¿Qué países comparten nombres? Hemos medido los 1.953 pares — y la coincidencia más próxima a Argentina no es España

Tomamos los corpus de nombres de los 63 locales que el corpus contenía en el momento de la ejecución, comparamos cada uno de los 1.953 pares posibles con dos métricas de similitud y los clasificamos. Casi toda la cabeza de la lista resulta aburrida en el mejor sentido: Francia y Bélgica, Austria y Alemania, Perú y Venezuela. La historia se comportó como se esperaba.

Después, en el puesto 10 de la similitud de apellidos — por delante de España y Perú, por delante de Alemania y Suiza — aparecen Argentina e Italia. Dos países que no comparten ni frontera, ni lengua, ni relación colonial. Comparten 565 apellidos, y esos apellidos concentran el 26,9 % de la masa de apellidos de Argentina pese a estar completamente ausentes de España.

No es un error de datos. Es el periodo 1880–1930, cuando alrededor de dos millones de italianos se trasladaron a Argentina y llegaron a un país de ocho millones de habitantes. Los apellidos vinieron con ellos y se quedaron. Nuestra matriz redescubrió una oleada migratoria a partir del mero solapamiento de cadenas de caracteres, sin que nadie le dijera que había ocurrido.

Este artículo recorre toda la matriz: qué está cerca, qué está lejos, qué nos sorprendió y — algo importante — los dos puntos donde el método falla y produce disparates enunciados con aplomo.

Cómo se midió la similitud

Dos métricas, deliberadamente, porque discrepan de forma instructiva.

Jaccard compara los conjuntos. De todos los nombres que aparecen en uno u otro país, ¿qué fracción aparece en ambos? Ignora la frecuencia por completo — un nombre que llevan seis millones de personas cuenta lo mismo que uno que llevan seis.

El coseno compara los vectores ponderados. Cada corpus se normaliza para que sume 1, y tomamos el coseno del ángulo entre ambos. Un par solo puntúa alto si los nombres compartidos tienen proporciones similares en los dos países.

Cuando Jaccard es alto y el coseno bajo, dos países beben del mismo repertorio pero lo usan de forma distinta. Cuando el coseno es alto y Jaccard bajo, coinciden en pocos nombres, pero esos pocos son los grandes en ambos. Los dos casos son reales y los dos son interesantes.

Los pares más próximos

Nombres de pila

(Los pares francófonos son fr_FR/fr_BE/fr_CH/fr_CA; «Italia – Suiza» corresponde a it_IT/it_CH.)

El grupo francófono domina de forma tan aplastante que exige una explicación. Bélgica y Francia obtienen 0,907 de Jaccard — nueve de cada diez nombres son compartidos. Ninguna otra familia lingüística se le acerca: los pares germanófonos no pasan de 0,537; los hispanohablantes, de 0,610; los anglófonos, de 0,507.

Esto es real, pero lo es por una razón concreta. Los repertorios franceses de nombres de pila están efectivamente más unificados de un país a otro que los alemanes o los ingleses, porque la imposición de nombres en Francia estuvo regulada de forma centralizada durante dos siglos. Desde 1803 hasta 1993, la ley francesa limitaba los nombres de pila legales a una lista sancionada por el Estado — nombres de santos y figuras de la Antigüedad — y la práctica francófona belga y suiza siguió las mismas convenciones. Alemania nunca tuvo una lista única; Baviera y Prusia nombraban de otra manera. Los países anglófonos no tuvieron nunca lista alguna.

Así que la extraordinaria cohesión del grupo francófono es un fósil de la napoleónica loi du 11 germinal an XI. Dos siglos de un único repertorio legal, todavía visibles en una comparación de corpus en 2026.

Apellidos

Portugal–Brasil es la demostración más clara de por qué importan las dos métricas. Jaccard 0,294 — modesto, solo 198 apellidos compartidos. Coseno 0,845 — el tercero más alto de toda la matriz. Los dos países comparten relativamente pocas formas de apellido, pero las que comparten son las dominantes en ambos: Silva, Santos, Oliveira, Souza encabezan las dos listas. El repertorio de Brasil diverge después enormemente por aportes italianos, alemanes, japoneses, libaneses e indígenas que Portugal nunca recibió. Misma cabeza, cuerpo distinto — exactamente la firma que cabría predecir para una colonia que siguió siendo lingüísticamente portuguesa mientras absorbía una migración que Portugal no conoció.

