Basme	Mihai Eminescu	1880	25,306	2,300	0.4456	102.9	69.31	56.5%	0.46	1.75
Povești	Ioan Slavici	1881	46,805	5,631*	0.4057	77.2	95.52	49.4%	—	1.74
Moara cu noroc	Ioan Slavici	1881	38,333	4,297*	0.4327	105.3	83.05	47.9%	—	1.74
Poezii	Mihai Eminescu	1883	147,743	18,073*	0.5234	187.5	64.41	52.4%	—	1.88
Nuvele	I.L. Caragiale	1890	30,191	3,395	0.5246	139.9	76.32	61.0%	0.494	1.88
Amintiri din copilărie	Ion Creangă	1892	25,162	3,016	0.4914	122.2	90.92	62.0%	0.424	1.77
La hanul lui Mânjoală	I.L. Caragiale	1898	22,245	3,147	0.5432	158.9	71.36	61.7%	0.48	1.91
Momente și schițe	I.L. Caragiale	1901	103,919	16,182*	0.5068	115.2	58.65	54.9%	—	1.95
Țara mea	Regina Maria	1916	45,740	8,392*	0.5475	176.0	70.84	55.9%	—	2.02
Răscoala	Liviu Rebreanu	1932	146,395	16,670*	0.5305	167.1	70.6	50.3%	—	1.96
Moromeții	Marin Preda	1955	338,653	19,452*	0.4549	107.7	85.27	44.4%	—	1.79

* forme flexionare distincte (fără lemmatizare spaCy)

📈 Comparații

MTLD — Diversitate lexicală (mai mare = vocabular mai variat)

Poezii – Mihai Eminescu 187.5

Țara mea – Regina Maria 176.0

Răscoala – Liviu Rebreanu 167.1

La hanul lui Mânjoală – I.L. Caragiale 158.9

Nuvele – I.L. Caragiale 139.9

Amintiri din copilărie – Ion Creangă 122.2

Momente și schițe – I.L. Caragiale 115.2

Moromeții – Marin Preda 107.7

Povești și povestiri – Ion Creangă 107.0

Moara cu noroc – Ioan Slavici 105.3

Basme – Mihai Eminescu 102.9

Povești – Ioan Slavici 77.2

Yule K — Concentrare frecvențe (mai mic = distribuție echilibrată)

Momente și schițe – I.L. Caragiale 58.65

Poezii – Mihai Eminescu 64.41

Basme – Mihai Eminescu 69.31

Răscoala – Liviu Rebreanu 70.6

Țara mea – Regina Maria 70.84

La hanul lui Mânjoală – I.L. Caragiale 71.36

Nuvele – I.L. Caragiale 76.32

Moara cu noroc – Ioan Slavici 83.05

Moromeții – Marin Preda 85.27

Povești și povestiri – Ion Creangă 86.89

Amintiri din copilărie – Ion Creangă 90.92

Povești – Ioan Slavici 95.52

% Hapax legomena (cuvinte unice în corpus)

Amintiri din copilărie – Ion Creangă 62.0

La hanul lui Mânjoală – I.L. Caragiale 61.7

Nuvele – I.L. Caragiale 61.0

Basme – Mihai Eminescu 56.5

Țara mea – Regina Maria 55.9

Momente și schițe – I.L. Caragiale 54.9

Povești și povestiri – Ion Creangă 53.1

Poezii – Mihai Eminescu 52.4

Răscoala – Liviu Rebreanu 50.3

Povești – Ioan Slavici 49.4

Moara cu noroc – Ioan Slavici 47.9

Moromeții – Marin Preda 44.4

Silabe medii per cuvânt — complexitate fonetică

Țara mea – Regina Maria 2.02

Răscoala – Liviu Rebreanu 1.96

Momente și schițe – I.L. Caragiale 1.95

La hanul lui Mânjoală – I.L. Caragiale 1.91

Nuvele – I.L. Caragiale 1.88

Poezii – Mihai Eminescu 1.88

Moromeții – Marin Preda 1.79

Amintiri din copilărie – Ion Creangă 1.77

Basme – Mihai Eminescu 1.75

Povești – Ioan Slavici 1.74

Povești și povestiri – Ion Creangă 1.74

Moara cu noroc – Ioan Slavici 1.74

Densitate lexicală (cuvinte de conținut / total)

