Forma y estructura del artculo cientfico

Submitted by toledoml on Mi, 07/11/2012 - 18:20

Cmo escribir un artculo cientfico. 2. Forma y estructura del artculo cientfico:

Los artculos cientficos tienen una estructura normalizada, aunque puede tener ligeras variaciones que
dependen de las normas de cada revista cientfica. Se pueden ver en cada revista en el apartado Normas
para los autores. En general, consta de las siguientes partes:

Ttulo. El ttulo debe ser una frase que contenga los conceptos e ideas esenciales del artculo. Deber
ser significativo y conciso. Debe contener las palabras claves esenciales del artculo, no ser una frase
de doble sentido, literaria ni cosas semejantes. No debera llevar abreviaturas, ni smbolos, aunque en
artculos matmticos y qumicos es a veces inevitable.

Autora y Afiliaciones. Los autores deben firmar siempre con el mismo nombre, y poner la afiliacin.
Hay que poner igualmente los datos de otros organismos que hayan financiado la investigacin. Los
nombres de personas y organismos deben estar normalizados y ser siempre iguales. Si se firma con
dos apellidos o un apellido compuesto es conveniente utilizar guiones para unir las palabras as:
"apellido1, nombre" "apellido1-apellido2, nombre". Si hay varios autores uno de ellos tiene que
aparacer como investigador principal con su direccin de correo electrnico.

Abstract o Resumen. El abstract es el resumen abreviado del artculo. Es un parte muy importante
porque es lo que aparace en las bases de datos bibliograficas y lo que mueve al lector a seguir
leyendo y a citar o no citar el artculo. Desgraciadiament o por fortuna para algunos muchas citas se
hacen leyendo slo el abstracts. Adems, los abstracts son fuentes de informacin para la
recuperacin de artculos en las bases de datos, junto con las palabras clave y los ttulos.

Palabras clave: Son palabras significativas que sirven para etiquetar el artculo. Normalmente se
separan por comas. Las palabras clave deben estar en ingls adems del idioma propio del artculo

Contenido
Introduccin. Se explica en esta parte el objetivo del artculo, los antecedentes, su estado en la
Comunidad Cientfica y la razn por la que ese artculo aporta algo nuevo a la ciencia. La introduccin
ser breve. Procura utilizar las principales palabras clave, las ms importantes estarn igualmente en el
ttulo, en la introduccin.
Materiales y mtodos. Aqu se explica cmo se ha realizado la investigacin, con qu materiales,
experiencias, estudios y mtodos. Dnde y cmo se ha realizado, qu fuentes bibliogrficas se han
consultado. Es un apartado tan importante como los otros porque puede proporcinar nuevas ideas
cientficas.
Resultados. Pueden ser datos, interpretaciones, comentarios. En cualquier caso tienen que ser muy
claros y concisos. En general los resultados se presentan en forma de listas, tablas, grficos e imgenes
Discusin. La discusin estudia la importancia e interpretacin de los resultados, comparndolos con
otros existentes, y relacionando ese artculo con otros y con otras investigaciones hechas en el mismo
contexto
Conclusiones: Es el resumen de la investigacin y su estado actual. Aqu se pueden plantear objetivos
futuros a seguir en la lnea de investigacin.

Agradecimientos (opcional)

Materiales adjuntos: tablas, imgenes, grficos, etc.... Caso de tener que incluir materiales adjuntos,
es necesario enviarlos separadamente, numerarlos e indicar los lugares en los que deben ir (Ver las
normas para los autores de la revista a la que se enva el artculo). Las imgenes deben llevar un ttulo
y una pequea descripcin (una frase). Tambin puedes envar pequeos vdeos, presentaciones, etc.

Lista de referencias. Las citas que se han ido incluyendo en el artculo deben dar lugar a la Lista de
referencias al final del mismo. Tanto las citas como la lista de referencias deben seguir las normas y
estilo bibliogrfico recomendado en la Revista en la que se va a publicar el artculo. Para insertar
referencias en contexto y hacer la lista de referencias de acuerdo con el estilo bibliogrfico requerido
por la revista se pueden utilizar los gestores de bibliografas, software especfico que nos permite
capturar, almacenar, ordenar y exportar citas y bibliografas en el formato deseado (Refworks,
EndNote, Zotero, Mendeley, etc.). Las citas son elementos de trfico que pueden llevar a leer tu
artculo. Si has utilizado citas de artculos relativamente importantes, esos artculos aparecern
indexados y tendrn sus listas de citado por, listas que a menudo son consultadas. Pero si la cita que
haces de un artculo es irrelevante puede perjudicar tu imagen cientfica. En resumen, no cites por
citar. Elige muy bien los artculos a consultar y a citar.

