Resumen. En la actualidad han surgido nuevos modelos computacionales que intentan superar a los modelos clásicos de optimización, este es el caso de la Computación Evolutiva, la cual se ha popularizado por los Algoritmos Genéticos y sus diferentes variantes que prometen ser mejores. En este artículo analizaremos las bondades y/o deficiencias del Algoritmo Genético básico y del algoritmo de Aprendizaje Incremental Basado en Población, el cual es un algoritmo de estimación de distribuciones que forma parte del paradigma de la Computación Evolutiva. Se presenta un estudio comparativo de ambos algoritmos que permite establecer, a partir de la experimentación realizada con 7 funciones objetivo, que el algoritmo de Aprendizaje Incremental Basado en Población presenta ventaja significativa en tiempo de ejecución de todas las pruebas, así como en la precisión obtenida en 6 de las 7 funciones objetivo analizadas. Aunque esta ventaja ya había sido reportada, en este artículo se ha experimentado con funciones multimodal con dos incógnitas y en tres dimensiones, que en la actualidad son consideradas difíciles de resolver.Palabras clave: Optimización de funciones, computación evolutiva, algoritmos genéticos, algoritmo de estimación de distribuciones, aprendizaje incremental basado en población. Population-Based Incremental Learning as Good Alternative for Genetic AlgorithmsAbstract. At present, new computational models that attempt to overcome to the classical optimization models have emerged, this is the case of Evolutionary Computation, which has been popularized by Genetic Algorithms and their different variants that promise to be better. In this article we will discuss the benefits and/or shortcomings of basic Genetic Algorithm and Population-Based Incremental Learning algorithm, which is an estimation of distributions