Los pesos adivinados cuestan diez veces más que la cuantificación

Durante mucho tiempo presentamos un único defecto como el problema serio de nuestros datos de frecuencia de nombres: pesos comprimidos en un solo byte, de modo que la mitad de una lista acababa empatada en el valor mínimo. Lo documentamos, lo corregimos y la corrección fue real — la historia se cuenta en La mitad de su lista ponderada no está ponderada.

Después medimos cuánto había valido ese defecto. La distancia de variación total entre la lista defectuosa de nombres de pila suecos y esa misma lista con los recuentos reales era del 2,45 % para las mujeres y del 2,25 % para los hombres.

Es una cifra pequeña, y sin embargo tratábamos el mecanismo que la produce como el principal problema de los datos. Así que por fin planteamos la pregunta que nunca habíamos cuantificado: ¿cuál es la distancia para un corpus cuyos pesos nunca fueron recuentos — un corpus en el que alguien se sentó ante una lista de nombres y asignó a cada uno un valor entre 1 y 100 a partir de sus conocimientos, su intuición y un par de tablas top 20 publicadas?

Para los nombres de pila finlandeses, medidos contra el registro nacional de población: 20,96 % para los hombres, 28,50 % para las mujeres. Para tres corpus de apellidos suizos, medidos contra el registro federal: 22,05 %, 35,67 % y 25,60 %.

Aproximadamente diez veces el defecto al que habíamos puesto nombre. En el mismo directorio, bajo el mismo validador, en ficheros indistinguibles desde fuera.

Dos defectos que producen un fichero de aspecto idéntico

Ambos modos de fallo entregan un TSV de dos columnas con nombres y enteros positivos pequeños, ordenados de mayor a menor. Todas las comprobaciones estructurales pasan en los dos casos. Pero no son dos variantes de un mismo problema; son opuestos en casi todas las propiedades que importan.

La pista delatora es el techo, y resulta casi vergonzosamente fácil de leer. Un máximo de exactamente 255 significa que la cifra chocó con el borde de un byte. Un máximo de exactamente 100, o 44, o 40, significa que la cifra chocó con el borde de una persona. En el conjunto de los corpus modelizados que hay en disco, los techos que contamos fueron 100 (115 ficheros), 40 (34), 70 (6), 35 (6), 44 (5), 45 (4), 30 (4), 55, 46, 28, 24, 20 (2 cada uno), 75 y 42 (1 cada uno). Ninguno de ellos es una potencia de dos menos uno, y todos son números que un humano elegiría al repartir una lista por niveles.

La segunda pista delatora es la resolución. En el corpus de apellidos de la Suiza francófona, 831 filas llevaban 23 pesos distintos — el 2,8 % de las filas. La lista de la Suiza germanófona: 710 filas, 22 valores distintos. La lista de la Suiza italófona: 489 filas, 16 valores, con el 48,7 % de todas las filas situadas en el peso 1. No son mediciones que casualmente se repiten. Son etiquetas: muy común, común, lo he visto alguna vez, raro.

Lo que cuestan realmente los dos defectos

Cada cifra de esta tabla es una distancia de variación total entre los pesos que figuraban en el corpus y los recuentos reales publicados por el registro nacional correspondiente, calculada sobre el conjunto de nombres que ambos tienen en común. Las dos filas suecas corresponden al defecto del byte. Todo lo demás es modelización curada.

El orden de esa tabla es todo el artículo. El defecto que tiene nombre, documentación y corrección encabeza la lista como el elemento menos dañino del conjunto. El defecto al que nadie había puesto nombre — porque no era un bug, sino sencillamente la manera en que siempre se habían fabricado los datos — ocupa el resto del rango, con un tamaño entre seis y quince veces mayor.

Hay una razón aritmética, y es el mismo argumento del artículo sobre el byte con las cifras empeoradas. Una lista ponderada tiene que representar un rango dinámico: la relación entre la entrada más frecuente y la más rara que contiene. Para los 295 nombres de pila masculinos finlandeses del corpus, los recuentos del registro para esos nombres exactos van de 5 a 43.107 — un rango de ×8.621. La escala curada iba de 2 a 100: un rango de ×50. El defecto del byte eran 2.679 necesarios frente a 255 disponibles. Aquí son 8.621 necesarios frente a 50 disponibles y, a diferencia del byte, nada obligaba a ese techo.

El control negativo: ¿cuánta parte se debe a la escala misma?

