Abstract
Background: Food composition tables become obsolete due to new production
practices, plant genetic research, changes in analytical methods, and the
characterization and introduction of new foods. Therefore, it is necessary to
update the existing Cuban tables. Aim.
Implement a procedure that makes it possible to process data on foods, coming
from the literature, with the interest of developing reliable tables of
nutritional composition of foods for ruminant animals. Materials and Methods: AliCuba software
was used to generate tables of nutritional composition of livestock foods,
based on the compilation and processing of research results published in
various bibliographic sources. A procedure was established that regulates the
stages to be followed, with the help of this software, to obtain reliable
tables of the nutritional composition of foods. Univariate techniques were used
to determine outlier data. Missing values were estimated through equations.
Bootstrap resampling was applied with a percentile confidence interval. The procedure
was validated with information regarding Megathyrsus
maximus cv. Likoni (leaves and stems, fresh, western
region, without specifying time of year or irrigation, with fertilization and
30 to 60 days old). Results: The
procedure implemented following its different stages was adequate to identify
and adjust database anomalies, such as data entry errors, incorrect units of
measurement, analytical errors, misidentification of foods, etc., demonstrating
its validity. to ensure the quality of the information. Conclusion: A procedure was implemented that allows perfecting the
process of preparing nutritional composition tables of foods for ruminant
animals.
Keywords: database,
normal distribution, cattle, confidence intervals, software (Source: DeCS).
INTRODUCCIÓN
Las tablas de alimento se vuelven
obsoletas debido a las nuevas prácticas de producción, los cambios en la
genética de las plantas, las modificaciones de los métodos analíticos y la
introducción de nuevos alimentos (Schlageter-Tello
et al., 2020).
Tran et al.
(2020) indicaron que conocer las
estimaciones precisas de la variabilidad de los ingredientes en las dietas
permite reducir el riesgo de deficiencias de nutrientes. Además para satisfacer
las exigencias nutricionales del ganado e indicadores productivos y reducir los
costos de producción, es fundamental utilizar la optimización estocástica tal
como lo plantean Vitoriano y Ramos (2023). Por tanto, las tablas de
alimentos precisan proporcionar más información que las concentraciones
promedio, como las desviaciones estándar (DS) y los intervalos de confianza
(IC) en la composición de nutrientes.
Las tablas cubanas de alimentos para los animales
rumiantes elaboradas hasta el presente (Cáceres
et al., 2002 y García-Trujillo y
Pedroso, 1989) carecen de los datos de la DS y
los IC. Además, muchos de los resultados de trabajos investigativos realizados
en Cuba no están incluidos, lo cual dificulta identificar los recursos
disponibles a nivel local, con potencialidades para la alimentación del ganado.
Para resolver esta situación, se diseñó e implementó
la herramienta informática AliCuba (Pérez
et al., 2021) que permite crear las tablas de
composición nutritiva de los alimentos para el ganado, a partir de la
recopilación y procesamiento de las informaciones que aparecen publicadas en
diferentes fuentes bibliográficas.
Schlageter-Tello et al. (2020) indicaron los importantes desafíos
que representan el desarrollo de tablas de composición de alimentos, ya que los
datos proporcionados por diferentes fuentes tienden a tener identificaciones
erróneas de los alimentos, malos procedimientos de muestreo, pequeñas muestras
y otras complicaciones que podrían causar estimaciones inexactas de los
promedios y la desviación estándar.
Por lo antes expuesto, el objetivo
de este trabajo fue implementar un procedimiento que ayude a
procesar datos provenientes de la literatura sobre los alimentos, con el
interés de elaborar tablas confiables de composición nutritiva de los alimentos
para los animales rumiantes.
MATERIALES Y MÉTODOS
Funcionamiento
del Software AliCuba
Para elaborar las tablas
cubanas de composición nutritiva de los alimentos con el auxilio del software AliCuba, versión 8 (Pérez et al., 2021), hay que cumplimentar tres
etapas:
(1)
Captación de la información.
