Una herramienta comúnmente utilizada para estimar los parámetros de un modelo de mezcla es el algoritmo Expectation-Maximization (EM), que es un procedimiento iterativo que puede funcionar como un estimador de máxima verosimilitud. El algoritmo EM tiene desventajas bien documentadas, como la necesidad de buenos valores iniciales y la posibilidad de quedar atrapado en óptimos locales. Sin embargo, debido a sus propiedades atractivas, el EM juega un papel importante en la estimación de los parámetros de modelos de mezcla. Para superar estos problemas de inicialización con el EM, en este artículo, proponemos el algoritmo de estimación de mezcla Rough-Enhanced-Bayes (REBMIX) como un algoritmo de inicialización más efectivo. Se derivan tres estrategias diferentes para tratar con el número desconocido de componentes en el modelo de mezcla. Estas estrategias se prueban a fondo en conjuntos de datos artificiales, conjuntos de datos de estimación de densidad y problemas de segmentación de imágenes, y se comparan con métodos de inicialización de vanguardia para el EM. Nuestra propuesta muestra resultados prometedores en cuanto a rendimiento de agrupamiento y estimación de densidad, así como en cuanto a eficiencia computacional. Todas las mejoras se implementan en el paquete R.