diff --git a/inst/slides/Padrao_curso.tex b/inst/slides/Cesar.tex
similarity index 90%
rename from inst/slides/Padrao_curso.tex
rename to inst/slides/Cesar.tex
index 88eff0dabd326cfe0afac6eb8f8a3b5ae876addd..7e53f309b5d61c4374813fdf624a18b05c544ebc 100644
--- a/inst/slides/Padrao_curso.tex
+++ b/inst/slides/Cesar.tex
@@ -139,22 +139,45 @@
%% ======================================================================
+%% Inicia o documento
+
\begin{document}
+\begin{frame}
+ \titlepage
+\end{frame}
-% Titulo
-\title[\sc{MRCR}]{Modelos de Regressão para Dados de Contagens com o R}
-\author[Zeviani, W.M.; Ribeiro Jr, E.E.; Taconeli, C.A.]{Walmes Marques Zeviani, Eduardo Elias Ribeiro Junior, Cesar Augusto Taconeli}
-\institute{Universidade Federal do Paraná} % opcional
-\date{\today}
+\begin{frame}{Conteúdo}
+
+\begin{multicols}{2}
+
+\begin{enumerate}
+ \item Introdução
+ \item Modelos Lineares Generalizados
+ \item Modelo de Regressão Poisson
+ \item Modelo de Quase-Verossimilhança
+ \item Modelos Paramétricos Alternativos
+
+ \begin{enumerate}
+ \item Modelo Binomial Negativo
+ \item Modelo Poisson Generalizado
+ \item Modelo COM-Poisson
+ \item Modelo Gamma-Count
+ \end{enumerate}
+ \item Modelos para Excesso de Zeros
+ \begin{enumerate}
+ \item Modelos de Barreira (Hurdle)
+ \item Modelos de Mistura (Zero Inflated)
+ \end{enumerate}
+ \item Modelos com Efeitos Aleatórios
+\end{enumerate}
+
+\end{multicols}
-\begin{frame}
- \titlepage
\end{frame}
-\renewcommand{\vec}[1]{\mathbf{#1}}
@@ -220,7 +243,7 @@ aquém, em quantidade e diversidade, em relação ao verificado para dados cont
%%% Slide 5
-\begin{frame}{Limitações do modelo de regressão com erros normais na análise de dados de contagens}
+\begin{frame}{Regressão com erros normais na análise de dados de contagens}
\vspace{0,5cm}
@@ -244,7 +267,7 @@ aquém, em quantidade e diversidade, em relação ao verificado para dados cont
%%% Slide 6
-\begin{frame}{Limitações do modelo de regressão com erros normais na análise de dados de contagens}
+\begin{frame}{Regressão com erros normais na análise de dados de contagens}
\vspace{0,2cm}
@@ -343,7 +366,7 @@ $$
$$
- \epsilon =\lim_{\Delta t\rightarrow 0}\frac{P\left \{ \text{evento ocorrer em} \left ( t,t+\Delta t \right ) \right \}}{\Delta t},
+ \lambda (t) =\lim_{\Delta t\rightarrow 0}\frac{P\left \{ \text{evento ocorrer em} \left ( t,t+\Delta t \right ) \right \}}{\Delta t},
$$
\vspace{0,3cm}
@@ -430,7 +453,7 @@ Dentre as principais propriedades da distribuição de Poisson, tem-se:
%%% Slide 13
-\begin{frame}{Ilustração}
+\begin{frame}{Distribuição Poisson para diferentes valores de $\mu$}
\begin{figure}[h]
\includegraphics[height=6cm,width=9cm]{images/graf1.pdf}
@@ -783,6 +806,26 @@ com $\boldsymbol{I^{-1}(\boldsymbol{\beta})}=Var(\boldsymbol{\hat{\beta}})=\phi
%%%-----------------------------------------------------------------------------------------
+%%% Slide 32
+
+\begin{frame}{Modelo Linear Generalizado}
+
+\begin{itemize}
+
+
+\item O parâmetro de dispersão, $\phi$, pode ser estimado usando o método de momentos, resultando em:
+
+\vspace{0.5cm}
+
+$$ \hat{\phi}=\frac{\sum_{i=1}^{n} (y_{i}-\hat{\mu}_{i})^{2}}{n-p}. $$
+
+\end{itemize}
+
+\end{frame}
+
+%%%-----------------------------------------------------------------------------------------
+
+
%%% Slide 18
@@ -994,33 +1037,7 @@ $$U(\boldsymbol{\beta}) =\sum_{i=1}^{n}(y_{i}-exp(\boldsymbol{x'_{i}\beta}))\bol
\item As equações de estimação via quase-verossimilhança, neste caso, são idênticas às obtidas com base na verossimilhança da regressão Poisson.
