La oficina estadística de España quita las tildes de los nombres a propósito

Si alguna vez se ha preguntado por qué tantas bases de datos creen que los españoles se llaman Jose, Angel y Maria, la prueba cabe en una sola pantalla.

Descargamos los dos ficheros de nombres que publica el Instituto Nacional de Estadística (INE) de España — Nombres por fecha de nacimiento y Nombres más frecuentes — y contamos dentro de ellos las secuencias de bytes en bruto:

Ni un solo acento agudo, en ninguno de los dos ficheros, sobre ningún nombre de pila. María es el nombre femenino más frecuente de España y no aparece ni una sola vez con su grafía correcta dentro de las propias estadísticas oficiales de nombres de España.

La explicación evidente sería que algo en la cadena de procesamiento perdió los bytes altos — un fichero CP1252 leído como ASCII, una exportación heredada, una herramienta antigua. Esa explicación es falsa, y esos mismos dos ficheros la refutan.

El control que descarta la codificación

Los nombres de las provincias viven en esos mismos ficheros, en el mismo flujo de bytes, escritos por la misma exportación:

Los bytes con acento agudo están físicamente presentes en el fichero. Í (0xCD), Á (0xC1), É (0xC9), Ó (0xD3) aparecen todos — solo que nunca dentro de un nombre.

Y hay un segundo control, más afilado, porque se sitúa dentro del propio campo del nombre:

Ñ (0xD1) sobrevive en la columna de los nombres. El nombre vasco Iñaki conserva la virgulilla de su eñe; un hipotético INAKI no existe en ninguno de los dos ficheros. Así que la transformación no es «quitar el no ASCII de los nombres», y tampoco es «quitar el no ASCII del fichero». Es esta: quitar el acento agudo, en el campo del nombre, y dejar todo lo demás intacto.

Eso no es un fallo. Un fallo no distingue Ñ de Í. Eso es una regla que alguien escribió.

La documentación metodológica del INE sobre estos productos describe un paso de limpieza y normalización aplicado a los nombres para hacerlos comparables entre fuentes y entre años — un objetivo estadístico perfectamente razonable, y exactamente lo que produce este resultado. Desde el punto de vista del INE, MARIA y MARÍA son dos grafías de un mismo nombre, y fusionarlas evita que un mismo nombre aparezca dos veces en una clasificación de frecuencia. Desde el punto de vista de cualquiera que descargue el fichero, un tercio de los nombres de España llegan mal escritos.

Nota sobre la fuente y la licencia. Ambos ficheros los publica el Instituto Nacional de Estadística en ine.es y se reutilizan aquí conforme a las condiciones del INE, que exigen citar la fuente. Esta página la cita. Todos los recuentos anteriores son mediciones propias sobre los ficheros descargados, tomadas el 21 de julio de 2026.

A qué parte de España afecta esto

No es un problema de la cola de la distribución. Medido sobre nuestro propio corpus español de nombres de pila, construido sobre los datos de frecuencia del INE y que lleva como pesos los propios recuentos de nacimientos del registro:

Aproximadamente un español de cada tres lleva un acento agudo en su nombre de pila. En los ficheros en bruto del INE, esa proporción es cero.

En el lado de los apellidos la cosa es peor, no mejor: nuestro corpus español de apellidos contiene 2.522 entradas y 34.026.331 portadores registrados, de los cuales 716 entradas — el 43,4 % del peso — llevan acento agudo. García, Pérez, Sánchez, Rodríguez, Fernández, González, Martínez, Gómez, Díaz, Álvarez. El fichero de apellidos del INE tampoco acentúa ninguno de ellos; medimos GARCIA 537 / GARCÍA 0 y PEREZ 248 / PÉREZ 0.

Así que cuando un conjunto de datos se describe como «construido sobre estadísticas oficiales españolas», la lectura exacta es esta: la cabeza de ese conjunto de datos está mal escrita, y la falta ortográfica es heredada, no introducida. Este es el mecanismo real que hay detrás de los millones de entradas de todo el mundo en las que un español se llama Jose.

