Modelación de curvas de puesta de los tres últimos años en gallinas White Leghorn en la provincia Ciego de Ávila.

Jorge E. Gómez Cuello, Luis M. Fraga Benítez, Redimio M. Pedraza Olivera, Roberto Vázquez Montes de Oca, Luis Domingo Guerra, Manuel Valdivié Navarro

Resumen


Se utilizaron 15 976 registros de producción de huevos, correspondientes a tres crianzas del 2016 en la provincia Ciego de Ávila. Se caracterizó la curva de puesta en condiciones similares a las propuestas por IIA (2013) en la República de Cuba.  Se muestra la estimación de las curvas de puesta realizadas con  las producciones medias corres-pondientes a tres etapas de 12 meses. Se aplicaron cuatro modelos matemáticos para el ajuste a dicha curva: Mc N a-lly, Wood, Cuadrática logarítmica y lineal hiperbólica. Para la validación se tomaron diferentes criterios estadí sticos: coeficiente de determinación (R2), (R2 A), además del análisis de los residuos entre otros. Para cada período se o b-tuvo la media, desviación estándar DE, error estándar (EE) y coeficiente de variación (CV). La producción de huevos alcanzó valores entre 84,35 y 60,61 % de puesta y el mejor año fue el 2016, mientras que los valores más altos de EE
y CV correspondieron al final del periodo de producción, como era de esperar. La bondad de ajuste y discriminación entre los modelos utilizados demostraron un alto criterio de ajuste en los cuatro modelos, pero el mejor fue  Mc Nally (1971) con R2 de 99,60 %, los R2 ajustados con 99,42 %. La expresión Mc Nally, alcanzó los valores más altos de ajuste YM=-2233,62-18583,8*(MES/426)-029,0*(MES/426**2+780,241*log(426/MES)-68,1269*(log(426/MES))*2 y describe mejor la producción huevo de gallinas White Leghorn L33 en las condiciones de Ciego de Ávila.

Laying Curve Model of White Leghorn Hens in the Last Three Years in the Province of Ciego de Avila, Cuba.

ABSTRACT

A number of 15 976 egg production records from three hen batches in Ciego de Avila (2016) were used. The laying curve was characterized in similar conditions to IIA (2013), Republic of Cuba. E stimation of the laying curves made to mean productions from three stages in a year, was presented. Four mathematical models were applied for curve adjustment: McNally, Wood, quadratic logarithmic, and linear hyperbolic. Different statistical criteria were used for validation: determination coefficient (R2), (R2A), as well as residue analysis and others. Mean, standard deviation (SD), standard error (SE), and variation coefficient (VC) were achieved for each period. Egg production accounted for 84.35 and 60.61% of total laying, 2016 was the best year. The highest values of SE and VC were observed at the end of production, as expected. Adjustment and discrimination showed a high adjustment criterion in the four models, but the best values were observed with McNally (1971), in R2 (99.60%), and adjusted R2 (99.42%). McNally reached the highest adjustment values: YM=-2233.62-18583.8* (MONTH/426)-029.0*(MONTH/426**2+780.241*log (426/MONTH)-68.1269*(log  (426/MONTH))*2, and it described the best production of White Leghorn L33 hens in Ciego de Avila


Palabras clave


avicultura; curvas de puesta; modelos; predicción

Texto completo:

PDF

Referencias


AGUDELO, D. A.; CERÓN, M. F. y RESTREPO, L. F. (2009). Modelación de las funciones de crecimiento aplicadas a la producción animal. Revista Colombiana de Ciencias Pecuarias 21 (1), 39-58.

AGUDELO, D. A., CERÓN, M. F. y RESTREPO, L. F. (2007). Modelación de las funciones de crecimiento aplicadas a la producción animal. Revista Colombiana de Ciencias Pecuarias, 21 (1), 39-58.

AGGREY, S. E. (2009). Logistic Nonlinear Mixed Ef-fects Model for Estimating Growth Parameters. Poultry science, 88 (2), 276-280.

AHMADI, H y GOLIAN, A. (2008) Neural Network Model for Egg Production Curve. Journal of Animal and Veterinary Advances 2008; 7: 1168-1170.

Recuprado el 20 de agosto de 2009, de http://medwelljournals.com/fulltext/java/2008/1168-1170.pdf.

BUDIMULYATI, S.; NOOR, R. R.; SAEFUDDIN, A. y TALIB, C. (2012). Comparison on Accuracy of Logistic, Gompertz and von Bertalanffy Models in Predicting Growth of New Born Calf Until First Mating of Holstein Friesian Heifers. Journal of the Indonesian Tropical Animal Agriculture, 37 (3), 151-160.

CANCA (2016). Programa de preparación de las pollonas para el comienzo de la postura. Memorias del III Congreso Nacional de Avicultura, Centro de Convenciones Plaza América, Varadero, Cuba.

GALEANO-VASCO, L. y CERÓN-MUÑOZ, M. (2013). Modelación del crecimiento de pollitas Lohmann LSL con redes neuronales y modelos de regresión no lineal. Revista MVZ Córdoba, 18 (3), 3851-3860.

IIA (2013). Instructivo técnico. La Habana, Cuba: Ins-tituto de Investigaciones Avícolas.

JOHNSON, L. (2015). Factors that affect egg production in chickens. Panhandle.Recuperado el 13 de marzo, de 2016, de www.Ifs.ufl.edu/phag2015/02/27.

MCNALLY, D. H. (1971). Note: Mathematical Model for Poultry Egg Production. Biometrics, 27, (3), 735-738.

SALVADOR, E. y GUEVARA, V. (2013). Desarrollo y validación de un modelo de predicción del reque-rimiento óptimo de aminoácidos esenciales y del comportamiento productivo en ponedoras comer-ciales. Revista de Investigaciones Veterinarias del Perú, 24 (3), 264-276.

SAS (2010). Statistical Analysis System (versión 9.1.3). USA: (TSMO) Cary, NC.

VAN DE BRAAK, T. (2015). Introducing the ISA Dual-ISA Focus. ISA Newsletter, (13). Recuperado el 18 de diciembre de 2016, de www.isapoultry.com.

WOLFINGER, R. y O'CONNELL, M. (1993). Generalized Linear Mixed Models a Pseudo-Likelihood Approach. Journal of Statistical Computation and Simulation, 48 (3-4), 233-243.

WOOD, P. D. P. (1967). Algebraic Model of the Lactation Curve in Cattle. Nature, 216 (2), 164-165.


Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2017 Revista de Producción Animal

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.