diff --git a/docs/01-tcc.pdf b/docs/01-tcc.pdf
index 46150242523e7d743ea42aceea976a394d01b812..9b1bac41b40083f17496cb17fbf94c803126b650 100644
Binary files a/docs/01-tcc.pdf and b/docs/01-tcc.pdf differ
diff --git a/docs/cap01_introducao.Rnw b/docs/cap01_introducao.Rnw
index 3458d396505ea0be08068fd6e7b79444f28dc764..93186e1f195621cb78a44500dd7d1afd621b517d 100644
--- a/docs/cap01_introducao.Rnw
+++ b/docs/cap01_introducao.Rnw
@@ -33,7 +33,7 @@ predições negativas para o número de eventos \cite{King1989}. Uma
 alternativa adotada durante muitos anos, e ainda aplicada, é encontrar
 alguma forma de transformação da variável resposta a fim de atender aos
 pressupostos do modelo de regressão normal. Contudo essa abordagem
-dispõe de resultados insatisfatórios, pois i) dificulta a intepretação
+dispõe de resultados insatisfatórios, pois i) dificulta a interpretação
 dos resultados, ii) não contempla a natureza da variável (ainda serão
 valores pontuais, só que em outra escala) iii) não contempla a relação
 média e variância, característica de dados de contagem e iv) no uso da
@@ -62,7 +62,7 @@ identidade ($\lambda = E[Y] = V[Y]$). Essa propriedade, chamada de
 equidispersão, é uma particularidade do modelo Poisson que pode não ser
 adequada a diversas situações. Quando aplicado sob negligência desta
 suposição, o modelo Poisson apresenta erros padrões inconsistentes para
-as estimativas dos parâmentros e por consequência, para toda função
+as estimativas dos parâmetros e por consequência, para toda função
 desses parâmetros \cite{Winkelmann1995, Winkelmann1994}.
 
 O caso de superdispersão, quando a variância é maior que a média, é o
@@ -80,7 +80,7 @@ forma Binomial Negativa.
 
 Outra manifestação de fuga da suposição de equidispersão é a
 subdispersão, situação menos comum na literatura. Os processos que
-reduzem a variabilidade das contagens, abaixo do estabalecido pela
+reduzem a variabilidade das contagens, abaixo do estabelecido pela
 Poisson, não são tão conhecidos quanto os que produzem variabilidade
 extra. Pela mesma razão, são poucas as abordagens descritas na
 literatura que capazes de tratar a subdispersão, uma vez que efeitos
@@ -140,7 +140,7 @@ contagem equidispersos, neste cenário temos que as ocorrências da
 variável aleatória se dispõem aleatoriamente. No painel central o padrão
 já se altera, temos a representação do caso de superdispersão. Note que
 neste cenário formam-se aglomerados que deixam parcelas co contagens
-mutio elevadas e parcelas com contagens baixas. Uma possível causa deste
+muito elevadas e parcelas com contagens baixas. Uma possível causa deste
 padrão se dá pelo processo de contágio (e.g. contagem de casos de uma
 doença contagiosa, contagem de frutos apodrecidos). Na terceiro e último
 painel temos o caso de subdispersão, em que as ocorrências se dispõe
@@ -158,7 +158,7 @@ surgiu anteriormente à formalização dos MLG's, proposta por
 autores Richard W. Conway, William L. Maxwell,
 \textbf{Co}nway-\textbf{M}axwell-Poisson) generaliza a distribuição
 Poisson com a adição de mais uma parâmetro, denotado por $\nu$, que
-torna a razão de probabilidades sussecivas não linear contemplando os
+torna a razão de probabilidades sucessivas não linear contemplando os
 casos de sub e superdispersão \cite{Shmueli2005}.
 
 Uma característica bastante relevante é que a COM-Poisson possui como
@@ -208,7 +208,7 @@ dedicado a revisão bibliográfica dos modelos estatísticos empregados a
 análise de dados de contagem, nesse capítulo os modelos Poisson,
 Binomial Negativo, as abordagens para excesso de zeros, a estrutura dos
 modelos de efeitos aleatórios e o modelo COM-Poisson são
-apresentados. No capítulo \ref{cap:material-e-metodos} apresentammos os
+apresentados. No capítulo \ref{cap:material-e-metodos} apresentamos os
 conjuntos de dados a serem analisados e os métodos para ajuste e
 comparação dos modelos. O capítulo \ref{cap:resultados-e-discussao} traz
 os os principais resultados da aplicação e comparação dos modelos
diff --git a/docs/cap02_revisao-de-literatura.Rnw b/docs/cap02_revisao-de-literatura.Rnw
index 4bb0acc4ce05e3b701bd0f403849abc68b4787da..5f9e21b7a555320314635190cee104df165a5ad8 100644
--- a/docs/cap02_revisao-de-literatura.Rnw
+++ b/docs/cap02_revisao-de-literatura.Rnw
@@ -27,7 +27,7 @@ probabilidades consideradas por \citeonline{Winkelmann2008} e
 \citeonline{Kokonendji2014} e as características de dados de contagem
 que são contempladas. Notamos que a Poisson na verdade é um caso
 particular, pois é a única das distribuições listada que contempla
-somente a característica de equidipersão, ainda observa-se que temos um
+somente a característica de equidispersão, ainda observa-se que temos um
 conjunto maior de distribuições para os casos de superdispersão com
 relação os casos de subdispersão. Embora este grande número de
 distribuições exista para lidar com os casos de fuga de equidispersão
@@ -94,7 +94,7 @@ um breve detalhamento desta abordagem.
 