Recuperar las tildes, y qué puntúa realmente cada método

Tuvimos que resolver esto para nuestro propio corpus, así que medimos las opciones en lugar de discutirlas.

El conjunto de prueba. Antes de la reconstrucción a partir del INE, nuestra lista española de nombres de pila era un pequeño fichero elaborado a mano: 771 nombres (396 masculinos, 378 femeninos), de los cuales 155 — el 20,1 % — llevan un diacrítico, correctamente. Ese fichero es anterior a la importación del INE y no comparte ninguna fila con ella, así que es un auténtico conjunto reservado. La prueba: quitarle las tildes para simular la salida del INE, pedir a cada método que las devuelva y comparar carácter a carácter con el original.

Las cinco filas se recalcularon desde cero para esta página el 21 de julio de 2026, sobre el corpus tal como se entrega hoy.

Por qué la regla evidente es la peor

Las reglas de acentuación del español hacen que la regla de sufijos parezca inevitable. Una palabra terminada en -n solo lleva el acento tónico en la última sílaba si lleva tilde escrita, de modo que las terminaciones -ón, -án, -ín son extremadamente frecuentes: Ramón, Julián, Joaquín, Adrián, Sebastián, Antón.

Sobre los apellidos, esa regla es casi perfecta. Sobre los nombres de pila obtiene un 57,41 % — peor que lanzar una moneda, según cómo se lea — y esta es toda la razón:

Juan       Esteban       Joan       Ferran       Cristian       Jonathan       Kevin       Jon

Todos y cada uno de ellos son auténticos nombres de pila españoles (o catalanes, o importados) que son llanos — con el acento en la penúltima sílaba — y que, por tanto, se escriben correctamente sin tilde alguna. La regla los convierte en Juán, Estebán, Joán, Ferrán, Cristián, Jonathán, Kevín, Jón.

De los 23 nombres en los que la regla se equivocó en nuestra prueba, 11 pertenecían a la familia Juan: Juan, Juan Carlos, Juan Antonio, Juan Manuel, Juan José, Juan Francisco, Juan Luis, Juan Pablo, Juan Miguel, Juan Pedro, Juan Ignacio, Juan Ramón, Juan Bautista. Juan es uno de los diez nombres masculinos más frecuentes de España. Una regla que acierta el 57 % pero que concentra sus errores en el nombre más frecuente de cuantos toca no es útil al 57 % — es una regla que rompe de forma visible la primera página de sus datos.

La regla -ción / -sión es el caso contrario y merece conservarse: en español, toda palabra terminada en -ción o -sión lleva el acento en la última sílaba, sin excepción, y los nombres de devoción mariana construidos sobre ese patrón (Concepción, Encarnación, Asunción, Purificación, Ascensión, Consolación, Resurrección) son lo bastante frecuentes en España como para importar. Se activó sobre 8 tokens distintos del conjunto de prueba y acertó los 8. Su puntuación a nivel de nombre queda por debajo del 100 % por una razón de medición y no por un fallo de la regla: en Maria Concepcion la regla produjo correctamente Concepción, pero no podía arreglar Maria, de modo que la cadena completa seguía sin coincidir.

Por qué funciona tomarlo prestado de los vecinos

El método que de verdad puntúa es aburrido: tomar las grafías acentuadas de otros locales hispanohablantes — Argentina, Perú, Venezuela — indexarlas por su forma sin tildes y en minúsculas, y usar la grafía de mayor peso como respuesta para el token español que le corresponde.

Funciona porque esos registros publican las tildes. Los nombres son los mismos nombres. José en Lima se escribe igual que José en Sevilla, y nadie le quitó la tilde por el camino.

Se activa sobre el 17,6 % del conjunto de prueba y acierta el 99,26 % de las veces. Su único error es instructivo: Telesforo → Telésforo. El corpus venezolano prefiere la grafía esdrújula, España no, y un léxico por sí solo no puede saberlo. Un error de cada 136 es el precio.