Nuvele – I.L. Caragiale 0.494

La hanul lui Mânjoală – I.L. Caragiale 0.48

Basme – Mihai Eminescu 0.46

Amintiri din copilărie – Ion Creangă 0.424

Virgule per 100 cuvinte — ritmul frazei

Amintiri din copilărie – Ion Creangă 13.2

Povești și povestiri – Ion Creangă 11.9

Poezii – Mihai Eminescu 11.6

Povești – Ioan Slavici 10.2

Răscoala – Liviu Rebreanu 9.7

Momente și schițe – I.L. Caragiale 9.6

Nuvele – I.L. Caragiale 9.2

Moara cu noroc – Ioan Slavici 8.7

Țara mea – Regina Maria 8.5

Basme – Mihai Eminescu 8.5

Moromeții – Marin Preda 8.1

La hanul lui Mânjoală – I.L. Caragiale 7.1

📖 Opere individuale

Povești și povestiri

Ion Creangă · 1875

64,861 tokens 7,807* leme MTLD 107.0

Diversitate & statistici

MSTTR-10000.4406

MTLD107.0

Yule K86.89

Entropie Shannon9.631 b

Hapax4,147 (53.1%)

Zipfpantă -1.086 (R²=0.97)

V(N) ≈ 2.35 × N^0.736 R²=0.983

Diacritice39.5%

Silabe/cuvânt1.74

Lung. medie4.11 car.

Virgule/100w11.9

Cuvinte cheie (fără stopwords)

așa 297

Bigrame semnificative

harap + alb 138 moș + nichifor 98

Basme

Mihai Eminescu · 1880

25,306 tokens 2,300 leme MTLD 102.9

Diversitate & statistici

MSTTR-10000.4456

MTLD102.9

Yule K69.31

Entropie Shannon9.688 b

Hapax2,664 (56.5%)

Zipfpantă -0.969 (R²=0.963)

V(N) ≈ 2.4 × N^0.751 R²=0.981

Densitate lex.0.46

Diacritice36.7%

Silabe/cuvânt1.75

Lung. medie4.17 car.

Virgule/100w8.5

Cuvinte cheie (fără stopwords)

avea 288

zice 160

acela 137

face 137

lua 116

fată 106

așa 88

Distribuție POS

Substantiv22.1%

Auxiliar14.2%

Prepoziție11.2%

Pronume10.8%

Verb10.1%

Adverb9.3%

Determinant5.7%

Conj.4.9%

Adjectiv4.5%

Bigrame semnificative

făt + frumos 83 de + aur 59 călin + nebunul 40 într + un 23 mă + duc 23 de + fier 22

Povești

Ioan Slavici · 1881

46,805 tokens 5,631* leme MTLD 77.2

Diversitate & statistici

MSTTR-10000.4057

MTLD77.2

Yule K95.52

Entropie Shannon9.373 b

Hapax2,784 (49.4%)

Zipfpantă -1.098 (R²=0.974)

V(N) ≈ 1.76 × N^0.752 R²=0.993

Diacritice40.4%

Silabe/cuvânt1.74

Lung. medie4.12 car.

Virgule/100w10.2

Cuvinte cheie (fără stopwords)

petru 237

așa 212

mare 186

Bigrame semnificative

de + împărat 105 să + facă 59

Moara cu noroc

Ioan Slavici · 1881

38,333 tokens 4,297* leme MTLD 105.3

Diversitate & statistici

MSTTR-10000.4327

MTLD105.3

Yule K83.05

Entropie Shannon9.181 b

Hapax2,057 (47.9%)

Zipfpantă -1.144 (R²=0.974)

V(N) ≈ 2.69 × N^0.709 R²=0.976

Diacritice40.8%

Silabe/cuvânt1.74

Lung. medie4.1 car.

