diff --git a/inst/slides/gamma_count.Rnw b/inst/slides/gamma_count.Rnw
new file mode 100644
index 0000000000000000000000000000000000000000..90bc40ddc68af20b87fe7d402feb84c0dbefa910
--- /dev/null
+++ b/inst/slides/gamma_count.Rnw
@@ -0,0 +1,218 @@
+<<setup-child, include=FALSE>>=
+set_parent("slides-mrdcr.Rnw")
+@
+
+\begin{frame}
+ \begin{center}
+ \includegraphics[width=11cm]{images/winkelman95.jpeg}
+ \end{center}
+ \begin{thebibliography}{99}
+ \bibitem{Winkelmann1995}
+ \MakeUppercase{Winkelmann, R.}
+ \newblock{Duration Dependence and Dispersion in Count-Data Models}.
+ \textbf{Journal of Business \& Economic Statistics}, v.13, n.4,
+ p.467--474, 1995.
+ \end{thebibliography}
+\end{frame}
+
+\begin{frame}[allowframebreaks]
+ \frametitle{Duração dependência}
+ \begin{itemize}
+ \item Considere um processo estocástico definido pela sequência da
+ v.a. $\tau_i$, intervalo de tempo entre eventos.
+ \item Se $\{\tau_1, \tau_2,\ldots\}$ são independentes e identicamente
+ distribuídos, todos com densidade $f(\tau)$, esse processo é chamado
+ de \emph{renewal process}.
+ \item Defina a variável de contagem $N_T$ como o número de eventos no
+ intervalo $[0,T)$.
+ \item Defina $\vartheta_n = \sum_{i=1}^{n} \tau_i$ o tempo até o
+ $n$-ésimo evento.
+ \item A distribuição de $\vartheta_n$ determina a distribuição de
+ $N_T$, mas é baseada em covolução.
+ \item São distribuições fechadas para covolução: normal, Poisson,
+ binomial e gama.
+ \item Destas, apenas a gama é contínua e positiva.
+
+ \framebreak
+
+ \item Denote $\text{E}(\tau) = \mu$, $\text{V}(\tau) = \sigma^2$ e
+ $\text{CV}(\tau) = \sigma/\mu$.
+ \item Defina $\lambda(\tau) = \frac{f(\tau)}{1-F(\tau)}$ como a função
+ de risco e assuma que é monótona.
+ \item Existe relação entre o tipo de duração dependência e o
+ coeficiente de variância
+ \begin{equation}
+ \frac{\text{d}\lambda(t)}{\text{d}t} \left.\begin{matrix}
+ < \\
+ = \\
+ >
+ \end{matrix}\right\} 0 \Rightarrow
+ \upsilon \left.\begin{matrix}
+ < \\
+ = \\
+ >
+ \end{matrix}\right\} 1
+ \end{equation}
+ \end{itemize}
+\end{frame}
+
+\begin{frame}[allowframebreaks]
+ \frametitle{Relação entre número de eventos e intervalo entre eventos}
+ \begin{itemize}
+ \item Intervalos entre tempo $\tau \sim \text{Gama}(\alpha,\beta)$,
+ $$f(\tau, \alpha, \beta) = \frac{\beta^\alpha}{\Gamma(\alpha)}
+ \cdot \tau^{\alpha-1}\cdot \exp\{-\beta\tau\},$$
+ $$ \text{E}(\tau) = \frac{\alpha}{\beta}, \quad
+ \text{V}(\tau) = \frac{\alpha}{\beta^2}.$$
+ \item Tempo até o $n$-ésimo evento
+ $$\vartheta_n = \tau_1+\cdots+\tau_n ~ \sim
+ \text{Gama}(n\alpha, \beta),$$
+ $$f_n(\vartheta, \alpha, \beta) =
+ \frac{\beta^{n\alpha}}{\Gamma(n\alpha)}\cdot
+ \vartheta^{n\alpha-1}\cdot \exp\{-\beta\vartheta\},$$
+ $$ \text{E}(\vartheta) = \frac{n\alpha}{\beta}, \quad
+ \text{V}(\vartheta) = \frac{n\alpha}{\beta^2}.$$
+
+ \framebreak
+
+ \item A distribuição acumulada do tempo até $\vartheta_{n}$ é
+ \item $$F_n(T) = \Pr(\vartheta_n \leq T) = \int_{0}^{T}
+ \frac{\beta^{n\alpha}}{\Gamma(n\alpha)}\cdot t^{n\alpha-1}\cdot
+ \exp\{-\beta t\}\,\text{d}t.$$
+ \item Seja $[0,T)$ um intervalo e $N_{T}$ a v.a. número de eventos
+ neste intervalo.
+ \item Segue que $N_T < n$ se e somente se $\vartheta_n \geq
+ T$. Assim
+ $$\Pr(N_T<n) = \Pr(\vartheta_n \geq T) = 1-F_n(T);$$
+ \item Já que $\Pr(N_T = n) = \Pr(N_T < n+1) - \Pr(N_T < n)$, então
+ $$\Pr(N_T = n) = F_n(T) - F_{n+1}(T).$$
+
+ \framebreak
+
+ \item Portanto, distribuição de $N_T$ é resultado da diferença de
+ acumuladas da distribuição Gama, pois
+ \begin{equation}
+ F_n(T) = G(n\alpha, \beta T) =
+ \int_{0}^{T} \frac{\beta^{n\alpha}}{\Gamma(n\alpha)}
+ t^{n\alpha-1}\cdot\exp\{-\beta t\}\, \text{d}t.
