UNIVERSIDAD DEL VALLE DE GUATEMALA 

Facultad de Ciencias y Humanidades 

SISTEMA COMPUTARIZADO PARA 
LA DETECCION Y CORRECCION DE FALTAS ORTOGRAFICAS 

MARTA JULIA FERNANDEZ RAVELO 

1131153Llo Ir CA 
DE LA 

UNIVERSIDAD DEL VALLE DE 6UATEMALA 

Guatemala 

1986 



UNIVF SIDAD DEL VALLE DE GUATEMALA 

FacultJ.d de Ciencias y Humanidades 

SISTEMA COMPUTARIZADO PARA 
LA DETECCION Y CORRECCION DE FALTAS ORTOGRÁFICAS 

MARTA JULIA FERNANDEZ RAVELO 

Modelo de trabajo profesional 
presentado para optar al grado académico de 
Licenciada en Ciencias de la Computación 

Guatemala 

1986 



Vo. Bo. 

( f ) 
Licenciado Luis Octavio Cordón G. 
Asesor 

Comité del Trabajo Profesional 

Ingeniero Luis R. Furlán 

Licenciado Luis Octavio Cordón G. 

(f
) Licenciádo David Alvarez 

(f)  

( f ) 

Fecha de aprobación: lo. de octubre de 1986. 



CONTENIDO 

Página 

RESUMEN 	9 	  

I. INTRODUCCION 	 1 

II. BREVE RESEÑA HISTORICA 	 4 

III. METODOS DE DETECCION DE ERRORES ORTOGRAFICOS 	8 

IV. METODOS DE CORRECCION DE ERRORES ORTOGRAFICOS 	20 

V. METODO EMPLEADO 	 31 

VI. ORGANIZACION LOGICA DEL DICCIONARIO 	 39 

VII. ORGANIZACION FISICA DEL DICCIONARIO 	 44 

VIII. MANUAL DE USO PARA EL SISTEMA "DCO" 	 49 

IX. CONCLUSIONES Y RECOMENDACIONES. 	 62 

X. BIBLIOGRAFIA 	 65 

III 



LISTA DE FIGURAS 

Página 

1. Diagrama de un "trie" 	  r 	 35 

2. Ejemplo de un "trie" 	  r 	  41 

3. Representación de 'barco' en un "trie" 	 47 

4. Representación de 'barco' y 'barrio' 

en un "trie" 	  	 48 

5. Inicio del sistema DCO 	  54 

6. Opción para crear un diccionario nuevo 54 

7. Menú Principal 	  55 

8. Menú para agregar palabras 	  55 

9. Inserción de 'arboleda' al diccionario 56 

10. Verificación de si 'arboleda' está en el 

diccionario 	  56 

11. Solicitud del texto que se va a revisar 57 

12. Revisión de un texto: 	El sistema no 

encontró la corrección para una palabra 

incorrecta 	  57 

13. Ingreso manual de>la corrección 	  58 

14. El sistema encuentra una corrección 	 58 

15. El sistema encuentra varias posibles 

correcciones 	  59 

16. Selección de una palabra similar como la 

correcta 	  60 

17. Menú para manejar el diccionario 	 	 60 

18. Selección del diccionario 	  61 

19. Listado dt palabras del diccionario 	 61 

IV 



RESUMEN 

En este trabajo se presenta un sistema computarizado para 

detectar y corregir los errores de ortografía que aparecen en 

textos. 	El sistema se implementó en una computadora 

Hewlett-Packard 3000, utilizando el lenguaje de programación 

PASCAL. 

El proceso se divide en dos etapas: 

Detección de un error 

El texto que se está revisando debe tener un máximo de 

ochenta caracteres por línea y debe estar almacenado en 

código ASCII. Cada palabra en el texto se busca en una lista 

de palabras frecuentemente usadas y luego en un diccionario. 

Si no aparece en ninguna de las dos, la palabra se toma como 

mal escrita. 

Corrección del error 

A la palabra incorrecta se le aplican cuatro reglas, a manera 

de formar nuevas palabras que se espera estén en, el 

diccionario. 	Se pueden obtener cualquiera de dos resultados 

siguientes: 	ninguna palabra nueva aparece en el diccionario 

(la corrección es nula), una de las palabras nuevas sí 

aparece (y se supone que es la correcta), varias palabras 

aparecen en el diccionario (el usuario escoge cuál es la 

correcta). 



El diccionario de palabras se implementó en una 

estructura llamada "trie", similaw a la de un árbol. Al 

buscar una palabra, se recorre el "trie" desde la raíz (o sea 

la primera letra de la palabra) hasta llegar a una hoja (la 

última letra de la palabra). Si una palabra no está 

almacenada en el "trie", su búsqueda se interrumpe en un 

nivel N que corresponde a la N-ésima letra de la palabra. Es 

en esta letra donde se aplican las reglas siguientes: 

1. transposición de las letras en las posiciones N y N+1 

2. se sustituye la letra por las otras del alfabeto 

3. se elimina la letra 

4. se insertan, una a la vez, todas las letras del 

alfabeto 

En teoría se pueden crear 2*N+1 (o sea 1+(N-1)+1+N) palabras 

nuevas usando un alfabeto de N letras. 	Cada una de estas 

palabras se busca en el diccionario. 

Para que el lector tenga un conocimiento básico sobre el 

problema, también se presenta un historial de los estudios 

realizados y las soluciones planteadas. 

VI 



I. INTRODUCCION 

Durante los últimos años, el aprovechamiento de las 

computadoras ha aumentado en diversas áreas de aplicación. 

El "software" favorecido por personas expertas o no en la 

materia es aquél que puede manejarse sin mayor problema y que 

facilita la producción de tareas repetitivas. La preparación 

computarizada de documentos es una de las más atractivas 

tanto por su utilidad como por su sencillo manejo. 

Los procesadores de palabras se han convertido en una 

herramienta indispensable para casi todos los usuarios de las 

computadoras. 	Brindan una ayuda excepcional para ingresar, 

editar e imprimir textos. Ofrecen tantas facilidades para 

procesar textos que la dependencia del usuario en esta clase 

de herramienta ha aumentado. 

El propósito del presente trabajo es desarrollar un 

sistema para detectar y corregir errores ortográficos que 

aparecen en textos. Está principalmente enfocado hacia los 

errores mecánicos que se cometen al teclear información en un 

computador, usando un procesador de palabras u otro 

"software" similar. 

Los errores de ortografía siempre han constituido un 

problema en el momento de escribir. Aún escribiendo con 

cuidado, difícilmente no se cometen errores. Buscar y 

1 



corregirlos forma parte integral de la preparación de 

documentos. 	Es un paso que suele ser largo y aburrido. No 

es sorprendente, pues, que este tipo de contratiempo sea 

motivo suficiente para encontrarle soluciones factibles. 

Algunos errores ortográficos se deben a la ignorancia de 

la persona que escribe el texto, pues puede que ella, simple 

y sencillamente, desconozca cómo se escribe correctamente una 

u otra palabra. 	Por otro lado, es posible que la 

pronunciación de una palabra le cause confusión, pues no 

establece de ninguna manera la ortografía de la misma. Por 

ejemplo, en el idioma español hablado por los guatemaltecos, 

las letras 'v' y  iby TcI y Ise se pronuncian igual o lo 

bastante parecido como para que se utilicen indistintamente a 

la hora de transcribir su sonido. 	Errores comunes son 

escribir 'seción' por 'sesión', 'almoada' por 'almohada',etc. 

El teclado de una terminal es uno de los medios más 

divulgados para introducir información al computador. Es de 

especial interés la manera en que éste se opere ya que su uso 

puede conducir a que se cometan errores ortográficos al 

ingresarse la información. La posición de las teclas, o el 

ordenamiento de los símbolos que ellas representan, determina 

la colocación de los dedos en las mismas. El movimiento de 

los dedos sobre el teclado debe ejecutarse con la mayor 

exactitud posible a manera de transcribir correctamente el 

2 



texto.* 	Si el operador de la terminal coloca mal los dedos 

sobre el teclado, obviamente sin darse cuenta de ello, no va 

a transmitir al computador la información que desea. Esta 

situación puede suceder, por ejemplo, cuando no coloca 

correctamente los dedos sobre las teclas guías 'A', 'S', 'D', 

'F', 	y 	1;1 	('Ñ' 	en el teclado español), 	'L', 'K', 'J'. 

También puede ser que no presione bien las teclas al tratar 

de escribir rápido o al no leer con atención el texto que 

transcribe. 	Por ejemplo, si no presiona la tecla 'S' con la 

suficiente fuerza puede que escriba la palabra 'fraco' en vez 

de 'frasco', o en caso la presione por un tiempo 

relativamente más largo termine escribiendo 'frassco'. 

El método que se presenta en este trabajo es el sistema 

"DCO". 	No pretende corregir el 100% de los errores 

ortográficos, ni mucho menos sustituir al usuario en el 

proceso de la revisión ortográfica de un texto. El objetivo 

que se persigue es proporcionar una ayuda efectiva al usuario 

a manera que él pueda prestar mayor atención a aspectos más 

relevantes como lo es el contenido del documento. 

Aquellas personas que sin afán de lucro deseen tener a la 

vista el programa fuente del sistema "DCO", pueden 

solicitarlo a su autora a través de la Universidad del Valle 

de Guatemala. 

*Según un estudio de F. L. Van Nes [20], "Analysis of keying 
errors", Erqonomics (Vol. 19, No. 2, 1976), el 40% de los 
errores en un texto se originan durante el tecleo del mismo. 
Y un 20% de los errores ortográficos se originan al presionar 
una tecla vecina. 

3 



II. BREVE RESEÑA HISTORICA 

En las dos siguientes secciones se exponen algunos 

métodos para detectar y corregir errores que muestran la 

variedad de técnicas computacionales que se han desarrollado. 

A continuación se presenta un historial breve de métodos y 

estudios que han surgido para hacerle frente a diferentes 

aspectos del problema. 

Uno de los primeros estudios que se realizaron fue la 

clasificación de errores ortográficos que hizo A. I. Gates 

[20] en 1937. Dividió los errores en cuatro clases: 

1. sustitución de letras 

2. transposición de letras 

3. adición de letras extras 

4. omisión de letras 

Este estudio es quizás el más importante por su originalidad 

y por el hecho de que esta clasificación representa 

acertadamente los tipos de errores que suelen cometerse. • Ha 

servido de base a trabajos posteriores que tratan sobre la 

corrección de estos errores. 

La información que se maneja en numerosas aplicaciones 

debe ser lo más exacta a manera de que los errores en ella no 

interfieran en la ejecución de los procesos. La 

participación del ser humano en el ingreso de datos es una 

4 



fuente de error que ha sido objeto de estudio para 

encontrarle solución. 

Algunas aplicaciones requieren que el usuario del 

computador ingrese una cantidad considerable de 

instrucciones. 	Tal es el caso de un sistema operativo, un 

editor de palabras o un manejador de bases de datos 

[7,11,20], en donde se mantiene un diálogo constante entre el 

usuario y la máquina. La detección de errores sintácticos en 

las instrucciones está bajo la responsabilidad de los 

programas de aplicación en sí. 	Muchos de estos errores 

pueden considerarse de carácter ortográfico. La 

implementación de un método para corregirlos es inmediata y 

relativamente fácil porque aparecen en un medio con 

vocabulario limitado y sintaxis rigurosa. 

