É comum, em muitas áreas de investigação científica, a existência de vários modelos de regressão não lineares que podem ser usados para elucidar um mesmo fenômeno. Estando o pesquisador diante de vários modelos alternativos, como escolher qual fornece melhor ajuste? Essa é uma questão de interesse aos estatísticos e muitas estratégias clássicas e Bayesianas de discriminação tem sido propostas na literatura. Nesta dissertação, considerando os modelos não lineares de crescimento sigmóide: Logístico, Gompertz, Tipo-Weibull, Morgan-Mercer-Flodin e Richards, apresentamos uma análise Bayesiana e algumas estratégias (clássicas e Bayesianas) que podem ser usadas em problemas de discriminação de modelos alternativos. Sob o ponto de vista clássico, a discriminação é conduzida com base em conceitos de não linearidade, uma vez que o "melhor modelo possível" dentre todos os propostos é aquele que apresenta o comportamento mais próximo do comportamento linear. No contexto Bayesiano, considerando um conjunto de dados, usando uma priori não informativa de Jeffreys, o método de Laplace para aproximar as integrais de interesse e a técnica proposta por Gelfand e Dey (1994) procedemos a discriminação usando as estratégias: Fator de Bayes, critério baseado no conceito de entropia, Pseudo Fator de Bayes e o Fator de Bayes a Posteriori.

It is common in many scientific applications, the existence of different non-linear regression models to be used in the same problem. Therefore, usually the researcher has a question: Which model is preferable? This is a question concemed by many statisticians, and many classical or Bayesian strategies for discrimination have been proposed in the literature. In this work, considering the logistic, Gompertz, Weibull-type, Morgan-Mercer- Flodin and Richards growth non-linear models, we present sorne existing strategies to be used in the discrimination of altemative models. Under the classical approach, the discrimination is based on non-linearity concepts, since the best model among many existing altematives is the one that presents behavior close to linear models. Under the Bayesian approach, considering Jeffreys non informative prior densities end Laplace's method for approximation of integrals, and a general discrimination procedure, (see Gelfand and Dey, 1994), we explore in an example some different discrimination strategies: Bayes Factor, Entropy, Pseudo Factor of Bayes and Posterior Bayes Factor.