Argentina e Italia

Volvamos al puesto 10, porque es el hallazgo que nos hizo relanzar el script dos veces.

Argentina e Italia comparten 565 apellidos. Ordenada por peso en el corpus argentino, la cabeza de esa lista compartida es esta:

La objeción evidente es que podría tratarse simplemente de apellidos panrrománicos que España también tiene, en cuyo caso el vínculo italiano sería espurio. Así que eliminamos todos los apellidos que aparecen también en el corpus español. Sobreviven 538 de los 565 — y siguen concentrando el 26,9 % de la masa total de apellidos de Argentina.

Aproximadamente una cuarta parte del peso de la distribución argentina de apellidos está formada por apellidos italianos que España no tiene. Rossi, Ferrari, Esposito, Bianchi no llegaron pasando por Madrid. Llegaron directamente a Buenos Aires entre 1880 y 1930, durante una migración que en su punto álgido hizo que los italianos llegaran a Argentina más deprisa que a cualquier otro destino, Estados Unidos incluido. La investigación demográfica argentina estima habitualmente que una mayoría de argentinos tiene alguna ascendencia italiana; nuestra cifra de masa de apellidos es una medición independiente del mismo fenómeno tomada desde una dirección completamente distinta.

La métrica que capta esto es Jaccard, no el coseno. El coseno del par es un modesto 0,171, porque los apellidos argentinos más grandes siguen siendo españoles — González, Rodríguez, Gómez — e Italia no tiene ninguno de ellos. La capa italiana está por debajo de la cabeza española. El solapamiento de conjuntos la ve; el solapamiento ponderado la oculta en parte. Si hubiéramos calculado solo el coseno, se nos habría escapado el hallazgo más interesante de toda la matriz.

La dirección importa — y casi siempre se pasa por alto

La similitud es simétrica. El solapamiento no lo es, y ahí es donde descarrila la mayoría de los trabajos de comparación de nombres.

Pregunte «qué proporción de la masa de nombres del país A está formada por nombres que existen también en el país B» y obtendrá dos cifras distintas según el sentido en que apunte la pregunta:

Turquía y Alemania. Solo se comparten 24 apellidos — pero esos 24 son los mayores de Turquía: Yılmaz, Kaya, Demir, Çelik, Yıldız, Şahin, Öztürk. Suponen el 17,1 % de la masa de apellidos turca. Desde el lado alemán, esos mismos 24 nombres son el 2,0 % de la masa alemana. Ambas cifras son correctas y describen el mismo objeto: la migración laboral turca a Alemania Occidental posterior a 1961, que introdujo apellidos turcos en los registros alemanes con una frecuencia del orden del uno por ciento sin desplazar nada. Escrito como «Turquía y Alemania se parecen en un 17 %», sería engañoso. Escrito como «los apellidos más comunes de Turquía tienen hoy un peso medible en los de Alemania», es correcto.

Vietnam y Chequia. 21 nombres de pila compartidos — Anh, Minh, Lan, Linh, Mai, Trang — que concentran el 18,1 % de la masa de nombres de pila vietnamita y el 0,5 % de la checa. Chequia acoge una de las mayores comunidades vietnamitas de Europa por habitante, herencia de los acuerdos laborales y de estudios de la época socialista entre Checoslovaquia y Vietnam del Norte. El corpus checo recoge esos nombres con peso 2 frente a 96 de Jan. Pequeños en Chequia, enormes en Vietnam, enteramente reales en ambos.

Rusia y Ucrania. La cifra baja más llamativa de la matriz. Dos países eslavos vecinos que escriben con el mismo alfabeto comparten 12 apellidos de entre miles, con un Jaccard de 0,003. No es un problema de escritura — ambos usan el cirílico. Es una diferencia estructural genuina: los apellidos rusos son abrumadoramente posesivos adjetivales en -ov/-ev/-in, mientras que los ucranianos están dominados por el patronímico -enko y la familia -uk/-yuk. Los sistemas de sufijos apenas se cruzan. Ucrania y Rusia están más alejadas entre sí en apellidos de lo que lo están Gran Bretaña y la India.