La generación de módulos de corrección en la fase de la 

compilación de lenguajes de programación siempre ha sido de 

interés especial [11,16]. N. Freeman [16] en 1963 realizó el 

primer trabajo para corregir automáticamente, durante la 

compilación de un programa, los errores ortográficos en las 

instrucciones del mismo. Específicamente diseñó el sistema 

para trabajar con código escrito en el lenguaje CORC (Cornell 

Computer Language). 

Los datos almacenados en un computador usualmente están 

sujetos a consultas. 	El programa de aplicación que los 

maneja debe poder enfrentar la posibilidad de recuperar 

información mal ingresada. L. Davidson [5] presentó el caso 

5 



real de una línea aérea. La información de cada pasajero 

está en el computador, y se recupera en base al nombre de la 

persona. 	Lo especial del problema está en que los nombres 

pueden escribirse mal al ingresarlos por primera vez a la 

máquina, o a la hora de ser consultados. Un estudio más 

sencillo lo realizó C. Blair [3], quien presentó un método 

para recuperar 117 palabras aisladas, tomando en cuenta que 

pueden tener errores ortográficos. Otras personas han 

investigado los errores que aparecen en bases de datos, 

principalmente las que almacenan datos bibliográficos o 

genealógicos [20]. 

En las últimas dos décadas, el problema de los errores de 

ortografía ha recibido mayor interés especialmente cuando 

aparecen en textos corrientes. Se han desarrollado varios 

métodos para detectar y corregirlos; también han sido 

estudiados los tipos de errores que suelen cometerse y la 

frecuencia en que aparecen. El 

como una aplicación que como una 

En la actualidad, la mayoría de 

incluyen un subsistema para 

ortografía [13]. 

primer programa escrito más 

investigación es SPELL [18]. 

los procesadores de palabras 

corregir los errores de 

De igual forma han sido foco de atención los errores 

producidos por máquinas especiales que "leen" o "escuchan" 

textos escritos o hablados para almacenarlos en sus memorias. 

Estas máquinas tratan de identificar un caracter o sonido 

6 



comparándolo con una determinada forma de símbolo o sonido 

que ya "conocen" [26). En el caso concreto de las máquinas 

de recon)cimiento óptico de caracteres,* se reconocen 

palabras escritas a mano o a máquina. Naturalmente estas 

máquinas están limitadas a reconocer pocas figuras de 

caracteres. Si no reconoce bien un símbolo debido a una 

distorsión en él, la máquina lo asociará a la forma que más 

se le parezca. 	En este caso se puede cometer un error 

ortográfico al asociar el símbolo a una forma equivocada 

[26]. Los errores en textos procesados por estas máquinas se 

deben casi exclusivamente al sustituir una letra por otra 

[20]. 

Herbert T. Glantz [16,20] escribió en 1957 uno de los 

primeros artículos sobre la corrección de ortografía, 

enfocando el problema específicamente a las máquinas de 

reconocimiento óptico de caracteres. Su interés se centró en 

aparear de uno en uno los caracteres del texto original con 

los que produce la máquina al ir leyendo el texto. El 

proceso de apareamiento debe hacerse lo más exacto posible, a 

fin de no cometer errores al aparear equivocadamente una 

letra con otra. 	Si en el texto original aparecen letras 

unidas, la máquina debe tratar de separarlas. Srihari [26] 

menciona un método que detecta los errores causados por la 

mala separación de letras. T. Kohonen y E. Reuhkala [20] 

presentaron en 1978 un método para corregir textos producidos 

por medio del reconocimiento de la voz. 

*"optical character recognition" (OCR), en inglés 

7 



III. MET°D°S DE DETECCION DE ERRORES ORTOGRAFIC°S 

El problema de poder encontrar un error ortográfico en 

una frase u oración reside en cómo decidir cuáles son las 

palabras mal escritas. Cada palabra es una cadena o 

secuencia de letras. No necesariamente todas las secuencias 

de letras constituyen palabras correctas. 

El objetivo principal en el desarrollo de un método de 

detección es la minimización de los siguientes dos errores: 

1. indicar que una palabra bien escrita tiene un error 

ortográfico, y 

2. tomar una palabra mal escrita como buena. 

También es importante considerar el volumen de palabras que 

normalmente se procesará, y si los textos se revisarán 

interactivamente o en tandas. 

Un método sencillo para ayudar al usuario a detectar 

posibles errores ortográficos en un texto es el siguiente: 

Conforme el computador lee el texto se construye una lista 

con todas las palabras, sin repetirlas, que aparezcan en él. 

El usuario debe estudiar la lista y decidir cuáles palabras 

están mal escritas. Como se podrá suponer, los errores que 

aparezcan en la lista debido a la falta de conocimiento del 

usuario no se captarán fácilmente, si es la misma persona 

quien revisa la lista. 

8 



La revisión de la lista se puede mejorar si el computador 

la (3rdena alfabéticamente o por el número de veces en que 

apaLecen las palabras en el texto. La ventaja que ofrece la 

segunda alternativa es que la mayoría de los errores 

mecanográficos no se repiten mucho [19]. 	Se espera que la 

mayoría de los errores aparezcan al principio o al final de 

esti 7ista según el orden, ascendente o descendente, que se 

haya efectuado en la misma. 	Sin embargo, este método puede 

resultar inadecuado pues el número de veces que se escribe 

mal una palabra determina su frecuencia [23], la que a su vez 

determina la posición de la palabra dentro de la lista. 

El programa TYPO [18] produce una lista de palabras 

distintas similar a la del método anterior, pero ordenada por 

un índice de peculiaridad. Este índice mide la .frecuencia de 

los diferentes "trigramas" que apareCen en un texto. 

un "trigrama" es una secuencia de tres letras; un 

"digrama", de dos. En un alfabeto de N letras pueden haber 

N*N diferentes cadenas de dos letras y N*N*N cadenas de tres. 

Para los propósitos del método'de detección, se debe tener en 

cuenta que no todas las combinaciones de letras ocurren en el 

lenguaje usual. 	Por ejemplo, 'bdg' no aparece en ningún 

vocablo del idioma español. En cambio el "trigrama" 'cui' es 

correcto en la palabra 'Cuidado'; pero si 'ciudad' aparece 

escrita como 'cuidad', la secuencia 'cui' no es válida. Es 

decir que las cadenas no tienen validez absoluta, pudiendo 

aparecer correctamente en una palabra, erróneamente en otra o 



nunca ocurrir. El número de veces que aparece cada "digrama" 

o "trigrama" en los textos varía, pero en general se mantiene 

bajo. Peterson [18] menciona que en una muestra tomada de un 

texto, sólo aparecieron un 70% de todos los posibles 

"digramas" y un 25% de los "trigramas" (utilizando un 

alfabeto de 28 letras). En base a estas observaciones se 

puede deducir que si una palabra contiene una cadena de dos o 

tres letras que aparece pocas veces, es muy probable que esté 

mal escrita. 

El programa TYPO, como se señaló anteriormente, calcula 

un índice para cada "trigrama" en el texto. Este valor 

representa la probabilidad de que el "trigrama" en una 

palabra junto con el resto del texto provengan de la misma 

fuente. En cierto modo puede decirse que mide la pertenencia 

de la palabra dentro del contexto del documento. El índice 

total que le corresponde a la palabra depende de los índices 

de los "trigramas" que la componen. En base a las listas 

producidas por este programa, se ha observado que las 

palabras mal escritas tienden a obtener un alto índice de 

peculiaridad. 

La cantidad de palabras que aparecen en las listas 

producidas por este tipo de programas puede reducirse si se 

excluyen aquellas palabras que con certeza se sabe que están 

bien escritas. 	Para escoger automáticamente cuáles están 

correctas, se comparan contra un diccionario de palabras 

almacenado en el computador. 	Si la palabra en cuestión 

10 



aparece en el diccionario, entonces se asume que está bien 

escrita y se elimina de la lista. Si la lista con todas las 

palabras del texto se ordena en la misma forma que el 

diccionario, la búsqueda en el diccionario es más rápida. En 

1975 Steve C. Johnson [1] escribió una versión del programa 

SPELL (ver sección anterior) que utiliza un diccionario de 

palabras conforme al siguiente algoritmo: 

1. Se convierten todas las letras mayúsculas del 

texto a minúsculas; se forma una lista de 

palabras tomando los espacios en blanco como 

marcas que separan una palabra de otra. 

2. La lista se ordena alfabéticamente. 

3. Las palabras duplicadas se remueven. 

4. Las palabras que quedan en la lista se buscan 

en el diccionario. 

5. Se produce una nueva lista con las palabras que 

no aparecen en el diccionario. 

La mayoría de los algoritmos que se han desarrollado para 

la detección automática de errores ortográficos usa un 

diccionario en manera similar a la anterior. El diccionario 

es básicamente una lista ordenada de palabras correctamente 

escritas. La diferencia principal entre uno y otro algoritmo 

reside en la forma en que se representan y buscan las 

palabras en el diccionario. Algunas opciones [20] que más 

adelante se exponen son: 

- almacenar letra por letra cada palabra 

11 



representar las palabras como cadenas de "N" 

letras ("digramas" por ejemplo) o como patrones 

de "bits" 

utilizar códigos de "hash" para el 

direccionamiento o la representación de las 

palabras 

recurrir al análisis de afijos de las palabras 

representar el diccionario usando una estructura 

de árbol u otra similar como la estructura de un 

"trie" 

El almacenar en el computador cada una de las letras de 

la palabra tiene la ventaja de proporcionar una completa 

seguridad de que la palabra esté o no en el diccionario. En 

cambio si se abrevia o codifica la palabra se obtiene un 

ahorro considerable de memoria, pero sólo existe una gran 

posibilidad de que la palabra esté en el diccionario. Esto 

obedece a que los códigos, por más que se trate de evitar, no 

son del todo únicos para cada palabra. El número de veces 

que esto ocurra dependerá de la eficiencia del método de 

codificación.* 	El método que propone Blair [3] reduce cada 

palabra de cuatro o más letras a cuatro letras. Si dos 

palabras resultan con abreviaturas iguales se abrevian con 

*En algunas aplicaciones no es de gran importancia la 
duplicación de códigos. En el caso de agregar una palabra al 
diccionario no es mayor problema. Sin embargo, a la hora de 
averiguar si la palabra está o no en el diccionario no se 
sabe realmente cuál de las palabras con el mismo código es la 
que se almacenó. 

12 



cinco letras, y el número de letras se sigue aumentando hasta 

que las abreviaturas sean únicas. 

Davidson [5] desarrolló un método para recuperar la 

información de determinada persona. 	Con el nombre de la 

persona se forma una clave de cinco letras. Si existen 

varios registros en la computadora con la misma clave, se 

verifica otro tipo de información en los registros, como el 

número telefónico. 	Esta revisión ya no se lleva a cabo 

automáticamente, sino que se hace con la ayuda del usuario. 

Damerau [4] presenta una técnica que facilita la búsqueda 

de palabras en un diccionario. Cada palabra se representa en 

un registro de 28 "bits". Los primeros 26 "bits" representan 

cada una de las 26 letras del alfabeto; los otros dos "bits" 

son para indicar la presencia de números y signos especiales, 

como los de puntuación, que forman parte de la palabra. Cada 

letra o símbolo que aparezca en la palabra se representa en 

este registro encendiendo el "bit" correspondiente. Antes de 

comparar dos palabras (la del diccionario y la que se está 

revisando) letra por letra, 

1. se comparan sus registros respectivos para ver 

si son iguales (con el fin de averiguar si por 

lo menos las palabras contienen los mismos 

caracteres), 

2. se revisa que contengan el mismo número de 

caracteres. 

