En la electrónica moderna, existen muchas incertidumbres inevitables y variaciones de los parámetros de diseño que tienen un profundo efecto en el rendimiento de un dispositivo. Estas son, entre otras, inducidas por tolerancias de fabricación, imprecisiones de ensamblaje, diversidades de materiales, errores de mecanizado, etc. Esto genera un gran interés en algoritmos de optimización mejorados que tienen en cuenta el efecto de estas fuentes de incertidumbre y que son capaces de encontrar diseños robustos, es decir, diseños que son insensibles a las incertidumbres temprano en el ciclo de diseño. En este trabajo, se presenta un novedoso marco de optimización basado en aprendizaje automático que tiene en cuenta la incertidumbre de los parámetros de diseño. Esto se logra mediante el uso de una versión modificada del criterio de mejora esperada. Además, se aprovecha un marco de Optimización Bayesiana eficiente en datos para limitar el número de simulaciones requeridas para encontrar una solución de diseño robusta. Dos ejemplos de aplicación adecuados validan que la robustez se mejora significativamente en comparación con los métodos de diseño estándar.