 Nesta capítulo também abordamos a situação da inclusão de efeitos
 aleatórios no seção \ref{cap02:aleatorio}. Em análise de dados de
-contagem a inclusão desses efeitos perimitem acomodar variabilidade
+contagem a inclusão desses efeitos permitem acomodar variabilidade
 extra e incorporar a estrutura amostral do problema como em experimentos
 com medidas repetidas ou longitudinais e experimentos em parcelas
 subdivididas.
@@ -117,8 +117,8 @@ probabilidade for
 em que $\lambda > 0$ representa a taxa de ocorrência do evento de
 interesse. Uma particularidade já destacada desta distribuição é que
 $E(X) = V(X) = \lambda$. Isso torna a distribuição Poisson bastante
-reestritiva. Na figura \ref{fig:distr-poisson} são apresentadas as
-ditribuições Poisson para diferentes parâmetros, note que devido a
+restritiva. Na figura \ref{fig:distr-poisson} são apresentadas as
+distribuições Poisson para diferentes parâmetros, note que devido a
 propriedade $E(X) = V(X)$ contagens maiores também são mais dispersas.
 
 <<distr-poisson, fig.cap="Probabilidades pela distribuição Poisson para diferentes valores de $\\lambda$", fig.height=3.5, fig.width=7>>=
@@ -187,7 +187,7 @@ ponderados iterativamente, ou, do inglês \textit{Iteractive Weighted
 \label{cap02:estimacao-via-quase-verossimilhanca}
 
 Em 1974 \citeauthoronline{Wedderburn1974} propôs uma forma de estimação
-a partir de uma função biparamétrica, denoninada
+a partir de uma função biparamétrica, denominada
 quase-verossimilhança. Suponha que temos $y_i$ observações independentes
 com esperanças $\mu_i$ e variâncias $V(\mu_i)$. A função de
 quase-verossimilhança é é expressa como
@@ -257,7 +257,7 @@ que
 \noindent
 A função massa de probabilidade decorrente da estrutura descrita em
 \ref{eqn:proc-binomneg} é deduzida integrando os efeitos aleatórios.
-Considere $f(y \mid b)$ como a função massa de probablidade da
+Considere $f(y \mid b)$ como a função massa de probabilidade da
 distribuição Poisson (vide expressão em \ref{eqn:pmf-poisson}) e $g(b
 \mid \mu, \phi)$ a função densidade da distribuição Gama \footnote{O
   desenvolvimento detalhado da integral pode ser visto em
@@ -413,13 +413,13 @@ wrapfigure()
 A relação funcional entre média e variância é ilustrada na
 figura \ref{fig:mv-binomneg} onde apesentamos as médias e variâncias
 para $\mu$ entre 0 e 10 e $\theta$ entre 0 e 50. O comportamento dessa
-relação proporciona um mairo flexibilidade à distribuição em acomodar
+relação proporciona um maior flexibilidade à distribuição em acomodar
 superdispersão, uma característica importante exibida nesta figura é que
 para a Binomial Negativa se aproximar a Poisson em contagens altas o
 $\theta$ deve ser extremamente grande.
 
 O emprego do modelo Binomial Negativo em problemas se regressão ocorre
-de maneira similar aos MLG's, com excessão de que a distribuição só
+de maneira similar aos MLG's, com exceção de que a distribuição só
 pertence a família exponencial de distribuições se o parâmetro $\theta$
 for conhecido e assim o processo sofre algumas
 alterações. Primeiramente, assim como na Poisson, definimos $g(\mu_i) =
@@ -431,7 +431,7 @@ dos parâmetros $\beta$ de locação e $\theta$ de dispersão. Deste fato
 decorre que a estimação dos parâmetros pode ser realizada em paralelo,
 ou seja, estima-se o vetor $beta$ pelo método de \textit{IWLS} e
 posteriormente o parâmetro $\theta$ pelo método de Newton-Raphson, faz-se
-os dois procedimentos simultaneamente até a convengência dos parâmetros.
+os dois procedimentos simultaneamente até a convergência dos parâmetros.
 
 \section{Modelo COM-Poisson}
 \label{cap02:compoisson}
@@ -471,13 +471,13 @@ entre probabilidades sucessivas
 que se caracteriza não necessariamente linear em $y$, diferentemente da
 Poisson, o que permite caudas mais pesadas ou mais magras à distribuição
 \cite{Sellers2010}. Na figura \ref{fig:distr-compoisson} apresentamos as
-dsitribuições COM-Poisson para diferentes valores de $\lambda$ e $\nu$
+distribuições COM-Poisson para diferentes valores de $\lambda$ e $\nu$
 em contraste com as equivalentes, em locação, distribuições
 Poisson. Nessa figura podemos apreciar a flexibilidade desse modelo,
 pois i) contempla o caso de subdispersão mesmo em contagens baixas
 ($E(Y)=3$, painel a esquerda), a distribuição permite caudas pesadas e
-consequentemente uma dispersão extra Poisson, ii) contempla subdisersão
-mesmo em contagens altas, o que na Poisson teriamos variabilidade na mesma
+consequentemente uma dispersão extra Poisson, ii) contempla subdispersão
+mesmo em contagens altas, o que na Poisson teríamos variabilidade na mesma
 magnitude, na COM-Poisson podemos ter caudas mais magras concentrando as
 probabilidades em torno da média (painel a direita) e iii) tem como caso
 particular a Poisson quando o parâmetro $\nu = 1$ (painel central).
@@ -572,7 +572,7 @@ $(1-\lambda)^{-1}$ e a expressão \ref{eqn:pmf-compoisson} se resume a
 uma distribuição Geométrica com $P(Y=0)=(1-\lambda)$
 \cite{Shmueli2005}. Os três respectivos casos particulares citados são
 ilustrados na figura \ref{fig:casos-particulares}, onde determinamos os
-parâmetros conforme reestrições para redução da distribuição.
+parâmetros conforme restrições para redução da distribuição.
 
