El Criterio de Correntropía Máxima (MCC) ha desencadenado recientemente enormes actividades de investigación en comunidades de ingeniería y aprendizaje automático, ya que es robusto cuando se enfrenta a ruido de cola pesada o valores atípicos en la práctica. Este trabajo está interesado en algoritmos MCC distribuidos, basados en una estrategia de dividir y conquistar, que pueden manejar grandes datos de manera eficiente. Al establecer límites de error óptimos de minmax, nuestros resultados muestran que la función de salida promedio de este algoritmo distribuido puede lograr tasas de convergencia comparables al algoritmo que procesa los datos totales en una sola máquina.