Neste trabalho, nós apresentamos uma abordagem bayesiana baseada em modelos para detecção de anomalias usando modelos de mistura. Nosso método proposto, denominado modelo de filtragem, apenas requer que seja especificado um modelo paramétrico, que depende de um θ desconhecido, para descrever o comportamento de dados típico e usa o modelo escolhido para determinar a distribuição da componente da mistura subjacente responsável por capturar anomalias. O método é capaz de simultaneamente estimar a classificação para cada observação e θ, com a estimativa de θ sendo uma combinação convexa de todas as possíveis estimativas geradas por uma subamostra. Por esta razão, ele também pode ser utilizado para estimação paramétrica robusta. Nós consideramos estimação utilizando técnicas de Monte Carlos via cadeias de Markov, e in particular o algoritmo de Metropolis-Hastings, e apresentamos aplicações para dados químicos, de saúde e demográficos.