Calcular distância entre dois pontos não é difícil, mas a maioria das pessoas complica sem necessidade
Você tem dois pontos no plano, digamos A(3, 4) e B(7, 1). Quer saber a distância entre eles. O caminho mais direto é usar a fórmula da distância euclidiana, que nada mais é do que o teorema de Pitágoras aplicado às coordenadas.
Como calcular a distância entre dois pontos no plano cartesiano
A fórmula é d = [(x - x)² + (y - y)²]. Pegue as coordenadas de cada ponto, subtraia os x, subtraia os y, eleve cada resultado ao quadrado, some os dois e tire a raiz quadrada. Pronto. No exemplo acima: d = [(7 - 3)² + (1 - 4)²] = [16 + 9] = 25 = 5. Simples.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O que vejo todo dia sendo errado é a parte dos sinais. Quando você tem coordenadas negativas, o erro mais comum é errar na subtração ou no quadrado. Por exemplo, se um ponto é (-2, 5) e o outro é (3, -1), a diferença dos x é 3 - (-2) = 5, não 1. Alguém pode achar que o quadrado de -3 é negativo, mas não é. (-3)² = 9. Isso é básico, mas aparece com frequência em correções de prova. Também vale lembrar que essa fórmula funciona perfeitamente quando os pontos estão em um sistema de coordenadas ortogonal, ou seja, eixos perpendiculares com a mesma unidade de medida em ambos. Se seus eixos usam escalas diferentes — algo comum em gráficos geográficos ou dados de sensores — você precisa ajustar a conta, senão o resultado será enganoso. Multiplique cada diferença por um fator de escala antes de elevar ao quadrado. Do contrário, a distância vai ficar errada e você pode não perceber.
Outro ponto que muita gente não leva a sério: arredondamento. Se os valores das coordenadas forem grandes ou tiverem muitas casas decimais, o cálculo manual vai acumular erros rápidos. Eu já processei coordenadas GPS com seis casas decimais e o erro acumulado na distância final ficava na casa dos metros. Nesse caso, deixe a máquina fazer o trabalho. Use uma calculadora científica ou um script simples, não faça de cabeça. Se você quiser se aprofundar, o conceito de distância euclidiana é a base para algoritmos de vizinhança, clustering e até redes neurais. Conhecer a fundo como ela se comporta — especialmente em dimensões maiores — evita surpresas quando o modelo começa a dar resultados estranhos porque as distâncias deixaram de fazer sentido prático.
