Calculadora frequencia de palavras comuns em portugues

Frequência de palavras em português: lei de Zipf e curvas de cobertura

Fazendo a conta em textos em português, as 100 palavras mais frequentes cobrem ~50% de qualquer corpus corrido. As 1.000 mais frequentes levam isso a ~80%, e as 5.000 mais frequentes chegam a ~95%. Quase todos esses tokens de alta frequência são palavras funcionais: de, a, o, que, e, do, da, em, um, para. Como a distribuição segue Zipf, o estudante extrai muita compreensão de um vocabulário inicial pequeno. O detalhe está na cauda longa, naqueles últimos 5% dos tipos, que é onde mora a maior parte do significado específico do tema. A referência aqui é o Corpus do Português (Mark Davies, BYU), cerca de 1 bilhão de palavras entre as variantes brasileira e europeia. Listas lematizadas juntam fui, vou e vão sob ir, ao passo que as não lematizadas contam cada forma à parte.

Aplicações

Aparece no desenho de currículo de português como língua estrangeira, na montagem de baralhos Anki e SRS ordenados por frequência e no pré-processamento de PLN, onde listas de stopwords alimentam a tokenização e o TF-IDF. Editoras educacionais a usam para pontuar legibilidade, e ela ainda serve de prior para a pós-correção de OCR.

Perguntas frequentes

Português do Brasil ou de Portugal? As listas das 1.000 mais frequentes coincidem em cerca de 95%. Onde elas se separam é no vocabulário, em pares como ônibus/autocarro ou celular/telemóvel. O Corpus do Português mantém as duas variantes separadas.

Por que estudar por frequência em vez de tema? Estudar por frequência espreme a maior cobertura de texto possível de cada palavra que você memoriza. Você atinge 80% de compreensão depois de mais ou menos 1.000 palavras, enquanto listas temáticas podem levar semanas para entregar o mesmo retorno.

Stopwords são inúteis? Na busca em PLN elas em geral só adicionam ruído, então sim. Para compreensão e gramática é o contrário. São as preposições e os artigos que seguram a estrutura da frase.

Quantas palavras para fluência? Um falante nativo culto usa ativamente algo como 15.000–20.000 lemas, e o reconhecimento passivo passa de 40.000. Alunos C1 costumam se virar com 8.000–10.000.