Nesta dissertação, desenvolvemos uma análise Bayesiana de modelos de mistura finita de distribuições, para dados de sobrevivência sem censura, com censura tipo II e dados censurados por intervalos, na presença de uma covariável. Consideramos os algoritmos amostrador de Gibbs com Metropolis-Hastings, e utilizamos os estimadores de Monte Carlo para conseguir as quantitades à posteriori de interesse, assumindo diferentes escolhas para as (J = 2) densidades no modelo de mistura, como por exemplo a mistura de, duas distribuições potência exponencial a qual considera uma grande classe de distribuições simétricas, duas distribuições normais, normal-exponencial e gamma-normal. Apresentamos também ah gumas considerações na seleção do modelo utilizando as densidades preditivas (CP0)preditivas condicionais ordenadas e introduzimos três exemplos numéricos para ilustrar a metodologia proposta.

In this dissertation, we present a Bayesian analysis of distributions finite mixture models, for survival data uncensored, type II censoring and interval-censored data, In the presence of one covaziate. Considering Gibbs sampling with Metropolis-Hastings algorithms, we get Monte Cano estimates for the posterior quantities of interest, assuming different choices for the (J = 2) densities in the mixture model, for example a mixture, two exponential power distributions which includes a wider class of symmetric distributions, two normal distributions, normal-exponential and gammanormal distributions. We also present some considerations on model selection, considering the predictive densities (CPO) conditional predictive ordinate, and we introduce three numerical example to illustrate the proposed methodology.