Dónde falla el método

Dos modos de fallo, ambos graves, ambos fáciles de pasar por alto.

La barrera de las escrituras

981 de los 1.953 pares no comparten ningún nombre de pila. 1.287 de 1.953 no comparten ningún apellido. Entre la mitad y dos tercios de toda nuestra matriz se compone de ceros.

Casi ninguno de esos ceros significa que los sistemas de nombres no guarden relación. Significan que los dos corpus están escritos en alfabetos distintos, y la comparación de cadenas no puede ver a través de un alfabeto.

El caso probatorio es concluyente. El serbio aparece dos veces en nuestros datos — sr_RS en cirílico y sr_Latn_RS en alfabeto latino. Mismo país, misma lengua, mismos nombres y, por inspección, los dos ficheros contienen los mismos datos en dos escrituras: idéntico número de entradas (1.143 nombres de pila, 958 apellidos) e idénticos totales de peso. Su similitud medida:

Disimilitud perfecta entre un corpus y una transliteración de sí mismo. Cualquier conclusión extraída de un cero de esta matriz sin comprobar antes las escrituras carece de valor — y eso incluye toda la clasificación de «pares más distantes», razón por la cual no publicamos ninguna. Los pares más distantes según la medición son el griego y el coreano, el hebreo y el bengalí, el georgiano y el japonés; la medición es enteramente un artefacto de los sistemas de escritura y no dice nada sobre los nombres.

Siete locales son aislados completos en nuestra matriz y no comparten nada con nadie: el bengalí, el griego, el hebreo, el armenio, el georgiano, el coreano y el nepalí. Cada uno es el único ocupante de su escritura en nuestro corpus.

Los caracteres han se comparten; los apellidos no

El corpus de Japón comparte 339 entradas de apellidos con el de Taiwán, lo que cubre el 75,4 % de la masa de apellidos japonesa. Leído de forma ingenua, eso dice que Japón y Taiwán tienen casi los mismos apellidos. No es así.

Las entradas compartidas están escritas en caracteres han, que ambos sistemas de escritura utilizan. 佐藤 (Satō) aparece realmente en el registro de Taiwán — el Ministerio del Interior de Taiwán publica sin umbral de supresión, de modo que figura todo apellido con al menos un portador, y Taiwán tiene residentes con apellidos japoneses procedentes del periodo colonial 1895–1945 y de naturalizaciones posteriores. Pero el peso es este:

La dirección inversa da un 8,4 %, y hasta esa cifra lo exagera, porque está dominada por apellidos de un solo carácter como 林 y 王, comunes en las dos lenguas por una razón ajena al asunto: ambas los heredaron del chino clásico.

La lección se generaliza: una escritura compartida infla el solapamiento, una escritura distinta lo destruye, y ninguna de las dos cosas tiene nada que ver con que los nombres estén emparentados. Cada cifra entre escrituras distintas de este artículo se enuncia en un solo sentido y con su contraparte al lado, exactamente por esa razón.

Lo que esperábamos y no obtuvimos

Cuatro predicciones que hicimos antes de calcular la matriz, y cómo les fue:

El resultado español es la segunda sorpresa genuina. España no es el centro del grupo hispanohablante de nombres. Los pares hispanos más compactos son todos americanos — Perú–Venezuela 0,610, Argentina–Perú 0,528, Argentina–Venezuela 0,475 — mientras que todo par que incluya a España puntúa más bajo. Los países latinoamericanos se parecen más entre sí de lo que cualquiera de ellos se parece a España, que es lo que cabría esperar de cuatro siglos de deriva onomástica independiente más, en el caso argentino, dos millones de italianos.

Conclusión

Medida sobre 1.953 pares, la similitud de nombres sigue a la historia con una fidelidad inquietante: el derecho napoleónico de los nombres de pila en el grupo francófono, la continuidad colonial portuguesa en el par brasileño, la migración masiva italiana en la capa de apellidos argentina, la migración laboral turca en el registro alemán, los acuerdos de estudios de la Guerra Fría en los nombres vietnamitas instalados dentro de los datos checos.

También produce disparates enunciados con aplomo allí donde los alfabetos difieren, y la mitad de nuestra matriz son esos disparates. La operación más importante de todo este análisis fue comprobar si el serbio se parecía a sí mismo. No se parecía — y mientras no haga usted esa comprobación, no podrá distinguir un cero real de un alfabeto.

