Una gran variedad de técnicas o procedimientos de clustering han surgido en los últimos años en distintas ramas de la investigación estadística. Sin embargo, la mayoría se basa en conjeturas heurísticas que carecen del debido rigor científico, lo que conlleva a conclusiones “oscuras” y posiblemente ficticias. Brindar procedimientos consistentes, que sean eficientes en distintos paradigmas de datos - inclusive en presencia de ruido - es un problema de elevada complejidad. Algunas principales líneas recientes de investigación, tales como McLachlan (2006), Gallegos y Ritter (2005, 2009), Cuesta, Gordaliza y Matran (2008) abordan el problema de clustering desde una óptica basada en modelos y en presencia de outliers, intentando brindar respuestas formales en este ámbito. El objetivo de esta monografía es introducir, analizar, comparar e implementar distintas técnicas robustas de clustering basadas en modelos probabilísticos. La finalidad es poder discernir qué procedimiento es más eficiente y estable frente a distintas tipologías de datos, pudiendo así obtener conclusiones más precisas sobre los grupos obtenidos. El análisis se realizó sobre distintos patrones de datos simulados y luego se aplicaron las técnicas a un conjunto de datos reales.