 <<casos-particulares, fig.cap="Exemplos de casos particulares da distribuição COM-Poisson", fig.height=3, fig.width=7>>=
 
@@ -973,11 +973,11 @@ direita no ponto $y=1$ para estimação desta probabilidade, como explicam
 \label{cap02:aleatorio}
 
 Nas seções anteriores exploramos modelos que flexibilizam algumas
-suposições do modelo Poisson. Basicamente pertimindo casos não
+suposições do modelo Poisson. Basicamente permitindo casos não
 equidispersos e modelando conjuntamente um processo gerador de zeros
 extra. Contudo uma suposição dos modelos de regressão para dados de
 contagem vistos até aqui é que as variáveis aleatória $Y_1, Y_2, \cdots,
-Y_n$ são condicionalmente indenpendentes, dado o vetor de
+Y_n$ são condicionalmente independentes, dado o vetor de
 covariáveis. Porém não são raras as situações em que essa suposição não
 se mostra adequada. \citeonline{Ribeiro2012} cita alguns exemplos:
 
@@ -1010,7 +1010,7 @@ segue uma especificação hierárquica
 para $i = 1, 2, \cdots, m$ (grupos com efeitos aleatórios comuns) e $j =
 1, 2, \cdots, n$ (observações) com D$(\mu_{ij}, \phi)$, uma distribuição
 considerada para as variáveis resposta condicionalmente independentes,
-$g(\mu_{ij})$ uma função de ligação conforme definada na teoria dos
+$g(\mu_{ij})$ uma função de ligação conforme definida na teoria dos
 MLG's, $X_{ij}$ e $Z_{i}$ as vetores conhecidos representando os efeitos
 das covariáveis de interesse, $b_i$ uma quantidade aleatória provida de
 uma distribuição K$(\Theta_b)$. Note que nesses modelos uma quantidade
@@ -1031,7 +1031,7 @@ os efeitos aleatórios
 
 Perceba que na avaliação da verossimilhança é necessário o cálculo de
 $m$ integrais de dimensão $q$. Para muitos casos essa integral não tem
-forma analítica sendo necessários métodos númericos de aproximação, que
+forma analítica sendo necessários métodos numéricos de aproximação, que
 são discutidos na seção \ref{cap03:metodos}. E as estimativas de máxima
 verossimilhança são
 
diff --git a/docs/cap03_materiais-e-metodos.Rnw b/docs/cap03_materiais-e-metodos.Rnw
index cfd31ea53b6567235251678659f4280e6afde49b..da1bac9b1a5a04dc93184b9ccda8cb5c340cfdeb 100644
--- a/docs/cap03_materiais-e-metodos.Rnw
+++ b/docs/cap03_materiais-e-metodos.Rnw
@@ -5,7 +5,7 @@
 Essa seção é destinada a apresentação dos conjuntos de dados analisados
 no trabalho e descrição dos recursos computacionais e métodos utilizados
 na análise. Na seção \ref{cap03:materiais-dados} os conjuntos de dados
-seão apresentados, ao todo são seis conjuntos de dados com diferentes
+são apresentados, ao todo são seis conjuntos de dados com diferentes
 características. Os recursos computacionais utilizados são descritos na
 seção \ref{cap03:materiais-recursos}. Na última seção
 \ref{cap03:metodos} desse capítulo são apresentados os métodos para
@@ -42,7 +42,7 @@ niveis.est <- paste(unique(cottonBolls$est), collapse = ", ")
 
 @
 
-Experimento conduzido sob delineamento interamente casualizado com cinco
+Experimento conduzido sob delineamento inteiramente casualizado com cinco
 repetições em casa de vegetação com plantas de algodão \emph{Gossypium
   hirsutum} submetidas à diferentes níveis de desfolha artificial de
 remoção foliar (\Sexpr{niveis.des}), em combinação com o estágio
@@ -63,7 +63,7 @@ esquerda temos a disposição das cinco observações em cada tratamento
 (combinação de nível de desfolha e estágio fenológico do algodão) e à
 direita um gráfico descritivo cruzando médias e variâncias amostrais
 calculadas em cada tratamento, onde a linha pontilhada representa a
-característica de equidispersão, média igua a variância. Em todos os
+característica de equidispersão, média igual a variância. Em todos os
 tratamentos obteve-se a média menor que a variância apontando evidência
 de subdispersão.
 
@@ -108,7 +108,7 @@ fonte.xy("Fonte: Traduzido de Zeviani et al. (Figura 2)")
 
 @
 
-\subsubsection{Produtividade de algodão sob efeito de insfestação de Mosca-branca}
+\subsubsection{Produtividade de algodão sob efeito de infestação de Mosca-branca}
 \label{sec:cottonBolls2}
 
 <<data-cottonBolls2, include=FALSE, echo=FALSE>>=
@@ -129,7 +129,7 @@ praga por diferentes períodos, \Sexpr{niveis.dexp} onde avaliou-se o
 número de capulhos produzidos, \texttt{ncapu}, o número de estruturas
 reprodutivas, \texttt{nerep} e o número de nós \texttt{nnos}, como
 variáveis de interesse que representam a produtividade do cultivo de
-algodão. A condução do estudo deu-se via delineamento interamente
+algodão. A condução do estudo deu-se via delineamento inteiramente
 casualizado com cinco vasos contendo duas plantas, para cada período de
 exposição.
 