13 



El propósito de comparar primero los registros es para luego 

sólo comparar detalladamente aquellas palabras que tengan 

suficientes características en común. 

Otra manera para codificar las palabras se basa en el 

hecho de que las palabras, en un diccionario en orden 

alfabético, empiezan con las mismas letras que sus palabras 

predecesoras. 	La secuencia de letras que se tiene en común, 

empezando con la primera letra, se reemplaza por el número de 

letras en la secuencia [24]. 	Por ejemplo, la serie de 

palabras 'fuerte', 'fuerza', 'fuga', 'fugaz', aparecería 

como: 	'fuerte', 	'4za', 	'2ga', '4z'. El tamaño físico del 

diccionario se reduce en un 50%. 	No hay necesidad de 

procesar en forma especial los prefijos y sufijos de las 

palabras, como se ven, a continuación. 

El diccionario también puede construirse si se quitan los 

afijos de las palabras y se almacenan en él solamente las 

raíces [2,19,20,23]. Por ejemplo, 'casas' no aparecería en 

el diccionario sino que sólo 'casa', y a la hora de buscarla 

se buscaría sólo la raíz 'casa'. La normalización de afijos 

permite una reducción considerable en el tamaño del 

diccionario (hasta un 15% en un diccionario en inglés [20]) y 

aumenta el número de palabras que el diccionario pueda 

detectar como correctas sin aumentar su tamaño físico. La 

desventaja que tiene este tipo de análisis es que no se 

pueden detectar los errores ortográficos en los prefijos o 

sufijos de las palabras. Una posible solución a este 

14 



problema es almacenar junto a la raíz los prefijos y sufijos 

qúe se pueden usar con esa raíz. Al buscar una palabra, se 

busca sólo su raíz y luego se revisa si el prefijo o sufijo 

es el correcto. Las reglas para desmenuzar la palabra en su 

raíz y sus posibles afijos son complejas y tienen 

excepciones. 	El ahorro en el almacenamiento del diccionario 

puede ser contrarrestado por el tiempo que tome identificar 

los afijos [19]. Una idea para mejorar la eficiencia de este 

método es incluir en el diccionario tantas variantes de las 

palabras como se necesite y normalizar sólo las palabras poco 

comunes. 

En el caso del programa SPELL [18] antes mencionado, se 

utiliza una tabla encadenada de "hash". La función "hash" 

que se aplica a cada palabra es: (L1 * 26 + L2) * 10 + 

MIN(LG-2,9), donde Ll y L2 son los códigos numéricos de la 

primera y segunda letra de la palabra, LG es su longitud (el 

número de letras) y MIN es la función MINIMO. En cada fila 

de la tabla hay un apuntador que señala a una determinada 

cadena. 	Esta cadena está formada por todas las palabras a 

las que les corresponde el mismo valor de la función "hash". 

De este modo, las palabras que pertenecen a una cadena tienen 

en común las dos primeras letras y tienen igual longitud. 

Para almacenar el diccionario, Nix [17] emplea otra 

técnica de "hash". Suponiendo que un diccionario consta de 

1,000 palabras, éste se representa en una tabla T de 20,000 

"bits", en donde cada palabra se representa por una serie de 

15 



diez "bits". Para procesar una palabra W en la tabla T, se 

calculan diez funciones "hash": Hl(W),H2(W), 	H10(W), 

independientes una de la otra y que dependen directamente de 

las letras y el orden en que aparecen en la palabra W. Así, 

a cada palabra se le asignan diez valores entre 1 y 20,000. 

Para agregar la palabra W al diccionario deben encenderse 

diez "bits": T[111(W)],T[H2(W)], 	• . T[H10(W)]. 	En forma 

similar, una palabra se busca en la tabla revisando que los 

diez "bits" respectivos estén encendidos. Ocasionalmente (el 

0.1% de las veces) el método se equivoca al indicar que una 

palabra W está en la tabla cuando realmente no lo está. 

Los métodos de "hashing" no almacenan las palabras letra 

por letra sino que en una forma más compacta. Ofrecen una 

alta probabilidad de que los códigos sean únicos para cada 

palabra. 

Otra idea de "hashing" [2] usa una tabla de 2^27 "bits".* 

Si a la palabra 'mesa' le corresponde el "bit" 6, a 'volar' 

el 11, a 'triste' el 14, a 'cemento' el 19 y a 'pelota' el 

23, entonces la tabla se representa con una lista de números 

que corresponden a los "bits" encendidos: 6,11,14,19,23. 

Una palabra W está en la tabla sólo si el valor de la función 

"hash" H(W) está presente en la lista de números de los 

"bits" encendidos. 	Este criterio es arriesgado pero con 

resultados bastante aceptables, tomando en cuenta que el 

número de colisiones (el número de palabras a las que les 

*El símbolo '^' indica una operación de exponenciación: 2^3 
equivale a dos elevado al cubo. 

16 



toca el mismo valor de la función H) es reducido en una tabla 

tan grande. 	El tamaño de la tabla implica que las 

direcciones de los "bits" pueden fluctuar entre O y 2^27 y 

que no todos los "bits" estarán encendidos. Para utilizar 

números más pequeños en la representación de los "bits" 

encendidos, se usan las diferencias entre los valores 

sucesivos (deben estar ordenados del "bit" menor al mayor) 

convirtiéndose la lista anterior en: 6,5,3,5,4. La búsqueda 

de una palabra se convierte en una búsqueda secuencial en 

esta lista hasta sumar al valor H(W). 

Aún otra modalidad para usar funciones "hash" es la 

siguiente [6]. El diccionario contiene N palabras. Cada una 

se almacena en L "bits" en una tabla de M nodos. Para cada 

palabra K se producen tres valores "hash" H1(K), H2(K) y 

H3(K). 	Para insertar una palabra en la tabla se busca un 

nodo vacío según la secuencia [H1(K) + N * H2(K)] mod M, con 

N=O...M-1. 	En el nodo vacío se almacena el valor H3(K), 

representado en L "bits". Para buscar una palabra se repite 

la misma secuencia hasta encontrar el nodo con el valor H3(K) 

respectivo. 

James [11] representa el diccionario en un árbol, cuya 

forma refleja específicamente la sintaxis del lenguaje 

FORTRAN. 	La estructura del árbol no es estática sino que 

cambia según la frecuencia con que se usen las palabras 

claves del lenguaje. Las palabras en las instrucciones más 

17 



• 
usadas se van moviendo hacia la raíz del árbol, a manera de 

optimizar la búsqueda de las palabras claves. 

Otra estructura de datos que se puede utilizar para 

almacenar el diccionario es un "trie" [18,26], similar a la 

estructura del árbol. Tomando en cuenta que cada letra de 

una palabra puede ser cualquiera de las N letras de un 

alfabeto, cada nodo del "trie" se bifurca en N nodos. Los 

caminos que van de la raíz del "trie" a los nodos hijos 

representan las primeras letras de todas las palabras. Los 

caminos que salen de estos nodos a sus propios nodos hijos 

representan las segundas letras de las palabras, y así 

sucesivamente hasta llegar a la última letra de las palabras: 

los nodos sin hijos. La búsqueda de una palabra de N letras 

hace necesario que se recorra el "trie" en N niveles. 

La estrategia de la búsqueda puede realizarse en varias 

etapas a manera de hacerla más eficiente. 	Por ejemplo, 

pueden haber dos listas (o diccionarios) de palabras 

totalmente independientes la una de la otra en lo que se 

refiere a contenido: una pequeña con las palabras más comunes 

del idioma, .y la otra con un volumen considerablemente mayor 

de palabras. 	Toda palabra en el texto se busca primero en 

la lista pequeña. Si no aparece en ella, entonces se busca 

en la otra. 

También pueden combinarse distintas estrategias para 

detectar los errores. Un método auxiliar al principal podría 

ser el siguiente: seleccionar como bien escritas todas las 

18 



palabras que aparecen más de N (usualmente dos) veces [23]. 

Puede que en textos muy grandes esta estrategia falle, pues 

hay mayor posibilidad de que un error se repita muchas veces. 

Pero si este método se usa en textos pequeños puede que 

brinde buenos resultados. Es difícil que en un texto corto 

se xepitan los mismos errores de ortografía. 

19 



IV. METODOS DE CORRECCION DE ERRORES ORTOGRAFICOS 

El método de corrección debe proporcionar la forma 

correcta de la palabra mal escrita o, en forma alternativa, 

la o las formas que más se le parezcan en base a algún 

criterio de similitud. 

Los trabajos realizados para corregir la ortografía de 

las palabras imponen algunas restricciones en el tipo de 

error que procesan con éxito. Esto se debe a la variedad de 

los tipos de errores ortográficos que pueden aparecer en un 

texto, siendo imposible que un método pueda cubrirlos todos. 

Aún así, estas técnicas proporcionan resultados bastante 

aceptables. 	En general, establecen una similitud entre la 

palabra incorrecta y una o algunas de las palabras de un 

diccionario. 	El encontrar una única palabra similar a la 

incorrecta y que sea la forma correcta determina la 

eficiencia del método de corrección. Los métodos presentados 

en esta sección analizan las palabras como secuencias 

ordenadas de caracteres, olvidándose del significado de las 

mismas. 

Un impulso inicial para corregir las palabras es 

programar las reglas de ortografía del idioma. Llevar a cabo 

este procedimiento es costoso, pues basta pensar en el número 

de excepciones que se dan para la mayoría de las reglas y en 

20 



errores [20,23]. Este porcentaje tan bajo 

mayoría de los 

normal [22,23],  

se debe a 

errores no se repiten en textos de 

yaque constantemente aparecen 

que, además, se podría usar solamente en textos escritos en 

el idioma para el cual se hizo. 

Otra solución al problema es que, para cada una de las 

palabras en el diccionario, se almacenen las formas mal 

escritas que suelen ocurrir y que no dan lugar a 

ambigüedades. 	Por ejemplo, si la palabra 'entonses' suele 

aparecer frecuentemente y sólo como un error de la palabra 

'entonces', puede transformarse con certeza a 'entonces' cada 

vez que se encuentre. Este proceso ofrece resultados óptimos 

a largo plazo. La elaboración, mantenimiento y operación de 

semejante diccionario son muy trabajosos; y su tamaño es 

considerablemente mayor. 	Debe llevarse un control de los 

errores que se cometen frecuentemente y verificar que estos 

errores se deriven siempre de la misma palabra. 	Se ha 

calculado que este método puede corregir un 10% de todos los 

que la 

tamaño 

nuevos 

errores. 

La mayoría de los métodos codifican las palabras para 

encontrar la palabra similar en un diccionario, la cual se 

toma como la correcta. 	Si el código de una palabra mal 

escrita es igual al de una correcta, entonces se asume que 

ésta última es la forma correcta. 

21 



La idea original de trabajar con códigos de palabras 

proviene del método SOUNDEX [3(131. 	Este método sirve para 

archivar documentos de personas en base a la pronunciación de 

sus nombres. 	El código se forma con la primera letra del 

nombre y un número de tres dígitos; este número depende de la 

pronunciación del nombre y el orden en que aparecen las 

consonantes. 	Las codificaciones de este tipo son ideales 

para corregir errores de origen fonético, como corregir 

"colejio" a "colegio" pues a estas dos palabras les 

corresponde el mismo código fonético. 

