Al realizar modelado bayesiano en datos funcionales, a menudo se hace la suposición de normalidad sobre el error del modelo y, por lo tanto, los resultados pueden ser sensibles a valores atípicos y/o datos de cola pesada. Una elección importante y acertada para resolver tales problemas es la regresión por cuantiles. Por lo tanto, este documento introduce la regresión por cuantiles en el modelo autorregresivo lineal espacial funcional parcial (PFLSAM) basado en la distribución Laplace asimétrica para los errores. Luego, se desarrolla la idea del análisis de componentes principales funcionales, y se crea un algoritmo MCMC híbrido que combina el muestreo de Gibbs y el algoritmo de Metropolis-Hastings para generar muestras posteriores de las distribuciones posteriores completas para obtener la estimación bayesiana de los parámetros desconocidos y los coeficientes funcionales en el modelo. Finalmente, algunos estudios de simulación muestran que el método de estimación bayesiana propuesto es factible y efectivo.