# Actividades Complementarias 
## Modelando Poblaciones de Bacterias con el Modelo Logístico

### Actividad 1: Investigación Bacteriana

**Objetivo:** Relacionar los conceptos matemáticos del crecimiento logístico con especies bacterianas reales.

**Duración:** 45 minutos

**Materiales:**
- Acceso a internet o biblioteca
- Plantilla de informe

**Instrucciones:**
1. Formar grupos de 2-3 estudiantes
2. Cada grupo debe investigar una especie bacteriana asignada:
   - *Escherichia coli*
   - *Staphylococcus aureus*
   - *Bacillus subtilis*
   - *Pseudomonas aeruginosa*
   - *Lactobacillus acidophilus*

3. Para cada especie, investigar:
   - Tasa de crecimiento típica (r)
   - Capacidad de carga en diferentes medios (K)
   - Tiempo de duplicación
   - Aplicaciones prácticas o impacto en la vida cotidiana

4. Crear un póster digital que incluya:
   - Información biológica básica de la bacteria
   - Parámetros de crecimiento identificados
   - Gráfica del modelo logístico con los parámetros reales
   - Aplicaciones prácticas en medicina, industria o ambiente

### Actividad 2: Diseño Experimental

**Objetivo:** Diseñar un experimento hipotético para medir el crecimiento de una población bacteriana.

**Duración:** 60 minutos

**Materiales:**
- Plantilla de diseño experimental
- Materiales para bosquejo del montaje experimental

**Instrucciones:**
1. Los estudiantes deben diseñar un experimento para medir el crecimiento de una población bacteriana en el laboratorio.
2. El diseño debe incluir:
   - Hipótesis clara sobre los factores que afectarán el crecimiento
   - Descripción del montaje experimental
   - Variables independientes, dependientes y controladas
   - Método de medición y recolección de datos
   - Propuesta para analizar los datos y ajustarlos al modelo logístico
   - Bosquejo del equipo necesario

3. Consideraciones especiales que deben abordar:
   - Cómo medir la población bacteriana a lo largo del tiempo
   - Cómo mantener condiciones constantes
   - Qué factores podrían alterar la capacidad de carga K
   - Cómo determinarían experimentalmente el valor de r

### Actividad 3: Modelado Computacional Avanzado

**Objetivo:** Ampliar el modelo logístico básico para incluir otras variables y crear simulaciones más realistas.

**Duración:** 90 minutos

**Materiales:**
- Computadoras con software de programación (JavaScript o Python)
- Plantilla de código básico

**Instrucciones:**
1. A partir del código base, los estudiantes deben modificarlo para incluir al menos uno de estos factores adicionales:
   - Variación de la tasa de crecimiento (r) en función de la temperatura
   - Efecto de antibióticos (reducción gradual de r)
   - Competencia entre dos especies bacterianas por los mismos recursos
   - Efecto de la estructura espacial (crecimiento en superficie vs. en medio líquido)

2. El código debe incluir:
   - Funciones modificadas que incorporen las nuevas variables
   - Visualización que compare el modelo básico con el modelo extendido
   - Interfaz que permita ajustar los nuevos parámetros
   - Documentación clara de las ecuaciones utilizadas

3. Al finalizar, los estudiantes presentarán sus simulaciones explicando:
   - Las modificaciones realizadas al modelo básico
   - El impacto de los nuevos factores en el crecimiento poblacional
   - Limitaciones de su modelo y posibles mejoras futuras

### Actividad 4: Análisis de Datos Reales

**Objetivo:** Aplicar el modelo logístico a datos reales de crecimiento poblacional.

**Duración:** 60 minutos

**Materiales:**
- Conjuntos de datos reales de crecimiento bacteriano
- Hojas de cálculo o software de análisis de datos
- Guía de análisis estadístico

**Instrucciones:**
1. Proporcionar a los estudiantes conjuntos de datos reales de experimentos de crecimiento bacteriano
2. Los estudiantes deben:
   - Graficar los datos para visualizar el patrón de crecimiento
   - Identificar las diferentes fases del crecimiento (lag, exponencial, estacionaria)
   - Ajustar el modelo logístico a los datos utilizando técnicas de regresión
   - Determinar los parámetros r y K que mejor se ajustan a los datos
   - Calcular el error entre el modelo y los datos reales

3. Preguntas para discusión:
   - ¿Qué tan bien se ajusta el modelo logístico a los datos reales?
   - ¿Qué factores podrían explicar las discrepancias entre el modelo y los datos?
   - ¿Cómo podría mejorarse el modelo para capturar mejor la dinámica observada?