@@ -175,7 +175,7 @@ na tabela \ref{tab:mv-cottonBolls2}, onde temos as médias e variâncias
 amostrais calculadas com as dez observações nos seis períodos de
 exposição à infestação de Mosca-branca. Em todos os casos observa-se as
 variâncias amostrais substancialmente menores que respectivas médias,
-ainda a manisfestação de subdispersão é mais expressiva na variável
+ainda a manifestação de subdispersão é mais expressiva na variável
 número de nós da planta. Portanto, nesse experimento modelos
 alternativos ao Poisson devem ser empregados, pois a suposição de
 equidispersão é violada.
@@ -440,8 +440,8 @@ data(fish, package = "tccPackage")
 
 @
 
-Diferentemente dos demais, esse é um estudo observavional feito por
-biólogos com intresse em modelar o número de peixes capturados por
+Diferentemente dos demais, esse é um estudo observacional feito por
+biólogos com interesse em modelar o número de peixes capturados por
 grupos de pescadores visitantes em um Parque Estadual \textbf{citar o
   repositório da UCLA}. Nesse estudo tem-se como informações a respeito
 dos grupos de visitantes, o número de pessoas e de crianças no grupo e
@@ -496,7 +496,7 @@ suppressWarnings({
 
 @
 
-\subsubsection{Número de nematóides em raízes de feijoeiro}
+\subsubsection{Número de nematoides em raizes de feijoeiro}
 \label{sec:nematodes}
 
 <<data-nematodes, include=FALSE, cache=FALSE>>=
@@ -506,35 +506,35 @@ data(nematodes, package = "tccPackage")
 @
 
 Esse último conjunto de dados explorado no trabalho, é resultado de um
-experimento em casa de vegetação que estudou a reprodução de nematóides
+experimento em casa de vegetação que estudou a reprodução de nematoides
 em cultivares de feijoeiro. No experimento, o solo de vasos com duas
-plantas de feijão foi inicialmente contaminado com nematóides. Ao final
-do experimento, as raízes das duas plantas por vaso foram lavadas,
-trituradas, peneiradas e diluídas e as contagens dos nematóides
+plantas de feijão foi inicialmente contaminado com nematoides. Ao final
+do experimento, as raizes das duas plantas por vaso foram lavadas,
+trituradas, peneiradas e diluídas e as contagens dos nematoides
 realizadas em alíquotas dessa solução. Perceba que temos, incidindo
-sobre a contagem a quantidade de raízes produzidas por parcela e ainda o
+sobre a contagem a quantidade de raizes produzidas por parcela e ainda o
 volume usado para diluir essa quantidade, pois as contagens são
-realizades em alíquotas da solução composta pela razão entre massa
-fresca de raízes (em gramas) e volume utilizado para diluição (em
-milimetros)\footnote{Cedido para fins acadêmicos por Andressa Cristina
+realizadas em alíquotas da solução composta pela razão entre massa
+fresca de raizes (em gramas) e volume utilizado para diluição (em
+milímetros)\footnote{Cedido para fins acadêmicos por Andressa Cristina
   Zamboni Machado, pesquisadora do Instituto Agronômico do Paraná
   (IAPAR), e pelo técnico agrícola do IAPAR Santino Aleandro da Silva}.
 
-<<descr-nematodes, fig.height=4, fig.width=4, fig.show="hide", results="asis", fig.cap="Dispersão do número de nematóides em uma alíquota de 1ml provida pela solução de 1 g/ml de massa fresca diluída.">>=
+<<descr-nematodes, fig.height=4, fig.width=4, fig.show="hide", results="asis", fig.cap="Dispersão do número de nematoides em uma alíquota de 1ml provida pela solução de 1 g/ml de massa fresca diluída.">>=
 
 cols <- trellis.par.get("superpose.line")$col[1:2]
 key <- list(
     ## corner = c(0.1, 0.9),
     type = "b", divide = 1,
     lines = list(pch = c(NA, 15), lty = c(2, 0), col = cols),
-    text = list(c("Média de nematóides por cultura",
-                  "Média de nematóides geral")))
+    text = list(c("Média de nematoides por cultura",
+                  "Média de nematoides geral")))
 
 xyplot(nema ~ cult, data = nematodes,
        type = c("p", "g"),
        key = key,
        xlab = "Linhagem de feijoeiro",
-       ylab = "Contagem de Nematóides",
+       ylab = "Contagem de nematoides",
        panel = function(x, y, ...) {
            means <- aggregate(y, list(x), mean)
            panel.xyplot(x, y, ...)
@@ -551,8 +551,8 @@ wrapfigure()
 @
 
 Na figura \ref{fig:descr-nematodes} apresentamos a dispersão das
-contagens de nematóides em uma alíquota de 1 ml da solução composta de
-uma grama de massa fresca de raíz por um milímetro de água. Note que as
+contagens de nematoides em uma alíquota de 1 ml da solução composta de
+uma grama de massa fresca de raiz por um milímetro de água. Note que as
 contagens para cada uma das culturas se distribuem em torno do perfil
 médio (linha pontilhada). Um detalhe interesse desse conjunto de dados é
 que as linhagens de feijoeiro avaliadas não foram escolhas subjetivas,
@@ -581,7 +581,7 @@ pacotes \texttt{lattice} (versão \Sexpr{packageVersion("lattice")}),
 \texttt{latticeExtra} (versão \Sexpr{packageVersion("latticeExtra")}) e
 \texttt{corrplot} (versão \Sexpr{packageVersion("corrplot")}) são
 exaustivamente utilizados. Finalmente, para elaboração do relatório,
-mesclando códigos em R e escrita na liguagem de marcação \LaTeX{}, o
+mesclando códigos em R e escrita na linguagem de marcação \LaTeX{}, o
 pacote \texttt{knitr} (versão \Sexpr{packageVersion("knitr")}) é
 requerido.
 
