A análise de frequência de texto conta quantas vezes cada palavra ou caractere aparece. Em português, o "A" costuma dominar a lista de letras — resultado direto da abundância de artigos, preposições e desinências verbais que terminam ou começam com essa vogal.
Por que o "A" se destaca no português
Artigos como "a", "as", preposições como "para" e "com", além de terminações verbais no infinitivo em "-ar", fazem do "A" uma das letras mais frequentes em textos em português — ao lado do "E" e do "O", também muito comuns por causa das mesmas classes de palavras funcionais. Letras como "K", "W" e "Y" seguem raras, aparecendo quase só em nomes próprios e palavras estrangeiras.
Palavras funcionais dominam a contagem
Ao rodar uma análise de frequência de palavras num texto longo em português, palavras como "de", "que", "e" e "não" costumam ficar no topo, muito à frente de substantivos com conteúdo temático real. Por isso, para entender do que um texto realmente trata a partir da lista de frequência, geralmente é preciso ignorar essas palavras funcionais e observar o que aparece logo depois delas.
Frequência de letras e criptoanálise clássica
Cifras de substituição simples não mudam a distribuição de frequências das letras, apenas reorganizam quais letras correspondem a quais. Comparando a distribuição de frequência de um texto cifrado com a distribuição conhecida do português — com "A", "E" e "O" no topo — é possível recuperar a correspondência de caracteres e quebrar a cifra sem testar todas as chaves possíveis.
Para que serve
- Captar rapidamente os principais temas de um documento longo a partir de suas palavras mais frequentes.
- Verificar se um texto tem uma distribuição natural de letras (exercícios educacionais de criptografia).
- Analisar a repetição de palavras para otimização de SEO do texto de uma página.
A lei de Zipf
Nos idiomas naturais, a frequência de uma palavra é inversamente proporcional à sua posição num ranking decrescente de frequência: a palavra mais frequente aparece cerca do dobro da segunda mais frequente, o triplo da terceira, e assim por diante. Esse padrão (a lei de Zipf) é tão estável para texto comum que um desvio significativo dele é um sinal: o texto pode ter sido gerado artificialmente, ser fortemente carregado de palavras-chave (spam) ou estar escrito num idioma diferente do esperado.