Lo importante en el método de godificación es que debe 

retener únicamente la información necesaria en forma concisa. 

Así se logra mantener una relación cercana con la palabra 

original, y el código no se modifica fácilmente por algún 

error de ortografía que haya en ella. Una característica 

ideal del código es que sea único y propio para cada palabra. 

La codificación debe basarse en la identidad de la palabra y 

en la interrelación de las letras que la componen. 

Blair [3] presenta un método de corrección donde utiliza 

una lista de palabras y sus códigos. 	La abreviatura (el 

código) se forma tomando N número de letras con el mayor peso 

en la palabra. El peso depende de: 

(1) la letra que es (las consonantes tienen Mayor 

importancia que las vocales); y 

22 



(2) la posición de la letra dentro de la palabra 

(la primera letra siempre se retiene en la 

abreviatura). 

En el caso de que a dos palabras en la lista les toque 

abreviaturas idénticas, se forma otra abreviatura para cada 

una utilizando ahora N+1 letras. Mientras N sea mayor, menos 

serán las veces en que dos o más palabras tengan la misma 

abreviatura; sin embargo, 

(1) ocupan más espacio de almacenamiento, 

(2) toma más tiempo compararlas 

(3) son más sensibles a cambiar por un error de 

ortografía. 

En el ejemplo que proporciona Blair, las abreviaturas eran de 

cuatro letras para trabajar con una lista de 117 palabras 

correctas; en uno o dos casos aparecieron palabras con la 

misma abreviatura. El método de corrección funciona así: 

1. Se busca en la lista la palabra cuya 

abreviatura es igual al de la palabra mal 

escrita. 

2. Si se encuentra, se asume que esa palabra es la 

correcta; si no la encuentra, no se hace nada. 

Este método falla si el error de ortografía está en una de 

las letras que forman la abreviatura, pues la asociará con 

otra palabra. 	Sin embargo, es efectivo cuando el error se 

comete en una letra que no está en la abreviatura. 

23 



Para buscar el registro de una persona en una lista de 

pasajeros Davidson [5] usa, en forma similar a la anterior, 

abreviaturas para los nombres (ver sección anterior). La 

diferencia más notoria con el método de Blair consiste en 

que, al no encontrar en la lista de pasajeros el nombre que 

correspc,Ide a la abreviatura que se busca, calcula un punteo 

de cero a cuatro. El punteo se basa en la similitud de las 

letras entre la abreviatura del nombre que se busca y la 

abreviatura del nombre que está en la lista, tomando en 

cuenta las letras que no coinciden. Un punteo de cero indica 

que las abreviaturas no tienen nada en común y un punteo de 

cuatro corresponde a abreviaturas iguales. 	Se escogen los 

registros de los nombres cuyas abreviaturas tienen el punteo 

más alto. 

Otra manera para encontrar la palabra correcta es 

invirtiendo el proceso a través del cual se cometió el error 

de ortografía, partiendo de la palabra mal escrita para 

llegar a la correcta. 	Lowerance y Wagner (1975) [8,19] 

propusieron un algoritmo de orden M x N para calcular la 

"distancia" entre dos palabras de M y N longitudes cada una. 

La "distancia" es una medida de la similitud entre las dos 

palabras. 	Se mide en base al número de operaciones 

necesarias para transformar una palabra a otra. El valor que 

se calcula en este algoritmo corresponde a la probabilidad de 

que una palabra sea la forma correcta de otra. La palabra 

con el índice más alto se selecciona como la correcta. 

24 



En 1937, A. I. Gates [21] clasificó los errores de 

ortografía en cuatro grupos, basándose en los que suelen 

aparecer en un texto [20,22]. 

1. Sustitución de una letra por otra (15-20% de 

todos los errores) 

2. Transposición de dos letras adyacentes (10-15%) 

3. Adición de una letra (25-35%) 

4. Omisión de una letra (30-40%) 

Con esta clasificación, varios métodos [4,7,16,19] proceden a 

corregir un error suponiendo que éste se creó en la palabra 

correcta de un diccionario. 	La idea es transfo -mar la 

palabra en duda a la palabra correcta aplicando una sola 

operación de letras. 

1. Si dos palabras tienen el mismo número de letras 

y difieren en una sola posición se asume que 

son iguales. En este caso se cometió un error 

de ortografía al haber sustituido una letra por 

otra, por ejemplo escribir 'alfebeto' en vez de 

'alfabeto'. 

2. Si las palabras son de la misma longitud y 

difieren en dos posiciones adyacentes, estas 

dos letras se intercambian entre sí. Si ahora 

son iguales, el error se debió a la 

transposición de estas dos letras. Así, 

'panfelto' se transforma en 'panfleto'. Si 

después del intercambio de las dos letras, las 

BIERLio -rEcia. 
DEE LA 

UNIVERSIDAD DEL VALLE DE GUATEMALA 

25 



palabras aún no son iguales, no se hace nada ál 

respécto. 

3. Si la palabra incorrecta tiene una letra de 

más, la longitud de la palabra del diccionario 

es M+N, y tanto las primeras M letras como las 

últimas N letras de ambas palabras son iguales, 

se descarta la letra M+1 en la palabra 

incorrecta. Por ejemplo, si se tiene 

'coritina', y 'cortina' está en el diccionario, 

la única diferencia entre ellas está en la 

cuarta letra y si se elimina, las dos palabras 

ya son iguales. 

4. Si la palabra del diccionario tiene una letra 

de más y se diferencia en una sola letra con la 

palabra incorrecta, se elimina esta letra. 

Así, si se busca 'frazda' y en el diccionario 

está 'frazada', se elimina la quinta letra de 

'frazada' para resultar con 'frazda'. Como 

ahora las dos cadenas ya son iguales se asume 

que 'frazada' se escribió incorrectamente como 

'frazda'. 

Con estas cuatro operaciones pueden rehacerse los pasos que 

probablemente se tomaron para cometer el error. Por ejemplo, 

al escribir 'caudermo' puede decirse que: 

1. se transpusieron las letras 'a' y 'u' 

2. se sustituyó la 'm' por la 'n' 

26 



y entonces se obtiene una nueva palabra: 'cuaderno', que 

posiblemente es la correcta. Debe quedar claro que estas 

operaciones en las letras para tratar de invertir el error no 

proporcionan un único camino para llegar a la palabra 

correcta. 	Su utilidad se debe más que nada a la 

correspondencia [19] que tienen con las operaciones que 

ocurren durante el tecleo del texto. 

Un método de corrección a emplearse en compiladores o en 

sistemas operativos [16] tiene la ventaja de contar con: 

1. un número limitado de palabras en el 

vocabulario, 

2. reglas rigurosas de sintaxis que fijan el uso 

de palabras claves, y la semántica que maneja 

las palabras definidas por el usuario, 

3. tablas de símbolos donde se guardan las 

palabras claves y las variables definidas por 

el usuario; estas tablas reemplazan a la lista 

de palabras o al diccionario que se usa en 

otros métodos de aplicación más general. 

El propósito de implementar un sistema de esta naturaleza es 

el mantener una comunicación flexible entre el usuario y la 

máquina. Freeman [16] presenta una técnica para corregir los 

errores or-Llográficos que aparecen en los programas fuentes 

escritos en el lenguaje CORC (Cornell Computer Language). Se 

estima la probabilidad de que una palabra con un posible 

error de ortografía sea realmente otra palabra que se sabe 

está correcta. La probabilidad se calcula en base a: 

27 



a. el número de letras que tienen iguales las dos 

palabras 

b. el número de letras que tienen iguales las dos 

palabras 	después 	de 	transponerles 	o 

sustituirles letras, y 

c. el número de letras que tienen iguales las dos 

palabras si no se hace distinción alguna entre 

mayúsculas y minúsculas. 

Este método tiene el defecto de que deben calcularse un gran 

número de probabilidades para llevar a cabo una corrección. 

El empleo de las probabilidades ha sido de gran utilidad 

en el desarrollo de otros métodos de :corrección. Srihari 

[26] presenta un algoritmo que corrige específicamente 

errores cometidos al sustituir unas letras por otras, 

especialmente en textos producidos por máquinas de 

reconocimiento óptico de caracteres (ver Sección II). El 

algoritmo propuesto integra el uso de las probabilidades 

para trabajar la palabra de letra en letra y el uso de un 

diccionario donde se procesa la palabra como una unidad. Las 

probabilidades se manejan así: 

I. Tomando en consideración el conjunto de letras 

que aparecen en el texto antes de determinada 

letra, se calcula la probabilidad que ésta 

tiene para que ocurra en ese lugar del texto. 

2. Conociendo las características de la fuente por 

la cual se introduce el error ortográfico, se 

trabaja con una tabla de probabilidades de 

28 



confusión. 	Las máquinas de reconocimiento 

óptico de caracteres tienden a producir errores 

ortográficos de sustitución. 	Se calcula la 

probabilidad de que la máquina asigne una letra 

por otra, posiblemente la misma y entonces no 

se comete ningún error, debido a la ambigüedad 

en la forma de la letra. 

Uno de los métodos de corrección más completos es 

SPEEDCOP [19,20,21,22,23]. 	En este proyecto se diseñó un 

algoritmo para corregir errores en las palabras de textos 

científicos y técnicos almacenados en siete bases de datos. 

La palabra en duda se busca en un diccionario de errores 

comunes. Si no se encuentra, se genera una llave de 

similitud poco propensa a cambiar por error. Se ordenan las 

consonantes de la palabra según el orden de la lista 

'JKQXZVWYBFMGPDHCLNTSR', donde I j es la letra que menos 

tiende a ser omitida y 'R' la que más. Las vocales de la 

palabra se agregan a la llave según el orden en que aparecen 

(a 'molécula' le corresponde la llave 'MCLOEUA'). Con esta 

llave se buscan llaves similares en un diccionario usando el 

método para invertir el proceso por el cual se cometió el 

error. (Se aplican las cuatro operaciones de error que Gates 

[21] clasificó.) Si se encuentran dos o más palabras 

similares, se escoge una de ellas usando una rutina que 

normaliza sufijos, y otra rutina donde se estudia la 

posibilidad de que la palabra es realmente la concatenación 

de una proposición con un artículo ('delos' a 'de los'). 

29 



Este tipo de error corresponde a sólo un 1 o 2% del total de 

errores, pero la rutina que los capta proporciona resultados 

bastante exactos. 

30 



V. METODO EMPLEADO 

Una característica muy importante del método que se 

presenta a continuación es su aplicación a cualquier texto 

legible almacenado en un compui- ador. Dada la variedad de 

símbolos que pueden aparecer en el texto, el método define 

una palabra como cualquier secuencia de hasta veinte letras 

continuas, en mayúsculas o minúsculas que pertenezcan al 

conjunto {'Al...1 Z 1 ,1 a'...1 z ), y que en los extremos están 

limitadas por cualquier otro, caracter. 	La secuencia puede 

estar separada por un guión sólo si la primera parte junto 

con el guión está al final de una línea del texto, y la otra 

parte está al principio de la línea siguiente. 

