Varios métodos estadísticos para analizar matrices de datos utilizan aproximaciones de rango inferior a estas matrices, para las cuales, en general, primero se debe estimar el rango apropiado dependiendo del objetivo del estudio. La estimación puede realizarse mediante validación cruzada (CV), pero la mayoría de los métodos no están diseñados para lidiar con la presencia de valores atípicos, un problema muy común en matrices de datos. La literatura sugiere una opción para evitar el problema, a saber, la eliminación de los valores atípicos, pero dicha eliminación de información solo debe realizarse cuando sea posible verificar que un valor atípico corresponde efectivamente a un error de recolección o de escritura. Este artículo propone una metodología que combina la descomposición de valores singulares robusta (rSVD) con un esquema de CV, lo que permite tener en cuenta los valores atípicos sin eliminarlos. Para ello, se consideran tres posibles rSVD y se proponen seis criterios resistentes para la elección del rango, basados en tres estadísticas clásicas utilizadas en estadísticas multivariadas. Para probar el rendimiento de los diversos métodos, se describe un estudio de simulación y un análisis de datos reales, utilizando una evaluación exclusivamente numérica a través de estadísticas de Procrustes y ángulos críticos entre subespacios de componentes principales. Concluimos que, cuando las matrices de datos están contaminadas con valores atípicos, la mejor estimación del rango es aquella que utiliza un esquema de CV sobre una aproximación de rango inferior robusta (RLRA) que contenga tantos componentes como sea posible. En nuestros experimentos, los mejores resultados se obtuvieron cuando esta RLRA se calculó utilizando un rSVD que minimiza la norma L.