¿Arraigados o importados? Distinguirlos con el registro y nada más

El instituto nacional de estadística de España, el INE, publica sus apellidos sin tildes. GARCIA, MARTINEZ, TRAORE, CALDERON — 86.512 filas, 1.832 de ellas con Ñ y cero con acento agudo o diéresis. Los recuentos son exactos y la grafía está despojada de tildes.

Si quiere añadir apellidos de ese registro a un corpus que escribe el español correctamente, tiene que devolver las tildes. El español se muestra aquí inusualmente cooperativo: el acento tónico y la tilde obedecen a reglas, y una de las clases es casi infalible. Un apellido terminado en -on, -an o -in lleva la tilde en la vocal final. CALDERON → Calderón. BELTRAN → Beltrán. MARTIN → Martín.

Medimos esa regla sobre 140 apellidos de un corpus español ya existente, elaborado a mano, en el que la grafía correcta era conocida de antemano. Reprodujo 136 de 140 — 97,14 %.

Después examinamos los cuatro en los que falló:

Lin · Hussain · Khan · Pan

La regla no acierta el 97 %. Acierta el 100 % en los apellidos españoles y el 0 % en todo lo demás, y el registro no le dice cuál es cuál. Aplicada a la cola del registro, habría producido Johnsón, Wilsón, Thompsón, Robinsón, Moldován, Constantín, Rahmán y Hassán — un conjunto de faltas de ortografía que se habrían quedado para siempre en un corpus de nombres, cada una equivocada de forma rotunda y con apariencia española.

Lo que hacía falta era una prueba que separase los apellidos arraigados de los importados usando solo el registro. Existe, consiste en una única división y funciona gracias a una casualidad del derecho español de los nombres.

El mecanismo, en un párrafo

Una persona española lleva dos apellidos: el primero (apellido 1º), del padre; el segundo (apellido 2º), de la madre. El INE los publica en columnas separadas. Un apellido llega a la segunda columna solo cuando una mujer que lo lleva ha tenido un hijo inscrito en España y ese hijo es hoy un residente contabilizado. Un apellido de llegada reciente puede ser frecuente como ap1 y casi inexistente como ap2, porque la segunda columna tarda una generación en llenarse.

Así que el cociente

c2 / c1

no es la estimación de nada. Cuenta hasta dónde se ha propagado un apellido por la línea materna dentro del registro español. Ya explicamos por qué funciona, y qué significa y qué no significa, en Cómo el registro español de apellidos mide accidentalmente la integración. Este artículo trata de convertirlo en un procedimiento de decisión con un umbral, que es un problema distinto y más difícil.

Dónde colocar el umbral

Un cociente solo se convierte en filtro cuando se sabe dónde cortar. Elegir un número redondo quedaría bien; lo honesto es mirar primero la forma de la distribución.

En los 2.222 apellidos españoles elaborados a mano —un conjunto reunido sin haber consultado jamás esta columna— la distribución es un pico:

2.070 de 2.222 —el 93,2 %— caen entre 0,9 y 1,1. Mediana 0,987; p10 0,924; p90 1,036. Un apellido español asentado se transmite por las dos líneas parentales a un ritmo casi idéntico, y así ha sido durante siglos, de modo que el cociente se fija en 1,0 con muy poca dispersión.

Ahora, la misma medición sobre el registro mismo, limitada a los apellidos con c1 ≥ 500 (7.991 de ellos). Aquí la distribución no es un pico. Es bimodal:

Dos poblaciones y un valle entre ambas. Solo 114 apellidos de 7.991 —el 1,43 %— se sitúan en la franja de 0,5 a 0,7. Por debajo, 793 apellidos (9,9 %). Por encima, 7.084 (88,6 %).

Ahí es donde va el umbral. 0,70, en la parte vacía. Un umbral colocado en una región densa es una apreciación que desplaza los resultados en cuanto se lo mueve un poco; un umbral colocado en un valle apenas los desplaza. El nuestro podría haber sido 0,60 o 0,75 y el resultado habría cambiado en un puñado de nombres.

Lo que el filtro atrapó realmente

En el umbral de trabajo —los apellidos con c1 ≥ 500 propuestos para la restitución de tildes— la prueba del cociente rechazó 876 candidatos. Setenta de ellos terminaban en -ON, -AN o -IN, es decir, la regla de acentuación estaba a punto de dispararse sobre ellos:

Apellidos rumanos, bangladesíes, árabes, chinos e ingleses, todos ellos legítimamente presentes en el registro español, todos ellos a punto de recibir una tilde española que nunca han llevado. Ninguno llega a 0,35.

Una pasada anterior, con un umbral de tamaño más bajo, produjo el mismo fallo con otros nombres — Feldmán (FELDMAN, 103/47 = 0,456), Hanssón (101/34 = 0,337), Donaldsón (101/14 = 0,139), Mirzoyán (100/27 = 0,270), Cirján (100/8 = 0,080), Sarhán (102/23 = 0,225), Otmán (100/48 = 0,480). Todos y cada uno de ellos quedan por debajo del umbral.

