evaluacion de modelos de crecimiento e implementacion del

EVALUACION DE MODELOS DE CRECIMIENTO E IMPLEMENTACION DEL
SISTEMA DE FRACCIONAMIENTO DE PROTEINAS Y CARBOHIDRATOS DE
CORNELL EN LAS PASTURAS DEL CIC SANTA MARIA PARA LA
OPTIMIZACION DEL SISTEMA DE ALIMENTACION DEL GANADO DE LECHE
CARLOS EDUARDO ESPINOSA MARTINEZ
ARNULFO ANTONIO USUGA ARANGO
UNIVERSIDAD DE LA SALLE
FACULTAD DE ZOOTECNIA
BOGOTA D.C.
2008
1 EVALUACION DE MODELOS DE CRECIMIENTO E IMPLEMENTACION DEL
SISTEMA DE FRACCIONAMIENTO DE PROTEINAS Y CARBOHIDRATOS DE
CORNELL EN LAS PASTURAS DEL CIC SANTA MARIA PARA LA
OPTIMIZACION DEL SISTEMA DE ALIMENTACION DEL GANADO DE LECHE
CARLOS EDUARDO ESPINOSA MARTINEZ
13011055
ARNULFO ANTONIO USUGA ARANGO
13012020
Trabajo de grado presentado como requisito parcial para optar por el titulo
de Zootecnista
Director
Abelardo Conde Pulgarin
UNIVERSIDAD DE LA SALLE
FACULTAD DE ZOOTECNIA
BOGOTA D.C.
2008
2 DIRECTIVAS
HERMANO CARLOS GABRIEL GOMEZ RESTREPO F. S. C.
RECTOR
HERMANO FABIO CORONADO PADILLA F. S. C.
VICERRECTOR ACADEMICO
HERMANO CARLOS ALBERTO PABON MENESES F. S. C.
VICERRECTOR DE PROMOCION Y DESARROLLO HUMANO
HERMANO MANUEL CANCELADO JIMENEZ F.S.C.
VICERRECTOR DE INVESTIGACION Y TRANSFERENCIA
DOCTOR MAURICIO FERNANDEZ FERNANDEZ
VICERRECTOR ADMINISTRATIVO
DOCTORA PATRICIA INES ORTIZ VALENCIA
SECRETARIA GENERAL
DOCTOR RAFAEL IGNACIO PAREJA MEJIA
DECANO
DOCTOR JOS LECONTE
SECRETARIO ACADEMICO
3 APROBACION
_______________________________________
DOCTOR RAFAEL IGNACIO PAREJA MEJIA
DECANO
_______________________________________
DOCTOR JOS LECONTE
SECRETARIO ACADEMICO
_______________________________________
DOCTOR ABELARDO CONDE PULGARIN
DIRECTOR TRABAJO DE GRADO
_______________________________________
DOCTORA OLGA XIMENA AGUILAR GALVIS
JURADO
_______________________________________
DOCTOR JUAN FERNANDO VELA JIMENEZ
JURADO
4 AGRADECIMIENTOS
Los autores expresan sus agradecimientos a:
Dios, por darnos la oportunidad y la fuerza para poder dar por terminada esta
etapa de nuestras vidas y de esta forma conquistar una meta y el tan anhelado
sueno de ser profesionales.
La Facultad de Zootecnia de la Universidad de La Salle y sus directivos por el
apoyo y el respaldo durante la realización de este proyecto y todo el tiempo que
estuvimos en la universidad ayudándonos a nuestra formación profesional y
personal.
Doctor Abelardo Conde, Zootecnista, Director de tesis, por su colaboración,
entrega, confianza y ayuda en la realización de este trabajo compartiendo y
transmitiéndonos sus conocimientos durante el desempeño de este proyecto
Doctora Liliana Betancourt, Zootecnista, MSc Nutrición, Codirectora de tesis, por
su apoyo incondicional, amabilidad, buena disposición
y por compartir con
nosotros todo sus conocimientos.
Nidia Rojas, Química Industrial, por su colaboración dentro de la parte práctica
del laboratorio
Doctora Autora Cuesta, Bióloga MSc. Nutrición animal, Directora del laboratorio
de nutrición de la universidad UDCA
por su incondicional apoyo y gran
colaboración en el desempeño de este proyecto.
Margot Arévalo, Química Industrial Especialista en Nutrición animal.
Álvaro López, Químico industrial.
Doctor Luis Carlos Arreaza, por su aporte intelectual como investigadores
5 DEDICATORIA
CARLOS EDUARDO ESPINOSA M ARTINEZ:
A Dios por ser la luz que ilumina mi camino, por ser mi guía y por darme la fuerza
necesaria para vivir el día a día y levantar cuando caigo y ayudarme a comenzar
de nuevo.
A mi madre por hacerme la persona que soy y por la formación que me dio, por
sus sabios concejos, por su apoyo incondicional y por luchar siempre por mi y
estar siempre a mi lado.
A mi padre por cada una de las enseñanzas, comprensión y por ser ese gran
amigo que esta conmigo cuando lo necesito y a veces sin ni siquiera decir una
palabra demostrarme su cariño.
