Software R (Development Core Team) Se tiene conocimiento de las limitaciones del software estandarizado comercial en su aplicación para técnicas avanzadas actuales y métodos robustos y de remuestreo. Su mayor limitación es su rigidez a la hora de su aplicación a estas técnicas. 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 programación fue desarrollado inicialmente por Robert Gentleman y Ross Ihaka del Departamento de Estadística de la Universidad de Auckland en 1993. Su desarrollo actual es responsabilidad del R Development Core Team. R proporciona un amplio abanico de herramientas estadísticas y gráficas. Y permiten realizar todas las técnicas clásicas, avanzadas, actuales, robustas y de remuestreo. Ello se debe a que se trata de un lenguaje de programación, que permite a los usuarios extenderlo definiendo sus propias funciones. Los usuarios más avanzados pueden también manipular los objetos de R directamente desde código desarrollado en C. R también puede extenderse a través de paquetes desarrollados por su comunidad de usuarios. Su extenso compendio de funciones es posible obtenerlo a través del manual propuesto por el Proyecto R, fácilmente descargable de su página web (http://www.cran.rproject.org/). Nosotros pretendemos que nuestra novedosa labor estadística aplicando técnicas actuales, robustas y de remuestreo a las ingentes investigaciones, de las cuales formamos parte, contribuya a una mejor y más próspera investigación y producción científica nacional e internacional.
DE LOS MÉTODOS CLÁSICOS A LAS TÉCNICAS ACTUALES PASANDO POR LOS MÉTODOS ROBUSTOS Y DE REMUESTREO Puede decirse que los métodos de estadística, tal como hoy los conocemos, se los debemos a Sir Ronald Fisher, el cual estableció los principios a partir de los cuales se fueron desarrollando las técnicas y métodos que utilizamos y denominamos Métodos Clásicos (“Sobre los fundamentos matemáticos de la estadística teórica”, 1922). Estos métodos requieren de condiciones muy rígidas, tales como el modelo probabilístico fijo (habitualmente la distribución normal) en el que sólo queden
indeterminados uno o dos parámetros (media y varianza). Tal restricción es un problema porque los métodos probabilísticos rara vez se ajustan al fenómeno aleatorio observado. Entonces fueron surgiendo una serie de Técnicas Avanzadas No Robustas, que seguían adoleciendo de problemas de ajuste, como el Análisis de Componentes Principales, Análisis de Correspondencias, Análisis Discriminante, Análisis Factorial, Análisis Multivariante, Análisis de Series Temporales, Data Mining, etc. Este es el límite, con mayor o menor profundidad, de los programas informáticos convencionales tales como el SPSS, SAS, BMDP, etc. Para conseguir superar estas adversidades surgieron los Métodos Robustos y de Remuestreo. Peter Huber en 1964 abrió las puertas a este rigor matemático basado en la robustez en su artículo “Estimación robusta de un parámetro de localización”. Frank Hampel (1971 y 1974) definió la Robustez cualitativa y la Curva de influencia. El objetivo de los Métodos Robustos y de Remuestreo es producir estimadores que no se vean afectados por variaciones respecto a las hipótesis de los modelos, valores atípicos de los datos u otras discrepancias, emulando a los métodos clásicos.
Bibliografía García Pérez, A. (2008). Métodos avanzados de estadística aplicada. Técnicas avanzadas. Madrid: Universidad Nacional de Educación a Distancia (UNED). García Pérez, A. (2010). Métodos avanzados de estadística aplicada. Métodos robustos y de remuestreo. Madrid: UNED. García Pérez, A. (2011a). Estadística aplicada. Conceptos básicos. Madrid: UNED. García Pérez, A. (2011b). Estadística aplicada con R. Madrid: UNED.