El mapeo funcional de rasgos dinámicos medidos en un estudio longitudinal se derivó originalmente en el contexto de máxima verosimilitud (ML) e implementado con el algoritmo EM. Aunque el mapeo funcional basado en ML posee muchas propiedades estadísticas favorables en la estimación de parámetros, puede ser computacionalmente intratable para analizar datos longitudinales con altas dimensiones y altos errores de medición. En este artículo, derivamos un marco general de mapeo funcional para el mapeo de loci de rasgos dinámicos dentro del paradigma bayesiano. Se implementaron técnicas de Monte Carlo de cadenas de Markov para el mapeo funcional para estimar parámetros biológicamente y estadísticamente sensatos que modelan las estructuras de efectos genéticos dependientes del tiempo y la matriz de covarianza. El enfoque bayesiano es útil para manejar dificultades en la construcción de intervalos de confianza, así como el problema de identificabilidad, mejorando la inferencia estadística del mapeo funcional. Hemos realizado estudios de simulación para investigar el comportamiento estadístico del mapeo funcional basado en Bayes y utilizado un ejemplo real con ratones F para validar la utilización y utilidad del modelo.