Calculadora de Frequencia Letras PT BR Zipf

Frequência de Letras no Português (PT-BR) e Lei de Zipf

Em língua natural, a frequência de um token cai na proporção inversa do seu ranking. É o que diz a lei de Zipf: f(k) ≈ C / k^s, onde k é o ranking, s o expoente (próximo de 1 para palavras e menor para letras) e C uma constante de normalização. George Kingsley Zipf a formulou para palavras em “Human Behavior and the Principle of Least Effort” (1949), mas o mesmo padrão inverso-rank dá uma boa aproximação também para a distribuição das letras.

No português brasileiro, as letras mais frequentes ficam mais ou menos assim: A (14%), E (12%), O (10%), S (8%), R (6%), I (6%), N (5%), D (5%), M (5%), T (4%). As vogais predominam, o que diz muito sobre a fonotática portuguesa e contrasta com idiomas ricos em consoantes como o tcheco ou o polonês. As contagens variam conforme o corpus — jornal, ficção, texto técnico —, mas a ordem quase não muda.

É essa distribuição empírica que faz a criptanálise clássica de cifras de substituição funcionar: contar as letras do texto cifrado recupera o alfabeto substituto. Ela também está por trás de jogos como Forca e Termo e de esquemas de compressão vindos da teoria da informação, como o Huffman, em que letras comuns ganham códigos binários curtos e letras raras ganham códigos longos para reduzir o total de bits.

Aplicações

Aparece na criptanálise clássica (César, Vigenère, substituição monoalfabética), na codificação Huffman e aritmética para compressão de texto (gzip, bzip2), na correção de erros em OCR e na identificação de idioma. Também entra na otimização de layout de teclado — o layout BR-Nativo foi proposto a partir das frequências do PT-BR —, em IA para jogos de palavras (Termo, Wordle, Scrabble/Palavras Cruzadas) e na linguística computacional.

FAQ

Por que “A” é a letra mais comum no português? O português usa muito a vogal /a/: terminações femininas (-a), conjugações de verbos em -ar, o imperfeito -ava e artigos como a e as vão acumulando. O inglês tem pico em “E” por motivos morfológicos do mesmo tipo.

A lei de Zipf se ajusta perfeitamente a letras? Menos do que se ajusta a palavras. Como o alfabeto é pequeno e restrito, as letras se espalham numa curva mais plana. A intuição inverso-rank continua valendo, mas na prática um modelo exponencial ou de Zipf deslocado se encaixa melhor nos dados.

Como o PT-BR difere do PT-PT nas frequências? Quase nada — em geral menos de 1 ponto percentual por letra, e o pouco que muda vem de reformas ortográficas e escolhas de vocabulário. As cinco vogais mais frequentes são as mesmas nos dois, em ordem parecida.