@@ -630,7 +630,7 @@ ou seja, possui a interpretação de um parâmetro de precisão.
 
 Note que a partir dessa reparametrização a condução de testes de
 hipóteses é facilitada. Uma vez que $\phi = 0$, representa o caso
-particicular em que a COM-Poisson se reduz a Poisson, a estatística
+particular em que a COM-Poisson se reduz a Poisson, a estatística
 
 \begin{equation*}
     \begin{split}
@@ -682,18 +682,18 @@ a forma
 
 \noindent
 em que $\ind$ é uma função indicadora para $y = 0$. Os argumentos
-$\hat{\phi}$, $\hat{\beta}$ e $\hat{\gamma}$, que maximizam o logarítmo
+$\hat{\phi}$, $\hat{\beta}$ e $\hat{\gamma}$, que maximizam o logaritmo
 neperiano da função \ref{eqn:loglik-hurdlecmp} serão as estimativas de
 máxima verossimilhança do modelo COM-Poisson com componente de barreira.
 
 Uma outra extensão proposta para o modelo COM-Poisson é a inclusão de
 efeitos aleatórios a fim de modelar a estrutura experimental ou
-observacional de um conjunto de dados. Nos reestringimos a inclusão de
+observacional de um conjunto de dados. Nos restringimos a inclusão de
 efeitos aleatórios Normais, ou seja, $b \sim \textrm{Normal}(0,
 \Sigma)$, que são incorporados sob a forma $\underline{\lambda} = X\beta
 + Z b$ conforme especificação \ref{eqn:reg-misto}. Assim, considerando a
-distribuição COM-Poisson para a variável resposta condicinada as
-covariáveis e os eifetos aletórios, podemos escrever a verossimilhança
+distribuição COM-Poisson para a variável resposta condicionada as
+covariáveis e os efeitos aleatórios, podemos escrever a verossimilhança
 como
 
 \begin{equation}
@@ -711,7 +711,7 @@ como
 \noindent
 sendo $m$ o número de grupos que compartilham do mesmo efeito aleatório,
 $q$ o número de efeitos aleatórios (intercepto aleatório, inclinação e
-interecpto aleatórios, etc.) e $n_i$ o número de observações no i-ésimo
+intercepto aleatórios, etc.) e $n_i$ o número de observações no i-ésimo
 grupo. A integração em \ref{eqn:loglik-mixedcmp}, necessária para a
 avaliação da verossimilhança não tem forma analítica. Utilizamos a
 aproximação de Laplace da forma como apresentada em
@@ -725,7 +725,7 @@ realizadas. Ainda, quando considerada a distribuição COM-Poisson para a
 variável resposta condicionalmente independente, temos também o cálculo
 de $n_m$ constantes normalizadoras $Z(\lambda, \phi)$
 (\ref{eqn:constante-z}) para cada $m$ grupo em cada iteração do
-algoritmo de otimazação. Toda essa estrutura hierárquica com
+algoritmo de otimização. Toda essa estrutura hierárquica com
 procedimentos computacionais realizados a cada estágio, são extremamente
 sensíveis a aspectos de programação/implementação.
 
@@ -750,7 +750,7 @@ modelos de regressão de efeitos fixos os valores preditos pelos modelos
 COM-Poisson e demais alternativas pertinentes são contrastados
 graficamente com bandas de confiança.
 
-Para maximização númerica das log-verossimilhanças dos modelos de
+Para maximização numérica das log-verossimilhanças dos modelos de
 regressão COM-Poisson e suas extensões utilizamos um método de
 otimização quasi-Newton bastante popular, denominado \textit{BFGS}. As
 informações do vetor gradiente (derivadas de primeira e matriz hessiana
diff --git a/docs/cap04_resultados-e-discussao.Rnw b/docs/cap04_resultados-e-discussao.Rnw
index de58e6d46aea372e497815f2e885779e89bb9fd0..5861d2233570e6abf3bd1e0a0015b6d6634400f8 100644
--- a/docs/cap04_resultados-e-discussao.Rnw
+++ b/docs/cap04_resultados-e-discussao.Rnw
@@ -67,7 +67,7 @@ Preditor 5: $g(\mu) = \beta_0 + \beta_{1j} \textrm{def} + \beta_{2j}
 
