Las redes bayesianas son una herramienta poderosa para modelar variables aleatorias multivariadas. Sin embargo, cuando se aplican en la práctica, por ejemplo, en proyectos industriales, surgen problemas porque los algoritmos de aprendizaje e inferencia existentes no están adaptados a datos reales. Este artículo discute dos problemas de aprendizaje e inferencia en datos mixtos en redes bayesianas: aprendizaje e inferencia en nodos de una red bayesiana que tienen distribuciones no gaussianas y aprendizaje e inferencia para redes que requieren bordes de nodos continuos a discretos. En primer lugar, se propone un enfoque basado en el uso de mezclas de distribuciones gaussianas para resolver un problema cuando no se confirma la suposición de normalidad conjunta. En segundo lugar, se proponen modelos de clasificación para resolver un problema con bordes de nodos continuos a nodos discretos. Se han realizado experimentos tanto en conjuntos de datos sintéticos como en datos del mundo real y se han demostrado mejoras en la calidad del modelado.