El método revisa la ortografía de cada palabra que 

encuentre en el texto, comparándola contra una lista de 

palabras correctamente escritas. 	Este proceso es el más 

práctico para detectar un posible error ortogfico. Si la 

palabra está en la lista, se toma como buena. Si no, se 

considera como mal escrita. El método señala al usuario cada 

error que detecte y le presenta una lista con las palabras 

que pueden ser la forma correcta. A continuación se detalla 

este proceso. 

Primero se busca la palabra en una lista, relativamente 

pequeña, de palabras que suelen aparecer frecuentemente en 

31 



los textos. 	Cada palabra de la lista se almacena 

literalmente y se lleva un control del número de veces que el 

método la ha encontrado hasta en ese momento (en lo que va 

del texto y en textos anteriores). La posición de cada 

palabra en la tabla (o lista) se calcula según la función 

P=(Ll+L2+LONG-197) mod N, donde Li y L2 son las dos primeras 

letras de la palabra, LONG el número de letras que tiene, y N 

un número primo que corresponde al máximo número de filas en 

la tabla. Siguiendo la definición de esta función, a todas 

las palabras que empiezan con las mismas dos letras y que 

tienen igual número de letras les corresponde la misma 

posición en la tabla. Viendo la necesidad de tomar en cuenta 

estas colisiones, se dispone de un área adicional en la tabla 

reservado para este tipo de situaciones. En el caso supuesto 

que una palabra W1 está en la posición P de la tabla, y a 

otra palabra W2 le toca la misma posición, entonces W2 se 

guarda en el área de colisiones si aún queda espacio libre. 

Inicialmente, la tabla está vacía. 	Al ir revisando los 

textos las palabras bien escritas, las que sí a:reeen en el 

diccionario, tienen oportunidad de entrar a la tabla. Una 

palabra nueva W1 se coloca en la tabla sólo si se cumple una 

de las tres situaciones siguientes: 

1. La posición P que le corresponde no está 

ocupada por otra palabra. 

2. La posición P está ocupada por otra palabra W2 

cuya frecuencia es, en ese instante, menor que 

un número N arbitrario. Entonces la palabra W2 

32 



se remueve de la tabla y se pone en su lugar la 

nueva. 

3. La posición P está ocupada 

pero hay espacio libre 

colisiones. Entonces Wl se 

espacio. 

por otra palabra 

en el área de 

coloca en este 

En vista de que la información en la tabla se maneja 

frecuentemente y el espacio que ocupa es relativamente 

pequeño (4228 "bytes" de memoria), se mantiene en la memoria 

principal del computador durante la ejecución del programa. 

La operación y el manejo de esta tabla son totalmente 

transparentes al usuario. 

Si una palabra no aparece en la lista de las palabras más 

usadas, entonces se busca en un diccionario con un volumen 

mayor de palabras. Al iniciar por primera vez el sistema, el 

diccionario también está totalmente vacío. El usuario puede 

construir tantos diccionarios como desee. 	Y puede agregar 

las palabras una por una o durante el proceso de la 

corrección, como se explica en la Sección XVIII. De esta 

forma el diccionario crece a la usanza del usuario. Durante 

las primeras veces que se use un diccionario nuevo, muchas 

palabras se señalarán como incorrectas pues aún no han sido 

incluidas en el diccionario. 

La estructura de datos en que se implementa el 

diccionario es de gran importancia ya que de ella depende la 

33 



eficiencia de los algoritmos de detección y corrección. Debe 

adecuarse fácilmente a los siguientes circunstancias: 

1. el conjunto de datos que se va a procesar (un 

diccionario de palabras) 

2. el tipo de cada dato (una cadena de caracteres 

de longitud variable, donde dichos caracteres 

pertenecen a un vocabulario finito) 

3. las operaciones que se van a efectuar sobre el 

conjunto y sobre cada uno de los datos: 

actualización (insertar y borrar), búsqueda de 

un elemento (básico para la detección y 

corrección), y manipulación del orden en que 

aparecen los caracteres (necesario para el 

método de corrección) 

4. las memorias, principal y auxiliares, 

disponibles 

El diccionario se implementó en una estructura similar a 

la de un árbol llamada "tríe" [25].* 	Todas las palabras 

parten de un mismo punto (la raíz) T.se van ramificando según 

cambien las letras que las componen. Las palabras 'hábil', 

'hábito', 'hambre', 'helado', 'helecho', 'hiel', 'hielo', 

'hierba', y 'mecha' se representan en un "frie" según se 

muestra en la Figura 1. 

El signo 'V señala el final de cada palabra. Los 

números entre paréntesis corresponden a las longitudes (el 

*ver Secciones VI y VII 

34 



número de letras) de las palabras que están en esa sub-rama. 

Conocer la longitud de las palabras disminuye el número de 

comparaciones necesarias para buscar una palabra y facilita 

el método de corrección, como se explicará más adelante. 

raíz (145,(.3) 

H (4,5,c,..) 	 M (5) 

[ 
A (5»,) 	 E ((.."4) 	 1 (14,5,C.) 	E 

.........„------„,... I 	 1 	 1 
B (5,(.) 	M (cp) 	 L 	 E 	 C 

I 	1 	 , .,/'\N 	1 
I 	B 	 A ((..) 	E (9-1 	L (14,5) 	R (0 	H 

......-------....„ 	I 
L(5) 	T(() R 	D 	 ( 	o (51 	B 	A 
I 	1 	1 	 1 	1 	 1 	1 	1 
{ 	O 	E 	O 	H 	 { 	A 	{ 

1 	1 	 1 	1 	 1 
{ 	{ 	 { 	O 	 { 

I 
{ 

Figura 1. 
Diagrama de un "tríe" 

La búsqueda de una palabra se inicia en la raíz del 

"tríe". Las letras de la palabra, y el orden en que aparecen 

de izquierda a derecha, determinan el camino a recorrer en el 

"tríe". Durante el recorrido de la búsqueda se revisa que en 

ese camino existan palabras con la misma longitud de la que 

se busca. Así, si se busca 'hemisferio' en el "trie" de la 

Figura 1, basta con revisar sólo la raíz para saber que no 

existe pues no hay ninguna palabra con diez letras. De esta 

manera se evita tener que recorrer el camino de 'H' a 'E' 

para saber que no existe el ramal que parte de la 'E' a la 

35 



IN, 
	

Para buscar 'hermano' se tiene que pasar por la rama 

'H'-'E' (que forma parte del camino en donde hay palabras con 

siete letras) para poder saber si hay un camino que siga a la 

'R'. 

Toda palabra del texto que aparece en el diccionario se 

considera como bien escrita. Si una de ellas no se encuentra 

en el diccionario entonces se asume que la palabra tiene una 

y solamente una de las siguientes cuatro faltas ortográficas. 

1. una letra transpuesta 

Premisa: 	El orden de dos letras -dyacentes es incorrecto. 

Solución: Transponerlas. 

Ejemplo: revsita ---> revista 

2. una letra mala 

Premisa: 	Una letra en la palabra está incorrecta. 

Solución: Sustituirla por otra letra del alfabeto. 

Ejemplo: prebio ---> previo 

3. una letra adicional 

Premisa: 	Una letra está de más. 

Solución: Eliminarla. 

Ejemplo: congereso ---> congreso 

4. una letra ausente 

Premisa: 	Falta una letra. 

Solución: Insertar una letra. 

Ejemplo: imagnar ---> imaginar 

Estas cuatro reglas de transformación se aplican, una a 

la vez, a cada palabra que no esté en el diccionario. La 

36 



palabra transformada se considera como una posible corrección 

si está en el diccionario. No se busca desde la primera 

letra (la raíz del "trie"), sino que a partir de la letra 

donde se paró la búsqueda original. Si la nueva palabra está 

en el diccionario, se agrega a la lista de posibles 

correcciones. Si no, se deshecha. 

El error se supone que está en la i-ésima letra de la 

palabra, posición en la cual se suspendió la búsqueda. Por 

ejemplo, la palabra 'hireba' se recorr(3 sin ningún problema 

por el ramal 'H'-'I' del "trie" de la Figura 1. Al no 

encontrar el camino de la 'I' a la 'R', se asume que hay un 

error en la tercera letra ('R'). Aplicando la primera regla, 

se transpone la 'R' con la letra siguiente obteniéndose la 

palabra 'hierba'. Se continúa recorriendo el "trie", ahora 

buscando la rama que va de la 'I' a la 'E'. 

'Después de aplicar las cuatro reglas, se obtiene una 

lista con todas las transformaciones dé la palabra original 

que se encontraron en el diccionario. Cada una de estas 

palabras son candidatas a ser la forma correcta. Al usuario 

se le presenta esta lista para que él escoja la indicada. La 

corrección queda bajo el control total del usuario. De esta 

manera el programa, por sí solo, no puede dañar el texto. 

Para facilitar la decisión del usuario y que él pueda 

visualizar la palabra dentro del contexto, siempre se 

presentan en la pantalla tres líneas continuas del texto. La 

línea de en medio contiene la palabra en cuestión subrayada. 

37 



Además se presentan al usuario las palabras candidatas a ser 

la correcta. Hay cinco opciones que el usuario puede 

escoger: 

1. no hacer nada y continuar revisando el texto 

2. no hacer ninguna corrección, agregar la palabra 

subrayada al diccionario 

3. corregir la palabra, escogiendo en su lugar a una de 

las que aparece en la lista de candidatas 

4. corregir la palabra, tecleando la palabra correcta 

directamente al computador 

5. corregir la palabra y agregarla al diccionario, 

tecleando la palabra correcta directamente al 

computador 

La opción 2 es de gran importancia para el crecimiento del 

diccionario pues permite que éste refleje el uso de las 

palabras del usuario. Además ofrece la ventaja para que el 

diccionario crezca dinámicamente. 

Se puede observar fácilmente que las palabras cortas, de 

una a tres letras, restan eficiencia al método de corrección. 

Después de aplicarles las cuatro reglas se obtendría una 

lista muy larga de palabras candidatas. 	Esto se debe a que 

las palabras cortas se diferencian de otras al cambiar una 

sola letra. Por ejemplo, 'ola' puede transformarse en 'la', 

'bola', 'loa', 'oda', etc., aplicando una regla a la vez. 

Por lo tanto, el método sólo revisa palabras con cuatro a 

veinte letras. 

38 



VI. ORGANIZACION LOGICA DEL DICCIONARIO 

El diccionario de palabras se implementó en una 

estructura conocida como "trie". Esta estructura fue 

Fredkin [25]. El nombre proviene de la 

"retrieval" (recuperación). 	Su forma es 

la estructura de un árbol de múltiples 

nodo se almacenan apuntadores que señalan a 

mismo. 	La estructura especial del "trie" 

propuesta por E. 

palabra inglesa 

básicamente como 

niveles. En cada 

los hijos del 

permite representar con facilidad conjuntos de cadenas de 

Caracteres (u objetos ordenados de cualquier otro tipo de 

dato). 	La raíz representa por sí sola al conjunto vacío, o 

sea una cadena nula. Todo camino entre la raíz y una hoja 

(un nodo sin hijos) corresponde a una única cadena. 

