diff --git a/vignettes/anaExpMLG.Rmd b/vignettes/anaExpMLG.Rmd
index 0565c6946283f29ff15e8a692ba46a8b37779ef5..e7a0814bf2cf6e75eea7eab076eaf123f90f8d4f 100644
--- a/vignettes/anaExpMLG.Rmd
+++ b/vignettes/anaExpMLG.Rmd
@@ -56,6 +56,7 @@ xtabs(~fuma, data = PaulaEx3.7.25)
 xtabs(~pulsa, data = PaulaEx3.7.25)
 
 # Diagrama de dispersão.
+# carregamento do pacote lattice
 library(lattice)
 xyplot(pulsa ~ peso, groups = fuma, 
     data = PaulaEx3.7.25,  type = "p",  
@@ -114,17 +115,18 @@ Sua notação é a seguinte:
     
     $$ \mu_{i} = g^{-1}(\eta_{i}) = g(\beta_{0} + \beta_{1}x_{i1} + \beta_{2}x_{i2} + ... + \beta_{p}x_{ip})$$
     
-Caso algum destes elementos não seja satisfeito, o modelo não é um MLG.
+Caso algum destes elementos não seja satisfeito, o modelo não é linear
+generalizado.
 
 
 Códigos para o ajuste:
-
 ```{r}
 # como a variável 'pulsa' é um fator binário, vamos
 # utilizar a distribuição binomial
-m0 <- glm(pulsa ~ peso + fuma, data = PaulaEx3.7.25,
-            family= binomial(link="logit")) # especificação da função 
-                                              # de ligação como 'logito'
+m0 <- glm(pulsa ~ peso + fuma, 
+          data = PaulaEx3.7.25,
+          family= binomial(link="logit")) # especificação da função 
+                                          # de ligação 'logito'
 summary(m0) # resumo do ajuste   
 levels(PaulaEx3.7.25$pulsa) # níveis da variável resposta
 ``` 
@@ -152,31 +154,22 @@ para a do modelo nulo, temos uma diferença de apenas 7.57. Isso
 linear generalizado, devemos atentar para este ponto, porque medidas
 de melhoria do ajuste podem ser tomadas.
 
-A análise de resíduos para um modelo linear generalizado cuja váriavel
-reposta é **dicotômica** é um pouco diferente da de um modelo de
-regressão. Neste caso, os resíduos dificilmente seguem uma distribuição
-Normal. 
+A análise de resíduos para um modelo linear generalizado é um pouco 
+diferente da de um modelo de regressão. Neste caso, os resíduos 
+dificilmente seguem uma distribuição Normal. Por isso, avaliamos
+um gráfico com envelope simulado via *bootstrap*, que permite checar a
+qualidade do modelo, mesmo que os resíduos não se distribuam de acordo
+com uma Normal. 
 
-```{r}
-par(mfrow = c(1,2), mar = c(3, 4, 4, 2)+.1)
-plot(residuals(m0, type = "deviance"), 
-     main = "Resíduos Deviance", 
-     ylab = "Resíduos",
-     xlab = "",
-     col = "blue")
-plot(residuals(m0, type = "pearson"),
-     main = "Resíduos de Pearson",
-     ylab = "Resíduos",
-     xlab = "",
-     col = "blue")
-```
- 
-O gráfico com envelope simulado via *bootstrap* permite checar a
-qualidade do modelo, mesmo que os resíduos não se distribuam
-seguindo uma Normal. 
+Neste gráfico, espera-se que, se o modelo estiver bem ajustado, os
+resíduos estarão dispersos em ordem aleatória dentro do envelope. 
+Pequenas fugas devem ser analisadas levando em consideração o contexto
+do modelo. Na Figura 1, temos envelope simulado para o ajuste feito 
+anteriormente.
 
-```{r}
+```{r, fig.cap='Análise de resíduos de um modelo linear generalizado'}
 # Envelope simulado para a análise de resíduos
+# carregamento do pacote 
 library(hnp)
 par(mfrow = c(1,1))
 plot(hnp(m0, conf = 0.95), 
@@ -185,5 +178,7 @@ plot(hnp(m0, conf = 0.95),
      ylab = "Resíduos",
      pch = 16,
      col = c("black", "tomato", "black", "blue"))
+
+
 ```