Este trabajo aborda los problemas de estimación de la distribución XLindley utilizando un esquema de censura híbrida progresiva de Tipo-II adaptativo. Se utilizan enfoques de máxima verosimilitud y bayesianos para estimar el parámetro desconocido, la fiabilidad y las funciones de tasa de peligro. Se exploran estimadores bayesianos bajo la suposición de priors gamma independientes y una función de pérdida simétrica. También se calculan intervalos de confianza aproximados y intervalos de credibilidad de mayor densidad posterior. Se implementa un extenso estudio de simulación que tiene en cuenta varios tamaños de muestra y esquemas de censura para evaluar los diferentes métodos de estimación. Finalmente, para una explicación, se proporcionan dos conjuntos de datos reales del campo de la ingeniería química para mostrar que la distribución XLindley es el mejor modelo en comparación con algunos modelos competitivos para los mismos datos reales. Se recomienda el paradigma bayesiano utilizando el algoritmo Metropolis-Hastings para generar muestras de la distribución posterior para estimar cualquier parámetro de vida de la distribución XLindley cuando los datos se obtienen de una muestra censurada híbrida progresiva de Tipo-II adaptativa.