Software R (Development Core Team)

Se tiene conocimiento de las limitaciones del software estandarizado comercial en su

aplicacin para tcnicas avanzadas actuales y mtodos robustos y de remuestreo. Su
mayor limitacin es su rigidez a la hora de su aplicacin a estas tcnicas. Ejemplos de
estos programas comerciales son: SPSS, BMDP, SAS, Statgraphics, etc.
Nosotros utilizamos, por su gran versatilidad el software R (Development Core Team)
de licencia gratuita, aunque si somos consciente de la dificultad en su uso por parte de
los investigadores.
Este entorno o lenguaje de programacin fue desarrollado inicialmente por Robert
Gentleman y Ross Ihaka del Departamento de Estadstica de la Universidad de
Auckland en 1993. Su desarrollo actual es responsabilidad del R Development Core
Team.
R proporciona un amplio abanico de herramientas estadsticas y grficas. Y permiten
realizar todas las tcnicas clsicas, avanzadas, actuales, robustas y de remuestreo.
Ello se debe a que se trata de un lenguaje de programacin, que permite a los usuarios
extenderlo definiendo sus propias funciones. Los usuarios ms avanzados pueden
tambin manipular los objetos de R directamente desde cdigo desarrollado en C. R
tambin puede extenderse a travs de paquetes desarrollados por su comunidad de
usuarios.
Su extenso compendio de funciones es posible obtenerlo a travs del manual propuesto
por el Proyecto R, fcilmente descargable de su pgina web (http://www.cran.r-
project.org/).
Nosotros pretendemos que nuestra novedosa labor estadstica aplicando tcnicas
actuales, robustas y de remuestreo a las ingentes investigaciones, de las cuales
formamos parte, contribuya a una mejor y ms prspera investigacin y produccin
cientfica nacional e internacional.


DE LOS MTODOS CLSICOS A LAS TCNICAS
ACTUALES PASANDO POR LOS MTODOS
ROBUSTOS Y DE REMUESTREO

Puede decirse que los mtodos de estadstica, tal como hoy los conocemos, se los
debemos a Sir Ronald Fisher, el cual estableci los principios a partir de los cuales se
fueron desarrollando las tcnicas y mtodos que utilizamos y denominamos Mtodos
Clsicos (Sobre los fundamentos matemticos de la estadstica terica, 1922).

Estos mtodos requieren de condiciones muy rgidas, tales como el modelo
probabilstico fijo (habitualmente la distribucin normal) en el que slo queden
indeterminados uno o dos parmetros (media y varianza). Tal restriccin es un problema
porque los mtodos probabilsticos rara vez se ajustan al fenmeno aleatorio observado.
Entonces fueron surgiendo una serie de Tcnicas Avanzadas No Robustas, que seguan
adoleciendo de problemas de ajuste, como el Anlisis de Componentes Principales,
Anlisis de Correspondencias, Anlisis Discriminante, Anlisis Factorial, Anlisis
Multivariante, Anlisis de Series Temporales, Data Mining, etc.

Este es el lmite, con mayor o menor profundidad, de los programas informticos
convencionales tales como el SPSS, SAS, BMDP, etc.

Para conseguir superar estas adversidades surgieron los Mtodos Robustos y de
Remuestreo. Peter Huber en 1964 abri las puertas a este rigor matemtico basado en la
robustez en su artculo Estimacin robusta de un parmetro de localizacin. Frank
Hampel (1971 y 1974) defini la Robustez cualitativa y la Curva de influencia.

El objetivo de los Mtodos Robustos y de Remuestreo es producir estimadores que no
se vean afectados por variaciones respecto a las hiptesis de los modelos, valores
atpicos de los datos u otras discrepancias, emulando a los mtodos clsicos.



Bibliografa

Garca Prez, A. (2008). Mtodos avanzados de estadstica aplicada. Tcnicas
avanzadas. Madrid: Universidad Nacional de Educacin a Distancia (UNED).

Garca Prez, A. (2010). Mtodos avanzados de estadstica aplicada. Mtodos robustos
y de remuestreo. Madrid: UNED.

Garca Prez, A. (2011a). Estadstica aplicada. Conceptos bsicos. Madrid: UNED.

Garca Prez, A. (2011b). Estadstica aplicada con R. Madrid: UNED.