Bootstrap res ampling to obtain an accurate approximation of the estimators in nutrient composition
Keywords:
bootstrap, confidence intervals, nutritional composition, tropical livestock, stochastic optimizationAbstract
This study aimed to incorporate the bootstrap method into the AliCuba software to accurately estimate the standard deviation and confidence intervals of the nutritional composition of foods, taking the species Megathyrsus maximus as a case study, and to validate the results through comparison with reference statistical software. To this end, complete nutritional composition tables for ruminants in Cuba were developed based on the processing of all available published information (1967-2019). As a representative case study, it was specifically validated with Megathyrsus maximus, using key agronomic variables such as variety, region, and management. The methodology employed 10,000 bootstrap resamples (95% percentile CI), demonstrating high precision and excellent agreement with the compared software (AliCuba and SPSS). The results allow for a precise formulation of diets through stochastic programming, a more realistic economic assessment of feed, and, fundamentally, the integration of all available national scientific evidence. This tool represents a significant advance for tropical animal nutrition, with a methodology applicable to all feed resources documented in the Cuban scientific literature, overcoming the limitations of traditional tables that only reported average values.
Downloads
References
Bravo, J. A. (2010). Aplicación del método Bootstrap para la estimación de parámetros poblacionales en Parcelas Permanentes de Muestreo y en la modelación Matemática en plantaciones de PinuscubensisGriseb [Tesis de doctorado, Instituto de Ciencia Animal]. https://rc.upr.edu.cu/jspui/handle/DICT/2183
Cáceres, O., Ojeda, F., González, E., Arece, J., Milera, M., Lamela, L., Esperance, M., Montejo, I. L., y 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
Cadenas, J. M. y Verdegay, J. L. (1999). Modelos de optimización con datos imprecisos. Servicios de publicaciones de la Universidad de Murcia.
Cisneros, M. V., La O, P. y Arronte, P. (2015). Recomendaciones para el trabajo técnico en alimentación del ganado bovino. Editorial Dimitrov.
Editorial de la Estación Experimental de Pastos y Forrajes Indio Hatuey (EEPF IH, 2019). Revista Pastos y Forrajes. https://payfo.ihatuey.cu
Editorial del Instituto de Ciencia Animal (ICA, 2019). Revista Cubana de Ciencia Agrícola. https://cjascience.com
Fernández, R., Cao, R. y Costa, J. (2023). Técnicas de Simulación y Remuestreo. https://rubenfcasal.github.io/simbook/Simulacion.pdf
Fox, J. y Weisberg, S. (2018). Bootstrapping Regression Models in R. An appendix to an R Companionto Applied Regression (3.a ed.). McMaster University. https://socialsciences.mcmaster.ca/jfox/Books/Companion/appendices/Appendix-Bootstrapping.pdf
García, R. y Pedroso, D. M. (1989). Alimentos para rumiantes. Tablas de valor nutritivo. EDICA.
Gil, S. N. (2014). Bootstrap en poblaciones finitas. Universidad de Granada. https://masteres.ugr.es/moea/pages/tfm1314/tfm_samuel_gil_abreu/
Guevara, V. R. (2004). Use of nonlinear programming to optimize performance response to energy density in broiler feed formulation. Poultry Science, 83(2), 147-151. https://doi.org/10.1093/ps/83.2.147
Instituto de Investigaciones Porcina (IIP, 2015). Revista Computadorizada de Producción Porcina. http://www.iip.co.cu
Martínez, J. A. y Pérez, P. S. (2023). Coeficiente de correlación intraclase. Medicina de Familia. SEMERGEN, 49(3). https://doi.org/10.1016/j.semerg.2022.101907
Mavromichalis, I. (2015). The impact of nutrient variability in feed stuffs. WATTAgNet. http://www.wattagnet.com/articles/20894-the-impact-of-nutrient-variability-in-feedstuffs
Ministerio de la Agricultura (MINAG, 2009). Tablas de especificaciones nutricionales de los piensos y composición nutritiva y límites de inclusión de las materias primas. UECAN.
Morales, D. M. (2012). Formulación de piensos industriales empleando modelos de optimización con datos imprecisos [Tesis de doctorado. Universidad de Granma].
Pérez, F. (2013). Ganadería eficiente. Bases fundamentales. Editorial Asociación Cubana de Producción Animal.
Pérez, F., Romero, O. y 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
Rodríguez, L. (2015). Modelación y simulación de la producción de biomasa de Pennisetum Purpureum Schumvc. King grass y su aplicación en la alimentación animal [Tesis de doctorado. Instituto de Ciencia Animal].
Schlageter-Tello, A., Fahey, G. C., Freel, T., Koutsos, L., Miller, P. S. y 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
Solanas, A. y Sierra, V. (1992). Bootstrap: fundamentos e introducción a sus aplicaciones. Anuario de Psicología, 55, 143-154. https://hdl.handle.net/2445/69449
Statistical Package for the Social Sciences (Versión 27.0.0.0) (SPSS (2019). Programa de ordenador. IBM Corporation. http://www.ibm.com
St-Pierre, N. R. y Weiss, W. P. (2015). Partitioning variation in nutrient composition data of common feeds and mixed diets on commercial dairy farms. Journal of Dairy Science, 98, 1-12. https://doi.org/10.3168/jds.2015-9431
Tozer, P. R. (2000). Least-Cost Ration Formulations for Holstein Dairy Heifers By Using Linear and Stochastic Programming. Journal of Dairy Science, 83(3), 443–451. https://www.journalofdairyscience.org/article/S0022-0302(00)74901-0/pdf
Tran, H., Schlageter-Tello, A., Caprez, A., Miller, P. S., Hall, M. B., Weiss, W. P., y Kononoff, P. J. (2020). Development of feed composition tables using a statisticals creening procedure. Journal of Dairy Science, 103(4), 3786-3803. https://doi.org/10.3168/jds.2019-16702
Universidad de Camagüey (UC, 2019). Revista de Producción Animal. https://revistas.reduc.edu.cu/index.php/rpa
Vitoriano, B. y 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
Woli, P., Rouquette, F. M., Long, C. R. y Tedeschi, L. O. (2021). Estimating the daily nutritive value of bermuda grass for grazing livestock. Applied Animal Science, 37(1), 1-10. https://doi.org/10.15232/aas.2020-02087
.png)
.png)