Y subir el umbral de tamaño no nos habría salvado. MOLDOVAN, con 3.073 portadores, y CONSTANTIN, con 2.652, se sitúan cerca de la cabeza del conjunto de candidatos, no en la cola. La profundidad no era el problema. El problema era que «parece español en el alfabeto latino» no es una propiedad que el alfabeto pueda expresar.

Lo que, con razón, no atrapó

Un filtro que rechaza todo lo que parece extranjero no es un filtro, es un prejuicio. Este conserva nombres que parecen equivocados y son correctos.

Huamán es el caso que importa. Es de origen quechua, no parece castellano, y una heurística construida sobre «¿esto parece español?» lo habría descartado. Lleva siglos en el Perú y en familias hispanohablantes, su segunda columna está más llena que la primera, y el contador lo conserva sin saber una palabra de quechua.

Los 300 apellidos que sobrevivieron a toda la cadena tienen un cociente mínimo de 0,728, una mediana de 0,980 y un máximo de 1,337. No pasó nada marginal.

Y esta es la comprobación que hace que todo encaje. Recuerde los cuatro apellidos que rompieron la regla de acentuación en el corpus elaborado a mano:

Los cuatro, muy por debajo del umbral. En cambio, los cinco apellidos del corpus que pertenecen a la clase de excepción fonológica documentada de la regla —Esteban, Juan, Sanjuán, Santisteban, Holguín— se sitúan en 0,979, 1,032, 0,977, 0,904 y 1,022.

Dos instrumentos completamente independientes —una regla fonológica sobre el acento tónico y una división de dos columnas en un fichero de censo— reparten los mismos 140 apellidos de la misma manera. Quite los cuatro que la prueba del cociente rechaza y la regla de acentuación obtiene 136 de 136. Ninguno de los dos instrumentos puede ver lo que mira el otro. Esa concordancia es la prueba más fuerte de este artículo de que el cociente mide algo real.

La precisión depende del tamaño, y eso no es opcional

Esta es la parte que un umbral, por sí solo, oculta. El cociente es una división entre dos recuentos, y los recuentos pequeños dan malas divisiones. Medido sobre todo el registro, por franja de tamaño:

A partir de diez mil portadores, el intervalo p10–p90 va de 0,962 a 1,018 — una amplitud de seis centésimas. Entre veinte y noventa y nueve portadores va de 0,214 a 1,200, una amplitud de una unidad entera, y la mediana ha caído a 0,589, por debajo del umbral.

Ocurren dos cosas a la vez y no hay que confundirlas. Una parte es composición real: la cola del registro español está efectivamente dominada por apellidos de llegada reciente, de modo que una mediana baja ahí abajo es un hecho sobre España, no ruido. Pero la dispersión sí es ruido, y se ensancha exactamente como cabe esperar de denominadores pequeños. Sea cual sea la mezcla, la consecuencia es la misma: por debajo de unos pocos cientos de portadores, el cociente de un apellido aislado no es una prueba sobre ese apellido.

Por eso el mínimo de tamaño y el umbral del cociente son una sola decisión, y no dos. Aplicar c2/c1 < 0.70 a un apellido con 30 portadores es aritmética, no medición.

Dónde es ciega la prueba

Cuatro modos de fallo, todos medidos sobre el mismo fichero, ninguno reparable moviendo el umbral.

1. Es ciega ante los países que ya usan dos apellidos. Brasil, Bolivia, Perú y la mayor parte de la América hispanohablante dan a sus ciudadanos dos apellidos al nacer. Sus residentes llegan a España con un segundo apellido ya incorporado, de modo que el mecanismo que da sentido al cociente —que ap2 solo se gana estando inscrito aquí— no se les aplica en absoluto:

Para nuestro propósito, esto no supone un problema — esos apellidos sí están arraigados en el sistema de nombres hispanohablante, que es exactamente lo que queríamos seleccionar con el filtro. Como medida de «cuánto tiempo lleva este apellido en España», sencillamente es falsa para ellos, y ningún umbral lo arregla.

2. Rechaza apellidos españoles reales que resultan ser poco frecuentes. Tres apellidos del corpus elaborado a mano quedan por debajo de 0,70 pese a ser inequívocamente ibéricos:

Los tres tienen un c1 pequeño, que es precisamente el régimen que la sección anterior califica de poco fiable. Aquí la tarea del filtro era admitir apellidos nuevos sin riesgo, así que estos rechazos erróneos no costaron nada — ya estaban en el corpus. Si se usara como oráculo de propósito general del tipo «¿es español este apellido?», esos mismos tres serían errores.

