El control de procesos con dinamica es- tocastica o compleja es exitoso siempre y cuando se pueda estimar un modelo que se ajuste bien al compor- tamiento, sin embargo, esta suposicion pierde validez en aplicaciones donde la informacion del sistema es reducida o incompleta, muy comunes en ambientes reales de la industria. La literatura presenta diferentes esquemas de control, siendo los modelos neuro-difusos los que reportan mejor desempeno. Estos modelos con- jugan la capacidad de adaptacion que tienen las redes neuronales con la robustez de los motores de inferencia que tiene la logica difusa, para modelar el conocimien- to de expertos mediante reglas de aprendizaje, identifi- car dinamicas complejas y aumentar la adaptabilidad del sistema a perturbaciones que en la practica tien- den a ser de naturaleza estocastica sumado, a veces, que la informacion del sistema sea restringida. Este articulo presenta una revision sobre dificultades y solu- ciones derivadas del control de sistemas estocasticos o complejos con informacion incompleta. Se revisan las estructuras de control cuando la dinamica del sis- tema presenta vaguedad en los datos, la evolucion ha- cia tecnicas adaptativas, y el desempeno de las redes neuro-difusas ante procesos estocasticos o complejos con incertidumbre en los datos. De forma preliminar se establece que el control de este tipo de sistemas debe estar compuesto por modelos hibridos soportados en rutinas de optimizacion y analisis probabilistico que garanticen el tratamiento de las incertidumbres sin afectar el desempeno de las estructuras de control y la consistencia en la precision.