A selecção de um modelo que se ajuste adequadamente a um conjunto de dados é uma parte fulcral no processo da inferência estatística. O critério mais comum para seleccionar uma função de detectabilidade, que se ajuste a um conjunto de dados de distâncias, denomina-se critério de informação de Akaike (AIC). Para avaliar a performance da rotina da selecção de modelos implementada no programa DISTANCE (Thomas et al., 2006) realizaram-se simulações Monte Carlo para gerar dados de duas funções densidade de probabilidade frequentemente usadas. Aplicando esta metodologia, observou-se um enviesamento substancial na selecção do modelo, sendo os estimadores dos parâmetros baseados no modelo seleccionado frequentemente enviesados. Utilizaram-se duas abordagens na estimação dos parâmetros: selecção de modelos tradicional (ST) e ponderação de modelos (PM). Para ilustrar a metodologia da selecção de modelos usaram-se dados provenientes de um estudo controlado.