Virgule/100w8.7

Cuvinte cheie (fără stopwords)

lică 357

ghiță 355

Bigrame semnificative

zise + el 77 cu + noroc 69 moara + cu 67 la + moara 59

Poezii

Mihai Eminescu · 1883

147,743 tokens 18,073* leme MTLD 187.5

Diversitate & statistici

MSTTR-10000.5234

MTLD187.5

Yule K64.41

Entropie Shannon10.655 b

Hapax9,464 (52.4%)

Zipfpantă -1.07 (R²=0.971)

V(N) ≈ 3.14 × N^0.744 R²=0.969

Diacritice0.0%

Silabe/cuvânt1.88

Lung. medie4.53 car.

Virgule/100w11.6

Cuvinte cheie (fără stopwords)

cand 763

poezii 727

opere 657

Bigrame semnificative

opere + poezii 325 in + volum 307 tiparita + in 303 poezii + opere 302 volum + in 279 se + pastreaza 259 pastreaza + in 254 iv + poezii 224

Nuvele

I.L. Caragiale · 1890

30,191 tokens 3,395 leme MTLD 139.9

Diversitate & statistici

MSTTR-10000.5246

MTLD139.9

Yule K76.32

Entropie Shannon10.016 b

Hapax4,012 (61.0%)

Zipfpantă -0.885 (R²=0.952)

V(N) ≈ 2.08 × N^0.791 R²=0.988

Densitate lex.0.494

Diacritice39.1%

Silabe/cuvânt1.88

Lung. medie4.52 car.

Virgule/100w9.2

Cuvinte cheie (fără stopwords)

avea 149

erà 82

face 74

Distribuție POS

Substantiv25.6%

Prepoziție13.7%

Auxiliar10.0%

Adverb9.1%

Verb8.3%

Pronume8.0%

Adjectiv6.5%

Conj.4.9%

Determinant4.9%

Bigrame semnificative

pe + urmă 38 par + că 27

Amintiri din copilărie

Ion Creangă · 1892

25,162 tokens 3,016 leme MTLD 122.2

Diversitate & statistici

MSTTR-10000.4914

MTLD122.2

Yule K90.92

Entropie Shannon9.628 b

Hapax3,229 (62.0%)

Zipfpantă -0.906 (R²=0.949)

V(N) ≈ 1.72 × N^0.797 R²=0.994

Densitate lex.0.424

Diacritice39.4%

Silabe/cuvânt1.77

Lung. medie4.22 car.

Virgule/100w13.2

Cuvinte cheie (fără stopwords)

avea 317

face 113

meu 99

acela 96

zice 96

mamă 87

Distribuție POS

Substantiv22.1%

Prepoziție15.7%

Auxiliar11.9%

Adverb10.0%

Pronume9.8%

Verb7.1%

Conj.6.9%

Determinant4.6%

Particulă3.5%

Bigrame semnificative

vorba + ceea 26

La hanul lui Mânjoală

I.L. Caragiale · 1898

22,245 tokens 3,147 leme MTLD 158.9

Diversitate & statistici

MSTTR-10000.5432

MTLD158.9

Yule K71.36

Entropie Shannon10.033 b

Hapax3,403 (61.7%)

Zipfpantă -0.847 (R²=0.949)

V(N) ≈ 1.54 × N^0.825 R²=0.995

Densitate lex.0.48

Diacritice39.6%

Silabe/cuvânt1.91

Lung. medie4.59 car.