DOI. El DOI es un cdigo de identificacin del artculo que proporcionan los editores de revistas
cientficas registrados en la Agencia CrossRef. Es el editor y no el autor el que asigna DOI al artculo.
El DOI es un elemento de calidad que permite hacer la localizacin electrnica exacta y el seguimiento
de citas de un artculo. Si no se tiene DOI, la revista debera proporcionar una URL permanente.

Mnimos cuadrados

El resultado del ajuste de un conjunto de datos a una funcin cuadrtica.

Mnimos cuadrados es una tcnica de anlisis numrico enmarcada dentro de

la optimizacin matemtica, en la que, dados un conjunto de pares ordenados: variable
independiente, variable dependiente, y una familia de funciones, se intenta encontrar

la funcin continua, dentro de dicha familia, que mejor se aproxime a los datos (un "mejor
ajuste"), de acuerdo con el criterio de mnimo error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias en las
ordenadas (llamadas residuos) entre los puntos generados por la funcin elegida y los
correspondientes valores en los datos. Especficamente, se llama mnimos cuadrados
promedio(LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de descenso
por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza
el residuo cuadrado esperado, con el mnimo de operaciones (por iteracin), pero requiere
un gran nmero de iteraciones para converger.
Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de
mnimos cuadrados es que los errores de cada medida estn distribuidos de forma
aleatoria. El teorema de Gauss-Mrkov prueba que los estimadores mnimos cuadrticos
carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a
una distribucin normal. Tambin es importante que los datos a procesar estn bien
escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para
dar ms peso a un dato en particular, vase mnimos cuadrados ponderados).
La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos
otros problemas de optimizacin pueden expresarse tambin en forma de mnimos
cuadrados, minimizando la energa o maximizando la entropa.
ndice
[ocultar]

1 Historia

2 Formulacin formal del problema bidimensional

3 Solucin del problema de los mnimos cuadrados

o

3.1 Deduccin analtica de la aproximacin discreta mnimo cuadrtica lineal

3.1.1 Corolario

3.2 Deduccin geomtrica de la aproximacin discreta mnimo cuadrtica lineal

4 Mnimos cuadrados y anlisis de regresin

5 Referencias

6 Vase tambin

7 Enlaces externos

Historia[editar]

Karl Friedrich Gauss

El da de Ao Nuevo de 1801, el astrnomo italiano Giuseppe Piazzi descubri el planeta

enano Ceres. Fue capaz de seguir su rbita durante 40 das. Durante el curso de ese ao,
muchos cientficos intentaron estimar su trayectoria con base en las observaciones de
Piazzi (resolver las ecuaciones no lineales de Kepler de movimiento es muy difcil). La
mayora de las evaluaciones fueron intiles; el nico clculo suficientemente preciso para
permitir aFranz Xaver von Zach, astrnomo alemn, reencontrar a Ceres al final del ao
fue el de Carl Friedrich Gauss, por entonces un joven de 24 aos (los fundamentos de su
enfoque ya los haba planteado en 1795, cuando an tena 18 aos). Sin embargo, su
mtodo de mnimos cuadrados no se public sino hasta 1809, y apareci en el segundo
volumen de su trabajo sobre mecnica celeste, Theoria Motus Corporum Coelestium in
sectionibus conicis solem ambientium. El francs Adrien-Marie Legendre desarroll el
mismo mtodo de forma independiente en 1805.
En 1829, Gauss fue capaz de establecer la razn del xito maravilloso de este
procedimiento: simplemente, el mtodo de mnimos cuadrados es ptimo en muchos
aspectos. El argumento concreto se conoce como teorema de Gauss-Mrkov.