3. Rechaza apellidos reales que son genuinamente recientes. KAUR se sitúa en 11.587 / 7.608 = 0,657, por debajo del umbral, y es un apellido punyabí completamente real que llevan miles de residentes en España. El filtro no dice que Kaur sea falso. Dice que la grafía de Kaur no se rige por la fonología castellana — lo cual es cierto, y es la única pregunta que se le hizo al filtro. Lea la salida como la pregunta que usted planteó, no como un veredicto sobre el nombre.

4. No es trasladable. Esto funciona porque España publica dos columnas que otros registros no tienen. No se puede llevar por analogía a Francia, a Alemania o a Estados Unidos. Lo que sí es trasladable es la forma de la idea: busque una columna cuyo valor solo pueda adquirirse con el tiempo pasado dentro del sistema. En España es el apellido materno. El registro municipal de Brescia hace el mismo trabajo con un indicador de ciudadanía —allí SINGH es un 75 % no ciudadano y FERRARI un 0 %—, y lo examinamos en El registro que no existe. El fichero del INSEE francés hace lo inverso al excluir a las personas nacidas en el extranjero, lo que hace visible la misma capa por su ausencia.

Una última curiosidad, porque muestra lo lejos que está «importado» de «extranjero». Apellidos italianos en el registro español:

Dos apellidos europeos venidos de un país vecino de lengua romance, escritos en el mismo alfabeto, sin tildes que restituir y sin nada exótico — y, según esta medida, son de llegada tan reciente como Traoré (5.212 / 916 = 0,176) lo es por un margen más amplio. La columna no lee la lengua, ni la región, ni la plausibilidad. Lee el registro, y solo el registro.

La lección general

Nuestro filtro se construyó en un principio a partir de dos cosas que parecían conocimiento: una regla fonológica genuinamente correcta y una prueba escrita a mano para decidir si un apellido «parece español» — nada de K, nada de W, nada de grupos consonánticos extranjeros. La regla sobrevivió. La prueba escrita a mano no valía nada, y no valía nada de la manera más peligrosa posible: producía una salida rotunda, plausible y permanentemente equivocada, y nada aguas abajo habría señalado jamás Johnsón como un error.

Lo que la sustituyó fue una columna, una división y un umbral colocado en un valle. No sabe nada de español, nada de rumano, nada de punyabí. Nunca ha oído hablar de Huamán. Rechazó 876 candidatos y acertó en cada uno de la veintena larga que comprobamos a mano.

Cuando una apreciación puede sustituirse por un contador, sustitúyala. Y cuando el registro le tienda una columna que nadie concibió como señal, compruebe qué cuenta antes de decidir que se trata de metadatos.

Datos actualizados a 2026-07-21

Todas las cifras anteriores se recalcularon el 21 de julio de 2026 directamente a partir del fichero del INE y de los ficheros de corpus presentes en disco, y no se tomaron de notas de trabajo.

Fuentes:

• España — INE (Instituto Nacional de Estadística), Frecuencias de apellidos, Censo de población a 01/01/2025. Columnas utilizadas: Apellido 1º / Total (c1) y Apellido 2º / Total (c2). <ine.es/daco/daco42/nombyapel/…;
• Alcance del fichero: 86.512 apellidos; suma de c1 = 46.541.135; suma de c2 = 43.595.570. El pie publicado anuncia un corte en 100 sobre el primer apellido, pero el fichero baja hasta c1 = 20. 7.757 filas llevan .. en la columna c2 en lugar de un recuento; esas filas quedan excluidas de todos los cocientes calculados aquí, en vez de tratarse como ceros.
• Tildes: el fichero del INE almacena 1.832 apellidos que contienen Ñ y cero que contengan acento agudo o diéresis. Esa asimetría es la razón misma de que exista el problema de la restitución de tildes. Las formas acentuadas de este artículo son las grafías del corpus; las MAYÚSCULAS denotan la forma sin tilde propia del registro.
• Conjunto de referencia elaborado a mano: 2.222 apellidos españoles escritos a mano, presentes en disco antes de este trabajo, y los 2.222 coincidían con el registro. Se usó como prueba reservada tanto para la regla de acentuación como para el umbral. La comprobación de la regla que se recoge aquí (136 / 140) se recalculó de forma independiente para este artículo, en lugar de tomarse del diario de la compilación.
• Resultado de la pasada descrita: 300 apellidos añadidos, corpus 2.222 → 2.522, suma de pesos 34.026.331; 5.490 candidatos rechazados en total, de los cuales 876 por la prueba del cociente.

Sobre lo que mide el cociente. España no recoge datos de etnia, por ley, y nada de este artículo procede de una fuente semejante. Cada cifra es un recuento de posiciones de apellido en un registro civil. El cociente no puede decirle nada sobre ninguna persona concreta, no debe agregarse en afirmaciones sobre comunidades y al menos cuatro situaciones distintas producen un valor bajo que no sabe distinguir. Aquí se usa con un único propósito estricto: decidir si una regla ortográfica castellana puede aplicarse a una cadena de caracteres.