El Control Predictivo Basado en Modelos (CPBM) optimiza un índice que incorpora un parámetro de penalización para las acciones de control $\lambda$, con el fin de que no sean demasiado bruscas, a la vez que se mejora la robustez del sistema. El principal inconveniente radica en que el sintonizado de $\lambda$ se suele regir por criterios empíricos, y poco orientados a la mejora de la robustez. De entre las diferentes técnicas de mejora de la robustez en CPBM se destaca la optimización Min-Max de las especificaciones, donde se resuelve el problema de optimización para el peor modelo en una región acotada. Desde otro punto de vista, el principio de mínimos cuadrados está presente en numerosas teorías de identificación y control. De hecho el CPBM se puede plantear como un problema de mínimos cuadrados. Su principal inconveniente radica en que es sensible a los errores en los datos (mal condicionamiento), lo cual se puede mejorar regularizando el problema mediante el parámetro de regularización $\lambda$ ajustado empíricamente (análogo al parámetro $\lambda$ de penalización del esfuerzo de control en CPBM). La técnica BDU (\emph{Bounded Data Uncertainties}) es una técnica de regularización de problemas de mínimos cuadrados, originalmente desarrollada para problemas de estimación, y poco usada en control, salvo el controlador lineal cuadrático (LQR) con horizonte de predicción finito considerando incertidumbre paramétrica. Dicha técnica diseña el parámetro de regularización $\lambda$ teniendo en cuenta la cota de la incertidumbre presente en el sistema y plantea el problema como una optimización Min-Max. Por lo tanto se puede establecer la analogía con el problema Min-Max de CPBM robusto, así el objetivo principal de la tesis consiste en usar la técnica BDU para sintonizar $\lambda$ de modo guiado y con el fin de mejorar la robustez del sistema. Otro objetivo adicional es asegurar la estabilidad. Por tanto, se pretende plantear un LQR robusto y estable, denominado LQR-BDU, robusto por usar BDU, y estable por considerar restricción terminal u horizontes de predicción infinitos. La aplicación al LQR, sirve como precursor de la aplicación a CPBM, donde se centrará la atención en el GPC, obteniendo el GPC-BDU donde $\lambda$ se elige de manera automática en función del límite máximo de la incertidumbre que se desee manejar. Por otra parte, partiendo de la variante estable del GPC (CRHPC o \emph{Constrained Receding-Horizon Predictive Control}), el cual asegura la estabilidad nominal, se formula el CRHPC-BDU, que pretende mejorar la robustez del sistema cuando existen discrepancias entre modelo y proceso. Por tanto el controlador CRHPC-BDU resultará ser el GPC estable y robusto objeto de la tesis.