El documento propone un nuevo algoritmo de aprendizaje de redes Bayesianas híbridas, denominado Forward Early Dropping Hill Climbing (FEDHC), diseñado para trabajar con variables continuas o categóricas. Además, el documento manifiesta que la única implementación de MMHC en el software estadístico es prohibitivamente costosa, y se ofrece una nueva implementación. Específicamente para el caso de datos continuos, se propone una versión robusta a valores atípicos de FEDHC, que puede ser adoptada por otros algoritmos de aprendizaje de BN. El FEDHC se prueba a través de simulaciones de Monte Carlo que muestran claramente que es eficiente computacionalmente y que produce redes Bayesianas de una precisión similar o mayor que MMHC y PCHC. Finalmente, se demuestra una aplicación de los algoritmos FEDHC, PCHC y MMHC a datos reales del campo de la economía utilizando el software estadístico.