Correções pontuais de expressões matemáticas e retira espaços no final das linhas

inst/slides/modelo_misto.Rnw

@@ -67,7 +67,7 @@ set_parent("slides-mrdcr.Rnw")
   \item Pode ser em muitas dimensões ($q > 1$,intercepto, inclinação,
     etc)
   \item Efeitos podem ser múltiplos, aninhados ou cruzados
-  \item Para modelar subdispersão com efeito ao nível de observação,
+  \item Para modelar superdispersão com efeito ao nível de observação,
     tem-se que $b_{i}$ é $b_{ij}$, ou seja, na mesma dimensão dos dos
     dados.
   \end{itemize}

inst/slides/pois_bineg.Rnw

@@ -375,18 +375,18 @@ em que ${\boldsymbol{\beta }}$ é o vetor de parâmetros de regressão.
 
     \begin{itemize}
 
-        \item $f(y_{i}|\boldsymbol{x_{i}})=\frac{e^{-exp(\boldsymbol{x'_i\beta})}{exp({\boldsymbol{x'_i\beta}})}^{y_i}}{y_i!}$
+        \item $f(y_{i}|\boldsymbol{x_{i}})=\frac{e^{-\exp(\boldsymbol{x'_i\beta})}{\exp({\boldsymbol{x'_i\beta}})}^{y_i}}{y_i!}$
 
 
 
   \vspace{0,8cm}
 
 
-        \item $E\left [ y_{i}|\boldsymbol{x_{i}} \right ]= \mu_{i}=exp\left ( \boldsymbol{x'_{i}\beta} \right );$
+        \item $E\left [ y_{i}|\boldsymbol{x_{i}} \right ]= \mu_{i}=\exp\left ( \boldsymbol{x'_{i}\beta} \right );$
 
 \vspace{0,8cm}
 
-        \item $Var\left [ y_{i}|\mathbf{x_{i}} \right ]= \mu_{i}=exp\left ( \boldsymbol{x'_{i}\beta} \right ).$
+        \item $Var\left [ y_{i}|\mathbf{x_{i}} \right ]= \mu_{i}=\exp\left ( \boldsymbol{x'_{i}\beta} \right ).$
 
 
 
@@ -411,7 +411,7 @@ Para a regressão Poisson:
 
 \begin{itemize}
 
-\item Log-verossimilhança: $l(\boldsymbol{\beta})=\sum_{i=1}^{n} \{ y_{i}\boldsymbol{x_{i}'\beta}-\exp{(\boldsymbol{x_{i}'\beta}}\}-\ln{y_{i}!});$
+\item Log-verossimilhança: $l(\boldsymbol{\beta})=\sum_{i=1}^{n} \{ y_{i}\boldsymbol{x_{i}'\beta}-\exp{(\boldsymbol{x_{i}'\beta})}\}-\ln(y_{i}!));$
 
 \vspace{0.5cm}
 
@@ -555,7 +555,7 @@ com $\mu_{i}=exp({\boldsymbol{x'_{i}\beta}})$ e $\omega_{i}=Var(y_{i}|\boldsymbo
 
 \item Um estimador para $\phi$:
 
-$$ \hat{\phi} = \frac{1}{n-p}\sum_{i=1}^n \frac{y_i-\hat{\mu}_i}{V(\hat{\mu}_i)}. $$
+$$ \hat{\phi} = \frac{1}{n-p}\sum_{i=1}^n \frac{(y_i-\hat{\mu}_i)^2}{V(\hat{\mu}_i)}. $$
 
 
 \end{itemize}
@@ -689,7 +689,7 @@ com $E(\theta)=\theta=\alpha /\beta$ e variância $Var(\theta)=\alpha /\beta^2.$
 
 \begin{itemize}
 
-\item O modelo de regressão com resposta binomial negativa pode ser especificado fazendo $E(y|\boldsymbol{x})=exp(\boldsymbol{x'\beta}).$
+\item O modelo de regressão com resposta binomial negativa pode ser especificado fazendo $E(y|\boldsymbol{x})=\exp(\boldsymbol{x'\beta}).$
 
 \vspace{0.5cm}