La cifra del 20,96 % mezcla dos errores cuyos remedios son completamente distintos:

• Error de orden — el curador colocó los nombres en la secuencia equivocada.
• Error de forma — incluso en la secuencia correcta, una escala de niveles de 1 a 100 no puede producir la curva que tienen las frecuencias reales.

Si el daño fuera sobre todo error de orden, una lista mejor curada lo corregiría. Si fuera sobre todo error de forma, ninguna cantidad de curación bastaría, y el único remedio serían los recuentos.

Así que construimos un control negativo. Tome un locale del que tengamos recuentos reales de registro — Noruega, Suecia, Estados Unidos, España, Francia. Trúnquelo al top N. Después tome el multiconjunto de pesos de un corpus curado real del mismo tamaño y asígnelos estrictamente por puesto: el mayor peso del curador al nombre realmente más frecuente, el segundo al segundo, y así sucesivamente hasta el final.

Esa construcción otorga al curador una nota perfecta en el orden. Cada nombre está exactamente en su sitio. Lo único que sigue estando mal es la forma de las cifras. Toda distancia que sobreviva es el precio de la escala por sí sola.

Treinta pares — seis distribuciones de referencia contra cinco formas donantes:

Mediana 12,30 %, rango del 6,17 % al 18,57 %.

Ese es el resultado. Del 21–28 % que medimos en corpus curados reales, cerca de la mitad se debe a la forma de una escala de niveles de 1 a 100, y esa parte permanece incluso cuando el orden es impecable. Un curador mejor no la elimina. Una lista curada más larga no la elimina. Solo los recuentos la eliminan.

La matriz muestra también por qué varía el residuo. Los nombres de pila masculinos españoles son inusualmente planos en la cabeza, de modo que las formas donantes planas (Japón, Rumanía) son las que mejor les encajan y las pronunciadas las que peor; la lista femenina estadounidense es la referencia más pronunciada del conjunto y todas las formas donantes se comportan mal con ella. El error de forma no es un impuesto constante — es un desajuste entre dos curvas, y crece con el sesgo de la distribución real.

Las reservas, porque importan a quien quiera repetir el ejercicio. La distribución de referencia se trunca al top N y se renormaliza sobre esa cabeza, de manera que lo que se mide es únicamente el error de forma y se excluye deliberadamente el problema de profundidad que se trata más abajo. Las formas donantes son a su vez corpus curados con sus propios techos (100, 44, 40), así que el control mide la familia de formas que realmente entregamos, no un peor caso teórico. Y treinta pares dan una mediana, no un intervalo de confianza.

Un caso real con una cabeza perfecta y un 16 % de error

La demostración más nítida no es en absoluto el control sintético. Es el corpus de apellidos finlandeses.

Sus 618 nombres se encontraron todos en el registro DVV, de forma exacta, sin ninguna discrepancia ortográfica. Su top 10 era Korhonen Virtanen Mäkinen Nieminen Mäkelä Hämäläinen Laine Heikkinen Koskinen Järvinen — y el top 10 del registro eran esos mismos diez nombres en el mismo orden. Diez de diez, en secuencia, sin ninguna inversión.

La distancia entre los pesos curados y los recuentos reales era del 15,97 %.

Nada estaba mal en la lista, nada estaba mal en el orden de la cabeza, y aun así una fila de cada seis de la masa de probabilidad seguía en el sitio equivocado, porque se le pedía a una escala que va de 7 a 100 que representara recuentos que van de 59 a 21.209.

El orden también estaba mal

En los nombres de pila, a diferencia de los apellidos, el orden curado era realmente malo — y conviene decirlo con claridad, porque es la parte que un humano cuidadoso podría en principio haber mejorado.

Frente a las estadísticas del registro referidas al primer nombre de pila, el corpus obtenía una correlación de puestos de Spearman de +0,430 para los hombres y de +0,618 para las mujeres. De los 10 primeros nombres masculinos del corpus, 7 aparecían en el top 10 del registro; en las mujeres, 2. Si se amplía la ventana, mejora: 82 de nuestros 100 primeros nombres masculinos estaban en el top 100 del registro, y 71 de 100 en las mujeres. La cabeza era justamente donde la curación resultaba menos fiable — es decir, exactamente donde se lee una lista de frecuencias.

