05_-_estimacao.pdf
TRANSCRIPT
Estimacao
Francisco Carvalho
Unidade Departamental de Matematica e Fısica
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 1 / 39
Estimacao
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 2 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 3 / 39
Introducao
Considere a seguinte amostra retirada de uma populacao (X1,X2, . . . ,Xn),com uma determinada funcao probabilidade
f (x |θ) : θ ∈Θ
da qual se desconhece o verdadeiro valor do parametro θ .Problema: Qual o valor θ com a informacao disponıvel.Para estimar esse valor ha necessidade de ter em consideracao: o nıvel deprecisao e o grau de conifanca.Duas formas de estimacao:
Estimacao pontual – da primazia a precisao
Estimacao por intervalo – da primazia ao nıvel e confianca.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 4 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 5 / 39
Estimacao pontual
Considere-se a amostraX1,X2, . . . ,Xn
de uma populacao com funcao densidade
f (x |θ) : θ ∈Θ
de onde se otem diversas estimativas para o parametro θ , T ,T ′,T ′′, . . ..
Estimador e uma variavel aleatoria, funcao da amostra causal erepresenta-se por T (X1,X2, . . . ,Xn);
Estimativa e um valor concreto assumido pelo estimador para umaparticular amostra (x1,x2, . . . ,xn) e representa-se por T (x1,x2, . . . ,xn).
Para cada parametro existe um grande numero de estimadores.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 6 / 39
Estimacao pontual
Problema: escolher o metodo, estimador, que da melhor estimativas paraum determinado parametro.A qualidade do estimador so pode ser ajuizada, apos a verificacao para umconjunto de amostras, qual a proporcao de valores estimados se encontramnuma vizinhanca do verdadeiro valor do parametro.Dois metodos fundamentais:
o metodo dos momentos – utiliza os momentos da amostra paraestimar os correspondentes momentos da populacao, e, a partir daı,estimar os parametros de interesse
o metodo da maxima verosimilhanca – funcao verosimilhanca.Origina geralmente estimadores de melhor qualidade.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 7 / 39
Estimacao pontual
Funcao de verosimilhanca
Se (X1,X2, . . . ,Xn) e uma amostra de populacao com funcao densidade(funcao probabilidade) f (x |θ)), a expressao
f (x1,x2, . . . ,xn|θ) =n
∏i=1
f (xi |θ), (x1,x2, . . . ,xn) ∈Rn
e a funcao densidade (funcao probabilidade) conjunta das variaveis queconstituem a amostra.
Fixado (x1,x2, . . . ,xn), a expressao interpretada como funcao do parametroθ e chamada funcao de verosimilhanca e representa-se por
L(θ |x1,x2, . . . ,xn) =n
∏i=1
f (xi |θ), θ ∈Θ
ou simplesmente por L(θ).Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 8 / 39
Estimacao pontual
Dada a amostra concreta (x1,x2, . . . ,xn), o metodo de maximaverosimilhanca consiste em procurar se existe uma estimativaθ = θ (x1,x2, . . . ,xn), tal que
L(θ |x1,x2, . . . ,xn)≥ L(θ |x1,x2, . . . ,xn), ∀θ ∈Θ.
Tem-se, evidentemente, que
θ = θ (X1,X2, . . . ,Xn)
e um estimador.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 9 / 39
Estimacao pontual
Exemplo
Uma urna contem bolas pretas e bolas brancas, na proporcao de 3 para 1, desconhecendo-se quala cor predominante. A probabilidade de tirar ao acaso uma bola preta e de 3
4 ou 14 consoante for
preta ou branca a cor predominante. Retirando da urna, com reposicao, uma amostra de n
bolas, a variavel aleatoria que indica o numero de bolas pretas na amostra tem distribuicaobinomial B
(
n; 34)
, ou B(
n; 14)
. Com n = 3, procure estimar o valor desconhecido do parametro.
Trata-se de um problema de estimacao particularmente simples, visto que se tem de escolherapenas entre duas probabilidades. Os valores observaveis da variavel X - numero de bolas pretasna amostra - e as respectivas probabilidades encontram-se no quadro seguinte.