Virgule/100w7.1

Cuvinte cheie (fără stopwords)

avea 273

face 86

așa 65

Distribuție POS

Substantiv24.3%

Prepoziție13.8%

Auxiliar12.9%

Adverb9.5%

Verb8.9%

Pronume7.8%

Adjectiv5.4%

Determinant5.3%

Conj.4.7%

Bigrame semnificative

așa + de 35 fel + de 19 pe + urmă 18

Momente și schițe

I.L. Caragiale · 1901

103,919 tokens 16,182* leme MTLD 115.2

Diversitate & statistici

MSTTR-10000.5068

MTLD115.2

Yule K58.65

Entropie Shannon10.688 b

Hapax8,878 (54.9%)

Zipfpantă -0.976 (R²=0.967)

V(N) ≈ 1.75 × N^0.796 R²=0.994

Diacritice36.0%

Silabe/cuvânt1.95

Lung. medie4.7 car.

Virgule/100w9.6

Cuvinte cheie (fără stopwords)

zice 341

așa 334

Bigrame semnificative

așa + de 87

Țara mea

Regina Maria · 1916

45,740 tokens 8,392* leme MTLD 176.0

Diversitate & statistici

MSTTR-10000.5475

MTLD176.0

Yule K70.84

Entropie Shannon10.239 b

Hapax4,690 (55.9%)

Zipfpantă -0.949 (R²=0.964)

V(N) ≈ 2.04 × N^0.786 R²=0.989

Diacritice37.7%

Silabe/cuvânt2.02

Lung. medie4.79 car.

Virgule/100w8.5

Cuvinte cheie (fără stopwords)

fost 201

așa 191

Bigrame semnificative

așa + de 136 într + un 45 au + fost 40 pline + de 39 am + văzut 38 în + jurul 38

Răscoala

Liviu Rebreanu · 1932

146,395 tokens 16,670* leme MTLD 167.1

Diversitate & statistici

MSTTR-10000.5305

MTLD167.1

Yule K70.6

Entropie Shannon10.368 b

Hapax8,391 (50.3%)

Zipfpantă -1.074 (R²=0.974)

V(N) ≈ 2.52 × N^0.751 R²=0.981

Diacritice40.5%

Silabe/cuvânt1.96

Lung. medie4.66 car.

Virgule/100w9.7

Cuvinte cheie (fără stopwords)

numai 505

Bigrame semnificative

pe + urmă 152

Moromeții

Marin Preda · 1955

338,653 tokens 19,452* leme MTLD 107.7

Diversitate & statistici

MSTTR-10000.4549

MTLD107.7

Yule K85.27

Entropie Shannon9.863 b

Hapax8,630 (44.4%)

Zipfpantă -1.271 (R²=0.979)

V(N) ≈ 2.39 × N^0.718 R²=0.982

Diacritice39.3%

Silabe/cuvânt1.79

Lung. medie4.2 car.

Virgule/100w8.1

Cuvinte cheie (fără stopwords)

moromete 1,722

📘 Glosar complet

Tokens

Numărul total de cuvinte din text, inclusiv repetiții. „Ana are mere" = 3 tokens.

Leme unice

Forma canonică a cuvântului: merge, mergi, mergem → lemă unică merge. Acesta este numărul real de „cuvinte diferite" în vocabularul unui autor. Calculat de spaCy (ro_core_news_lg) unde disponibil; altfel se afișează forme flexionare distincte (*).

Stopwords (cuvinte de umplutură)

Cuvinte gramaticale care nu poartă sens de conținut: prepoziții (de, în, la), conjuncții (și, dar, că), pronume (el, ea, se), verbe auxiliare (fi, avea, vrea), adverbe comune (mai, nu, tot). Excluse din topurile de frecvență și bigrame pentru a expune vocabularul caracteristic fiecărui autor.

MSTTR-1000 (Mean Segmental Type-Token Ratio)

Textul se segmentează în ferestre de 1000 tokens și se calculează TTR (cuvinte unice/total) în fiecare fereastră. Se face media. Stabil față de lungimea textului. Valori orientative: <0,40 = text repetitiv; 0,40–0,50 = mediu; 0,50–0,60 = variat; >0,60 = foarte variat.