Una trampa metodológica merece una línea propia, porque desplazó nuestra cifra principal en ocho puntos. El registro finlandés publica varias tablas: solo el primer nombre de pila y todos los nombres de pila contados juntos. Los finlandeses llevan habitualmente dos o tres nombres de pila, y las dos tablas producen clasificaciones distintas — Juhani es el primer nombre masculino más frecuente, pero ocupa otro puesto entre el conjunto de los nombres, y el propio top 10 del registro difiere de una hoja a otra. Medido contra todos los nombres de pila, el mismo corpus obtiene un 29,24 % en los hombres y un 22,16 % en las mujeres; medido contra los primeros nombres, un 20,96 % y un 28,50 %. Los errores masculino y femenino intercambian sus posiciones únicamente por la elección del término de comparación. Damos las cifras del primer nombre porque el corpus es un corpus de primeros nombres, pero quien audite datos de frecuencia contra una fuente oficial debería establecer qué población cuenta esa fuente antes de citar una distancia.

Cuánto de todo esto puede repararse realmente

En el momento de la auditoría, la colección contenía 128 corpus de nombres repartidos en 64 locales. Veinte de ellos ya llevaban recuentos reales. Los otros 108 no, y la pregunta honesta no es «¿hasta qué punto son malos?», sino «¿cuántos de ellos pueden repararse?».

Así que clasificamos los 108 según lo único que determina la respuesta: si existe o no una fuente con recuentos.

La clase A es una cola de trabajo: los institutos nacionales de estadística de Finlandia, Suiza, Bélgica, Eslovenia, Croacia, Polonia, Letonia, Islandia y Brasil publican recuentos de nombres, y entre esos ficheros y el corpus no se interpone nada salvo el trabajo de incorporarlos.

La clase B es un techo en la fuente, no en nosotros. El ministerio del Interior húngaro publica los 100 primeros apellidos y nada más. El ministerio de Seguridad Pública chino publica el top 100 con porcentajes. El registro portugués publica los 20 primeros nombres de pila. Se puede reparar la cabeza de esas listas, y solo la cabeza; por debajo del puesto 100 no hay nada con lo que repararla.

La clase C no es «algo sin gravedad»

Este es el punto que no debe difuminarse, y es la razón misma por la que la taxonomía aparece en este artículo.

La clase C no significa que los datos sean aceptables. Significa que el error es grande y que no hay nada con lo que corregirlo. Son dos afirmaciones completamente distintas, y confundirlas es el error más tentador de una auditoría de datos, porque una categoría que no puede generar tareas deja discretamente de generar atención.

La distinción es la que separa una deuda de un límite:

• Una deuda es un defecto con un remedio conocido que todavía no se ha pagado. La clase A es deuda. Su sitio está en un plan, con una fecha.
• Un límite es un defecto sin remedio disponible. Las clases B y C son límites. Su sitio está en la documentación, enunciados abiertamente, junto a los datos a los que afectan.

Algunos ejemplos de las clases B y C, para que «no existe ninguna fuente» no se lea como «no hemos buscado»:

• Eslovaquia — el registro de población está cerrado por ley, y la oficina de estadística no elabora estadísticas de nombres.
• Chequia — el ministerio del Interior dejó de publicar frecuencias de nombres en 2017 por motivos de protección de datos. Lo que queda es regional y tiene ya varios años.
• Hungría — la publicación está limitada al top 100.
• Alemania — no existe ningún registro nacional de apellidos, y la sociedad que publica las estadísticas de nombres de pila solo difunde gratuitamente un top 10 al año.
• Italia — la oficina de estadística no mantiene un registro de frecuencia de apellidos, algo que verificamos en lugar de darlo por supuesto.
• Serbia — el censo de 2022 publicó un top 10 y nada por debajo.

Serbia es el peor agujero del conjunto y muestra lo que un techo de clase B le hace al corpus que queda debajo. La lista serbia de apellidos contiene 958 filas en una escala que culmina en 70, y 748 de ellas — el 78,1 % — están en el peso mínimo. Tres cuartas partes del fichero forman un único bloque indiferenciado, mientras que la fuente publicada solo sabe distinguir exactamente diez nombres.

No es la única. Apellidos italianos: el 67,9 % de las filas en el suelo. Apellidos neozelandeses: el 58,2 %. Apellidos alemanes: el 57,4 %. En cada caso esa planitud no es una decisión de modelización; es la forma del conocimiento disponible.

Dos corpus caen en la clase X, donde la única fuente existente lleva condiciones que la hacen inutilizable para este fin. Ahí el remedio no es la reparación. Es la eliminación, y llamarlo de otro modo sería hacer pasar un límite por una deuda.