Se almacenan las tablas de
composición nutritiva de los alimentos obtenidas de las fuentes de datos
seleccionadas. Para ello, se organiza un adecuado sistema de registro de los
alimentos que consideran lo relativo a su clasificación, su nombre común y
científico, la variedad, la parte, el procesamiento, la manera que son
suministrados a los animales y los elementos que influyen en su valor nutritivo
(región, época del año, riego, fertilización, edad, entre otros). También se
añaden las ecuaciones que permiten estimar los valores faltantes.
(2) Revisión y evaluación de la información captada.
Durante esta etapa, se
generan las tablas de composición nutritiva de los alimentos junto a un análisis
estadístico descriptivo de dispersión (media, mediana, desviación estándar,
mínimo, máximo, varianza, error estándar y coeficiente de variación) y de
distribución (curtosis y asimetría) de cada nutriente. También se utilizan dos
procedimientos estadísticos para identificar los valores atípicos, los %202023.%20Procedimiento%20para%20elaborar%20las%20nuevas%20tablas%20cubanas._archivos/image004.png)
rangos intercuartiles y los desviación estándar,
según lo indicado por Figueroa-Mata et al.
(2012). Estos análisis son representados a través de los diagramas
de cajas y los gráficos de desviación estándar respectivamente.
Los
diagramas de cajas se obtuvieron a través de la biblioteca spssjavaplugin.jar
del paquete estadístico SPSS (2019). En
cambio, los reportes de los gráficos de desviación estándar son generados a
partir de un procedimiento incorporado al software, complementado con una tabla
que contiene todos los valores de las muestras, junto a la tipificación de los
valores atípicos y la referencia bibliográfica a la que pertenece. Los umbrales
de DS establecidos
son 2 y 3.
(3) Elaboración de las tablas de composición de alimentos.
Primero se realizan las estimaciones
de valores, a partir de las ecuaciones registradas en el software, luego se
aplica un remuestreo bootstrap
uniforme (Fernández et al., 2023) a
todos los nutrientes que contienen al menos cinco muestras y por último se
generan las tablas de composición nutritiva de los alimentos.
En este
proceso, se empleó la librería Jep 4.0 (Singular Systems, 2021) para el
análisis léxico, sintáctico y evaluación de las expresiones matemáticas que se
utilizaron para la estimación de valores. El intervalo de confianza obtenido en el remuestreo
bootstrap se
calculó por el método percentil básico tal como
lo plantean Cao y
Fernández (2021).
También se efectúa un sistema de etiquetado de los alimentos que contribuye a
describir de forma sencilla y clara todas las informaciones relativas a su
origen, la parte, la forma de presentación y los elementos que influyen en su
valor nutritivo.
Procedimiento para elaborar las tablas
Explorar, deducir y evaluar
la calidad de los datos es una condición previa antes de crear las tablas de
alimentos. Un análisis minucioso permite identificar posibles errores (datos
incorrectamente introducidos, detectar la ausencia de valores o una mala
codificación de las variables), revelar la presencia de valores atípicos y
realizar un análisis descriptivo de los datos. Por tanto,
se trabajó en un procedimiento
que norma las etapas a transitar, con el auxilio del software AliCuba, para obtener tablas confiables de composición
nutritiva de los alimentos. Para ello, se valoraron los criterios expresados
por Schlageter-Tello et al. (2020) y se consideraron las metodologías empleadas por Yoder
et al. (2014) y Tran et al. (2020).
Validación del
procedimiento
La validación del procedimiento se realizó con
información sobre la composición nutritiva del Megathyrsus maximus,
la cual fue obtenida de las investigaciones publicadas en las revistas
siguientes: Revista Cubana de Ciencia Agrícola (ICA, 2019) desde 1967 hasta el 2019, Revista Pastos y Forrajes (EEPF IH, 2019) desde 1978 hasta el 2019, Revista de Producción Animal (UC, 2019) desde 1985 hasta el 2019 y Revista Computarizada de Producción Porcina (IIP, 2015) desde 1994 hasta el 2015. También se incluyeron datos de las tablas cubanas elaboradas hasta el presente (Cáceres et al.,
2002; García-Trujillo y Pedroso, 1989; MINAG, 2009).
