diff --git a/scripts/ce089-09.R b/scripts/ce089-09.R
index 535ddf227976c718e5b776e88310f5f7ffe95206..4bac78ddabf1477475acf9dff955c3d983cc14d2 100644
--- a/scripts/ce089-09.R
+++ b/scripts/ce089-09.R
@@ -4,6 +4,8 @@
 #-----------------------------------------------------------------------
 # Cria a função com lista de todos os argumentos e use mapply().
 
+library(microbenchmark)
+
 # Curva de poder.
 power_k_groups <- function(k = 3,
                            r = 4,
@@ -91,3 +93,66 @@ microbenchmark(
     replications = 20)
 
 #-----------------------------------------------------------------------
+# Mais um exemplo.
+
+library(latticeExtra)
+
+# Situação: Para fazer um classificador por ensemble são usados
+# `n_class` classificadores independentes (base/weak/lazy learners) que
+# tem taxa de acerto individual de `tx_acer`. Qual é a taxa de acerto do
+# ensemble de classificadores considerando como decisão a classe
+# prevista por maioria simples? Fazer a curva de taxa de acerto do
+# ensemble em função da taxa de acerto individual e do número de
+# classificadores base do ensamble, ou seja, determinar
+# `acc(n_class, tx_acer)`.
+
+simul <- function(n_class = 3, tx_acer = 0.55, N = 1000) {
+    #' @param n_class (integer[1] > 3) é o número de classificadores do
+    #'     ensemble.
+    #' @param tx_acer (0 < double[1] < 1) é a taxa de acerto individual
+    #'     de cada classificador independente do ensamble.
+    #' @param N (integer[1] > 1) é o número de simulações Monte Carlo.
+    #' @return (double[1]) a taxa de acerto do classificador ensemble.
+    u <- replicate(N, {
+        # Classe correta.
+        y <- rbinom(n = 1, size = 1, prob = 0.5)
+        # Classe predita por cada classificador.
+        x <- rbinom(n = n_class,
+                    size = 1,
+                    prob = 1 - abs(y - tx_acer))
+        # Classe predita pela coleção usando maioria simples.
+        z <- as.integer(mean(x) > 0.5)
+        # Verifica se houve acerto.
+        z == y
+    })
+    mean(u)
+}
+
+# Grid de valores nos parâmetros da simulação.
+grid <- expand.grid(n_class = c(3, 5, 9, 13, 19, 25),
+                    tx_acer = seq(0.35, 0.95, by = 0.025))
+nrow(grid)
+
+# Obtenção da acurácia do ensemble em cada ponto de suporte.
+grid$acc <- with(grid,
+                 mapply(FUN = simul,
+                        n_class,
+                        tx_acer,
+                        MoreArgs = list(N = 2000)))
+
+# Visualização das curvas.
+xyplot(acc ~ tx_acer,
+       groups = n_class,
+       data = grid,
+       xlab = "Taxa de acerto do base learner",
+       ylab = "Taxa de acerto do ensemble",
+       auto.key = list(corner = c(0.95, 0.05),
+                       title = "#Classif.",
+                       cex.title = 1),
+       grid = TRUE,
+       type = "o") +
+    layer({
+        panel.abline(v = 0.5, h = 0.5, lty = 2)
+    })
+
+#-----------------------------------------------------------------------