El diccionario es un conjunto de palabras. Una palabra 

es una cadena de caracteres que pertenecen a un alfabeto 

finito. 	Para representar las palabras del diccionario en el 

"trie",  el alfabeto se restringió al conjunto - de letras 

minúsculas 'a','b',...'z'. (La mayoría de teclados soporta 

este alfabeto.) No se diferencian mayúsculas de minúsculas 

pues, para los propósitos de este método, no importa 

distinguir entre 'Ayer' y 'ayer', pero sí entre 'ayer' y 

'hayer'. 	Las letras mayúsculas en el texto que se revisa se 

convierten a minúsculas antes de chequear la ortografía de 

las palabras en donde aparecen. 	La ventaja de trabajar con 

39 



letras minúsculas es que, generalmente, en un documento hay 

menos mayúsculas que minúsculas. 

Para recorrer el camino de una palabra, se codifican cada 

una de las letras de la palabra de la manera siguiente. A la 

letra 	a' le corresponde el valor 1, a la 'b' el 2, a la 'c'  

el 3, y así sucesivamente hasta la 'z', a la que se le asigna 

un valor de 26. En base a esta secuencia se estableció una 

función para calcular el valor F de una letra x: F(x)= 

(código ASCII de la letra x) - (número constante), donde el 

número constante tiene un valor de 96 y x pertenece a 

Este alfabeto ofrece la ventaja de que el 

código ASCII para cada una de las letras es numéricamente 

consecutivo, empezando la 'a' con 97 y terminando la 'z' con 

122. 	Cada nodo del "trie" puede tener 26 hijos (por las 26 

letras en el alfabeto). El valor F de la N-ésima letra nos 

indica cuál apuntador de los 26 que hay en el nodo señala al 

nodo hijo, nodo en el cual se ha de efectuar la misma 

operación para la letra N+1. Se continúa este proceso hasta 

llegar al fin del camino de la cadena de letras. 

Representando de esta forma las palabras, surge la 

necesidad de marcar el final de cada una de ellas para 

diferenciar el fin del camino. Se escogió el caracter '(' 

como la marca final ya que, según el código ASCII es el 

símbolo que le sigue al caracter 'z', ajustándose 

perfectamente a la función F(x): F('{')=27. Para distinguir 

el camino que corresponde a "capa" del de "capaz", es más 

40 



sencillo trabajar con las cadenas "capa(" y "capaz{". La 

representación de estas dos palabras en el "tríe" es: 

nivel O (raíz) 

nivel 1 

a 	 nivel 2 

nivel 3 

a 	 nivel 4 
/ \ 
{ 	z 	 nivel 5 

nivel 6 
Figura 2. 

Ejemplo de un "trie" 

Como se puede observar en la figura, cada rama señala al 

siguiente caracter de la cadena. 	El nodo del nivel N 

corresponde al N-ésimo caracter de esa cadena. En otras 

palabras, el camino que va de la raíz a un nodo del nivel N 

representa al conjunto de todas las cadenas que empiezan con 

esta secuencia de N caracteres. El "trie" proporciona la 

facilidad de determinar si una cadena dada es prefijo (tiene 

las primeras letras) de una palabra. 	Esto es de suma 

importancia en el caso de la representación de un 

diccionario, donde hay una gran cantidad de grupos de 

palabras que empiezan con las mismas secuencias de letras, o 

prefijos. 	Por ejemplo, las palabras que empiezan con 'a' 

tienen en común el prefijo 'a' y tendrán en común este primer 

nodo. 	El "tríe" ofrece un ahorro en el almacenamiento de 

información repetitiva entre las palabras, como lo son los 

prefijos. Vale la pena hacer notar que el número de prefijos 

41 



distintos en una palabra es siempre menor que la longitud 

total de ella. 

La búsqueda de una palabra es más eficiente si para 

encontrarla no es necesario recorrer el árbol desde la raíz 

hasta una hoja. Se agregó un campo a la estructura del nodo 

que contiene las longitudes de las palabras representadas en 

el camino que pasa por el nodo.* Si la longitud de la 

palabra que se busca no está indicada en este campo, entonces 

la búsqueda no será exitosa y no hay razn para continuar 

recorriendo el "trie". Una palabra puede tener una longitud 

máxima de veinte letras. 

La estructura del nodo queda constituida por dos campos: 

1. 27 apuntadores: Los 26 primeros representan las 

26 letras del alfabeto. 	El último apuntador 

indica el fin del camino de una cadena. 

2. secuencia de 20 banderas: La N-ésima bandera 

encendida es señal de que ese camino contiene 

una palabra de N letras. 

Cada nodo puede tener un máximo de 27 hijos. Las hojas del 

"tríe" corresponden a las marcas finales ('{') de las 

cadenas. 

La mayoría de los nodos tendrán menos de 27. Por 

ejemplo, la secuencia "bp" tiene un bajo índice de ocurrencia 

en el idioma español. Lo más posible es que nunca aparece. 

Mientras no ocurra, el apuntador del nodo 'b' que señale a 

*Ver sección anterior. 

42 



Itpll estará vacío. Se activará (el nodo hijo se creará) sólo 

cuando esta secuencia se presente en una cadena que se desee 

insertar en el "tríe". 

43 



VII. ORGANIZACION FISICA DEL DICCIONARIO 

El diccionario constituye una gran masa de información. 

Sería ideal que el diccionario completo residiera en la 

memoria principal; así las operaciones de lectura y escritura 

serían rapidísimas. 	En realidad la memoria disponible es 

limitada debido a que existen otros procesos simultáneos, en 

un sistema multiusuario, que también hacen uso de ella. 

Siendo así, lo más práctico y factible es mantener sólo una 

parte del diccionario en la memoria principal. 

La estructura del diccionario se divide principalmente en 

páginas, habiendo a lo sumo una página en la memoria 

principal. 	Cada nodo del "trie" se almacena en un único 

registro de una página específica. 

Los apuntadores de un nodo señalan a los nodos hijos. Es 

necesario, entonces, que cada apuntador activo indique tanto 

el número de página donde se encuentra el nodo hijo como su 

posición dentro de la página. 	Esta información se almacena 

en una palabra (16 "bits") de la comp.Itadora. Los primeros 

diez "bits", de izquierda a derecha, Indican el número de la 

página en notación binaria, y los seis restantes representan 

el número de registro dentro de la página. De esta forma, se 

puede tener un máximo de 1023 (2^10-1) páginas, habiendo en 

una página 63 (2^6-1) nodos. En total, el "trie" puede estar 

formado hasta por 64,449 (1023x63) nodos. 

44 



La utilización de "bits" para almacenar el 

direccionamiento de los nodos facilita: 

1. aumentar el tamaño del "tríe". Para este caso 

se tiene que cambiar la estructura del 

apuntador incrementando su almacenamiento a dos 

palabras, por ejemplo, y jugar con los 32 

"bits" resultantes. Con esta nueva cantidad de 

"bits" pueden aumentarse: el número máximo de 

páginas y/o el número de nodos en cada página. 

2. crear nodos nuevos, con la única limitación del 

máximo número de páginas permitido. 

3. dividir el "tríe" en bloques (páginas) 

manejables 

4. administrar el direccionamiento de apuntadores 

Para representar la secuencia de banderas que indican las 

longitudes de las cadenas, un vector de "bits" es el más 

indicado. 	Un "bit" en cero significa que la bandera está 

apagada y viceversa. El número de banderas es veinte, 

asumiendo que la mayoría de las palabras tienen menos de 21 

letras. Una secuencia de 20 "bits" necesita por lo menos dos 

palabras de almacenamiento, quedando 12 "bits" sin usarse. 

Como ejemplo: si una palabra tiene cinco letras el "bit" 5 

(empezando con el 1 de derecha a izquierda) se enciende. 

El diccionario se implementó en PASCAL como un archivo 

corriente cuyos registros físicos corresponden a cada una de 

45 



las páginas. 	Para implementar la estructura del "trie' se 

definieron estos tipos de datos: 

1. ENTERO SIMPLE=-32768..32767; De esta manera se 

tiene un tipo de dato que ocupa una palabra de 

almacenamiento. 

2. NODOTRIE=RECORD Un nodo es un tipo de dato 

complejo que consta de 16 "bits" en PUNTERO : 

ARRAY[1..27,1..2] OF 0..255; y 32 "bits" en 

LONGITUD : INTEGER; 

3. BLOQUE=ARRAY[1..63] OF NODOTRIE; Corresponde a 

una página del diccionario 

En cada operación de lectura o escritura se lee un 

bloque, o sea 63 nodos. El factor de bloqueo físico es 1, y 

el lógico es 63. Para crear nodos nuevos, es indispensable 

saber cuál es la última página del "tríe" sin usar, y el 

último registro que se haya usado. Esta información se 

guarda cada vez que se cierra el diccionario en el apuntador 

No. 27 del primer nodo del "trie". 

Un apuntador nulo tiene el valor cero, y ninguna rama 

sale de él. Para indicar el fin del camino de una cadena, el 

veintisieteavo apuntador del nodo se señala a sí mismo. 

La representación de un "trie" con una única cadena 

'barco(' se muestra en la Figura 3. Si se agrega la cadena 

'barrio{', el "bit" 6 del campo LONGITUD se enciende para los 

dos primeros nodos (ver Figura 4). 

46 

• 



O 1) O O O 	* • * 
	 o 

tbi 

o o o 010 	• • • 

1 	1 	1 	• • • 

'a' 

	

000010 	• • 	 O 

1 	1 	1 	... 	 1 	1 	• • • 

r 

0 0 0 0 0 	• 

'c'  

0 o O 0 0 a • • 
	 o 

1 	1 	1 	• • • 

Figura 3. 
Representación de 'barco' en un "trie" 

47 



0000100 	 o 
. . . 	 • • • 

00000 

1  • • • 

  

0000010 
• • • 
	

• • • 

0.
-
0110 	.  
T—f- 	• • • 

'b 

.1)0 c-,C) o 
r 1 	1 	I  • • • 

'a' 

0,Dotko — o - 
1 	I 	I 	I  

I r I 

COOD 11C) • 

'C r  

'o' 

. . . 	 o 
1 	1 	1 	• • • 

' o'  

	

oc000t 	. . . 	 o 

	

1 I 1 	 E, 
Figura 4. 

Representación de 'barco' y 'barrio' en un "tríe" 

48 



VIII. MANUAL DE USO PARA EL SISTEMA "DCO" 

El usuario debe estar familiarizado con las instrucciones 

básicas del sistema operativo MPE-V en una computadora 

HP3000. El sistema funciona en cualquier pantalla que 

soporte "video" subrayado, y preferiblemente "video" inverso 

donde los caracteres aparecen oscuros sobre un fondo claro. 

El sistema necesita procedimientos especiales que deben 

aparecer en una librería segluentada. Asegúrese de que usted 

tenga acceso a esta librería. Si tiene dudas pregunte al 

encargado del centro de computación. 	Al final de esta 

sección aparecen las figuras a las que se hace referencia en 

los párrafos siguientes. 

A. INICIO DEL SISTEMA  

1. Entre a sesión en la computadora como acostumbra 

hacerlo. 

2. Entre al sistema "DCO" tecleando :RUN DCO. Si es 

necesario, debe especificar el nombre del grupo y de la 

cuenta donde está localizado el programa. Generalmente 

estará en la PUB.SYS. 	Si es así, entonces teclee :RUN 

DCO.PUB.SYS 

3. A continuación aparecerá en la pantalla la 

información de la Figura 5. 	Antes de seguir usando el 

sistema, usted debe seleccionar el diccionario con que va a 

49 



trabajar. 	El nombre del diccionario puede ser hasta de ocho 

caracteres alfanuméricos, el primero debe ser alfabético. Si 

es necesario, se deben especificar el grupo y la cuenta donde 

está el diccionario. En caso el diccionario no exista, el 

programa se lo indicará (Figura 6). Entonces, usted puede 

decidir si crea un diccionario nuevo o si da el nombre de 

otro. 

