Estimadores del tipo razón son usados extensamente en la teoría del muestreo, para obtener estimados más precisos de la mediade la población que los obtenidos usando la media muestral, aprovechando la correlación positiva (alta) entre la variable deestudio y la auxiliar. En este estudio tratamos el problema de la presencia de outliers en la data; usando los métodostradicionales la eficiencia decrece usualmente en la estimación de los parámetros poblacionales pues estos son sensitivos a losoutliers. Así que en el presente estudio adaptamos varios estimadores robustos de la regresión como LTS, LMS, LAD, HuberM, Hampel M, Tukey M y Huber MM-estimación para estimadores de razón, sugeridos por Abid et al. (2016) incorporandoinformación auxiliar proveída por el método OLS, y también adaptando la M-estimación de Huber a esos métodos..Teóricamente, obtenemos el error cuadrático medio (MSE) de esos estimadores. Comparamos los valores de los MSE de laspropuestas con los basados en M- Huber, propuestos por Kadilar et al. (2007), y los métodos OLS . En sus comparacionesobservamos que nuestra propuesta provee más eficientes estimadores que los obtenidos por el enfoque M- Huber y OLS. Estosresultados teóricos son ilustrados usando un ejemplo numéricoRatio type estimators are extensively used in sampling theory in order to get precise estimates of the population parameters bytaking the advantage of positive (high) correlation between study and auxiliary variable than usual sample mean estimator. Inthis study we encountered with the problem of presence of outliers in the data and using of traditional methods usually decreasesthe efficiency in estimating the population parameters as these methods are sensitive to outliers. So in the present study we adaptthe various robust regression techniques such as LTS, LMS, LAD, Huber M, Hampel M, Tukey M and Huber MM estimation tothe ratio estimators which were suggested by Abid et al. (2016) by incorporated ancillary information using OLS method andalso adapt Huber M-estimation to above estimators. Theoretically, we obtain the mean square error (MSE) for these estimators.We compared MSE values of the proposed estimators with MSE values based on Huber M which was proposed by Kadilar et al.(2007) and OLS methods. From this comparison we observe that our proposed estimators give more efficient results than bothHuber M and OLS approach. These theoretical results are supported with the aid of a numerical example.