Añadir el portugués parece cobertura gratis y no lo es. La cobertura sube del 17,6 % al 18,2 % y la precisión cae del 99,26 % al 97,14 %, porque el portugués y el español divergen justo en los nombres que por lo demás son idénticos: António frente a Antonio, Olívia frente a Olivia, Aurélia frente a Aurelia, Custódia frente a Custodia. Una lengua vecina solo es buena fuente allí donde ambas ortografías concuerdan, y no hay forma barata de saber dónde ocurre eso.

Recurrir a internet no le salva: Wikidata tiene el mismo defecto

El movimiento natural siguiente es «basta con buscar el nombre». Lo probamos contra Wikidata, el mayor almacén de elementos de nombres consultable de forma abierta, extrayendo las etiquetas en español de los elementos tipados como apellidos.

Casi dos de cada cinco apellidos españoles con tilde que Wikidata conoce figuran allí solo con la grafía equivocada:

Y esta es la parte que lo hace inservible como corrector, y no meramente incompleto: García, Pérez, Rodríguez, González, Sánchez, Gómez, Muñoz, Álvarez y Velázquez están todos correctamente acentuados en ese mismo conjunto de etiquetas. Wikidata no está despojado de tildes de manera uniforme — es incoherente, elemento por elemento, porque cada elemento lo creó un colaborador distinto que importaba desde una fuente distinta. Martin y Martín existen los dos como etiquetas separadas; Diaz y Díaz, también.

Una fuente corrompida de manera uniforme puede repararse con una sola transformación. Una fuente corrompida de manera incoherente no puede repararse en absoluto sin una segunda fuente que arbitre, y si dispusiera de esa segunda fuente no necesitaría la primera. «Compruébelo en internet» no es un plan; es una manera de importar la tasa de error sin etiquetar de otra persona.

Lo que cambiamos y lo que deliberadamente no cambiamos

Restauramos las tildes del corpus español de nombres de pila con el léxico, más la regla -ción, más un pequeño número de correcciones de cabeza justificadas a mano, y aplicamos el cambio idéntico a los ficheros de cohortes decenales, porque el generador lee primero el fichero de cohorte y dejar ambos incoherentes habría sido peor que no hacer nada.

Los invariantes se mantuvieron: número de entradas sin cambios (10.961 masculinas, 12.516 femeninas), peso total sin cambios hasta la unidad (17.832.848 y 17.980.967), cero fusiones, cero filas añadidas o perdidas. Solo se movió la grafía de la columna 0.

La cabeza del corpus se lee ahora como España la escribe:

Lo que dejamos intacto es la mitad más interesante.

Alex — 30.577 de peso — queda intacto, porque el castellano escribe Álex y el catalán escribe Àlex, dos acentos distintos sobre la misma cadena, y el registro no lleva ningún marcador de idioma con el que elegir entre ellos. Nuria (118.896) queda intacto por la misma razón: en catalán Núria, en castellano Nuria. Desiree (11.370) tiene tres grafías plausibles y ninguna evidencia.

El mayor caso irresoluble de todos es el propio Maria. El catalán lo escribe sin tilde; el castellano lo escribe María. El INE los fusionó en una sola fila mucho antes de que nosotros viéramos el fichero. Elegimos la lectura castellana porque domina numéricamente, lo que significa que una proporción de portadores catalanes y baleares recibe una grafía que para ellos es incorrecta. No podemos arreglarlo y no vamos a fingir que la cifra es menor de lo que es.

También impedimos que el método se activara dentro de compuestos de apariencia extranjera. Se dejan tal como los publicó el INE: Gheorghe Adrian, Ionut Valentin, Vasile Adrian, Fatima Zahra, Martin John, Simon Peter. Un Adrian rumano no es un Adrián español, y el registro de España contiene muchísimos nombres rumanos, marroquíes y latinoamericanos. El peso residual de Jose que sigue sin tilde en nuestro fichero — 1.115 — pertenece casi por completo a esta categoría, y lo consideramos correcto.

