A corrupção e a fraude em licitações nos contratos públicos distorcem a concorrência, causando problemas em diferentes domínios sociais. A disponibilidade atual de dados públicos em formato digital traz oportunidades para aplicar o aprendizado de máquina para construir soluções que ajudam a lidar com a corrupção. Este trabalho propõe uma nova metodologia para analisar padrões usando modelos de mistura gaussiana (GMM) para identificar padrões de lances suspeitos quando apenas alguns casos fraudulentos são conhecidos. Nossa metodologia testa a semelhança das propostas não rotuladas, que podem ser fraudulentas ou não, com fraudes previamente conhecidas em diferentes subespaços para definição de um indicador de risco. Executamos os experimentos em um conjunto de dados de equipamentos pesados em que apenas alguns casos são conhecidos como fraudulentos.