Números decimais na prática
Você já tentou somar 0,1 com 0,2 num programa e descobriu que o resultado não era 0,3? Isso é um dos primeiros sinais de que o sistema que você está usando não representa decimais como você pensa que representa. Números decimais são simplesmente valores que incluem uma parte fracionária separada da parte inteira por um ponto decimal. Não tem muito mistério na definição, mas a implementação é onde as coisas ficam estranhas. Em aritmética básica, um número decimal como 3,75 é apenas uma forma compacta de escrever 3 + 7/10 + 5/100. A notação posicional funciona porque cada casa à direita do ponto vale dez vezes menos que a anterior. Isso é padrão no Sistema Internacional e não varia entre países que usam vírgula decimal em vez de ponto — a lógica é a mesma, só o símbolo muda.
o que são numeros decimais além da teoria
O problema real aparece quando você tenta armazenar esses valores num computador. A maioria das linguagens usa a representação IEEE 754 para ponto flutuante, que armazena números em base 2, não base 10. O resultado é que frações como 1/10, 1/5 ou 3/4 não têm representação exata nesse formato. Algumas funcionam, outras não. 0,5 funciona perfeitamente porque é 1/2, que é uma potência de 2. 0,1 não funciona porque 1/10 requer infinitas casas binárias. Eu precisei lidar com isso num projeto de controle de estoque há alguns anos. Tinha uma planilha de compras com valores unitários como 19,90 e 29,95, e quando multiplicava pela quantidade e somava os totais, o valor final sempre aparecia com centavos extras ou faltando, tipo 597,8500000000001. O cliente reclamava que o relatório não batia com a calculadora de bolso. A solução foi evitar floats completamente e trabalhar com inteiros de centavos o tempo todo, convertendo só na hora de exibir.
Isso é algo que poucos ensinam nos cursos introdutórios. Você aprende que decimal é só um número com vírgula, mas não que a representação binária cria gap entre o valor matemático e o valor computado. Em finanças, isso pode gerar discrepâncias de centavos que se acumulam. Em simulações científicas, o erro de arredondamento pode crescer exponencialmente dependendo do algoritmo. Outro ponto que as pessoas ignoram: a precisão não é fixa. Um double de 64 bits tem cerca de 15 dígitos decimais significativos. Um float de 32 bits tem cerca de 7. Se você está processando dados geoespaciais com coordenadas em graus decimais e precisa de precisão milimétrica, um float pode não ser suficiente porque o erro de arredondamento na escala de meridianos já ultrapassa o requisito.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Existem bibliotecas como decimal no Python ou BigDecimal no Java que implementam aritmética decimal exata, mas elas são mais lentas. No meu caso do estoque, a troca de float para inteiros de centavos reduziu o tempo de processamento em cerca de 8%, mas eliminatei completamente a necessidade de ajustes manuais nos relatórios. A diferença de performance entre BigDecimal e float nativo costuma ficar entre 10x e 50x mais lento dependendo da operação. Se o seu domínio não envolve dinheiro ou medições de alta precisão, float provavelmente é suficiente. A maioria dos gráficos, simulações físicas e processamento de imagem tolera o erro de representação sem problema. O cuidado começa quando você compara valores decimais diretamente com operador de igualdade. Em vez de fazer if (valor == 0.3), você deve usar uma tolerância, tipo abs(valor - 0.3)
1e-9. Isso é padrão em qualquer código que lide com ponto flutuante seriamente.
Resumindo de forma direta: números decimais são uma representação legível de valores fracionários em base 10. Eles funcionam bem no papel e em calculadoras. Em sistemas computacionais, eles geralmente são aproximados por representações binárias que introduzem erros de arredondamento inevitáveis. Conhecer essa limitação e escolher a representação adequada para o contexto é o que separa um código que funciona nos testes de um que quebra em produção.
