Na inferência Bayesiana, problemas com a obtenção da distribuição a posteriori analiticamente, em problemas de \textit são frequentes. E mesmo quando a solução desse problema é feito de forma computacional, ainda temos desafios com a realização de inferências, como o teste de hipóteses precisas. Uma forma Bayesiana de testar hipóteses precisas é via o Full Bayesian Significance Test (FBST) no qual calcula-se uma medida de evidência, denominada por e-valor. Nessa dissertação, queremos encontrar as densidades a posteriori em problemas de \textit pelo o método FlexCode, ao invés do tradicional MCMC e com as densidades em mãos propor uma solução para o cálculo do e-valor: através de métodos de classificação ou da integração computacional da densidade obtida via FlexCode. Dessa forma, conseguimos resolver problemas frequentes na inferência bayesiana transformando-os em um problema possível de resolver no universo de aprendizado de máquina

In Bayesian inference, issues with obtaining the analytics posterior distribution in likehood-free s problems are frequently. And yet, when the solution for these is made in a computational way, the challenges with the realization of inferences remains, like the precise hypothesis testing. One path to assemble the precise hypothesis testing is by the Full Bayesian Significance Test (FBST), calculating an evidence measure, the e-value. In this research, we aiming to find the posterior densities in problems of likehood-free by the FlexCode method, instead the traditional MCMC. Then, with the densities in hands, offer a solution to the e-value calculation: through the classification methods or the computational integration of the density obtained by FlexCode. Therefore, we can solve frequent problems in Bayesian inference by transforming then in a problem that could be solve in the machine learning universes.