Esta dissertação flexibiliza a suposição de normalidade, dispondo de distribuições assimétricas em modelos de crescimento. Propõe uma abordagem bayesiana para ajuste de modelos não lineares quando a suposição de normalidade para os erros não é razoável e/ou apresentam heteroscedasticidade. Assim, adota-se as distribuições skew-normal e skew-t para as situações em que é necessário modelar dados com caudas mais pesadas ou mais leves que a normal e assimétricos; sendo que é considerado também a presença de heteroscedasticidade. Diferentes funções são utilizadas na estrutura multiplicativa para modelar a variância. Com esse objetivo, métodos de inferência na abordagem bayesiana são desenvolvidos para estimar os parâmetros dos modelos de regressão não linear com os erros seguindo as distribuições citadas anteriormente. A metodologia visa aplicação à curvas de crescimento para dados de árvores

This paper relaxes the assumption of normality, featuring asymmetric distributions in growth models. Proposes a Bayesian approach to fit nonlinear models when the assumption of normality for the errors is not reasonable and/or exhibit heteroscedasticity. Thus, we adopt the skew-normal and skew-t distributions for situations where it is necessary to model data with tails heavier or lighter than normal and asymmetric, which is considered also the presence of heteroscedasticity. Different functions are used to model the multiplicative structure of variance. With this objective, methods of inference in the Bayesian approach are developed to estimate the parameters of nonlinear regression models with errors following the distributions listed above. The methodology is intended to apply to the growth curves for trees data sets