X 0 1 2 3
f
(
x |34
)
1
64
9
64
27
64
27
64
f
(
x |14
)
27
64
27
64
9
64
1
64
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 10 / 39
Estimacao pontual
Quando se observa X = 0, o metodo de maxima verosimilhanca propoe para estimativa daprobabilidade (parametro) o valor 1
4 e nao o valor 34 , porquanto
f
(
0|14
)
= P
(
X = 0|θ =1
4
)
=27
64> f
(
0|34
)
= P
(
X = 0|θ =3
4
)
=1
64
Com efeito, e mais provavel que uma amostra com zero bolas pretas seja procedente da urnacom predominancia de bolas brancas, isto e, θ = 1
4 e mais verosımil que θ = 34 . Em geral, o
estimador de maxima verosimilhanca pode escrever-se
θ = θ(X ) =
14 (X = 0,1)
34 (X = 2,3)
Este estimador selecciona para cada possıvel valor de X o valor do parametro θ , tal que
f (x |θ )≥ f (x |θ ), θ ∈{
1
4,3
4
}
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 11 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 12 / 39
Propriedades
Estimador centrado
Um estimador T = T (X1,X2, . . . ,Xn) para o parametro θ diz-se centradoou nao enviesado quando
E (T ) = θ ∀θ ∈Θ
Env(T ) = E (T )−θ
Facilmente se demonstra que, caso exista valor esperado, X e umestimador centrado para µ , qualquer que seja a populacao, uma vez queE (X ) = µ .
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 13 / 39
Propriedades
Do mesmo modo, desde que exista variancia
E (S2) =n−1
nσ2
onde o enviesamento da estimativa da variancia,
Env(S2) = E (S2)−σ2 =−σ2
n
e uma funcao decrescente em funcao de n. Por este motivo e quando aamostra e pequena, e usual utilizar a variancia corrigida, assimE (S ′2) = σ2.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 14 / 39
Propriedades
Eficiencia
Sejam T = T (X1,X2, . . . ,Xn) e T ′ = T ′(X1,X2, . . . ,Xn) dois estimadorescentrados para θ . O estimador T e mais eficiente do que T ′ quando,
Var(T ) ≤ Var(T ′), ∀θ ∈Θ
O estimador T e o mais eficiente quando essa relacao se verifica qualquerque seja outro estimador T ′ centrado para θ
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 15 / 39
Propriedades
Teorema
Seja (X1,X2, . . . ,Xn) uma amostra causal de populacao com funcaodensidade (probabilidade) f (x |θ), satisfazendo certas condicoes deregularidade, e seja T = T (X1,X2, . . . ,Xn) um estimador centrado de θ .Entao,
Var(T )≥ 1
nℑ(θ)onde
ℑ(θ) = E
{
[
∂ lnf (X |θ)∂θ
]2}
=−E
{[
∂ 2lnf (X |θ)∂θ2
]}
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 16 / 39
Propriedades
A Tabela apresenta o valor de ℑ(θ) para as distribuicoes mais conhecidas
Distribuicao Quantidade de informacao de Fisher
X ∼ B(k ;θ)(k conhecido) ℑ(θ) =k
θ [1−θ ]
X ∼ Po(λ ) ℑ(λ ) =1
λ
X ∼ N(µ ;σ2)(σ2 conhecido) ℑ(µ) =1
σ2
X ∼ N(µ ;σ2)(µ conhecido) ℑ(σ2) =1
2σ4
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 17 / 39
Propriedades
Conhecido o limite inferior dado pela desigualdade de Frechet-Cramer-Rao,deve comparar-se a variancia do estimador centrado em analise com estelimite: caso sejam iguais, tem-se a garantia de que nao existe qualqueroutro estimador centrado de variancia inferior, sendo portanto, o estimadorem analise o mais eficiente; no caso contrario, o quociente
[nℑ(θ)]−1
Var(T )
fornece uma indicacao sobre a eficiencia relativa do estimador T emrelacao ao hipotetico estimador de variancia igual ao limite inferior dadesigualdade.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 18 / 39
Propriedades
O conceito de eficiencia esta associado a estimadores centrados, mas nemsempre os estimadores o sao, ou nao e possıvel, determinar se o e ou nao.E necessario entao um criterio mais geral para o uso em estimadoresenviesados. O criterio mais comum e o uso do erro quadratico medio(EQM).
Definicao
Seja T = T (X1,X2, . . . ,Xn) um estimador para o parametro θ . O erroquadratico medio de T e dado por
EQM(T ) = E[
(T −θ)2]
ou EQM(T ) = Var(T )+ [Env(T )]2
Dados dois estimadores T1 e T2, o estimador T1 sera ”melhor” que T2 seEQM(T1)≤ EQM(T2).Quando o estimador e centrado, o enviesamento e nulo,EQM(T ) = Var(T ).
