Detalhes

Categoria: Criptoanálise

Atualização: Segunda, 13 Abril 2009 13:21

Autor: vovó Vicki

Acessos: 50949

Para variar, por mais que eu procurasse, não encontrei referências na web sobre a frequência de ocorrência de letras no Português do Brasil. Encontra-se análises de frequência para o Inglês, o Alemão, o Francês, o Espanhol e até para o Latim. Mas para o Português...

Se não tem (ou não acho), então mãos à obra: fiz um pequeno programa em Delphi (estava com preguiça e com pressa...) que faz a análise de textos em ASCII puro. O programa usa a tecnologia de streaming de memória, o que permite a leitura e a análise de textos muito longos (acima da limitação de 32 Kb do memo do Delphi). Este programa, chamado Frequência NumaBoa, está disponível para download na Seção de Downloads - categoria Criptologia - Criptoanálise.

Os resultados que obtive utilizando a "tecnologia de ponta" da Aldeia são apresentados a seguir.

Ensaio de Frequências

Como ensaio estatístico, usei 6 textos de autores conhecidos e de épocas diferentes. Todos os textos são de domínio público (sem © copyright) e podem ser encontrados com facilidade na Internet para download.

Os textos foram analisados transformado-se vogais acentuadas (á, ã, ô,...) em vogais normais e o C cedilha em C.

1. A Profissão de Jacques Pedreira, de João do Rio, com 49.958 palavras e 232.882 letras.
2. Memórias Póstumas de Brás Cubas (50 primeiros capítulos), de Machado de Assis, com 26.326 palavras e 115.580 letras.
3. Contos Gauchescos, de João Simões Lopes Neto, com 33.013 palavras e 143.520 letras.
4. Obras Selecionadas de Rui Barbosa, com os textos "A Emancipação Progride" e "Pelos Escravos! Às Senhoras Baianas", com 4.781 palavras e 23.121 letras.
5. Os Bruzundangas, de Lima Barreto, com 41.633 palavras e 200.581 letras.
6. Texto lido na cerimônia de encerramento do Fórum Social Mundial 2002, de Saramago, com 2.053 palavras e 9.827 letras. Este, o único autor português, para por um pouco de tempero na análise.

No total, foram analisadas 157.764 palavras com 725.511 letras - uma amostra significante para dar consistência aos resultados.

Frequência das letras

Histograma por Ordem Alfabética

Letra Freq.% Letra Freq.% A 14.63 N 5.05 B 1.04 O 10.73 C 3.88 P 2.52 D 4.99 Q 1.20 E 12.57 R 6.53 F 1.02 S 7.81 G 1.30 T 4.34 H 1.28 U 4.63 I 6.18 V 1.67 J 0.40 W 0.01 K 0.02 X 0.21 L 2.78 Y 0.01 M 4.74 Z 0.47

Histograma por Ordem de Frequência

Características do Português do Brasil

• O comprimento médio das palavras em Português do Brasil é de 4.53 letras.
• Quando as letras são ordenadas pela frequência, formam grupos bem definidos:
1. A, E, O
2. S, R, I
3. N, D, M, U, T, C
4. L, P, V, G, H, Q, B, F
5. Z, J, X, K, W, Y

• As vogais A, E, I, O, U e as consoantes S, R, N, D, M formam mais de 3/4 dos textos em Português.
• A média de vogais a cada 10 letras é de 4.88