MTLD (Measure of Textual Lexical Diversity)

Numărul mediu de tokens necesari pentru ca TTR să scadă sub pragul de 0,72. Interpretare: conversație simplă ≈ 40–60; proză realistă ≈ 70–120; proză cultă sau poezie ≈ 120–200+. Un MTLD ridicat înseamnă că autorul reîmprospătează constant vocabularul.

Yule K

Concentrarea distribuției frecvențelor. K mic = vocabularul e distribuit echilibrat, fără cuvinte care domină excesiv. K mare = câteva cuvinte apar disproporționat de des. Util pentru a detecta stilul: proze descriptive bogate au K mic; texte formulaice sau orale au K mare.

Entropie Shannon (biți)

H = −Σ p(x)·log₂p(x). Incertitudinea medie per cuvânt ales. Vocabular uniform și bogat = entropie mare. Un autor care repetă obsesiv aceleași cuvinte = entropie mică. Valorile tipice pentru proză: 9–12 biți.

Hapax legomena (%)

Cuvinte care apar exact o singură dată în text. Procentul din vocabular total: proză realistă 45–60%; poezie lirică 60–75%. Un procent ridicat poate indica vocabular bogat, termeni tehnici/rari, sau — în cazul textelor vechi — variante ortografice multiple ale aceluiași cuvânt.

Legea Zipf — panta

Frecvența cuvântului de rang r este proporțională cu 1/r. Pe grafic log-log, panta ideală = −1,0. Dacă panta e mai abruptă (ex. −1,3), dominanța cuvintelor frecvente e mai accentuată. Dacă e mai plată (ex. −0,7), distribuția e mai uniformă — tipic pentru texte specializate sau poezie.

Legea Heaps: V(N) ≈ K × N^β

Cum crește vocabularul (V) cu numărul de tokens (N). β aproape de 1 = autorul introduce mereu cuvinte noi chiar și pe măsură ce textul crește. β mic (0,3–0,5) = vocabularul se saturează repede. Valori tipice pentru română: β = 0,65–0,85.

Silabe medii per cuvânt

Complexitate fonetică medie. Proză simplă sau dialog oral: 1,7–2,2; proză descriptivă cultă: 2,3–3,0; texte cu neologisme și terminologie: 3,0+. Eminescu (poezie) și Rebreanu (roman) tind spre valori mai mari decât Creangă (limbaj popular oral).

Densitate lexicală

Proporția cuvintelor de conținut (NOUN+VERB+ADJ+ADV) față de totalul cuvintelor. Text conversațional: 0,35–0,45; proză narativă: 0,45–0,55; text descriptiv/enciclopedic: 0,55–0,65. O densitate ridicată indică un stil dens, informativ; una scăzută = limbaj fluid, cu multe cuvinte gramaticale.

Distribuție POS (Part of Speech)

Proporția fiecărei categorii gramaticale din text, detectată de modelul spaCy ro_core_news_lg. NOUN = substantiv, VERB = verb, ADJ = adjectiv, ADV = adverb, ADP = prepoziție, AUX = auxiliar verbal, DET = articol/determinant, PROPN = nume propriu, PRON = pronume, CCONJ/SCONJ = conjuncție.

Bigrame semnificative

Perechi de cuvinte consecutive care apar des împreună, filtrate de stopwords. Relevă ticuri stilistice, formule narative, termeni compuși și expresii fixe caracteristice fiecărui autor. De exemplu, la Creangă vor apărea formule de basm; la Rebreanu, expresii ale lumii rurale.

% Cuvinte cu diacritice

Procentul de tokens care conțin ă, â, î, ș, ț. Texte mai vechi sau slab digitizate pot fi fără diacritice (Eminescu din Gutenberg = 0% — textul e în alfabet fără semne). Un procent scăzut nu reflectă neapărat stilul autorului, ci calitatea transcrierii.

Virgule per 100 cuvinte

Indiciu al ritmului frazei. Un număr mare de virgule = propoziții lungi cu multe subordonate sau enumerări (stil ciceronean, proză psihologică). Puține virgule = fraze scurte, ritm alert, dialog (Caragiale). Corelează cu complexitatea sintactică.