 \noindent
 onde $j$ varia nos níveis de estágio fenológico da planta (1:
-vegetativo, 2: botão floral, 3: florecimento, 4: maça, 5: capulho) e
+vegetativo, 2: botão floral, 3: florescimento, 4: maça, 5: capulho) e
 $g(\mu)$ uma função de ligação entre o componente sistemático e o
 componente aleatório do modelo. A proposta desses preditores foi
 realizada de forma aninhada a fim de facilitar a condução de testes de
@@ -165,7 +165,7 @@ COM-Poisson e Quasi-Poisson respectivamente, também são apresentadas na
 $\sigma^2<1$). Note que, mesmo quando não consideramos covariáveis,
 preditor 1, a hipótese de equidispersão foi rejeitada pelo modelos
 COM-Poisson e Quasi-Poisson. Isso se reflete nos níveis descritivos dos
-testes de razão de verossimilhaças realizados, em que o modelo Poisson,
+testes de razão de verossimilhanças realizados, em que o modelo Poisson,
 em discordância com os demais, não indicou significância do efeito
 quadrático por nível de desfolha, preditor 5, pois superestima a
 variabilidade do processo. Esses resultados estão de acordos com os
@@ -548,7 +548,7 @@ ajuste dos modelos para as três variáveis resposta. Em todos os casos o
 modelo COM-Poisson apresentou maiores log-verossimilhanças indicando um
 melhor ajuste, quando comparado ao Poisson, também indicado pelos os
 valores de AIC que ponderam a log-verossimilhança pelo número de
-parâmetros considerados no modelo. Para questões inferênciais novamente,
+parâmetros considerados no modelo. Para questões inferenciais novamente,
 temos um desacordo entre os modelos paramétricos. Pelos modelos Poisson
 não temos evidências para manutenção de nenhum efeito da variável número
 de dias sob infestação, em todos os casos, ao passo que no modelo
@@ -573,7 +573,7 @@ tendências apontadas pelo COM-Poisson foram seguidas.
 Para avaliação do parâmetro $\phi$ da COM-Poisson nos três modelos
 considerados, temos os intervalos de confiança construídos sob
 perfilhamento da verossimilhança na figura \ref{fig:prof-cottonBolls2}. Note
-que para nenhum dos modelos on intervalos de confiança de 90, 95 e 99\%
+que para nenhum dos modelos os intervalos de confiança de 90, 95 e 99\%
 de confiança contiveram o valor de $\phi = 0$. Os valores estimados dos
 parâmetros nos modelos para número de capulhos, número de estruturas
 reprodutivas e número de nós da planta foram de \Sexpr{phis[, 1]}
@@ -1054,7 +1054,7 @@ maiores que 1 respectivamente. Os valores de AIC se apresentam menores e
 as avaliações da log-verossimilhança no ponto máximo maiores para os
 modelos paramétricos alternativos ao Poisson. Ainda a evidência sobre o
 efeito de interação para essa variável resposta é mais contundente. Na
-\ref{fig:prof-soyaBeans} à direira temos a verossimilhança perfilhada
+\ref{fig:prof-soyaBeans} à direita temos a verossimilhança perfilhada
 com indicação dos intervalos de confiança para $\phi$ e estes não
 contemplam o zero.
 
@@ -1318,11 +1318,11 @@ menores não por se ajustar melhor aos dados, mas sim por subestimar a
 variabilidade do processo. Para as formulações alternativas, temos os
 modelos paramétricos com intervalos menores que o semi-paramétrico
 Quasi-Poisson, isso é razoável, pois nos Quasi-Poisson temos somente a
-especificação de dois momentos, enquanto que nos parâmetricos
+especificação de dois momentos, enquanto que nos paramétricos
 especificamos a distribuição completa, ganhando informação
 \ref{eqn:quasi-informacao}. Os intervalos sob os modelos COM-Poisson e
 Binomial Negativa foram os mais parcimoniosos, sendo intervalos menores,
-porém fiéis a varibilidade inerente ao processo.
+porém fiéis a variabilidade inerente ao processo.
 
 \section{Análise de ninfas de mosca-branca em lavoura de soja}
 \label{sec:analise-whiteFly}
@@ -1397,7 +1397,7 @@ contagens altas (variando entre \Sexpr{paste(range(soyaBeans[ ,
 estimados próximos à -3). Isso torna a convergência da função $Z(\lambda_i, \nu =
 \exp(\phi))$ demorada e o valor dessa constante que normaliza a
 densidade é altíssimo. Em problemas com contagens altas e comportamento
-muito superdisperso a obtenção da constante Z pode se tornar probitiva
+muito superdisperso a obtenção da constante Z pode se tornar proibitiva
 computacionalmente, devido à \textit{overflow} (valores que ultrapassam o
 limite de capacidade de armazenamento da máquina) e consequentemente o
 modelo COM-Poisson não se ajusta.
@@ -1490,8 +1490,8 @@ significância inferior a 1E-10) que há efeito de interação entre os dias
 decorridos da primeira avaliação e as cultivares ao passo que nos
 modelos alternativos esse efeito é marcadamente não significativo. Essa
 discordância se deve, conforme já discutido, ao fato de o modelo Poisson
-subestimar a variabilidade por sua reestrição de equidispersão. Assim,
-com variâncias menores qualquer efeito acréscido no modelo passará por
+subestimar a variabilidade por sua restrição de equidispersão. Assim,
+com variâncias menores qualquer efeito acrescido no modelo passará por
 significativo.
 
 <<prof-whiteFly, fig.height=4, fig.width=4, fig.show="hide", results="asis", fig.cap="Perfil de log-verossimilhança para o parâmetro extra da COM-Poisson">>=
@@ -1509,7 +1509,7 @@ verossimilhança para o parâmetro $\phi$ apresentado na figura
 \ref{fig:prof-whiteFly}. Podemos observar que os limites inferiores dos
 intervalos de confiança de 90, 95 e 99\% estão muito distantes do valor
 0, sob o qual temos equivalência entre os modelos Poisson e
-COM-Poisson. Outra característica desse gráfico é a leve assimétria à
+COM-Poisson. Outra característica desse gráfico é a leve assimetria à
 esquerda, o que atribuímos a forte característica de superdispersão dos
 dados.
 
