En un proceso de Data Mining, la detección de outliers intenta aprovechar la elevada marginalidad de estos objetos para detectarlos midiendo su grado de desviación respecto a los patrones de comportamiento representativos y desentrañar así conocimiento relevante. Si bien la aplicación de la Teoría de Conjuntos Aproximados (Rough Sets-RS) al campo de los procesos de búsqueda de información en grandes volúmenes de datos (KDD) viene realizándose desde su formulación en la década de los 80, en los últimos años se ha comenzado a considerar la detección de outliers como un proceso de KDD con interés en sí mismo. La combinación de ambos enfoques, Rough Sets como fundamento para la caracterización y detección de outliers, es un punto de vista absolutamente nuevo, con un gran potencial de interés teórico y aplicabilidad práctica. En el presente artículo se presenta un marco teórico basado en el Modelo de Conjuntos Aproximados de Precisión Variable que permite establecer una aproximación estocástica a la solución del problema de determinar si un elemento dado es outlier dentro de un determinado universo de datos.