Calculadora de Frequencia Letras PT BR Zipf

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

A lei de Zipf afirma que, em língua natural, a frequência de um token é inversamente proporcional ao seu ranking: f(k) ≈ C / k^s, onde k é o ranking, s o expoente (próximo de 1 para palavras, menor para letras) e C uma constante de normalização. Embora formulada originalmente para palavras por George Kingsley Zipf em “Human Behavior and the Principle of Least Effort” (1949), o padrão inverso-rank também aproxima distribuições de letras.

No português brasileiro, as letras mais frequentes são aproximadamente A (14%), E (12%), O (10%), S (8%), R (6%), I (6%), N (5%), D (5%), M (5%), T (4%). A predominância de vogais reflete a fonotática portuguesa e contrasta com idiomas ricos em consoantes como tcheco ou polonês. Contagens variam conforme corpus (jornal, ficção, texto técnico), mas a ordem é estável.

Essa distribuição empírica sustenta a criptanálise clássica de cifras de substituição (análise de frequência do texto cifrado recupera o alfabeto substituto), jogos como Forca e Termo, e esquemas de compressão baseados em teoria da informação como Huffman, em que letras comuns recebem códigos binários curtos e letras raras códigos longos, minimizando o total de bits.

Aplicações

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

FAQ

Por que “A” é a letra mais comum no português? A morfologia portuguesa depende fortemente da vogal /a/ para terminações femininas (-a), conjugações verbais (verbos -ar, imperfeito -ava) e artigos (a, as). O inglês, em contraste, tem pico em “E” por razões morfológicas análogas.

A lei de Zipf se ajusta perfeitamente a letras? Menos que a palavras. Letras seguem distribuição mais plana porque o alfabeto é pequeno e restrito. A intuição inverso-rank ainda vale, mas modelos exponenciais ou Zipf deslocados ajustam melhor empiricamente.

Como o PT-BR difere do PT-PT nas frequências? Diferenças são pequenas (menos de 1 ponto percentual por letra), principalmente motivadas por reformas ortográficas e escolhas lexicais. Ambos compartilham as cinco vogais mais frequentes na mesma ordem aproximada.