+ \end{equation}
+ \item Assim
+ \begin{align*}
+ \Pr(N_T=n) &= G(n\alpha, \beta T) - G((n+1)\alpha, \beta T) \\
+ &= \left[ \int_{0}^{T}
+ \frac{\beta^{n\alpha}}{\Gamma(n\alpha)}
+ t^{n\alpha-1}\cdot
+ \exp\{-\beta t\}\, \text{d}t \right] -
+ \left[ \int_{0}^{T}
+ \frac{\beta^{(n+1)\alpha}}{\Gamma((n+1)\alpha)}
+ t^{(n+1)\alpha-1}\cdot
+ \exp\{-\beta t\}\, \text{d}t \right]
+ \end{align*}
+ \end{itemize}
+\end{frame}
+
+\begin{frame}[allowframebreaks]
+ \frametitle{Parametrização para modelo de regressão}
+ \begin{itemize}
+ \item A média da variável aleatória $N_T$ é resultado de
+ \begin{align*}
+ E(N) &= \sum_{i=0}^{\infty} i\cdot \Pr(i) \\
+ &= \sum_{i=1}^{\infty} i\cdot \Pr(i)\\
+ &= \sum_{i=1}^{\infty} G(i\alpha, \beta T).\\
+ \end{align*}
+ \item Para um $T$ cada vez maior, tem-se que
+ \begin{equation*}
+ N(T)\; \dot{\sim}\; \text{Normal}\left(
+ \frac{\beta}{\alpha},
+ \frac{\beta}{\alpha^2}\right).
+ \end{equation*}
+ \item Considere que
+ $$\frac{\beta}{\alpha} = \exp\{x^{\top}\theta\} \Rightarrow
+ \beta = \alpha \exp\{x^{\top}\theta\}.$$
+ Essa parametrização produz um modelo de regressão para a média
+ do tempo entre eventos definida por
+ $$\text{E}(\tau|x) = \frac{\alpha}{\beta} =
+ \exp\{-x^{\top}\theta\}.$$
+ \item O modelo de regressão é para o tempo entre eventos ($\tau$)
+ e não diretamente para contagem porque, a menos que
+ $\alpha = 1$, não é certo que
+ $\text{E}(N_i|x_i) = [\text{E}(\tau_i|x_i)]^{-1}$.
+ \end{itemize}
+\end{frame}
+
+\begin{frame}
+ \frametitle{Função de log-verossimilhança}
+ Considerando uma amostra aleatória $y_i, i=1,2,\ldots,n$, a
+ verossimilhança é
+ \begin{equation}
+ L(y; \alpha, \beta) =
+ \prod_{i=1}^{n} \left(
+ G(y_i\alpha, \beta) -
+ G((y_i+1)\alpha, \beta) \right)
+ \end{equation}
+ e a função de log-verossimilhança é
+ \begin{equation}
+ \ell(y; \alpha, \beta) =
+ \sum_{i=1}^{n} \ln\left(
+ G(y_i\alpha, \beta) -
+ G((y_i+1)\alpha, \beta) \right)
+ \end{equation}
+\end{frame}
+
+\begin{frame}[fragile]
+ \frametitle{Implementação da log-verossimilhança}
+<<echo = TRUE>>=
+library(MRDCr)
+llgcnt
+@
+\end{frame}
+
+\begin{frame}[fragile]
+<<fig.width = 9, fig.height = 4.5, out.width = "0.95\\textwidth">>=
+grid <- expand.grid(lambda = c(2, 8, 15),
+ alpha = c(0.5, 1, 2.5))
+y <- 0:30
+py <- mapply(FUN = dgcnt,
+ lambda = grid$lambda,
+ alpha = grid$alpha,
+ MoreArgs = list(y = y), SIMPLIFY = FALSE)
+grid <- cbind(grid[rep(1:nrow(grid), each = length(y)), ],
+ y = y,
+ py = unlist(py))
+
+useOuterStrips(xyplot(py ~ y | factor(lambda) + factor(alpha),
+ ylab = expression(f(y)),
+ xlab = expression(y),
+ data = grid, type = "h",
+ panel = function(x, y, ...) {
+ m <- sum(x * y)
+ panel.xyplot(x, y, ...)
+ panel.abline(v = m, lty = 2)
+ }),
+ strip = strip.custom(
+ strip.names = TRUE,
+ var.name = expression(lambda == ""),
+ sep = ""),
+ strip.left = strip.custom(
+ strip.names = TRUE,
+ var.name = expression(alpha == ""),
+ sep = ""))
+@
+\end{frame}
+
+\begin{frame}{Estudos de caso}
+ {\it Vignette} \href{run:../doc/v06_gamma_count.html}{\tt
+ gamma\_count.html}
+ \begin{description}
+ \item[\tt soja]: Número de vagens, de grãos e de grãos por vagem.
+ \item[\tt capdesfo]: Número de capulhos produzidos em algodão.
+ \item[\tt nematoide]: Número de nematoides em raízes de linhagens de
+ feijoeiro.
+ \item[\tt cambras]: Gols do Campeonato Brasileiro de 2010.
+ \end{description}
+\end{frame}
+
+\begin{frame}
+ \frametitle{Conclusões}
+ TODO
+\end{frame}
diff --git a/inst/slides/images/winkelman95.jpeg b/inst/slides/images/winkelman95.jpeg
new file mode 100755
index 0000000000000000000000000000000000000000..9c99efe9cd8b58f6c626904c899f0329d7f2037f
Binary files /dev/null and b/inst/slides/images/winkelman95.jpeg differ