Una versión automática de esa salvaguarda falló, y el fallo merece dejarse por escrito: «bloquear si el token aparece en un corpus no español y no aparece en uno español» produjo 817 cancelaciones, entre ellas, erróneamente, Aránzazu, África, Mercè y Eloísa — porque nuestros corpus inglés y francés están ellos mismos llenos de nombres españoles, al haberse construido a partir de censos de países con grandes poblaciones hispanas. No había ninguna separación automática disponible, así que la salvaguarda es una lista de marcadores extranjeros escrita a mano, y lo decimos en vez de adornarlo.

Qué hacer con esto

No trate nunca a una oficina nacional de estadística como una fuente ortográfica. Es una autoridad en materia de recuentos. Su campo de nombre ha pasado por un paso de limpieza diseñado para hacer comparables los recuentos, y la fidelidad ortográfica no es uno de los objetivos de ese paso. Esto no es específico de España — es para lo que sirve un paso de normalización.

Ponga a prueba la hipótesis de la codificación antes de aceptarla. Dos greps lo zanjan. ¿Contiene el fichero bytes acentuados en algún sitio? ¿Conserva el campo del nombre algún carácter no ASCII, siquiera uno? Si la respuesta a ambas preguntas es sí, lo que tiene delante es una regla editorial, no mojibake, y no habrá cantidad de iconv que sirva de ayuda.

No restaure las tildes con una regla de acentuación. Las reglas de acentuación del español describen cómo escribir una palabra que ya se conoce; no dicen qué palabra se tiene delante. Juan y Julián no se diferencian en nada que una expresión regular pueda ver.

Use otro registro de la misma lengua, y mídalo. Cada método de esta página llevó menos de una hora de evaluación contra un conjunto reservado, y la clasificación no fue la que esperábamos antes de medir. La distancia entre el 57 % y el 99 % no es cuestión de gustos.

Almacene el idioma además del nombre. Maria y María son ambos correctos; cuál de los dos es el correcto para una persona concreta depende de un hecho que la cadena del nombre no lleva consigo. Si su modelo de datos no tiene dónde alojar ese hecho, seguirá volviendo a deducirlo, mal, indefinidamente.

Diga qué grafía ha entregado. Nuestro corpus se aparta ahora de la forma publicada por el INE en 5.569 entradas. Quien coteje nuestro fichero con la fuente verá la diferencia, y debería poder consultar el porqué en lugar de suponer una corrupción.

Limitaciones conocidas

• La restauración alcanza el 18 % de cobertura, no el 100 %. El método guarda silencio deliberadamente sobre unos 9.500 tokens que no reconoce — Mohamed, Youssef, Mihaela, Aitor, Mikel, Josep, Jordi. La mayoría de ellos van correctamente sin tilde; algunos no. El silencio allí donde no hay evidencia es el diseño, no un descuido.
• Maria en catalán está mal en nuestro fichero, por decisión propia. También lo están Alex, Nuria y Eulalia para una minoría de portadores, por negarnos a elegir.
• Medimos Wikidata una vez, a partir de una sola consulta. Wikidata cambia a diario y nuestra cifra es una instantánea, no una afirmación permanente sobre el proyecto.
• Nuestra proporción de peso con tilde (34,79 %) cuenta las entradas que llevan acento agudo o grave, no las entradas que cambiamos. Algunas de esas grafías estuvieron ahí desde siempre — Iñaki, Begoña, Llorenç — y quedaron explícitamente protegidas del corrector.
• No hemos verificado la intención declarada del INE, solo su salida. Los recuentos de bytes prueban que la transformación está circunscrita al campo y es deliberada. No prueban por qué.

Datos actualizados a 2026-07-21

Ficheros del INE descargados y contados byte a byte el 21 de julio de 2026. Cifras del corpus recalculadas el mismo día a partir de los ficheros de pesos entregados: nombres de pila es_ES 10.961 ♂ / 12.516 ♀ que suman 17.832.848 / 17.980.967 nacimientos registrados; apellidos 2.522 entradas que suman 34.026.331 portadores. Elaboración propia con datos extraídos del sitio web del INE: www.ine.es.

Fuentes

• INE — Nombres y apellidos más frecuentes
• INE — Aviso legal y condiciones de reutilización
• Real Academia Española — Ortografía: acentuación
• Wikidata Query Service