Formulacin formal del problema bidimensional[editar]

Sea
un conjunto de n puntos en el plano real, y sea
una
base de m funciones linealmente independiente en un espacio de funciones. Queremos
encontrar una funcin
que

que sea combinacin lineal de las funciones base, de modo

, esto es:

Por tanto, se trata de hallar los m coeficientes

que hagan que la funcin

aproximante
d la mejor aproximacin para los puntos dados
. El
criterio de "mejor aproximacin" puede variar, pero en general se basa en aqul que
minimice una "acumulacin" del error individual (en cada punto) sobre el conjunto total.
En primer lugar, el error (con signo positivo o negativo) de la funcin
punto,

en un solo

, se define como:

pero se intenta medir y minimizar el error en todo el conjunto de la

aproximacin,
. En matemticas, existen diversas formas de
definir el error, sobre todo cuando ste se refiere a un conjunto de puntos (y no
slo a uno), a una funcin, etc. Dicho error (el error "total" sobre el conjunto de
puntos considerado) suele definirse con alguna de las siguientes frmulas:
Error Mximo:
Error Medio:

Error cuadrtico medio:

La aproximacin por mnimos cuadrados se basa en la minimizacin
del error cuadrtico medio o, equivalentemente, en la minimizacin del
radicando de dicho error, el llamado error cuadrtico, definido como:

Para alcanzar este objetivo, se utiliza el hecho que la

funcin f debe poder describirse como una combinacin lineal de
una base de funciones. Los coeficientes de la combinacin lineal
sern los parmetros que queremos determinar. Por ejemplo,
supongamos que f es una funcin cuadrtica, lo que quiere decir
que es una combinacin lineal,

, de las

funciones
,
y
(m=3 en
este caso), y que se pretende determinar los valores de los
coeficientes:
, de modo que minimicen la suma (S) de los
cuadrados de los residuos:

Esto explica el nombre de mnimos cuadrados. A las

funciones que multiplican a los coeficientes buscados, que en
este caso son:
,
y , se les conoce con el nombre de
funciones base de la aproximacin, y pueden ser funciones
cualesquiera. Para ese caso general se deduce a
continuacin la frmula de la mejor aproximacin discreta (i.e.
para un conjunto finito de puntos), lineal y segn el criterio del
error cuadrtico medio, que es la llamada aproximacin lineal
por mnimos cuadrados. Es posible generar otro tipo de
aproximaciones, si se toman los errores mximo o medio, por
ejemplo, pero la dificultad que entraa operar con ellos,
debido al valor absoluto de su expresin, hace que sean
difciles de tratar y casi no se usen.

Solucin del problema de los mnimos

cuadrados[editar]
La aproximacin mnimo cuadrtica consiste en minimizar el
error cuadrtico mencionado ms arriba, y tiene solucin
general cuando se trata de un problema de aproximacin
lineal (lineal en sus coeficientes ) cualesquiera que sean
las funciones base:
antes mencionadas. Por lineal se
entiende que la aproximacin buscada se expresa como una
combinacin lineal de dichas funciones base. Para hallar esta
expresin se puede seguir un camino analtico, expuesto
abajo, mediante el clculo multivariable, consistente en
optimizar los coeficientes ; o bien, alternativamente, seguir
un camino geomtrico con el uso de el lgebra lineal, como se
explica ms abajo, en la llamada deduccin geomtrica. Para
los Modelos estticos uniecuacionales, el mtodo de mnimos
cuadrados no ha sido superado, a pesar de diversos intentos
para ello, desde principios del Siglo XIX. Se puede demostrar
que, en su gnero, es el que proporciona la mejor
aproximacin.

Deduccin analtica de la aproximacin discreta

mnimo cuadrtica lineal[editar]
Sea

un conjunto de n pares con abscisas

distintas, y sea
un conjunto de m funciones
linealmente independientes (en un espacio vectorial de
funciones), que se llamarn funciones base. Se desea
encontrar una funcin
de dicho espacio, o sea,
combinacin lineal de las funciones base, tomando por ello la
forma:

.
Ello equivale por tanto a hallar los m
coeficientes:
funcin
pares

. En concreto, se desea que tal

sea la mejor aproximacin a los n
empleando, como criterio de "mejor", el

criterio del mnimo error cuadrtico medio de la funcin

con respecto a los puntos

El error cuadrtico medio ser para tal caso:

Minimizar el error cuadrtico medio es equivalente a

minimizar el error cuadrtico, definido como el radicando del
error cuadrtico medio, esto es:

As, los
que minimizan
tambin minimizan
,y
podrn ser calculados derivando e igualando a cero este
ltimo:

Siendo i=1,2, . . .,m

Se obtiene un sistema de m ecuaciones con m incgnitas,
que recibe el nombre de "Ecuaciones Normales de Gauss".
Operando con ellas:

, para i=1,2,
. . .,m

, para i=1,2,
. . .,m

Si se desarrolla la suma, se visualiza la ecuacin "i-sima" del

sistema de m ecuaciones
normales:

, para cada i=1,2, . . .,m

Lo cual, en forma matricial, se expresa como:

Siendo
el producto escalar discreto, definido para
dos funciones dadas h(x) y g(x) como:

,
y para una funcin h(x) y vector cualquiera u, como:

La resolucin de dicho sistema permite obtener, para

cualquier base de funciones derivables localmente, la funcin
f(x) que sea mejor aproximacin mnimo cuadrtica al
conjunto de puntos antes mencionado. La solucin es ptima
esto es, proporciona la mejor aproximacin siguiendo el
criterio de mnimo error cuadrtico, puesto que se obtiene al
optimizar el problema.
Corolario[editar]
Si se tratara de hallar el conjunto de coeficientes
que

tal

pase exactamente por todos los

pares
interpole a
que:

, esto es, tales que

, entonces tendra que cumplirse

Que en forma matricial se expresa como:

Esto establece un sistema de n ecuaciones y m incgnitas, y

como en general n>m, quedara sobredeterminado: no tendra
siempre una solucin general. Por tanto, la aproximacin

tratar en realidad de hallar el vector c que mejor

aproxime
.
Se puede demostrar que la matriz de coeficientes de las
ecuaciones normales de Gauss coincide con
, siendo
A la matriz de coeficientes exactas, y como el trmino
independiente de las ecuaciones normales de Gauss coincide
con el vector
, se tiene que los valores
que
mejor aproximan f(x) pueden calcularse como la solucin al
sistema:
que es, precisamente, el sistema de las ecuaciones normales
de Gauss.

Deduccin geomtrica de la aproximacin

discreta mnimo cuadrtica lineal[editar]
La mejor aproximacin deber tender a interpolar la funcin
de la que proviene el conjunto de pares
, esto es,
deber tender a pasar exactamente por todos los puntos. Eso
supone que se debera cumplir que:

Sustituyendo f(x) por su expresin como combinacin

lineal de una base de m funciones:

Esto es, se tendra que verificar exactamente un

sistema de n ecuaciones y m incgnitas, pero como
en general n>m, dicho sistema estara
sobredeterminado y, por tanto, sin solucin general.
De ah surge la necesidad de aproximarlo.
Dicho sistema podra expresarse en forma matricial
como:

Esto es:

La aproximacin trata de hallar el vector c

aproximante que mejor aproxime el
sistema
.
Con dicho vector c aproximante, es posible
definir el vector residuo como:

De manera que el mnimo error

cuadrtico supone minimizar el residuo,
definiendo su tamao segn la norma
eucldea o usual del residuo, que
equivale al error cuadrtico:

siendo
el producto interior o
escalar del vector residuo sobre s
mismo.
Si atendemos al sistema
,
entonces se ve claramente que al
multiplicar A y c, lo que se realiza es
una combinacin lineal de las
columnas de A:

El problema de aproximacin
ser hallar aquella combinacin
lineal de columnas de la matriz A
lo ms cercana posible al vector
b. Se comprueba que el conjunto
de las columnas de A generan
un espacio vectorial o Span
lineal:
, al
que el vector b no tiene porqu
pertenecer (si lo hiciera, el
sistema A.c=b tendra solucin).
Entonces, de los infinitos
vectores
del
que son combinacin lineal de
los vectores de la base, se
tratar de hallar el ms cercano
al vector b.
De entre todos ellos, el que
cumple esto con respecto a la
norma eucldea es la proyeccin
ortogonal de b
sobre
,y
que por tanto hace que el
tamao del vector r, que ser el
vector que une los extremos de

los vectores b y proyeccin

ortogonal de b sobre el span, sea
mnimo, esto es, que minimiza su
norma eucldea.
Es inmediato ver que si el
residuo une b con su proyeccin
ortogonal, entonces es a su vez
ortogonal
al
,y
a cada uno de los vectores de la
base, esto es, ortogonal a cada
columna de A.
La condicin de minimizacin del
residuo ser:

