Los modelos logit, probit y log-log complementario son los modelos más ampliamente utilizados cuando se dispone de variables dependientes binarias. Convencionalmente, estos modelos han sido frecuentistas. Este documento tiene como objetivo demostrar cómo dichos modelos pueden implementarse relativamente rápido y fácilmente desde un marco bayesiano utilizando métodos de simulación de Monte Carlo de cadenas de Markov de muestreo de Gibbs en WinBUGS. Nos enfocamos en el modelado y predicción de datos de síndrome de Down (SD) y retraso mental (RM) de un estudio observacional en el Centro de Genética Médica de Kuwait durante un período de 30 años entre 1979 y 2009. Los algoritmos de modelado se utilizaron de dos formas distintas; en primer lugar, utilizando tres métodos diferentes a nivel de enfermedad, incluidos los modelos logístico, probit y cloglog, y, en segundo lugar, utilizando regresión logística bivariada para estudiar la asociación entre las dos enfermedades en cuestión. Los modelos se comparan en cuanto a su capacidad predictiva a través de , ajustado , error cuadrático medio (RMSE) y Criterio de Información de Devianza Bayesiana (DIC). En el análisis univariado, el modelo logístico tuvo el mejor desempeño, con (0.1145), ajustado (0.114), RMSE (0.3074) y DIC (7435.98) para SD, y (0.0626), ajustado (0.0621), RMSE (0.4676) y DIC (23120) para RM. En el caso bivariado, los resultados revelaron que 7 y 8 de los 10 covariables seleccionados estaban significativamente asociados con SD y RM respectivamente, mientras que ninguno estaba asociado con la interacción entre los dos resultados. Los métodos bayesianos son más flexibles en el manejo de modelos no estándar complejos, así como permiten evaluar de manera directa el ajuste y la complejidad del modelo para modelos jerárquicos no anidados.