Utilizamos el concepto de posteriors coarsened para proporcionar inferencia bayesiana robusta a través de la coarsening con el fin de robustecer los posteriors que surgen de modelos de frontera estocástica. Estos posteriors surgen de versiones atemperadas de la verosimilitud cuando se utiliza como máximo una cantidad de datos preespecificada, y son robustos a cambios en el modelo. Específicamente, examinamos la robustez ante cambios en la distribución del error compuesto en el modelo de frontera estocástica (SFM). Además, la coarsening es una forma de regularización, reduce el sobreajuste y hace que las inferencias sean menos sensibles a la elección del modelo. Las nuevas técnicas se ilustran utilizando datos artificiales así como en una aplicación sustantiva a grandes bancos de EE. UU.