Se
generaron las tablas de composición nutritiva con todas las informaciones
referentes al Megathyrsus maximus. Los
metadatos de los factores considerados corresponden a la variedad, la región,
la época, el riego, la fertilización, la edad y el tratamiento. Para validación
se seleccionó el cv. Likoni,
con las siguientes características: los estudios que se hicieron en la región
occidental sobre las hojas y tallos frescos, donde no se especificó la época del
año, ni el riego, con fertilización y que la edad estuviera entre 30 y 60 días.
Se aplicó el método bootstrap a 10000 remuestreos de los datos, con un intervalo de confianza de
tipo percentil al 95%.
RESULTADOS Y DISCUSIÓN
Procedimiento para
elaborar las tablas
Un error común en las bases de
datos de alimentos es la codificación errónea de las variables, lo cual traerá
como consecuencia que se afecte las estadísticas de población según el número
de observaciones identificadas incorrectamente. En opinión de Schlageter-Tello et al.
(2020) y Vila (2020), para obtener estadígrafos precisos
se debe identificar de manera adecuada qué datos son anómalos y cuáles no.
Para comprobar la correcta
codificación de los metadatos y valores nutritivos se implementa el
procedimiento que se observa
en la Fig. 1. Su ejecución tiene que
necesariamente transitar por tres estados para asegurar la calidad de la
información incorporada a las tablas de composición nutritiva de los alimentos.
De este modo, el usuario que interactúa con el software AliCuba
realiza los análisis y ajustes necesarios a medida que recorre cada una sus
fases.
%202023.%20Procedimiento%20para%20elaborar%20las%20nuevas%20tablas%20cubanas._archivos/image006.jpg)
Figura 1. Representación
gráfica del procedimiento para elaborar las tablas de composición nutritiva de
los alimentos para el ganado.
En un primer momento se crean todas las
tablas de alimentos y luego, con el propósito de identificar cualquier
anomalía, se comienza a realizar un proceso exploratorio de los datos. Durante
este paso, se obtiene una representación del conjunto de los datos, de modo que
se puede detectar el patrón de comportamiento general de la distribución de las
variables. También, se efectúan los análisis con los diagramas de cajas y los
gráficos de desviación estándar.
Para cada valor atípico identificado se
verifica la causa que lo origina. Para ello, se examinan las referencias
bibliográficas donde se originan estas anomalías, para comprobar que cada
variable esté almacenada con el tipo de valor que le corresponde.
Cada decisión tomada con los
valores atípicos demanda la aplicación nuevamente de la metodología, con o sin
los valores inusuales, para poder medir su efecto en los resultados obtenidos.
Si el efecto es mínimo, se elimina o sustituyen. Por el contrario, si es
importante, se analizan nuevamente las causas.
Por último, se estiman los valores faltantes
según las ecuaciones que se puedan calcular y se realiza el remuestreo
con el método bootstrap. Antes de ser admitida cada
tabla concluyente, se efectúa nuevamente un análisis exploratorio de los datos.
Validación del procedimiento
Se examinaron un total de 6052 artículos en
las revistas pecuaria seleccionadas. En el caso del Megathyrsus maximus tuvo un total de 1165 registros
que proceden de 140 referencias bibliográficas, de los cuales se generaron 143
tablas de composición nutritiva según los metadatos considerados.
Al iniciar el procedimiento para elaborar la
tabla de composición nutritiva del alimento evaluado se evidencian que la MS,
FB y PB contienen valores atípicos (tabla 1), ya que estos
presentan elevada DS. Entonces para determinar el origen de estas anomalías se procede a realizar un análisis exploratorio de los datos.