Lo que demostraron las reparaciones — incluida la parte que no demuestra nada

Se repararon cuatro locales en una sola sesión, sustituyendo los pesos curados por los recuentos del registro sobre el mismo conjunto de nombres.

Esos ceros son una tautología, no un logro. Si se igualan los pesos a los recuentos, la distancia entre los pesos y los recuentos está obligada a ser cero; la única razón por la que las filas suizas no son exactamente cero es que un puñado de nombres tuvo que emparejarse entre variantes ortográficas antes de poder copiar los valores. Una tabla de antes y después calculada sobre el conjunto compartido mide que la copia salió bien. No mide que el corpus sea ahora correcto, y citarla como si lo hiciera es una de las maneras más fáciles de blanquear un problema sin resolver convirtiéndolo en una cifra en verde.

La medición que significa algo es la que se hace contra el registro completo, con cada nombre que el registro conoce y el corpus no incluido con masa cero. Ahí la distancia tiene un suelo infranqueable: no puede bajar de 1 − coverage, donde coverage es la proporción de la población que llevan los nombres que el corpus contiene realmente. Nos situábamos exactamente en ese suelo:

Situarse en el suelo es la lectura correcta de una reparación de pesos lograda: el defecto de ponderación está agotado, y cada unidad de distancia que queda pertenece a otro problema — la profundidad. Un corpus de 618 apellidos finlandeses que cubre el 42 % de la población ya no está mal ponderado; se queda corto. Son defectos distintos con correcciones distintas, y el valor de medir contra el registro completo está en que se niega a dejar que uno se esconda dentro del otro.

También conviene decir en qué sentido corta la cifra de profundidad. Para generar una persona plausible, disponer de los nombres del 79 % de los hombres finlandeses es del todo razonable — el 21 % que falta es la cola larga, y extraer de la cabeza es justo lo que se quiere. Para afirmar que el corpus representa el registro, la cifra que importa es la cobertura del 42 % de los apellidos. El mismo fichero resulta adecuado o inadecuado únicamente según la afirmación que se haga sobre él, y por eso esa afirmación tiene su sitio en la documentación, junto al fichero.

Las listas estaban bien elegidas; solo las cifras eran inventadas

Lo más útil que produjo la reparación no fue una distancia menor. Fue un veredicto sobre los curadores.

Al unir cada corpus con su registro, contamos cuántos de sus nombres no le constaban en absoluto al registro:

Tres de los corpus finlandeses coincidieron a la perfección. Los fallos suizos suman dieciséis de 2.030 filas, y cinco de ellos no eran en absoluto problemas de datos: Doerig y Duebendorfer eran transcripciones ASCII de Dörig y Dübendorfer, y Étienne, Crétegny y Émery figuran en el registro sin sus tildes. Esos cinco se resolvieron en filas del registro en cuanto se normalizaron las grafías — la misma clase de fallo que las búsquedas descritas en La comprobación que se queda ciega justo donde usted la necesita, donde un nombre se declaraba ausente porque un diacrítico no coincidía. Otros seis existen en Suiza, pero en otra región lingüística, lo que plantea la cuestión de dónde traza el corpus su frontera más que la de si el nombre es real. Quedan cinco nombres de 2.030 que el registro nacional no contiene en absoluto.

Así que la composición de estas listas construidas a mano era buena. Quienes las reunieron sabían qué nombres pertenecen a Finlandia y qué apellidos pertenecen a la Suiza italófona, y acertaron prácticamente siempre. Lo que no tenían manera de saber era la frecuencia de cada uno, porque en aquel momento nadie les había puesto el registro delante.

Esa es la frase que conviene llevarse de todo esto: curado no quiere decir inventado. Quiere decir que la pertenencia a la lista es conocimiento y que los pesos son conjeturas, y que esas dos mitades del mismo fichero merecen niveles de confianza completamente distintos. Nuestro propio error fue tratar el fichero como un objeto único con una calidad única — y luego pasar años mejorando la mitad que ya era correcta.