@@ -1639,7 +1639,7 @@ Quasi-Poisson, são apresentadas na \ref{fig:pred-whiteFly}. Para o
 efeito de bloco consideramos o efeito médio para uma correta
 comparação. Podemos observar que o intervalo de confiança descrito pelo
 modelo Poisson é quase imperceptível quando comparados aos demais,
-mostrando novamente que seu uso pe inadequado a esses dados. Já para as
+mostrando novamente que seu uso é inadequado a esses dados. Já para as
 outras alternativas não tivemos um comportamento padrão em todas as
 cultivares. Os intervalos pelo modelos Quasi-Poisson e COM-Poisson foram
 muito similares em todos os casos e os intervalos pelo modelo Binomial
@@ -1694,7 +1694,7 @@ estruturados de forma convencional, que pressupõe apenas um processo
 estocástico na geração de dados, não se ajustaram adequadamente. A
 seguir apresentamos a alternativa de inclusão de um efeito de barreira
 para acomodar a quantidade excessiva de valores zero. Os modelos
-Poisson, Binomial Negativo e COm-Poisson sob esta estruturação são
+Poisson, Binomial Negativo e COM-Poisson sob esta estruturação são
 ajustados e comparados.
 
 Com a estrutura dos dados vamos modelar o número de peixes capturados em
@@ -1729,8 +1729,8 @@ contagens zero respectivamente. Os preditores lineares foram propostos
 de forma aninhada. No primeiro temos os efeitos aditivos de todas as
 covariáveis mensuradas para a parte das contagens nulas e efeitos
 aditivos do número de pessoas e de crianças para a parte das contagens
-não nulas. No segundo temos os efeitos aditividos de todas as
-covariáveis acréscido do efeito de interação entre o número de pessoas e
+não nulas. No segundo temos os efeitos aditivos de todas as
+covariáveis acrescidos do efeito de interação entre o número de pessoas e
 de crianças para ambas as partes do modelo.
 
 <<logLik-fish, include=FALSE>>=
@@ -1789,7 +1789,7 @@ COM-Poisson & np & $\ell$ & AIC & 2(diff $\ell$) & diff np & P($>\rchi^2$) & $\h
 Na tabela \ref{tab:ajuste-fish} as medidas de ajuste dos modelos
 Poisson, Binomial Negativo e COM-Poisson são apresentadas para
 comparação dos resultados. Observa-se pelas log-verossimilhanças
-maximimizadas que o modelo Poisson não se ajustou adequadamente quando
+maximizadas que o modelo Poisson não se ajustou adequadamente quando
 comparado aos demais. Isso se deve ao fato discutido na seção
 \ref{cap02:zeros}, que mesmo modelando os zeros podemos ter diferentes
 níveis de dispersão para as contagens nulas. Nesse exemplo as contagens
@@ -1888,7 +1888,7 @@ Calculando a magnitude desses efeitos quando escalonados pelo seu erro
 padrão, calculado pelo negativo do inverso da matriz hessiana, temos
 diferenças substanciais. O modelo COM-Poisson indica erros padrões das
 estimativas muito menores que os apresentados no modelo Binomial
-Negativo. Sob investigações do problema, encontramos que este resultdo
+Negativo. Sob investigações do problema, encontramos que este resultado
 se deve por inconsistências no procedimento numérico para determinação
 da matriz hessiana por diferenças finitas no modelo
 COM-Poisson. Portanto, os erros padrão sob o modelo COM-Poisson
@@ -1994,11 +1994,11 @@ prontamente disponíveis para análise e o modelo COM-Poisson com
 componente de barreira, conforme apresentado, se torna uma abordagem
 atrativa.
 
-\section{Análise de dados de reprodução de nematóides em cultivares de
+\section{Análise de dados de reprodução de nematoides em cultivares de
   feijoeiro}
 \label{sec:analise-nematodes}
 
-<<ajuste-nematodes, include=FALSE, cache=TRUE>>=
+<<ajuste-nematodes, include=FALSE, cache=FALSE>>=
 
 library(tccPackage)
 library(lme4)
@@ -2022,8 +2022,8 @@ load("mixedcmp_models.rda")
 Nessa última aplicação apresentada no trabalho ilustramos a extensão dos
 modelos de contagem para inclusão de efeitos aleatórios. Os modelos em
 competição são o Poisson e o COM-Poisson com efeitos aleatórios. O
-conjunto de dados se refere ao número de nematóides em cultivares
-medidas em soluções \texttt{sol} compostas da massa fresca de raízes
+conjunto de dados se refere ao número de nematoides em cultivares
+medidas em soluções \texttt{sol} compostas da massa fresca de raizes
 diluídas em água, mensuradas em gramas$ \cdot$ ml$^{-1}$ conforme
 apresentado na seção \ref{sec:nematodes}. Consideramos para os modelos
 em competição, os seguintes preditores:
@@ -2073,7 +2073,7 @@ valores para os parâmetros que resultaram em somas $Z(\lambda_i, \phi)$
 não puderam ser representados pela máquina, \textit{overflow}. Porém o
 algoritmo é equipado com procedimentos para esquivar-se desse problema
 propondo novos valores mesmo quando a função objetivo não puder ser
-calculada, alcançando o máximo da log-verossimilahnça. Para o modelo
+calculada, alcançando o máximo da log-verossimilhança. Para o modelo
 Poisson de efeito aleatório utilizou-se das programações em R providas
 pelo pacote \texttt{lme4} \cite{Bates2015}, que trabalham com matrizes
 esparsas para os efeitos aleatórios e otimização em linguagem de baixo
@@ -2083,13 +2083,13 @@ Os resultados do ajuste para avaliação e comparação dos modelos são
 apresentados na tabela \ref{tab:ajuste-nematodes}. Os valores na tabela
 indicam que os modelos Poisson e COM-Poisson se ajustaram de forma
 equivalente, os valores da log-verossimilhança foram muito
-próximos. Essa equivalência também é apontanda pelos AIC's que foram
+próximos. Essa equivalência também é apontada pelos AIC's que foram
 maiores para nos modelos COM-Poisson e pelos níveis descritivos dos
 TRV's realizados sob a hipótese $H_0: \phi = 0$, indicando que a adoção
 de um modelo com um parâmetro adicional não é justificado pelo pequeno
 acréscimo na log-verossimilhança. Com relação ao efeito da solução de
-massa fresca de raíz, temos evidências apontando um efeito significativo
-para explicação do número de nematóides.
+massa fresca de raiz, temos evidências apontando um efeito significativo
+para explicação do número de nematoides.
 
