N-grama
Secuencia de n caracteres o palabras consecutivas, usada para medir cuánto se parece un texto a un idioma.
Bigramas (n=2), trigramas (n=3), cuadrigramas (n=4) y así sucesivamente. Las lenguas tienen patrones estables: en español "QU" y "EN" son frecuentes, mientras que combinaciones como "QJ" casi nunca aparecen. Contar la frecuencia de los n-gramas en un corpus grande da una función de puntuación: el texto que parece idioma puntúa alto y el ruido puntúa bajo.
El mismo recuento sustenta los modelos de lenguaje estadísticos, que simplemente cambian caracteres por palabras o tokens. Los criptoanalistas contaban secuencias de letras durante décadas antes de que alguien llamara a eso modelado del lenguaje.