-
-\end{itemize}
-
-\end{frame}
-
-
-%%%-----------------------------------------------------------------------------------------
-
-
-
-%%% Slide 41
-
-\begin{frame}{Modelo Linear Generalizado - Quase-Verossimilhança}
-
-\begin{itemize}
-
-
-
-\item Como principais alternativas para definição de $V(\mu)$, podemos considerar proporcionalidade em relação a alguma potência de $\mu$, como $V(\mu) \text{ } \propto \text{ } \mu$; $V(\mu)\text{ } \propto \text{ } \mu^2$ e $V(\mu) \text{ } \propto \text{ } \mu^3$.
-
-\vspace{0.5cm}
-
-\item O parâmetro de dispersão, $\phi$, pode ser estimado usando o método de momentos, resultando em:
-
-\vspace{0.5cm}
-
-$$ \hat{\phi}=\frac{\sum_{i=1}^{n} (y_{i}-\hat{\mu}_{i})^{2}}{n-p}. $$
+\item Como principais alternativas para definição de $V(\mu)$, podemos considerar proporcionalidade em relação a alguma potência de $\mu$, como $V(\mu) \text{ } \propto \text{ } \mu$ e $V(\mu)\text{ } \propto \text{ } \mu^2$.
\end{itemize}
@@ -1029,69 +1046,19 @@ $$ \hat{\phi}=\frac{\sum_{i=1}^{n} (y_{i}-\hat{\mu}_{i})^{2}}{n-p}. $$
-%%% Slide 43
-
-\begin{frame}{Modelo Linear Generalizado - Pseudo Máxima Verossimilhança}
-
-\begin{itemize}
-
-
-
-\item Para se prevenir de possível especificação incorreta da variância, podemos estimar $Var(\boldsymbol{\hat{\beta}})$ de forma robusta usando um estimador do tipo sanduíche.
-
-\vspace{0.5cm}
-
-\item Suponha que a média do modelo seja corretamente especificada, mas a função de variância escolhida $(\tilde{V})$ seja diferente da verdadeira $V$.
-
-\vspace{0.5cm}
-
-\item Nesse caso, $ Var(\boldsymbol{\hat{\beta}}) \neq \phi \boldsymbol{(D'\tilde{V}^{-1}D)} ^{-1}$, uma vez que $\tilde{V} \neq \ V$.
-
-\end{itemize}
-
-\end{frame}
-
-%%%-----------------------------------------------------------------------------------------
-
-%%% Slide 44
-
-\begin{frame}{Modelo Linear Generalizado - Pseudo Máxima Verossimilhança}
-
-\begin{itemize}
-
-
-\item Uma forma robusta de proceder a estimação de $ Var(\boldsymbol{\hat{\beta}})$ é com base em:
-
-$$ Var_{Rb}(\boldsymbol{\hat{\beta}})=
-\boldsymbol{(D'\tilde{V}^{-1}D)} ^{-1}
- \boldsymbol{(D'\tilde{V}^{-1}E\tilde{V}^{-1}D)}
-\boldsymbol{(D'\tilde{V}^{-1}D)} ^{-1},$$
-
-em que
-
-$$ \boldsymbol{E} = diag\{(y_1-\mu_1)^2,(y_2-\mu_2)^2,...,(y_n-\mu_n)^2\}$$
-
-\vspace{0.5cm}
-
-\item O estimador sanduíche é resultante da avaliação de $Var_{Rb}$ em $\boldsymbol{\hat{\beta}}$, sendo consistente mesmo quando $\tilde{V} \neq\ V.$
-
-\end{itemize}
-
-\end{frame}
-
%%%-----------------------------------------------------------------------------------------
%%% Slide45
-\begin{frame}{Modelo Linear Generalizado - Pseudo Máxima Verossimilhança}
+\begin{frame}{Modelo Linear Generalizado - Quase Verossimilhança}
\begin{itemize}
\item Para a regressão Poisson:
$$
-Var(\boldsymbol{\hat{\beta}_{PQL}})=\left [ \sum_{i=1}^{n} \boldsymbol{x_{i}x'_{i}}\mu_{i} \right ]^{-1}
+Var(\boldsymbol{\hat{\beta}_{QL}})=\left [ \sum_{i=1}^{n} \boldsymbol{x_{i}x'_{i}}\mu_{i} \right ]^{-1}
\sum_{i=1}^{n} \boldsymbol{x_{i}x'_{i}} \omega_{i} \left [ \sum_{i=1}^{n} \boldsymbol{x_{i}x'_{i}}\mu_{i} \right ]^{-1},
$$
@@ -1099,8 +1066,7 @@ com $\mu_{i}=exp({\boldsymbol{x'_{i}\beta}})$ e $\omega_{i}=Var(y_{i}|\boldsymbo
\vspace{0.5cm}
-\item Podemos considerar $\omega_i=V(\mu_i;\phi)$ ou, simplesmente, o estimador robusto, baseado em $\omega_i=(y_i-\mu_i)^2$.