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 19 / 39
Propriedades
Definicao
Um estimador Tn = T (X1,X2, . . . ,Xn) diz-se consistente em mediaquadratica se
limn→+∞
E[
(Tn−θ)2]
= 0 ∀θ ∈Θ
Definicao
Um estimador Tn = T (X1,X2, . . . ,Xn) diz-se (simplesmente) consistentequando, qualquer que seja o numero real ε > 0,
limn→+∞
Pθ (θ − ε < Tn < θ + ε) = 1 ∀θ ∈Θ
TnP−→ θ
plimTn = θ
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 20 / 39
Propriedades
Teorema
Sao condicoes suficientes para que Tn seja estimador (simplesmente)consistente
limn→+∞
E (Tn) = θ
limn→+∞
Var(Tn) = 0
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 21 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 22 / 39
Estimacao por intervalo
Intervalo aleatorio e intervalo de confianca
Seja (X1,X2, . . . ,Xn) uma amostra causal de uma populacao com funcaodensidade f (x |θ), com θ ∈ΘConsiderem-se duas estatısticas, T1(X1,X2, . . . ,Xn) e T2(X1,X2, . . . ,Xn),T1 < T2, tais que P(T1 < θ < T2) = 1−α ,∀θ ∈Θ,0< α < 1 onde α naodepende de θ .Um intervalo aleatorio para θ e um intervalo [T1;T2] nestas condicoes.Dada a amostra particular (x1,x2, . . . ,xn), sejam t1 = T1(x1,x2, . . . ,xn) et2 = T2(x1,x2, . . . ,xn) os valores assumidos pelas estatısticas T1 e T2,respectivamente.Qualquer intervalo [t1;t2], que seja concretizacao do intervalo aleatorio[T1;T2], chama-se intervalo de confianca a (1−α)×100% para θ .O valor 1−α traduz o grau ou coeficiente de confianca do intervalo [t1;t2]
Para efeitos praticos ao valor de α denominar-se-a de nıvel de significancia.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 23 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 24 / 39
Intervalo de confianca para a media
Quando a variancia e conhecida,
Z (X1,X2, . . . ,Xn,µ) =X −µ
σ√n
∼ N(0;1)
onde este resultado e a variavel fulcral a utilizar de onde se deduz[
x− z( α2 )
σ√n;x+ z( α
2 )σ√n
]
com z( α2 )
a verificar Φ(z( α2 )) = 1− α
2 .
Atendendo a que a distribuicao de Z e simetrica a origem, verifica-se que aamplitude do intervalo e dada por 2z( α
2 )σ√n.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 25 / 39
Intervalo de confianca para a media
Exemplo
Seja X o tempo, em minutos, que certa tarefa leva a executar. Admita-se que X temdistribuicao N(µ;σ2) e que a experiencia anterior permitiu determinar, com boa aproximcao,que σ = 2 minutos.
1 Observada uma amostra de dimensao 16, com media x = 12,5, construa um intervalo deconfianca a 95% para µ.Como 1−α = 0,95, tem-se z( α
2 )= z0,025 = 1,96, donde o intervalo
[
12,5−1,96× 2√16
;12,5+1,96× 2√16
]
= [11,52;13,48]
2 Desejando estimar-se µ atraves de um intervalo de confianca, qual a dimensao da amostrade tempos que deve observar-se para garantir que a amplitude do intervalo obtido einferior a 0,5 minutos?Pretende-se determinar o menor valor de n tal que
2z( α2 )
σ√n< 0,5⇔ n >
(2z( α2 )
σ0,5
)2
⇔ n > 245,86
escolhendo-se, portanto, n= 246.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 26 / 39
Intervalo de confianca para a media
Quando a dimensao da amostra e razoavelmente grande, mesmo com σdesconhecido, pode-se substituir σ pelo seu estimador S ′, pelo que ointervalo de confianca pode ser escrito como
[
x− z( α2 )
s ′√n;x+ z( α
2 )s ′√n
]
No entanto quando a variancia e desconhecida e a dimensao e pequena(n < 30), entao a deducao do intervalo de confianca nestas condicoes levaa
[
x− t( α2 )
s ′√n;x+ t( α
2 )s ′√n
]
com t( α2 )
a verificar P(T > t( α2 )) = α
2 .
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 27 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 28 / 39
Intervalo de confianca para a variancia
Quando se procura construir um intervalo de confianca para a variancia,σ2, de uma populacao normal, a variavel fulcral a usar e,
Q =(n−1)S ′2
σ2∼ χ2
(n−1)
Para um determinado grau de confianca, e possıvel determinar doisvalores, q1 e q2, tais que
P(Q < q1) = P(Q > q2) =α2
Nao sendo a distribuicao do qui-quadrado simetrica, esta solucao naoorigina os intervalos de amplitude mınima. Tem-se entao
P
(
q1 <(n−1)S ′2
σ2< q2
)
= 1−α
de onde se deduz o intervalo de confianca que aparace sob a forma de(
(n−1)s ′2
q2;(n−1)s ′2
q1
)
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 29 / 39
Intervalo de confianca para a variancia
Exemplo
Suponha que o tempo de vida (em horas) de componentes electronicos produzidos segundodeterminado processo de fabrico tem distribuicao normal. Obtida uma amostra causal de n= 20componentes da producao de determinado dia, verificou-se a duracao das mesmas eobtiveram-se os seguintes resultados: x = 1832 e s ′ = 497. Determine um intervalo de confiancaa 90% para a variancia, σ2, do tempo de vida dos componentes electronicos.
