Calculadora Índice de Jaccard (Similitud Conjuntos, Tanimoto)

Calculadora índice de Jaccard J(A,B) = |A∩B|/|A∪B|: conjuntos, vectores binarios, n-gramas, Jaccard pesado, comparacion Sorensen-Dice y aplicaciones NLP.

Parámetros de cálculo
¿Te ha sido útil esta calculadora?

Índice de Jaccard

Índice de Jaccard mide similitud entre dos conjuntos A, B como razón |A ∩ B| / |A ∪ B|. Range [0, 1]. Introducido por Paul Jaccard 1901 para flora alpina. Hoy estándar en NLP, bioinformatica, recommender, CV.

Definición

  • |A ∩ B|: elementos comunes.
  • |A ∪ B|: elementos distintos totales.
  • J = |A ∩ B| / |A ∪ B|.
  • d_J = 1 - J: distancia.

Ejemplo: A={a,b,c,d}, B={c,d,e,f}. J = 2/6 = 0.333.

Versión binaria (Tanimoto)

Vectores 0/1: J = n_11 / (n_11 + n_10 + n_01). Excluye n_00.

Sorensen-Dice

D = 2|A∩B|/(|A|+|B|). D = 2J/(1+J). Dice da mas peso a intersección.

d_J es metrica

Levandowsky-Winter 1971: d_J = 1 - J satisface triangular. Metrica genuina.

Comparación documentos

Textos como conjuntos de palabras o n-gramas. J alto = documentos similares.

Jaccard pesado (Ruzicka)

J_w = sum min(a_i, b_i) / sum max(a_i, b_i). Generalización vectores enteros.

Aplicaciones

  • NLP: similitud documentos.
  • Recommender systems.
  • Bioinformatica genomas.
  • CV: IoU bounding boxes.
  • Plagio detection.
  • Network analysis.
  • Cheminformatica fingerprints.
  • Market basket.

IoU en CV

Intersection over Union para bounding boxes. IoU >= 0.5 para true positive. Standard COCO, YOLO.

MinHash y LSH

Broder 1997: estimar Jaccard en O(k). Permutación hash random. Combinado con LSH para web-scale.

Limites

  • Sensible granularidad.
  • Ignora orden y frecuencia.
  • Dispersos: dominado raros.
  • Densos: dominado comunes.
  • Ruzicka no metrica.

Modos

Cinco modos: conjuntos, binarios, n-gram texto, pesado, comparación Dice/overlap/cosine.

Historia

Jaccard 1901 flora. Tanimoto 1957 química. Sorensen 1948, Dice 1945. Levandowsky-Winter 1971. Broder 1997 MinHash.

Los origenes botanicos: Paul Jaccard y la biodiversidad

El indice de Jaccard nacio no en informatica sino en botanica. En 1901 el botanico suizo Paul Jaccard, estudiando la flora de los Alpes, buscaba un modo de cuantificar cuanto compartian dos regiones las mismas especies vegetales. Introdujo asi la razon entre el numero de especies comunes y el numero total de especies presentes en al menos una de las dos areas, dando origen a una de las medidas de similitud mas longevas y usadas de la ciencia.

En ecologia el indice sigue siendo fundamental para medir la beta-diversidad, es decir, el recambio de especies entre habitats distintos: un valor alto indica comunidades similares, uno bajo comunidades muy diferentes. La misma idea se ha extendido a la genomica moderna, donde se comparan conjuntos de genes expresados o de especies microbianas en muestras distintas. Comparar la composicion del microbioma intestinal de dos individuos, por ejemplo, se reduce a calcular cuanto se solapan sus conjuntos de bacterias, exactamente como hacia Jaccard con las flores alpinas hace mas de un siglo.

Por que la distancia de Jaccard es una verdadera metrica

A diferencia de la distancia del coseno, que no satisface la desigualdad triangular, la distancia de Jaccard, definida como 1 menos el indice de Jaccard, es una metrica autentica: respeta positividad, simetria y desigualdad triangular. Esto significa que se comporta como una verdadera distancia geometrica, en la que el camino directo entre dos conjuntos nunca es mas largo que uno que pasa por un tercero. Es una propiedad valiosa, porque garantiza coherencia en algoritmos de clustering y busqueda del vecino mas cercano.

La demostracion tiene un vinculo elegante con la probabilidad y la tecnica del MinHash: el indice de Jaccard entre dos conjuntos es exactamente la probabilidad de que una permutacion aleatoria de sus elementos asigne el mismo minimo a ambos. Esta interpretacion probabilistica no solo hace de la distancia una metrica, sino que permite estimarla rapidamente en conjuntos enormes sin compararlos elemento por elemento, el principio detras de la deduplicacion de miles de millones de paginas web y de la deteccion de casi-duplicados a escala masiva.

Actualizado a julio de 2026

Preguntas frecuentes

Que es el indice de Jaccard?

Es una medida de similitud entre dos conjuntos, definida como la razon entre el tamano de su interseccion y el tamano de su union: J(A,B) = |A interseccion B| / |A union B|. Varia de 0 (ningun elemento comun) a 1 (conjuntos identicos).

Como se calcula?

Se cuentan los elementos comunes a los dos conjuntos (interseccion) y los presentes en al menos uno de los dos (union), luego se divide el primero por el segundo. Por ejemplo, para A = {1,2,3} y B = {2,3,4}: interseccion {2,3} = 2, union {1,2,3,4} = 4, asi que J = 2/4 = 0,5.

Que diferencia hay con el coeficiente de Dice?

El coeficiente de Sorensen-Dice usa 2 veces la interseccion dividido por la suma de los tamanos: 2|A interseccion B|/(|A|+|B|). Da mas peso a los elementos comunes y es siempre mayor o igual que Jaccard. Ambos estan relacionados y se usan en contextos similares, como comparar textos e imagenes.

La distancia de Jaccard es una metrica?

Si: la distancia de Jaccard, igual a 1 menos el indice, satisface positividad, simetria y desigualdad triangular, a diferencia de la distancia del coseno. Esta propiedad la hace fiable en algoritmos de clustering y busqueda del vecino mas cercano, donde hace falta una verdadera nocion de distancia.

Que es la version binaria o de Tanimoto?

Aplica el indice de Jaccard a vectores binarios, contando las posiciones en que ambos valen 1 (interseccion) y aquellas en que al menos uno vale 1 (union), excluyendo las posiciones de doble cero. Se usa en quimioinformatica y bioinformatica para comparar huellas moleculares.

Que es el Jaccard pesado?

Es una generalizacion a vectores con valores enteros o reales no negativos, llamada tambien similitud de Ruzicka: suma de los minimos componente por componente dividido por la suma de los maximos. Se reduce al Jaccard clasico para vectores de 0 y 1, y se usa cuando los elementos tienen frecuencias o pesos.

Quien invento el indice de Jaccard?

El botanico suizo Paul Jaccard en 1901, estudiando la flora de los Alpes para medir cuanto compartian dos regiones las mismas especies vegetales. Desde entonces se ha convertido en una medida estandar en ecologia, genomica, informatica y todo campo donde haga falta comparar conjuntos.

Para que sirve en la practica?

Compara documentos mediante palabras o n-gramas comunes, detecta plagio y casi-duplicados (con MinHash a escala web), mide la biodiversidad en ecologia, evalua el solapamiento de recuadros en vision artificial (IoU) y alimenta los sistemas de recomendacion basados en conjuntos de preferencias.

Comentarios (0)

Sin comentarios aún. ¡Sé el primero!