B. MENU PRINCIPAL  

El menú principal del sistema "DCO" se muestra en la 

Figura 7. 	En la primera línea de la pantalla aparece la 

identificación del sistema y abajo el nombre del diccionario 

que está en uso. El detalle de las cinco funciones en el 

Menú Principal se expone más adelante. En la esquina 

superior izquierda de los menús de cada función aparece la 

identificación del subsistema. En el otro lado aparece el 

nombre del diccionario activo. Para salir de un subsistema, 

se debe escoger la opción FIN (siempre aparece de último). 

El sistema regresa automáticamente al Menú Principal. 

C. OPCION 1: AGREGAR PALABRAS AL DICCIONARIO  

Al escoger la Opción 1 de la Figura 8 aparece una 

ventanilla en donde usted puede escribir cualquier palabra de 

4 a 20 letras para así agregarla al diccionario. No hay 

ningún problema si la palabra ya está en el diccionario. Al 

terminar de insertar la nueva palabra (por ejemplo, 

50 



'arboleda' en la Figura 9), se emite un mensaje abajo de la 

ventanilla para indicar que todo fue un éxito. 

D. OPCION 2: REVISAR PALABRAS EN EL DICCIONARIO  

Con esta opción, se puede averiguar si una palabra está o 

no en el diccionario. Si está, aparece en la pantalla un 

mensaje como en la Figura 10. Si no está, aparece un mensaje 

similar indicando que no está. 

E. OPCION 3: REVISAR LAS PALABRAS EN UN TEXTO 

Lo primero que a usted se le pregunta (Figura 11) es el 

nombre del texto que desea procesar. 	El texto debe estar 

almacenado en código ASCII en su grupo y cuenta. Cada línea 

debe tener un máximo de 80 caracteres. 

A continuación aparecerá la pantalla de la Figura 12. En 

la esquina superior izquierda aparece el nombre del texto dile 

se está procesando. Luego aparecen tres líneas del texto, a 

manera de que la línea de en medio contiene la palabra que el 

sistema "DCO" ha detectado como incorrecta. Esta palabra 

aparece subrayada y también aparece en una ventanilla aparte. 

Dependiendo del número de palabras similares que el sistema 

encuentre en el diccionario, a usted se le presentarán 

diferentes opciones. Sin embargo, siempre se le presentarán 

las cinco opciones de la Figura 12, la cual corresponde al 

caso en que el diccionario no proporciona ninguna corrección. 

IGNORAR: El sistema ignora la ortografía de la palabra y 

procede a revisar la palabra siguiente. 

51 



IGNORAR/AGREGAR: Igual que la opción anterior, sólo que 

la palabra se agrega al diccionario. Es muy útil para que el 

diccionario vaya creciendo. 

DAR CORRECCION: Usted es quien proporciona la 

corrección. 	Aparece una nueva ventanilla en donde puede 

escribirla (ver Figura 13). 

DAR CORRECCION/AGREGAR: 	Igual que la opción anterior, 

sólo que la palabra que usted ingresa se agrega al 

diccionario. 

FIN: El sistema regresa al Menú Principal 

En caso el sistema encuentre una sola corrección, ésta se 

muestra a la derecha del menú (Figura 14). También aparece 

otra opción: 

CORREGIR CON SIMILAR: La palabra subrayada se sustituye 

con la similar. 

Si el sistema encuentra de dos a un máximo de veinte 

palabras similares, entonces se emite una nueva opción. 

LISTAR SIMILARES: 	La lista de similares se muestra de 

siete en siete (Figura 15) para que usted pueda ver el número 

de la palabra similar con la que sustituirá la incorrecta, o 

para simplemente revisar esta lista. Si usted desea ver las 

demás, responda 'S' a la pregunta 'CONTINUO?'. 

CORREGIR CON SIMILAR: Usted proporciona el número de la 

palabra similar que va a sustituir a la palabra subrayada 

(Figura 16). 

52 



F. OPCION 4: MAEJO DE DICCIONARIOS  

Con el menú de esta opción (Figura 17), usted puede 

cambiar de diccionario (Figura 18) o listar un conjunto de 

sus palabras (Figura 19). Para listar debe ingresar a partir 

de y hasta cuál palabra desea que se tome en cuenta. Según 

el ejemplo de la Figura 19, usted estaría listando todo el 

diccionario. 	El listado puede salir en la pantalla o en la 

impresora bajo el nombre de DICLIST. 

53 



DETECCION Y CORRECCION DE ERRORES ORTOGRAFICCS 

Nombre del diccionario? 

Figura 5. 
Inicio del sistema DCO 

DETECCION Y CORRECCION DE ERRORES ORTOGRÁFICOS 

Nombre del diccionario? 
DIC 

No existe el archivo 

Desea crear un diccionario nuevo? [S/N] 

Figura 6. 
Opción para crear un diccionario nuevo 

54 



Dic: ejemplo 

Menú Principal 

Opciones: 
Fi. Agregar palabra —1 
2. Revisar palabra 
3. Revisar texto 
4. Manejo diccionario 
5. FIN  

IOPCION: j 

r  DETECCION Y CORRECCION DE ERRORES ORTOGRAFICOS 

 

   

Figura 7. 
Menú Principal 

AGREGAR PALABRA 
	

Dic: ejemplo 

Opciones: 
1. AGREGAR palabra 1 
2. FIN  

10PCION:  

Figura 8. 
Menú para agregar palabras 

55 



[-AGREGAR PALABRA 	 Dic: ejemplo 

1 

10pciones: 
[1. AGREGAR palabra 1 

FIN  
10PCION: 1 

Ingrese la palabra: 
Taaoleda 1 

 

La palabra se agregó al diccionario 

Figura 9. 
Inserción de 'arboleda' al diccionario 

REVISAR PALABRA 	 Dic: ejemplo 

Opciones: 
1. REVISAR palabra 1 
2. FIN  

10PCION: 1 

Ingrese la palabra: 
arboleda 

La palabra está en el diccionario 

Figura 10. 
Verificación de si 'arboleda' 

está en el diccionario 

J 

56 



1 tic: ejemplo [ REVISAR TEXTO 

Texto: reporte Dic: ejemplo 	 1 

Nombre del texto? 
Lreporte j 

Figura 11. 
Solicitud del texto que 

se va a revisar 

Si los padres no pueden cubrir los aportes 

establecidos, tienen la posibilidad de solisitar un 

arreglo especial. Para esto es necesario que den a 

Palabra a revisar: 
(solisitar 

Opciones: 
1. Ignorar 	 1 
2. Ignorar/Agregar 	I 
3. Dar corrección 	I 
4. Dar corrección/Agregar! 
5. FIN 	 1 

10PCION: J 

L_ 
Figura 12. 

Revisión de un texto: El sistema no encontró 
la corrección para una palabra incorrecta 

57 



 

reporte 

 

Dic: ejemplo 	
__i 

   

   

 

Si los padres no pueden cubrir los aportes 

establecidos, tienen la posibilidad de solisitar un 

arreglo especial. Para esto es necesario que den a 

 

 

Palabra a revisar: 

   

solisitar 

   

 

Opciones: Palabra(s) similar(es): 

 

 

1. Ignorar 
2. Ignorar/Agregar 
3. Dar corrección 
4. Dar corrección/Agregar 
5. Corregir con similar 
6. FIN 

1. solicitar 

    

 

IOPCION: 

   

     

I 	Texto: reporte 	 Dic: ejemplo 

Palabra a revisar: 
L1(51-isit.ar 

Ingrese la palabra: 

Si los padres no pueden cubrir los aportes 

establecidos, tienen la posibilidad de solisitar un 

arreglo especial. Para esto es necesario que den a 

cpciones: 
r . Ignorar 
. Ignorar/Agregar 
3. Dar corrección 
4. Dar corrección/Agregar' 
5. FIN 

OPcION:31  
Figura 13. 

Ingreso nanual de la corrección 

Texto:

J  

Figura 14. 
El sistema encuentra una corrección 

58 



Texto: reporte 

   

 

Dic: ejefit—p-lo 

  

Si los padres no pueden cubrir los aportes 

establecidos, tienen la posibilidad de solisitdr un 

arreglo especial. Para esto es necesario que den a 

Palabra a revisar: 
ráSiiált-ar 

   

 

1 

   

Opciones: 

    

1. Ignorar 	 1 
2. Ignorar/Agregar 
3. Dar corrección 
4. Dar corrección/Agregar 
5. Corregir con similar 
6. Listar similares 
7. FIN 

     

 

10PCION:6  

     

     

Palabra(s) similar(es): 
1. SToricitar 

'CONTINUO? S/N  

Figura 15. 
El sistema encuentra varias posibles correcciones. 

59 



1—Texto: reporte 	 Die: ejemplo 

Si los padres no pueden cubrir los aportes 

establecidos, tienen la posibilidad de solisitar un 

arreglo especial. Para esto es necesario que den a 

Palabra a revisar: 
rá751isitar  

Opciones: 
1. Ignorar 
2. Ignorar/Agregar 
3. Dar corrección 
4. Dar corrección/Agregar 
5. Corregir con similar 
6. Listar similares 
7. FIN 

Ingrese No. de la palabra: 

Palabra(s) similar(es):  
solicitar 1.  

2.  
3.  
4.  
5.  
6.  
7.  

OPCION:51 	 !CONTINUO? S/N 

Figura 16. 
Selección de una palabra similar como la correcta. 

PROC S 	CrITIEWRIW—Bic 

Opciones: 
1. Seleccionar diccionario de trabajo 1 
2. Listar palabras en diccionario 
3. FIN  

10PCION: j 

Figura 17. 
Menú para manejar el diccionario 

60 



j PROCESO DICCIONARIO: dic 

• 

Seleccionar diccionario de trabajo 

Nombre del diccionario? 
OTRO 

Figura 18. 
Selección del diccionario 

1 PROCESO DICCIONARIO: dic 

Listar palabras'en diccionario 

Desea listar entre: 

Palabra inicial: 
a 

Palabra final: 
zzzzzzzzzzzzzzzzzzzzl 

Unidad de salida? (IM=impresora/TE=terminal) 

Figura 19. 
Listado de palabras del diccionario 

61 



IX. CONCLUSIONES Y RECOMENDACIONES 

La mayoría de los procesos que se realizan en un 

computador se reducen a simples comparaciones entre un objeto 

y otro. 	El grado de similitud entre ellos determina la 

acción que se debe tomar. El método de detección del sistema 

"DCO" se reduce a comparar la palabra en duda contra una 

lista de palabras escogidas, y luego contra las palabras de 

un diccionario. 	Si no se encuentra una palabra igual, la 

palabra en duda se toma como incorrecta. La evolución de las 

listas de palabras bien escritas se hace en base a 

comparaciones también, a manera de mantenerlas en orden y 

para que sean de fácil acceso. 

El método de corrección que se utilizó en este sistema se 

basa en la idea de que una palabra mal escrita contiene 

cualquiera de los siguientes errores: sustitución, adición u 

omisión de una letra, o transposición de dos letras. Se ha 

comprobado que un 90 a 95% de los errores que se cometen al 

teclear información contienen un sólo error de éstos [22]. 