Tabla 1. Reporte inicial de la tabla de
composición nutritiva del alimento evaluado.
|
Variables
|
N
|
Media
|
DS
|
Mín
|
Máx
|
Var
|
EE
|
Observaciones
|
|
MS, %
|
9
|
27,2
|
3,93
|
20,34
|
34,5
|
15,44
|
1,31
|
Contiene Valores Atípicos
|
|
Cen, % MS
|
2
|
9,11
|
0,18
|
8,99
|
9,24
|
0,03
|
0,12
|
|
|
FB, % MS
|
7
|
28,58
|
10,03
|
7,4
|
37,45
|
100,7
|
3,79
|
Contiene Valores Atípicos
|
|
MO, % MS
|
2
|
91,33
|
0,04
|
91,3
|
91,35
|
|
0,02
|
|
|
PB, % MS
|
8
|
10,06
|
8,8
|
5,8
|
31,6
|
77,39
|
3,11
|
Contiene Valores Atípicos
|
|
Ca, % MS
|
2
|
0,81
|
0,01
|
0,8
|
0,81
|
|
|
|
|
P, % MS
|
2
|
0,28
|
0,02
|
0,27
|
0,3
|
|
0,02
|
|
|
EMB, Mcal/kg MS
|
2
|
1,99
|
0,22
|
1,84
|
2,15
|
0,05
|
0,15
|
|
|
EMO, Mcal/kg MS
|
1
|
2
|
|
|
|
|
|
|
|
CMSO, g/kg PM
|
1
|
60,2
|
|
|
|
|
|
|
|
DMOO (vv-rec), %
|
1
|
58,9
|
|
|
|
|
|
|
MS: materia seca; Cen: ceniza; FB: fibra
bruta; MO: materia orgánica; PB: proteína bruta; Ca: calcio; P: fósforo; EMB:
energía metabolizable en bovino; EMO: energía metabolizable en ovinos; CMSO:
consumo de materia seca en ovino; DMOO (vv-rec):
digestibilidad aparente in vivo
rectal de la materia orgánica en ovinos.
Con el diagrama de caja se identifican dos
valores atípicos en la MS (3: 34,5 y 6: 20,34). Sin embargo, al realizar el
análisis de desviación estándar estos no son reportados, ya que todos los
valores se encuentran dentro de la zona de variación, como se muestran en la
figura 2.
%202023.%20Procedimiento%20para%20elaborar%20las%20nuevas%20tablas%20cubanas._archivos/image008.jpg)
Figura 2. Diagrama de caja y gráfico de desviación estándar para
identificar los valores atípicos en la MS.
Luego de examinadas
las referencias que corresponden a los valores anómalos detectados en la MS, se
comprobó que no hay error en la introducción de los datos. La causa de estas
desviaciones pudiera estar relacionada por la no consideración de la época del
año, ya que este factor genera una variabilidad en el
valor nutritivo del forraje (López-Vigoa et al.,
2019). De igual forma, Milera et al.
(2017) indican que aunque
la Megathyrsus maximus se
caracteriza por su adaptación a una amplia gama de suelos, hay algunos que
deciden su nivel productivo.
Los valores atípicos identificados en la FB
y PB (figura 3) corresponden a la misma referencia (Ojeda, 1994), la cual fueron publicados con los valores invertidos y estos fueron
captado exactamente como estaban. Por lo que se procedió a subsanar el error.
%202023.%20Procedimiento%20para%20elaborar%20las%20nuevas%20tablas%20cubanas._archivos/image010.jpg)
Figura 3. Análisis de desviación
estándar para identificar los valores atípicos en FB y PB.
Una
vez concluidas las transformaciones realizadas, se crea nuevamente la tabla de
composición nutritiva del alimento evaluado. En el nuevo análisis realizado a
los valores de los nutrientes se evidencian que la MS y la FB siguen
reportándose con elevada DS (3,93 y 3,67 respectivamente).
El análisis aplicado a la FB se determinó que
no existen valores anómalos, sin embargo al analizar las referencias se
comprueba que el valor de 27,34 de la FB (caso 4 de la figura 3) es uno de los
que influyen en la desviación y este está relacionado con unos de los valores
atípicos de la MS (20,34) de la publicación de Otero y Esperance (1994). Esto es coherente con lo
planteado por estos autores y Ojeda-García
et al. (2020) que el estado de madurez de
este forraje (40 días de edad) influye en su valor nutritivo (contiene menor
contenido de MS y FB, así como un mayor tenor de PB).
