Considerando el impacto de las condiciones heterogéneas de la distribución de línea base de la mezcla en la estimación de parámetros de un sistema dinámico compuesto (CDS), proponemos un enfoque para inferir los parámetros del modelo y la función de supervivencia de línea base de CDS utilizando los métodos de estimación de máxima verosimilitud y estimación bayesiana. Se utiliza la función de tasa de riesgo de tendencia de potencia y la distribución de mezcla tipo XII de Burr como distribución de línea base para caracterizar los cambios en la distribución del tiempo de vida residual de los componentes sobrevivientes. Se propone un enfoque de Monte Carlo de cadena de Markov mediante el uso de un nuevo algoritmo de muestreo de Metropolis-Hastings dentro del algoritmo de muestreo de Gibbs para superar la complejidad computacional al obtener las estimaciones de Bayes de los parámetros del modelo. Se genera un ejemplo numérico a partir del CDS propuesto para analizar el procedimiento propuesto. Se realizan simulaciones de Monte Carlo para investigar el rendimiento de los métodos propuestos, y los resultados muestran que el método de estimación bayesiana propuesto supera al método de estimación de máxima verosimilitud para obtener estimaciones confiables de los parámetros del modelo y la función de supervivencia de línea base en términos de sesgo y error cuadrático medio.