Coffee is one of the most important traded commodities in the world. It is well known that coffee bean yield is subjected to strong variation through the years in a phenomenon called biennial growth. This behavior has imposed great challenges on statistical analysis of coffee bean yield data. In these species genotypes show a differential biennial behavior due to its physiological response to environmental condition which suggests a mixture of subpopulations. Previous studies have tried to solve the problem, however they assume the presence of only one stochastic process generating the phenotypes. In the first paper it is proposed a finite mixture model to deal with the biennial pattern as hidden variable. Individual (per harvest) and repeated measures analyses were performed using conventional mixed models and Gaussian mixture mixed models. The results showed a great increase on parameter efficiency estimation and lead to greater genetic gain suggesting that for analysis of C. arabica progenies exhibiting different biennial patterns, mixture mixed models are superior to traditional mixed models and to models that structure biennial effects using covariance matrices. On the second paper the gaussian mixed mixture model is extended for genomic prediction (GMGBLUP) and compared with a traditional genomic prediction model (GBLUP). The aim was to verify the prediction accuracy when the markers effects are corrected for bias of the biennial growth. For the real data set the GBLUP performed better in all harvests, however the simulated data results showed that the GMGBLUP is superior when the subpopulations means are contrasting and the mixture parameter is close to 0.5. The results suggest that GMGBLUP should be considered as an alternative for genomic prediction in coffea genus, especially for species with strong biennial growth behavior.Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)Café é uma das principais commodities no mundo. Sabe-se que a produção do cefeeiro apresenta variações bruscas ao longo dos anos, fenômeno chamado de bienalidade. Tal comportamento impõe enormes desafios na análise estatística de dados de produção de café. Nessa espécie os genótipos apresentam comportamento diferencial devido a resposta fisiológica frente as condições ambientais o que sugere a formação de mistura de subpopulações. Estudos prévios propõe algumas soluções, porém eles assumem um único processo estocástico gerando o fenótipo. No primeiro artigo é proposto um modelo de mistura para lidar com o padrão da bienalidade, considerando o fenômeno uma variável latente. Realizou-se análises individuais (por colheita) e de medidas repetidas para modelos mistos padrão e modelo misto de mistura gaussiano. Houve aumento significativo na eficiência das estimativas dos parâmetros e maior ganho genético, sugerindo que na análise de dados de progênies de C. arabica exibindo diferentes padrões de bienalidade, modelos mistos de mistura são superiores a modelos mistos e a modelos que estruturam os efeitos da bienalidade com matrizes de covariância. No segundo artigo o modelo misto de mistura é estendido para predição genômica (GMGBLUP) e comparado com um modelo convencional de predição genômica (GBLUP). O objetivo foi verificar a acurácia preditiva quando os efeitos das marcas são corrigidos para a bienalidade. Nos dados reais o GBLUP gerou melhores resultados, entretanto nos dados simulados o GMGBLUP foi superior quando as subpopulações são contrastantes e o parâmetro de mistura é próximo de 0.5. Os resultados GMGBLUP deve ser considerado como uma alternativa para predição genômica em dados do gênero Coffea, especialmente em espécies com forte bienalidade.