Que es cierto si y slo si:

A su vez, cada una de

las m condiciones de
perpendicularidad se
pueden agrupar en una
sola:

Sustituyendo el
residuo por su
expresin:

Por tanto, la
mejor
aproximacin
mnimo
cuadrada lineal
para un conjunto
de puntos
discretos, sean
cuales sean las
funciones base,
se obtiene al
resolver el
sistema
cuadrado:
.
A esta
ecuacin se
le
llama ecuaci
n normal
de Gauss, y

es vlida
para
cualquier
conjunto de
funciones
base. Si
estas son la
unidad y la
funcin x,
entonces la
aproximaci
n se
llama regresi
n lineal.

Mnimo
s
cuadrad
os y
anlisis
de
regresi
n[editar]
En
el anlisis
de
regresin,
se sustituye
la relacin

por

sien
do
el
trm
ino
de
pert
urba
cin

una
vari
able
alea
toria
con

med
ia
cero
.
Ob
erve
se
que
esta
mos
asu
mie
ndo
que
los
valo
res
x so
n
exa
ctos
,y
que
todo
s los
erro
res
est
n en
los
valo
res
y.
De
nue
vo,
disti
ngui
mos
entr
e re
gres
in
line
al,
en
cuy
o
cas
o la
func
in f
es
line
al
para
los

par
metr
os a
ser
dete
rmin
ado
s
(ej.,
f(x)
= ax
2
+b
x+
c),
y re
gres
in
no
line
al.
Co
mo
ante
s, la
regr
esi
n
line
al
es
muc
ho
ms
sen
cilla
que
la
no
line
al.
(Es
tent
ador
pen
sar
que
la
raz
n
del
nom
bre r
egre
sin
line
al e
s

que
la
grfi
ca
de
la
func
in f
(x)
= ax
+b
es
una
lne
a.
Ajus
tar
una
curv
a f(x
)
= ax
2
+b
x+
c,
esti
man
do a
,by
cp
or
mni
mos
cua
drad
os
es
un
eje
mpl
o de
regr
esi
n lin
eal
porq
ue
el
vect
or
de
esti
mad
ores
mni
mos
cua

drti
cos
de a
,by
ce
s
una
tran
sfor
mac
in
line
al d
el
vect
or
cuy
os
com
pon
ente
s
son
f(xi)
+ i).
Los
par
metr
os
(a, b
yc
en
el
eje
mpl
o
ante
rior)
se
esti
man
con
frec
uen
cia
med
iant
e
mni
mos
cua
drad
os:
se
tom
an
aqu

ellos
valo
res
que
mini
mic
en
la
sum
a S.
El te
ore
ma
de
Gau
ssMr
kov
esta
blec
e
que
los
esti
mad
ores
mni
mos
cua
drti
cos
son
pti
mos
en
el
sent
ido
de
que
son
los
esti
mad
ores
line
ales
inse
sga
dos
de
men
or
vari
anz
a, y
por

tant
o de
men
or
erro
r
cua
drti
co
med
io, si
tom
amo
s f(x
)
= ax
+b
esta
ndo
ay
b po
r
dete
rmin
ar y
con
los
trm
inos
de
pert
urba
cin

inde
pen
dien
tes
y
distr
ibui
dos
idn
tica
men
te
(va
se
elart
cul
o si
des
ea
una
expli
caci
n

ms
deta
llad
ay
con
con
dicio
nes
men
os
restr
ictiv
as
sobr
e
los
trm
inos
de
pert
urba
cin
).
La
esti
mac
in
de
mni
mos
cua
drad
os
para
mod
elos
line
ales
es
noto
ria
por
su
falta
de
robu
stez
frent
ea
valo
res
atpi
cos
(outl
iers)
. Si
la

distr
ibuci
n
de
los
atpi
cos
es
asi
mtr
ica,
los
esti
mad
ores
pue
den
esta
r
ses
gad
os.
En
pres
enci
a de
cual
quie
r
valo
r
atpi
co,
los
esti
mad
ores
mni
mos
cua
drti
cos
son
inefi
cien
tes
y
pue
den
serl
o en
extr
emo
. Si
apar
ece
n

valo
res
atpi
cos
en
los
dato
s,
son
ms
apro
piad
os
los
mt
odo
s
de r
egre
sin
robu
sta.