Muchos experimentos requieren probar simultáneamente muchas hipótesis. Esto es particularmente relevante en el contexto de experimentos de microarrays de ADN, donde es común analizar muchos genes para determinar cuáles de ellos están diferencialmente expresados bajo dos condiciones. Otro problema importante en este contexto es cómo modelar la dependencia en el nivel de expresión génica. En este artículo, proponemos un procedimiento bayesiano para probar simultáneamente múltiples hipótesis, modelando la dependencia a través de funciones cópula, donde toda la información disponible, tanto objetiva como subjetiva, puede ser utilizada. El enfoque tiene la ventaja de que puede ser utilizado con diferentes estructuras de dependencia. Se realizó un análisis de datos simulados para examinar el rendimiento del enfoque propuesto. Los resultados muestran que nuestro procedimiento captura la dependencia clasificando adecuadamente un alto porcentaje de hipótesis nulas verdaderas y falsas al elegir una distribución beta sesgada hacia la derecha para la probabilidad inicial de cada hipótesis nula, lo que resulta en un procedimiento muy potente. El procedimiento también se ilustra con datos reales.