Metodología y fuentes

Qué se calculó. Para los 63 locales de la versión de corpus share 1.1.7 — la versión vigente en el momento de la ejecución; el corpus está hoy en share 1.1.8 — construimos dos vectores por locale: nombres de pila (ficheros masculino y femenino fusionados) y apellidos (lastname_male; en la mayoría de los locales los ficheros de apellidos masculino y femenino son idénticos, de modo que fusionar ambos solo duplicaría cada peso). Para cada uno de los 1.953 pares no ordenados calculamos Jaccard sobre los conjuntos de claves y el coseno sobre vectores de peso normalizados en L1, además del solapamiento ponderado direccional en los dos sentidos. Análisis ejecutado el 2026-07-18. ⚠ El corpus contenía 63 locales cuando se midieron estas cifras; en_IE se añadió el 18 de julio de 2026 y hoy contiene 64. Los 1.953 pares son todos los pares no ordenados de esos 63; volver a ejecutarlo sobre 64 daría 2.016.

Limitaciones, por orden de gravedad.

1. Incomparabilidad de las escrituras. La igualdad de cadenas es la única regla de correspondencia empleada. Ninguna transliteración, ninguna normalización entre alfabetos. 981 pares de nombres de pila y 1.287 pares de apellidos miden cero, y prácticamente todos ellos son artefactos de escritura y no hallazgos. Lo demuestra el control sr_RS / sr_Latn_RS, que puntúa 0,0000 frente a una transliteración de sí mismo. En este artículo no se publica ninguna clasificación de «pares más distantes», porque esa clasificación sería una clasificación de alfabetos.

1. Inflación por escritura compartida. Los locales con caracteres han (ja_JP, zh_CN, zh_TW, ko_KR allí donde se usan los hanja) muestran un solapamiento elevado que refleja un inventario común de caracteres y no apellidos comunes. Toda cifra de ese tipo se ofrece de forma direccional, con los dos valores a la vista.

1. Las escalas de peso no son comparables entre locales. En la ejecución, 61 de los 63 locales llevaban enteros relativos en una escala 1–255 y solo zh_TW y vi_VN llevaban recuentos brutos de portadores. Ese reparto ha cambiado desde entonces: a 22 de julio de 2026, 12 de los 64 corpus de apellidos llevan recuentos de registro y 52 son relativos. El coseno se calcula sobre vectores normalizados en L1, lo que elimina la escala pero no las diferencias de forma derivadas de profundidades de calibrado distintas. Jaccard no se ve afectado, por estar basado en conjuntos. En ningún punto de este artículo se comparan pesos absolutos entre locales.

1. La profundidad de los corpus varía desde 184 entradas (apellidos coreanos) hasta 3.830 (nombres de pila suecos). Jaccard es sensible a ello: un corpus más profundo en un lado baja mecánicamente la puntuación al agrandar la unión. Los pares de profundidad parecida son más fiables, lo que es una razón más de que el grupo francófono (los cuatro corpus con 798 nombres de pila) puntúe de forma tan limpia.

1. Los corpus son muestras, no registros. Salvo zh_TW y vi_VN, son muestras curadas y ponderadas por frecuencia construidas a partir de datos de registro, no los registros mismos. Un nombre ausente de un corpus no está necesariamente ausente del país.

Las afirmaciones históricas y de dónde proceden. Las mediciones de datos de nombres expuestas más arriba son nuestras. Las explicaciones históricas no lo son, y se presentan como contexto y no como hallazgos:

Allí donde nuestra medición y la historia concuerdan, se trata de una corroboración, no de una prueba — los corpus se construyeron a partir de fuentes de registro que a su vez están moldeadas por esas historias. El hallazgo argentino-italiano se presenta como una medición independiente porque nada en nuestra cadena de construcción de corpus tenía conocimiento de la migración italiana a Argentina; el solapamiento surgió únicamente de la comparación de cadenas.

Lecturas relacionadas: Cómo la migración implanta apellidos trata la llegada de apellidos a los registros; Capas migratorias en las cohortes de nacimiento hace lo mismo con los nombres de pila en un eje temporal; Cómo auditar datos de frecuencia de nombres trata el método de verificación en general.