Una vez aprobado la veracidad de los datos
almacenados, se procedió a realizar las estimaciones de los valores faltantes a
partir de las ecuaciones incorporadas al software. Como resultado
de este proceso son obtenidos un mayor número de observaciones en Cen, MO, PB y EMO. Además, son reportados el N, PBDB y la EDO. En la tabla 2 se muestra
el reporte final de la información nutricional del alimento evaluado.
Tabla 2. Reporte final de la tabla de
composición nutritiva del alimento evaluado.
|
Variables
|
N
|
Media
|
DS
|
Mín
|
Máx
|
Var
|
EE
|
Observaciones
|
|
MS, %
|
9
|
27,21
|
1,25
|
24,8
|
29,72
|
1,55
|
0,01
|
Se Aplicó Bootstrap
|
|
Cen, % MS
|
6
|
8,97
|
0,09
|
8,78
|
9,16
|
0,01
|
|
Se Aplicó Bootstrap
|
|
FB, %
MS
|
7
|
32,05
|
1,3
|
29,61
|
34,64
|
1,69
|
0,01
|
Se Aplicó Bootstrap
|
|
MO, %
MS
|
6
|
91,18
|
0,09
|
90,99
|
91,33
|
0,01
|
|
Se Aplicó Bootstrap
|
|
PB, %
MS
|
16
|
7,03
|
0,3
|
6,49
|
7,67
|
0,09
|
|
Se Aplicó Bootstrap
|
|
N, %
MS
|
8
|
1,12
|
0,07
|
1,01
|
1,27
|
|
|
Se Aplicó Bootstrap
|
|
Ca, %
MS
|
2
|
0,81
|
0,01
|
0,8
|
0,81
|
|
|
|
|
P, %
MS
|
2
|
0,28
|
0,02
|
0,27
|
0,3
|
|
0,02
|
|
|
EMB, Mcal/kg MS
|
2
|
1,99
|
0,22
|
1,84
|
2,15
|
0,05
|
0,15
|
|
|
PBDB, %
|
8
|
3,77
|
0,37
|
3,14
|
4,57
|
0,14
|
|
Se Aplicó Bootstrap
|
|
EMO, Mcal/kg MS
|
2
|
2,02
|
0,02
|
2
|
2,03
|
|
0,02
|
|
|
EDO, Mcal/kg MS
|
1
|
60,27
|
|
|
|
|
|
|
|
CMSO,
g/kg PM
|
1
|
60,2
|
|
|
|
|
|
|
|
DMOO
(vv-rec), %
|
1
|
58,9
|
|
|
|
|
|
|
MS: materia seca; Cen: ceniza; FB: fibra
bruta; MO: materia orgánica; PB: proteína bruta; N: nitrógeno; Ca: calcio; P:
fósforo; EMB: energía metabolizable en bovino; PBDB: Proteína bruta digestible
en bovinos; EMO: energía metabolizable en ovinos; EDO: energía digestible en
ovinos; CMSO: consumo de materia seca en ovino; DMOO (vv-rec):
digestibilidad aparente in vivo
rectal de la materia orgánica en ovinos.
Se evidencian
la validez el procedimiento ejecutado, pues permitió identificar y ajustar las
anomalías identificadas en la base de datos. Además, se redujo como promedio un
16,06 % la DS, especialmente los que tenían una concentración de nutrientes
superior a 3,5 unidades de DS de la media (MS: de 3,93 a 1,25; FB:
de 10,03 a 1,3; PB: de 8,8 a 0,3).
Los resultados
descritos en este trabajo confirman lo indicado por Obaid y Jasim (2021) que se debe realizar un proceso exploratorio de los datos antes de
decidir que tratamiento se deben dar a los valores atípicos. De igual forma, se
comprueban las ventajas de aplicar el método de remuestreo
bootstrap, pues se obtuvo mejores indicadores en la
DS y los IC. Además, se ha
demostrado que el intervalo de confianza bootstrap
percentil presenta ventajas teóricas sobre el intervalo normal estándar y un
mejor comportamiento en la práctica.
