O que realmente acontece quando você faz uma subtração
Eu passei anos corrigindo planilhas e código que quebra silenciosamente em casos de borda. A maioria das pessoas aprende o algoritmo da subtração na escola e nunca mais pensa nisso, mas já vi sistemas inteiros falharem porque alguém assumiu que subtrair 100 de 50 resultaria em um número negativo bonito em vez de um erro de overflow que corrompe dados.
algoritmo da subtração na prática
O processo básico funciona assim: você alinha os números pela posição decimal, subtrai dígito por dígito da direita para a esquerda, e quando o dígito de cima é menor que o de baixo, você empresta do próximo lugar à esquerda. Isso se chama subtração com empréstimo ou "borrow" em inglês. Funciona bem para números inteiros finitos, mas começa a dar problemas quando você entra no mundo dos floats. Já tive um caso específico onde um sistema financeiro estava calculando saldos e apareciam valores como 0.00000000000000001 ou -0.0000000000000001 em transações de centavos. O problema era que o algoritmo padrão de subtração em ponto flutuante tem precisão limitada. A workaround que eu usei foi multiplicar todos os valores por 100, tratar como inteiros, fazer a subtração, e depois dividir por 100. Isso eliminou os erros de arredondamento acumulativo que apareciam após dez ou vinte operações encadeadas.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O algoritmo da subtração em si não é complicado, mas existem nuances que os livros didáticos ignoram. Uma delas é a ordem das operações. Quando você subtrai vários números em sequência, subtrair na ordem errada pode gerar resultados diferentes por causa do arredondamento. Por exemplo, (a - b) - c pode dar um resultado ligeiramente diferente de a - (b - c) em aritmética de ponto flutuante. Em sistemas críticos, como controle de estoque ou processamento bancário, isso importa. Não é teoria abstrata. Outra coisa que pouca gente sabe é que a subtração pode amplificar erros relativos. Se você subtrai dois números muito próximos, como 1.000.000,01 menos 1.000.000,00, o resultado é pequeno mas o erro relativo pode ser enorme. Isso se chama cancellação catastrófica. Em simulações científicas, isso pode destruir a precisão do modelo em poucas iterações. A solução usual é reformular o problema para evitar subtrair quantidades similares, ou usar aritmética de precisão aumentada.
O algoritmo da subtração também tem limitações práticas. Ele funciona bem para números inteiros até certo tamanho, mas quando os números ficam grandes demais, o empréstimo propagação pode se tornar custoso. Em processadores antigos, uma subtração de números de 64 bits levava cerca de 20 ciclos de relógio. Em CPUs modernas, depende da arquitetura, mas ainda não é graça de uma operação. Se você está trabalhando com dados sensíveis, como valores monetários ou medições científicas, considere usar bibliotecas de aritmética decimal fixa em vez de floats padrão. O Python tem a biblioteca decimal, o Java tem BigDecimal. Essas bibliotecas implementam o algoritmo da subtração de forma exata, sem os erros de arredondamento que aparecem com floats. Demora um pouco mais, mas economiza horas de debugging depois.
Em resumo, o algoritmo da subtração é simples quando você entende o que está fazendo. Alinhe, subtraia, empreste se necessário. Mas o mundo real é mais complexo que a teoria, e casos de borda aparecem quando menos se espera. Já vi isso acontecer em produção, não só em teoria.
