En el contexto de abundante informacion genomica, como la producida a partir de marcadores moleculares basados en ADN, es de interes identifi car la estructura genetica subyacente en un conjunto de individuos, previo al analisis de asociacion entre expresion de marcadores y fenotipo. Cuando existen subgrupos de individuos que difi eren sistematicamente en las frecuencias alelicas de sus marcadores, se origina una estructura genetica que, de no ser considerada, incrementa el riesgo de detectar asociaciones espurias entre marcadores y fenotipo. Diversos metodos estadisticos son utilizados para determinar la agrupacion de individuos desde datos de marcadores moleculares que producen informacion discreta multidimensional, entre ellos metodos basados en algoritmos de conglomerados jerarquicos (UPGMA), conglomerados no jerarquicos (K-means), redes neuronales como los mapas auto-organizativos (SOM) y metodos de conglomerados bayesianos. En este trabajo comparamos la capacidad de tales algoritmos para detectar subpoblaciones (conglomerados geneticos) bajo dos escenarios biologicos de estructura poblacional: modelo de islas y modelo de contacto. Los algoritmos de conglomerado fueron evaluados simultaneamente usando conjuntos de datos de marcadores moleculares de expresion binaria simulados bajo ambos modelos biologicos. El metodo de conglomeracion bayesiano fue el que mejor identifi co, entre los evaluados, las subpoblaciones simuladas bajo el modelo de migracion de islas. Para el modelo de contacto la identifi cacion de subgrupos fue dificil con cualquiera de los cuatro algoritmos de conglomeracion evaluados.