La desviación
estándar casi siempre fue menor después de aplicado el remuestreo
bootstrap. Nos obstante, el uso de los métodos de
detención de valores atípicos contribuyó a identificar
principalmente los errores simples de entrada de datos, unidades de
medida incorrectas, errores analíticos, identificación errónea de alimentos y
alimentos correctamente registrados pero que representan poblaciones diferentes
debido a la genética, el procesamiento o la región.
CONCLUSIONES
Se implementó un procedimiento que contribuye a perfeccionar el proceso de elaboración de las tablas de
composición nutritiva de los alimentos para los animales rumiantes.
La aplicación del procedimiento
desarrollado proporcionó estimaciones más precisas de la desviación estándar y
los intervalos de confianza en la composición de nutrientes, que son
importantes en la programación estocástica y en la valoración económica de los
alimentos.
REFERENCIAS
Cáceres,
O., Ojeda, F., González, E., Arece, J., Milera, M., Lamela, L., Esperance, M.,
Montejo, I. L., & Soca, M. (2002). Valor nutritivo de recursos
forrajeros tropicales para los rumiantes. Editorial Estación Experimental
de Pastos y Forrajes Indio Hatuey. https://biblioteca.ihatuey.cu/link/proyecto/tablavalornutritivo/tbn.pdf
Cao Abad,
R., & Fernández Casal, R. (2021). Técnicas de Remuestreo. https://rubenfcasal.github.io/book_remuestreo
EEPF IH.
(2019). Revista Pastos y Forrajes. Editorial de la Estación Experimental
de Pastos y Forrajes Indio Hatuey del Ministerio de Educación Superior de la
República de Cuba. https://payfo.ihatuey.cu
Fernández
Casal, R., Cao, R., & Costa, J. (2023). Técnicas
de Simulación y Remuestreo. https://rubenfcasal.github.io/simbook/Simulacion.pdf
Figueroa-Mata,
G., Carrera, E., & Jiménez, A. (2012). Análisis de Componentes
Principales en Paralelo. Instituto Tecnológico de Costa Rica. https://repositoriotec.tec.ac.cr/bitstream/handle/2238/2910/Informe_Final.pdf?sequence=1&isAllowed=y
García-Trujillo,
R., & Pedroso, D. M. (1989). Alimentos para rumiantes. Tablas de valor
nutritivo. EDICA.
ICA.
(2019). Revista Cubana de Ciencia Agrícola. Editorial del Instituto de
Ciencia Animal del Ministerio de Educación Superior de la República de Cuba. https://cjascience.com
IIP.
(2015). Revista Computadorizada de Producción Porcina. Editada por el
Instituto de Investigaciones Porcina de la República de Cuba. http://www.iip.co.cu
López-Vigoa,
O., Lamela-López, L., Sánchez-Santana, T., Olivera-Castro, Y., García-López,
R., Herrera-Villafranca, M., & González-Ronquillo, M. (2019). Evaluación
del valor nutricional de los forrajes en un sistema silvopastoril. Pastos y
Forrajes, 42(1), 57-67. http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S0864-03942019000100057
Milera, M.
C., Machado, R. L., Simón, L. R., García Trujillo, R., Mesa Sardiñas, A. R.,
González Rosado, Y., Hernández Chávez, M. B., Pérez Vargas, A., Remy López, V.
A., Ojeda García, F., Esperance Matamoros, M. J., Lamela López, L., Hernández
Torrecilla, D., Cáceres García, O., Paretas Fernández, J. J., López Gutiérrez,
M., Machado Martínez, H. C., Segui Cartaya, E., Martín Martín, G. J., & Miret
Prieto, R. (2017). Tecnologías, metodologías y resultados generados por la
EEPFIH (M. C. Milera y T. Sánchez (eds.)). Editorial Estación Experimental
de Pastos y Forrajes Indio Hatuey. https://biblioteca.ihatuey.cu/link/proyecto/2017electronicos/tecnologias.pdf
MINAG.
(2009). Tablas de especificaciones nutricionales de los piensos y
composición nutritiva y límites de inclusión de las materias primas. UECAN.
