El uso generalizado de algoritmos de aprendizaje automático y profundo para la detección de anomalías ha creado una necesidad crítica de explicaciones sólidas que puedan identificar las características que contribuyen a las anomalías. Sin embargo, actualmente faltan metodologías efectivas de evaluación para las explicaciones de anomalías, especialmente aquellas que comparan las explicaciones con las verdaderas causas subyacentes, o verdad de referencia. Este trabajo tiene como objetivo abordar esta brecha al presentar un marco riguroso basado en la verdad de referencia para evaluar los métodos de explicación de anomalías, lo que permite la evaluación de la corrección y la robustez de las explicaciones, factores clave para obtener información accionable en la detección de anomalías.