Comα2= 0,05 e n−1 = 19, retira-se da tabela
q1 = 10,1170 e q2 = 30,1435
donde se pode escrever o intervalo sob a forma
σ2 ∈[
(19×4972
30,1435;(19×4972
10,1170
]
⇔ σ2 ∈ [155694,3;463889,6]
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 30 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 31 / 39
Intervalo de confianca para a diferenca de medias
Quando as inferencias dizem respeito a parametros de duas populacoes normais, N(µ1,σ21 ) e
N(µ2,σ22 ), de duas amostras independentes de dimensao m e n, respectivamente, ha interesse
em construir intervalos de confianca para a diferenca entre as medias das duas populacoesµ1−µ2.
quando as variancias sao conhecidas
Z =(X 1−X 2)− (µ1−µ2)
√
σ21m
+σ22n
∼N(0;1)
de onde se pode construir o intervalo de confianca para a diferenca de medias
(x1−x2)− z α2
√
σ21
m+
σ22
n; (x1−x2)+z α
2
√
σ21
m+
σ22
n
populacoes nao normais, e dimensao das amostras razoavelmente grande, temos aaproximacao dada por
Z =(X 1−X 2)− (µ1−µ2)
√
σ21m
+σ22n
a∼N(0;1)
de onde se deduz o mesmo intervalo de confianca.
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 32 / 39
Intervalo de confianca para a diferenca de medias
variancias serem desconhecidas, mas iguais, e amostras de pequenas dimensoes
(X 1−X 2)− (µ1−µ2)√
1m+ 1
n
√
(m−1)S ′21 +(n−1)S ′2
2m+n−2
∼ t(m+n−2)
do qual se constroi o intervalo de confianca
(x1−x2)± t α2
√
1
m+
1
n
√
(m−1)s ′21 +(n−1)s ′22m+n−2
variancias desconhecidas e as amostras sao de pequenas dimensoes
(X1−X2)− (µ1−µ2)√
S ′21m
+S ′22n
∼ t(v) onde v =
(
s ′21m
+s ′22n
)2
1m−1
(
s ′21m
)2
+ 1n−1
(
s ′22n
)2
de onde se pode construir o intervalo de confianca
(x1−x2)− t(v)(α2)
√
s ′21m
+s ′22n
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 33 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 34 / 39
Intervalo de confianca para a razao de variancias
Um outro problema com interesse quando se pretende compararestimativas retiradas de duas populacoes normais, em que as amostras saoindependentes, com m e n elementos, respctivamente, e determinar ointervalo de confianca para a razao das suas variancias. A variavel fulcral autilizar sera
S ′21
S ′22
σ22
σ21
∼ F (m−1,n−1)
Desta expressao pode-se construir um intervalo de confianca dado por
[
1
Fm−1,n−1(α2 )
S21
S22
;1
Fm−1,n−1(1− α2 )
S21
S22
]
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 35 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 36 / 39
Intervalo de confianca para a proporcao
A solucao deste problema esta associado a distribuicao binomial. Sendo Y
a soma de n variaveis aleatorias independentes com distribuicao deBernoulli, logo Y ∼ B(n;p), e
P(Y = y) =
(
n
y
)
py(1−p)n−y
No caso de uma populacao de Bernoulli e para uma amostra de grandesdimensoes, a variavel
X −p√
p(1−p)n
a∼ N(0;1)
onde X = ynpelo que o intervalo de confianca passa a ser
[
p− z α2
√
p(1− p)
n; p+ z α
2
√
p(1− p)
n
]
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 37 / 39
Outline
1 Introducao
2 Estimacao pontual
3 Propriedades dos estimadores por pontos
4 Estimacao por intervaloIC para populacoes normais: mediaIC para populacoes normais: varianciaIC para populacoes normais: diferenca entre mediasIC para populacoes normais: razao entre varianciasIC para uma populacao de Bernoulli: proporcaoIC para duas populacoes de Bernoulli: diferenca de proporcoes
Francisco Carvalho (UDMF – IPT) Estimacao Aulas 2011-12 38 / 39