Lo que comprobaríamos primero ahora

1. Lea el peso máximo antes que ninguna otra cosa. 255 y 127 son contenedores; 100, 70, 50, 44 y 40 son personas. El techo le dice en aproximadamente un segundo cuál de los dos defectos tiene.
2. Divida los pesos distintos entre las filas. 23 valores distintos en 831 filas no son la medición de nada. Un valor por debajo de unos pocos por ciento significa que la columna contiene categorías.
3. Mida contra una fuente, no contra usted mismo. Todas las comprobaciones de coherencia interna que teníamos pasaban sobre ficheros que estaban a un 20–35 % de la verdad. La distancia a un registro externo es la única cifra que se mueve cuando los datos son erróneos.
4. Separe el error de orden del error de forma antes de elegir un remedio. Ejecute el control negativo: imponga la forma curada a recuentos reales mediante un puesto perfecto. Si la mayor parte de la distancia sobrevive a eso, una curación mejor no le salvará y solo lo harán los recuentos.
5. No informe nunca de una distancia de antes y después calculada solo sobre el conjunto compartido. Es una tautología por construcción. Informe de la distancia a la fuente completa, donde el suelo vale 1 − coverage, y diga cuál de las dos está citando.
6. Clasifique cada corpus según exista o no una fuente, no según lo malo que parezca. La cifra que necesita para planificar es cuántos defectos son pagaderos, no cuántos existen.
7. Escriba los límites donde están los datos, no donde están los tickets. Un defecto sin remedio tiene que declararse igualmente; de lo contrario, lo único que se comunica es el subconjunto que resultó ser corregible.
8. Cuando una reparación aterriza en un suelo infranqueable, diga de qué está hecho ese suelo. El nuestro es profundidad, no ponderación, y ambos habrían sido indistinguibles en una única cifra de síntesis.

El defecto del byte valía un 2,45 %, y lo encontramos porque dejaba una huella — un techo de exactamente 255 y medio fichero empatado en el suelo. El defecto de los pesos curados valía diez veces más y no dejaba huella alguna, porque una escala asignada a mano se parece exactamente a una medición de buen comportamiento, hasta que se la coloca al lado de una de verdad.

Para el defecto del byte en sí y los diagnósticos que lo detectan, véase La mitad de su lista ponderada no está ponderada. Para el método general de comparar un corpus con su fuente, véase Cómo auditar datos de frecuencia de nombres. Para ver qué aspecto tiene la cabeza de una distribución de frecuencias real cuando está intacta, véase Curvas de concentración de apellidos. Para el otro tipo de valor que significa dos cosas a la vez, véase Cuando el cero significa dos cosas distintas.

Datos actualizados a 2026-07-22

Todas las cifras se midieron el 22 de julio de 2026 contra los ficheros de corpus presentes en disco, contra copias de seguridad de esos mismos ficheros anteriores a los cambios y contra los extractos de registro que se citan más abajo. Las distancias que aquí se citan se volvieron a derivar para este artículo en lugar de copiarse del historial de cambios; cuando una segunda vía de derivación dio un valor ligeramente distinto, se indican ambos.

Método. Cada distancia es una distancia de variación total — la mitad de la suma de las diferencias absolutas entre dos distribuciones de probabilidad sobre el mismo conjunto de nombres. «Conjunto compartido» significa que la comparación se restringe a los nombres presentes tanto en el corpus como en el registro, renormalizando ambos lados. «Registro completo» significa que todo nombre del registro ausente del corpus se incluye con masa cero, y por eso esa variante tiene un suelo de 1 − coverage.

Fuentes y atribución:

• Finlandia — DVV (Digital and Population Data Services Agency), Etunimitilasto y Sukunimitilasto, instantánea del 3 de febrero de 2026, bajo licencia CC BY 4.0, publicado a través de avoindata.suomi.fi. Los nombres de pila se publican con un umbral de ≥5 portadores (7.312 primeros nombres masculinos y 9.616 femeninos); los apellidos, con un umbral de ≥20 (23.228 entradas). El libro de cálculo tiene hojas separadas para ens (primer nombre de pila) y kaikki (todos los nombres de pila); las cifras principales que aquí se dan usan ens. Todo el procesamiento, la ponderación y cada porcentaje derivado de esos recuentos son nuestros, no de la DVV.
• Suiza — Oficina Federal de Estadística (Bundesamt für Statistik, BFS), Nachnamen der ständigen Wohnbevölkerung nach Sprachregion, datos de 2024, publicado en opendata.swiss, conjunto de datos en <bfs.admin.ch/asset/de/ts-x-01.04.00…;. Las condiciones son «Open use. Must provide the source. […] You must provide the source (author, title and link to the dataset)», y por eso el autor, el título y el enlace aparecen todos en esta nota. Totales regionales utilizados aquí: 6.066.184 portadores en la región germanófona, 2.080.145 en la francófona y 333.620 en la italófona. Los pesos y las distancias derivados son nuestros.
• Suecia — las cifras del 2,45 % y del 2,25 % son cálculo nuestro a partir de los recuentos de nombres de pila publicados por Statistics Sweden (SCB). El material procesado, los pesos y los porcentajes son nuestros y no de SCB; SCB no es la fuente de las cifras procesadas, y solo los recuentos subyacentes son atribuibles al organismo.
• Distribuciones de referencia del control negativo — Noruega (SSB), Suecia (SCB), Estados Unidos (Census Bureau 2020), España (INE), Francia (INSEE), todas ellas en forma de recuentos reales. Las formas donantes se tomaron de los corpus curados de Alemania, Dinamarca, Japón, Croacia y Rumanía, cada una truncada al menor de los dos números de filas (de 266 a 369 filas por par).
• Nombres de pila finlandeses, antes de la reparación — 295 nombres masculinos en una escala 2–100 con 47 valores distintos, 290 nombres femeninos en una escala 2–100 con 44 valores distintos. Ambos coincidían con el registro al 100 %. Distancias contra las hojas ens: 20,96 % y 28,50 %. Contra las hojas kaikki: 29,24 % y 22,16 %.
• Apellidos finlandeses, antes de la reparación — 618 filas en una escala 7–100 con 58 valores distintos, ninguna fila en el peso 1, las 618 presentes en el registro. Distancia 15,97 %, medida para este artículo a partir de la copia de seguridad anterior al cambio; el informe de auditoría no contiene esta cifra.
• Apellidos suizos, antes de la reparación — 710 filas en una escala 1–40 (22 valores distintos, 18,6 % en el peso 1), 831 filas en 1–30 (23 valores, 28,2 % en el peso 1), 489 filas en 1–50 (16 valores, 48,7 % en el peso 1). Distancias 22,05 %, 35,67 % y 25,60 %. ⚠ La cifra de la Suiza italófona se produjo dos veces por dos vías de unión distintas y salió como 25,60 % y 25,59 %; la diferencia está en el tratamiento de un pequeño número de variantes ortográficas, y arriba se usa el valor mayor.
• Después de la reparación — 0 % sobre el conjunto compartido para los tres corpus finlandeses, y 0,0001 % / 0,0002 % / 0,0133 % para los tres corpus suizos, siendo el residuo las variantes ortográficas emparejadas. Contra el registro completo: 21,31 %, 28,61 % y 58,03 % para Finlandia, cada una igual a 1 − coverage con dos decimales. Cobertura de los registros regionales por parte de los corpus suizos: 24,94 %, 20,25 %, 20,32 %.
• Los dieciséis fallos suizos — 3 en la lista de la Suiza germanófona, 4 en la de la Suiza francófona y 9 en la de la Suiza italófona, sobre 2.030 filas. Cinco eran variantes ortográficas (Doerig, Duebendorfer como transcripciones ASCII; Étienne, Crétegny, Émery con tilde frente a filas del registro sin ella); seis existen en el registro nacional, pero en otra región lingüística; cinco están ausentes por completo del registro nacional. Tras la normalización, los recuentos de coincidencias exactas en disco quedan en 709, 830 y 480.
• El control negativo — seis distribuciones de referencia × cinco formas donantes = 30 pares, mediana 12,30 %, rango del 6,17 % al 18,57 %. La referencia se trunca al top N y se renormaliza, de modo que el control aísla el error de forma y excluye deliberadamente la profundidad.
• La taxonomía — 128 corpus repartidos en 64 locales; 20 con recuentos reales en el momento de la auditoría, 108 sin ellos. Los 108 se clasificaron a mano frente a las publicaciones de la oficina de estadística o del registro de población de cada país: 21 de clase A, 7 parciales o no verificados, 23 de clase B, 55 de clase C, 2 de clase X. Las proporciones están redondeadas y suman el 99 %. Tras las reparaciones descritas más arriba, 25 corpus llevan recuentos reales y 103 no.
• Proporciones en el suelo citadas para los corpus de clases B y C — Serbia, 748 de 958 filas de apellidos en el peso mínimo (78,1 %), Italia 67,9 %, Nueva Zelanda 58,2 %, Alemania 57,4 %, todas medidas directamente sobre los ficheros presentes en disco.
• ⚠ No medido aquí. Este artículo compara pesos con recuentos. No dice nada sobre si los nombres de un corpus son los nombres correctos más allá de la comprobación de presencia, nada sobre la cohorte o la estructura por edades, y nada sobre los corpus que ya llevan recuentos reales — esos quedaron excluidos de la taxonomía por construcción y no forman parte de los 108.