Cuantificar la disimilitud de dos textos es un aspecto importante de varias tareas de procesamiento de lenguaje natural, incluyendo la recuperación de información semántica, la clasificación de temas y el agrupamiento de documentos. En este artículo, comparamos las propiedades y el rendimiento de diferentes medidas de disimilitud D utilizando tres representaciones diferentes de textos: vocabularios, distribuciones de frecuencia de palabras y embeddings vectoriales, y tres tareas simples: agrupar textos por autor, tema y período de tiempo. Utilizando la base de datos del Proyecto Gutenberg, encontramos que la divergencia de Jensen-Shannon generalizada aplicada a las frecuencias de palabras tuvo un rendimiento sólido en todas las tareas, que las D basadas en representaciones de embeddings vectoriales llevaron a un mejor rendimiento para textos más pequeños, y que la elección óptima del enfoque dependía en última instancia de la tarea. También investigamos, tanto analíticamente como numéricamente, el comportamiento de las diferentes D cuando los dos textos variaban en longitud por un factor h. Demostramos que el estimador (natural) de la distancia de Jaccard entre vocabularios era inconsistente y calculamos explícitamente la dependencia en h del sesgo del estimador de la divergencia de Jensen-Shannon generalizada aplicada a las frecuencias de palabras. También encontramos numéricamente que la divergencia de Jensen-Shannon y los enfoques basados en embeddings eran robustos a cambios en h, mientras que la distancia de Jaccard no lo era.