Obaid
Merza, E., & Jasim AL-Anber, N. (2021). Formas rápidas de detectar valores
atípicos. Revista de Técnicas, 3(1), 66-73. https://doi.org/10.51173/jt.v3i1.287
Ojeda-García,
F., Esperance-Matamoros, M., Milera-Rodríguez, M. C., & Cáceres-García, O.
(2020). Capítulo 12. Conservación de pastos y forrajes en zonas tropicales. En
M. C. Milera, T. Sánchez, y M. Hernández (Eds.), Recursos forrajeros
multipropósitos (pp. 251-277). Editorial Estación Experimental de Pastos y
Forrajes Indio Hatuey. https://biblioteca.ihatuey.cu/link/nuestraspublicaciones/recursos_forrajeros_multipropositos2020.pdf
Ojeda, F.
(1994). Evaluación de la interacción conservante-miel final sobre la calidad
fermentativa de los ensilajes de la guinea cv. Likoni. Pastos y Forrajes,
17(3), 267-276. https://payfo.ihatuey.cu/index.php?journal=pasto&page=article&op=view&path%5B%5D=1164
Otero, M., &
Esperance, M. (1994). Estudio de la ensilabilidad de la guinea likoni (P.
maximum Jacq.) según el índice azúcar/capacidad tampón. Pastos y Forrajes,
17(3), 277-281. https://payfo.ihatuey.cu/index.php?journal=pasto&page=article&op=view&path%5B%5D=1165
Pérez, F.,
Romero, O., & Centurión, A. (2021). AliCuba : software de gestión de
composición de alimentos para el ganado en Cuba. Revista Cubana de Ciencias
Informáticas, 15(4), 15-28. https://rcci.uci.cu/?journal=rcci&page=article&op=download&path%5B%5D=2059&path%5B%5D=889
Schlageter-Tello, A., Fahey, G. C., Freel, T., Koutsos,
L., Miller, P. S., & Weiss, W. P. (2020). ASAS-NANP Symposium: Ruminant/nonruminant
feed composition: Challenges and opportunities associated with creating large
feed composition tables. Journal of Animal Science, 98(8), 1-13. https://doi.org/10.1093/jas/skaa240
Singular Systems. (2021). Java Math Expression
Parser. http://www.singularsys.com/jep
SPSS. (2019). Statistical Package for the Social
Sciences (Versión 27.0.0.0) [Programa de ordenador]. IBM Corporation. http://www.ibm.com
Tran, H., Schlageter-Tello, A., Caprez, A., Miller, P.
S., Hall, M. B., Weiss, W. P., & Kononoff, P. J. (2020). Development of
feed composition tables using a statistical screening procedure. Journal of Dairy Science, 103(4), 3786-3803. https://doi.org/10.3168/jds.2019-16702
UC. (2019).
Revista de Producción Animal. Editada por Ediciones Universidad de
Camagüey del Ministerio de Educación Superior de la República de Cuba. https://revistas.reduc.edu.cu/index.php/rpa
Vila, S. D.
(2020). Detección de outliers en grandes bases de datos [Tesis de
maestría]. Universidade da Coruña. http://eio.usc.es/pub/mte/descargas/ProyectosFinMaster/Proyecto_1780.pdf
Vitoriano, B., & Ramos, A. (2023). Programación matemática: Métodos
de optimización. Universidad Complutense. http://blogs.mat.ucm.es/bvitoriano/wp-content/uploads/sites/69/2023/02/MM_PMII_I_IIb.pdf
Yoder, P. S., St-Pierre, N. R., &
Weiss, W. P. (2014). A statistical filtering procedure to improve the accuracy
of estimating population parameters in feed composition databases. Journal of Dairy
Science, 97(9), 5645-5656. https://doi.org/10.3168/jds.2013-7724
Contribución
de los autores
Concepción
y diseño de la investigación: FPA, ORC, ACF; análisis e interpretación de los
datos: FPA, ORC, ACF; redacción del artículo: FPA, ORC, ACF.
Conflicto
de intereses
Los
autores declaran que no existen conflicto de intereses.
%202023.%20Procedimiento%20para%20elaborar%20las%20nuevas%20tablas%20cubanas._archivos/image002.jpg){kind=small}
, Oscar Romero Cruz **