-
+\item Podemos considerar $\omega_i=V(\mu_i;\phi)$, como $\omega_i \propto \mu_i$, $\omega_i \propto \mu_i^2$ ou, simplesmente, o estimador robusto, baseado em $\omega_i=(y_i-\mu_i)^2$.
\end{itemize}
@@ -1159,11 +1125,10 @@ $$
\vspace{0.5cm}
-sendo $r=\alpha$ e $p=(\mu/\alpha)/(1+\mu/\alpha),$ com $0<p<1$ e $r>0$.
+sendo $r=\alpha$ e $p=\mu/(\mu+\alpha),$ com $0<p<1$ e $r>0$.
\vspace{0.5cm}
-\item Modelagem do número de "sucessos" até o r-ésimo "fracasso",
-configurando uma generalização da distribuição geométrica.
+\item Modelagem do número de "sucessos" até o r-ésimo "fracasso" ($r = 1,2,3,...$), configurando uma generalização da distribuição geométrica (para $r=1$).
\vspace{0.5cm}
@@ -1183,18 +1148,17 @@ configurando uma generalização da distribuição geométrica.
\begin{itemize}
-\item A principal motivação para a distribuição binomial negativa baseia-se num processo de contagem heterogêneo, em que $Y \sim Poisson( \mu \nu)$ e $\nu$ tem distribuição $Gama(\alpha, \beta):$
+\item A principal motivação para a distribuição binomial negativa baseia-se num processo de contagem heterogêneo, em que $Y \sim Poisson( \theta)$ e $\theta$ tem distribuição $Gama(\alpha, \beta):$
$$
-g\left ( \nu;\alpha,\beta \right )=\frac{\beta^{\alpha}}{\Gamma\left ( \alpha \right )}\nu^{\alpha-1}e^{-\beta \nu},\quad \alpha, \beta, \nu>0,
+g\left ( \theta;\alpha,\beta \right )=\frac{\beta^{\alpha}}{\Gamma\left ( \alpha \right )}\theta^{\alpha-1}e^{-\beta \theta},\quad \alpha, \beta, \nu>0,
$$
-com $E(\nu)=\theta=\alpha /\beta$ e variância $Var(\nu)=\alpha /\beta^2.$
-
+com $E(\theta)=\theta=\alpha /\beta$ e variância $Var(\theta)=\alpha /\beta^2.$
\vspace{0.5cm}
-\item Como resultado, temos uma mistura Poisson-Gamma, resultando, marginalmente, na distribuição binomial negativa.
+\item Como resultado, temos uma mistura Poisson-Gamma, resultando, marginalmente (em relação a $\theta$), na distribuição binomial negativa.
\end{itemize}
@@ -1211,7 +1175,7 @@ com $E(\nu)=\theta=\alpha /\beta$ e variância $Var(\nu)=\alpha /\beta^2.$
\begin{figure}[h]
\includegraphics[height=5.5cm,width=9cm]{images/graf2.pdf}
- \caption{Distribuição binomial para $\mu=2$ e diferentes valores de $\alpha}.
+ \caption{Distribuição binomial para $\mu=2$ e diferentes valores de $\alpha.}
\label{Fig1}
\centering
diff --git a/vignettes/Ovelhas.Rmd b/vignettes/Ovelhas.Rmd
index 0b6eb6375d930272f03b7361adb0e46a5aaaab1b..19ed0ba6f5f760d9dc60abd8bdf46ed03a548e3d 100644
--- a/vignettes/Ovelhas.Rmd
+++ b/vignettes/Ovelhas.Rmd
@@ -28,7 +28,7 @@ corporal do animal ao longo do período de observação.
```{r, echo = FALSE, include=FALSE}
##### Carregamento e tratamento inicial dos dados
-setwd("~/Desktop")
+
dados <- read.csv('Dadoscomp.csv',sep=',')
dados$tratamento <- factor(dados$tratamento)
levels(dados$tratamento) <- c('Observ', 'Observ + Interv')