Si el acto de cometer un error produce una palabra que sí 

existe en el diccionario, este error pasa desapercibido. 

Errores de esta clase se consideran como parte de un problema 

de mal uso de la palabra y no como un error ortográfico. 

62 



Siempre va a haber más de alguna palabra mal escrita que 

el método no podrá corregir porque no encuentra la palabra 

supuestamente correcta en el diccionario. Aprovechando esta 

situación, se considera una buena táctica que el métoC,o de 

corrección deje escapar un número relativamente pequeño de 

errores, pues muchas palabras pueden convertirse en otras con 

una sola de las cuatro operaciones de error antes 

mencionadas. También es conveniente que el tamaño del 

diccionario no sea muy grande, para que no contenga palabras 

arcaicas o poco usadas. 	Es más probable que el usuario 

escriba mal una palabra a que él la use intencionalmente como 

una palabra poco común. En caso de que se cumpla esta última 

condición, es preferible que el usuario sea quien corrija los 

errores "difíciles". Si se deja crecer el diccionario 

demasiado, puede que el método reporte menos errores (pues 

encuentra la mayoría de las palabras del texto en el 

diccionario) pero es igualmente posible que produzca un 

número considerable de correcciones equivocadas. La variedad 

en los resultados del método de corrección depende más que 

nada del tamaño del diccionario que se use y no de la 

estrategia que se emplee. 

El método propuesto puede ampliarse a manera de que la 

fase de la detección se apoye en más información que la que 

proporciona un diccionario corriente, y que la corrección 

pueda aplicar distintos criterios para encontrar las palabras 

correctas. 	En algunas oportunidades puede ser deseable que 

el método ignore las instrucciones para los procesadores de 

63 



palabras que aparecen en algunos textos, o que no tome en 

cuenta siglas de organizaciones o nombres propios. 

Si bien es importante que el usuario controle el proceso 

de la corrección, también es necesario que se le consulte lo 

menos posible. Las decisiones que el usuario tome deben ser 

reusadas automáticamente por el programa, en todas las 

ocasiones donde sea posible. Si la palabra 'tormnta' aparece 

varias veces en el texto y ha sido corregida a 'tormenta', el 

programa debe, en lo sucesivo, corregirla automáticamente. 

Para procesar textos escritos en español, es conveniente 

realizar estudios sobre: la frecuencia de las letras y 

sílabas en este idioma, los errores que se cometen 

corrientemente, en qué parte de la palabra suelen aparecer 

estos errores, etc. Con esta información puede estructurarse 

un proceso para enfrentar específicamente los errores 

ortográficos en el idioma español. 

Con algunos cambios, el sistema "DCO" puede tomar en 

cuenta palabras tildadas o con eñe. No se hizo así desde un 

principio porque son pocas las terminales que soportan estos 

caracteres. 

64 



X. BIBLIOGRAFIA 

1. AHO, Alfred V., John E. HOPCROFT, Jeffrey D. ULLMAN. The 
Des ion and dAnal_ysi5 of Computer Argorithms. 
Addison-Wesley, Reading, Mass., 1983. 

2. BENTLEY, John. "A Spelling Checker". Communications of 
the ACM Vol. 28, No. 5, mayo 1985. pp 456-462. 

3. BLAIR, Charles R. "A Program for Correcting Spelling 
Errors". Information and Control, Vol. 3, No. 1, 
marzo 1960. pp 60-67. 

4. DAMERAU, Fred J. "A Technique for Computer Detection and 
Correction of Spelling Errors". Communications of the 
ACM, Vol. 7, No. 3, marzo 1964. pp 171-176. 

5. DAVIDSON, Leon. "Retrieval of Misspelled Names in an 
Airlines Passenger Record System". Communications of 
the ACM, Vol. 5, No. 3, marzo 1962. pp 169-171. 

6. DODDS, D. J. "Reducing Dictionary Size by Using a 
Hashing Technique". Communications of the ACM, Vol. 
25, No. 6, junio 1982. pp 368-370. 

7. DURHAM, Ivor, David A. LAMB, James B. SAXE. "Spelling 
Correction in User Interfaces". Communications of the 
ACM, Vol. 26, No. 10, octubre 1983. pp 764-773. 

8. FALOUTSOS, Christos. "Access Methods for Text". ACM 
Computer Surveys, Vol. 17, No. 1, marzo 1985. pp 
49-74. 

9. GOOD, Phillip. "Spelling Checkers: Electronic 
Dictionaries for your Computer". Popular Science, 
abril 1983. pp 145-148. 

10. GROSS, J. "On Spelling Error Detection". (preguntas al 
artículo de J. Peterson). Communications of the ACM 
, Vol. 24, No. 5, mayo 1981. pp 331-332. 

11. JAMES, E. B., D. P. PARTRIDGE. "Tolerance to Innacuracy 
in Computer Programs". The Computer Journal, Vol. 
19, No. 3, agosto 1976. pp 207-212. 

12. KNUTH, Donald E. The Art of Computer Programming, 
Volume 3: Sortinq and Searching. Addison-Wesley, 
Reading, Mass., 1973. 

65 



13. LEMMONS, Phil. "Five Spelling-Correction Programs for 
CP/M-Based Systems". Byte, Vol. 6, No. 11, noviembre 
1981. pp 434-448. 

14. McKEAN, Kevin S. "Las computadoras que corrigen lo 
escrito". International Management, Vol. 37, No. 7, 
julio 1982. pp 31-33. 

15. MEILACH, Dona Z. "The Random House Proofreader". 
Interface Aqe, mayo 1983. pp 24,160-163. 

16. MORGAN, Howard. L. "Spelling Correction in Systems 
Programs". Communications of the ACM Vol. 13, No. 
2, febrero 1970. pp 90-94. 

17. NIX, Robert. "Experience with a Space Efficient Way to 
Store a Dictionary". Communications of the  ACM Vol. 
24, No. 5, mayo 1981. pp 297-298. 

18. PETRSON, James L. "Computer Programs for Detecting and 
Correcting Spelling Errors". Communications of the  
ACM, Vol. 23, No. 12, diciembre 1980. pp 676-687. 

19. POLLOCK, Joseph J. SpeedCop. Final Report. Chemical 
Abstracts Service, Columbus, Ohio, septiembre 1981. 

20. POLLOCK, Joseph J. "Spelling Error Detection and 
Correction by Computer: Some Notes and a 
Bibliography". Journal of Documentation, Vol. 38, 
No. 4, diciembre 1982. pp 282-291. 

21. POLLOCK, Joseph J., Antonio ZAMORA. "Automatic Spelling 
Correction in Scientific and Scholarly Text". 
Communications of the ACM, Vol. 27, No. 4, abril 
1984. pp 358-368. 

22. POLLOCK, Joseph J., Antonio ZAMORA. "Collection and 
Characterization of Spelling Errors in Scientific and 
Scholarly Text". Journal of the American Society for 
Information Science, Vol. 34, No. 1, enero 1983. pp 
51-58. 

23. POLLOCK, Joseph J., Antonio ZAMORA. "System Design for 
Detection and Correction of Spelling Error in 
Scie-itific and Scholarly Text". Journal of the 
American Society for Information Science, Vol. 35, 
No. 2, marzo 1984. pp 104-109. 

24. ROBINSON, Peter, Dave SINGER. "Another Spelling 
Correction Program". Communications of the ACM, Vol. 
24, No. 5, mayo 1981. pp 296-297. 

25. SEVERANCE, Dennis G. "Identifier Search Mechanisms: A 
Survey and Generalized Model". ACM Computer Surveys, 
Vol. 6, No. 3, septiembre 1974. pp 175-194. 

66 



26. SRIHARI, Sargur N., Jonathan J. HULL, Ramesh CHOUDHARI. 
"Integrating Diverse Knowledge Sources in Text 
Recognition". ACM Transactions on Office Information  
Systems, Vol. 1, No. 1, enero 1983. pp 68-87. 

67 



.Y.1-• • 	• 	- 
r•••• 	c 

- • 

• • 	• ' 

• .-. 	'"••••••- 	, 

. 
• 

• 

• - 

;••1-,„:••  

• • 	--'•••••11,' •= 

• ---..
"4- 

. • - 	. 

-4; 

• = 
".• 	•• 	= 

• ' ' 

r•Ik's 

• u,. ••• 

• 

fi- 

• 

- 

	

. 	„. 	. 

.4? 	, 	• 	•• 

	

- 	" • 	, 

• •f: -4; 
r s 	r:4-• 

• •••.- 

• ' e43,- 	 • "^'' 	• 
- 	 • 	- 	• 

• 

• • 

• 

‘• - 
• . 

. 	
• Ya 	.••••• 	

" •••'. 

- • 	, 

• 

• 

• 

4- 

;.-":,-_,5"1"- 	• 

Ink 

•-•,:,4'•-•  
• .. • 

• 

S • 	, "YY., 	 "ss. v 	 — - • ."‘-;1'
-  

Si. 	• - •••5' 	Y • - 	
zu••••. 	 •  

• .• 	- 	 ,• 

"•.:1'",-.; • 	; 	• 	• 5̀1,' • ',Sr= 	•••• ':•••••-=1-74---"t-&',.: • • 

••••• 

” 	 -••• 	 • 	••••-• 

• • 	' 	. 	• 
• xl".1---yg a,  

	

- • 	 , 

	

. 	 - 

ag;r•-•:- 

- • `1.,,s .., 
• 

4 
-•••••,..., •-,:, --.11,tty 

••e•--5-  --- 7„,'"3P..--  ; 
-•,' ,---"0-1.  jlim,„, --.., 

• 

• • kF,_ 
• 

r • 1•• 

•••• 
1- 	• 	• ••-'„ 	• •':•""-z:,.';'-,:ái-•-•'- ‘,1• ••••--, 	• - 

•;.- . • 	•-....9.•••-• 

. 

Vz,•• 	 - •••• 	• 	: 

. • 	• 	 . 

:er-H-411,-. • • _ 

aY, 

2,4",  -• 7'.  '; 	
• 

2 - 
51-•  

• 

.43."...04,. 

• 

. 	c 

•- 	 7 

— •;. 

•• Y' .7.  

••-•,- "1-1-•=-7-•••:k 
I'. • 

. 	- 	 _ 

• 

= 


	Page 1
	Page 2
	Page 3
	Page 4
	Page 5
	Page 6
	Page 7
	Page 8
	Page 9
	Page 10
	Page 11
	Page 12
	Page 13
	Page 14
	Page 15
	Page 16
	Page 17
	Page 18
	Page 19
	Page 20
	Page 21
	Page 22
	Page 23
	Page 24
	Page 25
	Page 26
	Page 27
	Page 28
	Page 29
	Page 30
	Page 31
	Page 32
	Page 33
	Page 34
	Page 35
	Page 36
	Page 37
	Page 38
	Page 39
	Page 40
	Page 41
	Page 42
	Page 43
	Page 44
	Page 45
	Page 46
	Page 47
	Page 48
	Page 49
	Page 50
	Page 51
	Page 52
	Page 53
	Page 54
	Page 55
	Page 56
	Page 57
	Page 58
	Page 59
	Page 60
	Page 61
	Page 62
	Page 63
	Page 64
	Page 65
	Page 66
	Page 67
	Page 68
	Page 69
	Page 70
	Page 71
	Page 72
	Page 73
	Page 74
	Page 75