Este artículo se centra en un modelo conjunto para analizar datos proporcionales longitudinales y de supervivencia. Utilizamos una transformación logit en los datos proporcionales longitudinales y empleamos un modelo de efectos mixtos parcialmente lineal. Con este modelo, estimamos la función desconocida del tiempo utilizando la técnica de B-splines. Además, introducimos un modelo de mezcla de procesos de Dirichlet centrado (CDPMM) para capturar los efectos aleatorios, permitiendo una distribución flexible. Se asume que los datos de supervivencia se utilizan mediante un modelo de riesgo proporcional de Cox, y se desarrolla un modelo conjunto de efectos aleatorios compartidos para los dos tipos de datos. Desarrollamos un enfoque de Lasso bayesiano (BLasso) que combina el muestreador de Gibbs y el algoritmo de Metropolis-Hastings. El método propuesto permite la estimación de los parámetros desconocidos y la selección de covariables significativas simultáneamente. Evaluamos el rendimiento de nuestros métodos propuestos a través de estudios de simulación y también proporcionamos una ilustración de nuestras metodologías utilizando un ejemplo del experimento de investigación MA.5.