This paper presents a variant in the methods for clustering: a genetic algorithm for clustering through the tools of symbolic data analysis. Their implementation avoids the troubles of clustering classical methods: local minima and dependence of data types: numerical vectors (continuous data type). The proposed method was programmed in MatLab©R and it uses an interesting operator of encoding. We compare the clusters by their intra-clusters inertia. We used the following measures for symbolic data types: Ichino-Yaguchi dissimilarity measure, Gowda-Diday dissimilarity measure, Euclidean distance and Hausdorff distance.Se presenta una variante en los métodos de clasificación: un algoritmo genético para clasificación automática utilizando las herramientas del análisis simbólico de datos; esta implementación permite solventar los problemas de los métodos clásicos de clasificación: obtención de mı́nimos locales y dependencia de los tipos de datos con los cuales trabajan: continuos. El método fue programado en MatLab©R y usa un operador interesante de codificación. Se comparan clases por su inercia intra-clases. Se usaron las siguientes medidas para datos del tipo simbólico: medida de disimilitud de Ichino-Yaguchi, medida de disimilitud de Gowda-Diday, diatancia Euclídea y distancia de Hausdorff.