 \begin{table}[ht]
 \centering
@@ -2134,7 +2134,7 @@ modelo misto COM-Poisson é que podemos distinguir a variabilidade da
 contagem com a variabilidade dos grupos aleatórios no experimento. Nesse
 exemplo tivemos uma variabilidade do efeito aleatório maior, $\sigma$
 estimado no caso COM-Poisson maior que no caso Poisson, porém essa
-varibilidade extra capturada pelo efeito aleatório é compensada pela
+variabilidade extra capturada pelo efeito aleatório é compensada pela
 subdispersão capturada pelo parâmetro $\phi$.
 
 
@@ -2212,7 +2212,7 @@ Conforme já observado anteriormente, no modelo COM-Poisson misto temos
 que os parâmetros $\phi$, da distribuição considerada para a variável de
 contagem condicional aos efeitos aleatórios e as covariáveis e $\sigma$,
 da distribuição considerada para os efeitos aleatórios são conjuntamente
-responsáveis pela explicação da varibilidade do processo em estudo. Na
+responsáveis pela explicação da variabilidade do processo em estudo. Na
 figura \ref{fig:corr-nematodes} apresentados as covariâncias entre os
 parâmetros do modelo, na escala de correlação, a fim de verificar,
 principalmente, a correlação entre $\sigma$ e $\phi$. Observa-se que,
@@ -2284,9 +2284,9 @@ xy2 <- xyplot(nema ~ off | model,
               type = c("p", "g"),
               alpha = 0.4,
               key = key,
-              xlab = paste("Solução de massa fresca de raízes\n",
+              xlab = paste("Solução de massa fresca de raizes\n",
                            "pelo volume de água"),
-              ylab = "Contagem de Nematóides",
+              ylab = "Contagem de nematoides",
               strip = strip.custom(
                   factor.levels = c("Poisson", "COM-Poisson")
               ),
diff --git a/docs/cap05_consideracoes-finais.Rnw b/docs/cap05_consideracoes-finais.Rnw
index fefaab71b00601a681d2a64fca380b969d806941..0cb30e74b821d230d1669263f410d8c580092cab 100644
--- a/docs/cap05_consideracoes-finais.Rnw
+++ b/docs/cap05_consideracoes-finais.Rnw
@@ -19,7 +19,7 @@ bandas de confiança. Porém ressalta-se que na abordagem por
 quasi-verossimilhança, com a especificação de apenas dois momentos, i)
 não recupera-se a distribuição de probabilidades da variável em estudo,
 ii) a informação a respeito da média é igual ou inferior a uma abordagem
-totalmente parâmetrica e iii) extensões como a modelagem de excesso de
+totalmente paramétrica e iii) extensões como a modelagem de excesso de
 zeros e modelagem do parâmetro de dispersão não são imediatas. Nos casos
 de superdispersão exploramos também os resultados dos modelos baseados
 na distribuição Binomial Negativa e nessa abordagem temos o
@@ -41,7 +41,7 @@ equivalentes ao modelo Hurdle Binomial Negativo assim como as
 estimativas pontuais dos valores preditos. Na aplicação do modelo Hurdle
 COM-Poisson não foi possível a obtenção dos erros padrão das estimativas
 dos efeitos devido a problemas numéricos na determinação da matriz
-hessiano. Para o caso extendido do modelo COM-Poisson em que acomodamos
+hessiano. Para o caso estendido do modelo COM-Poisson em que acomodamos
 efeitos aleatórios, destacamos os procedimentos computacionalmente
 intensivos que são empregados no algoritmo de estimação. A aplicação se
 deu a um experimento que apresentou contagens com um grau não
@@ -55,7 +55,7 @@ os modelos baseados na distribuição COM-Poisson. A primeira delas, e
 talvez a mais difícil de se contornar, é a determinação da constante de
 normalização, pois essa depende do parâmetro em que associamos a um
 preditor linear assim temos que calcular $n$ constantes a cada iteração
-do algortimo de estimação. Em casos de contagens altas e superdispersão
+do algoritmo de estimação. Em casos de contagens altas e superdispersão
 dessa constante é extremamente demorado. Outra característica que se
 manisfestou em todas as aplicações foi a não ortogonalidade entre os
 parâmetros de regressão e o parâmetro adicional $\phi$, observada pelas
@@ -64,13 +64,13 @@ inferências dependentes. Em pesquisas não relatadas nesse trabalho
 verificamos que a reparametrização do parâmetro $\lambda$, adotando a
 aproximação para média contorna essa característica com o preço de se
 ter uma distribuição aproximada. Nas aplicações exploramos também os
-prfis de verossimilhança para o parâmetro $\phi$ da COM-Poisson e o
+perfis de verossimilhança para o parâmetro $\phi$ da COM-Poisson e o
 comportamento aproximadamente simétrico em todos casos induz que
 aproximações quadráticas da verossimilhança podem ter desempenhos
 satisfatórios.
 
 Em geral, destaca-se o modelo Poisson, largamente utilizado na
-estatística aplicada, como uma alternativa reestritiva devido a sua
+estatística aplicada, como uma alternativa restritiva devido a sua
 suposição de equidispersão (relação média igual a variância), que leva a
 resultados incorretos quando essa suposição não é atendida. Como
 alternativa sugere-se o modelo COM-Poisson que se apresenta como uma