Los modelos de efectos mixtos no lineales se han convertido en una plataforma estándar para el análisis cuando los datos están en forma de mediciones continuas y repetidas de sujetos de una población de interés, mientras que los perfiles temporales de los sujetos siguen comúnmente una tendencia no lineal. Aunque el análisis frecuentista de los modelos de efectos mixtos no lineales tiene una larga historia, el análisis bayesiano de los modelos ha recibido relativamente poca atención hasta finales de la década de 1980, principalmente debido a la naturaleza que consume mucho tiempo de la computación bayesiana. Desde principios de la década de 1990, los enfoques bayesianos para los modelos comenzaron a surgir para aprovechar los rápidos desarrollos en la potencia informática, y recientemente han recibido una atención significativa debido a (1) la superioridad para cuantificar la incertidumbre de la estimación de parámetros; (2) la utilidad para incorporar conocimiento previo en los modelos; y (3) la flexibilidad para adaptarse exactamente a la creciente complejidad de la investigación científica que surge de diversos campos industriales y académicos. Este artículo de revisión presenta una visión general de las estrategias de modelado para implementar enfoques bayesianos para los modelos de efectos mixtos no lineales, que van desde diseñar una pregunta científica a partir de problemas de la vida real hasta cálculos prácticos.