### Actividad 5: Conexión con Otras Disciplinas

**Objetivo:** Explorar aplicaciones del modelo logístico en otros contextos STEAM.

**Duración:** 45 minutos

**Materiales:**
- Tarjetas con diferentes escenarios de aplicación
- Materiales de investigación

**Instrucciones:**
1. Dividir a los estudiantes en grupos
2. Cada grupo recibe un escenario donde el modelo logístico se aplica en un contexto diferente:
   - Propagación de una innovación tecnológica
   - Crecimiento de población de una especie en un ecosistema
   - Difusión de información en redes sociales
   - Adopción de energías renovables
   - Propagación de enfermedades infecciosas

3. Los grupos deben:
   - Investigar cómo se aplica el modelo logístico en ese contexto
   - Identificar las equivalencias de los parámetros r y K en el nuevo contexto
   - Crear una infografía que muestre las similitudes y diferencias con el crecimiento bacteriano
   - Proponer una ecuación modificada que capture mejor la dinámica del fenómeno asignado

4. Al finalizar, los grupos presentan sus hallazgos, enfatizando:
   - La universalidad del modelo logístico en diferentes disciplinas
   - Las adaptaciones necesarias para cada contexto específico
   - El valor de los modelos matemáticos como herramientas transdisciplinarias

### Rúbrica de Evaluación:

| Criterio | Nivel 1 (Básico) | Nivel 2 (Satisfactorio) | Nivel 3 (Destacado) | Nivel 4 (Excepcional) |
|----------|------------------|------------------------|---------------------|----------------------|
| Comprensión del modelo logístico | Identifica los parámetros básicos sin comprender su significado | Explica los parámetros y su relación con el crecimiento poblacional | Relaciona detalladamente los parámetros con fenómenos biológicos específicos | Analiza críticamente las limitaciones del modelo y propone mejoras fundamentadas |
| Aplicación matemática | Utiliza el modelo con errores significativos | Aplica correctamente el modelo a situaciones sencillas | Adapta el modelo a diversos contextos con precisión | Modifica creativamente el modelo para capturar dinámicas complejas |
| Implementación tecnológica | Usa código predefinido con modificaciones mínimas | Implementa código funcional con modificaciones propias | Desarrolla código bien estructurado con funcionalidades adicionales | Crea simulaciones avanzadas con interfaces intuitivas y optimizaciones |
| Análisis de datos | Representa datos básicos sin interpretación | Analiza datos identificando patrones generales | Interpreta datos relacionándolos con el modelo teórico | Realiza análisis sofisticados que generan nuevas hipótesis verificables |
| Comunicación científica | Presenta información básica con estructura desorganizada | Comunica ideas principales con estructura clara | Articula conceptos complejos de manera precisa y organizada | Transmite información de manera excepcional, integrando múltiples perspectivas STEAM |

### Extensiones y Recursos Adicionales:

- **Laboratorios virtuales:**
  - Simulador LabXchange (Harvard): [https://www.labxchange.org/](https://www.labxchange.org/)
  - Virtual Labs: [https://www.vlab.co.in/](https://www.vlab.co.in/)

- **Conjuntos de datos:**
  - Repositorio de datos microbiológicos: [https://www.ncbi.nlm.nih.gov/](https://www.ncbi.nlm.nih.gov/)
  - Portal de datos abiertos científicos: [https://www.kaggle.com/datasets](https://www.kaggle.com/datasets)

- **Bibliotecas de programación:**
  - Librería Plotly para JavaScript: [https://plotly.com/javascript/](https://plotly.com/javascript/)
  - Librería SciPy para Python: [https://www.scipy.org/](https://www.scipy.org/)

- **Artículos educativos:**
  - "Understanding Bacterial Growth Dynamics": [https://www.nature.com/articles/nrmicro3128](https://www.nature.com/articles/nrmicro3128)
  - "Mathematical Models in Microbial Ecology": [https://www.frontiersin.org/journals/microbiology](https://www.frontiersin.org/journals/microbiology)