A Curt por su apoyo incondicional, cariño y brindarme tantas oportunidades para
triunfar en la vida.
A mis abuelos por ser otros padres para mi, por ese gran amor que me han
brindado toda la vida y por tanta sabiduría que me han dado durante toda mi vida.
A todos aquellos que de una u otra forma han hecho parte de mi vida y me han
hecho entender que se debe luchar por lo que se quiere sin importar lo que pase y
a aquellas personas que intervinieron para la realización de este trabajo de tesis.
6 ARNULFO ANTONIO USUGA ARANGO:
A mi padre quien de quien aprendí el significado del trabajo duro y los valores
primordiales que trato de proyectar hacia el mundo.
A la memoria de mi madre quien desde el cielo siempre ha acompañado mis
pasos.
A mis hermanas, Nancy y Liliana, junto quienes he superado los momentos mas
difíciles de mi vida y siempre han sido mi principal punto de apoyo para mi toma
de decisiones.
A Dios porque siempre he sentido su presencia a mi lado cuando el camino parece
estar mas difícil.
A todos mis amigos y compañeros de estudio para quienes espero que este
trabajo se convierta en una herramienta adecuada a sus necesidades laborales.
7 TABLA DE CONTENIDO
Pag.
RESUMEN
ABSTRACT
INTRODUCCION
1
1. OBJETIVOS
3
1.1.
OBJETIVO GENERAL
3
1.2.
OBJETIVOS ESPECIFICOS
3
2. REVISION DE LITERATURA
4
2.1. GENERALIDADES DE LOS PASTOS
4
2.1.1. Pasto Kikuyo (Penisetum Clandestinum)
4
8 2.1.2. Pasto Raygrass (Lolium sp
.)
5
2.1.3. Pasto Azul Orchoro (Dactylis Glomerata)
7
2.2. RENOVACION DE PRADERAS
7
2.3. TASA DE CRECIMIENTO DE LOS FORRAJES
8
2.4. CUANTIFICACION DE FORRAJES
11
2.4.1. Medición de los forrajes
11
2.4.2. Muestreo por doble rango visual
12
2.4.3. Medición de los componentes de forraje disponible
12
2.4.4. Medición de la composición botánica de la pradera
13
2.5. MODELO CNCPS (Cornell Net Carbohydrate and Protein System)
14
9 2.5.1. Fracciones de Carbohidratos
17
2.5.2. Fracciones de Proteínas
19
2.5.3. Desarrollo del Modelo
21
2.6. DEGRADABILIDAD RUMINAL
27
2.6.1. Degradabilidad In Sacco
29
2.6.2. Descripción de la técnica de la degradabilidad In Sacco
29
2.7. IMPORTANCIA DEL NITROGENO UREICO EN LECHE
34
2.7.1 Origen y significancia del MUN
34
2.7.2. Relación entre MUN y producción
35
2.7.3. Toma de Muestras, análisis e interpretación
35
3. MATERIALES Y METODOS
38
10 3.1. UBICACIÓN DEL PROYECTO
38
3.2. DISENO EXPERIMENTAL
39
3.3. MONITOREO MEDIO AMBIENTAL
40
3.4. PERIODOS DE MUESTREO
40
3.5. DEFINICION PERIODOS DE LLUVIAS Y SEQUIA
41
3.6. DEFINICION PRADERAS RENOVADAS Y NO RENOVADAS
42
3.7. MUESTREO PARA EL CRECIMIENTO DE LAS PRADERAS
42
3.8. ANALISIS PARA EL CRECIMIENTO (Incluidas todas las praderas)
44
3.9. ANALISIS PARA EL CRECIMIENTO (Praderas Renovadas y no Renovadas)
45
3.10. DEFINICION DEL MODELO DE CRECIMIENTO
11 46
3.11. MUESTREO PARA EL FRACCIONAMIENTO DE CORNELL
47
3.12. FRACCIONAMIENTO DE CARBOHIDRATOS Y PROTEINAS
48
3.13. ANALISIS REALIZADOS
49
3.14. DEGRADABILIDAD RUMINAL (in sacco)
49
3.14.1. Degradabilidad de la materia seca
49
3.14.2. Degradabilidad de FDN y RIE
50
4. DISCUSIÓN DE RESULTADOS
53
4.1. CRECIMIENTO DE LAS PRADERAS (Periodo de lluvias y sequía)
53
4.2. PRUEBAS DE HOMOGENEIDAD E INDEPENDENCIA (Periodo de lluvias y
sequía)
54
4.2.1. Pruebas de homogeneidad
54
4.2.2. Pruebas de Independencia
55
12 4.3. PRUEBAS DE HOMEGENEIDAD E INDEPENDENCIA (PraderasRenovadas y no
Renovadas)
55
4.3.1. Pruebas de homogeneidad
55
4.3.2. Pruebas de Independencia
56
4.4. DEFINICION DEL MODELO
57
4.5. MODELOS APLICADOS DURANTE EL PERIODO DE LLUVIAS
58
4.5.1. Modelo Gompertz
58
4.5.2. Modelo Logistic
60
4.5.3. Modelo Cacho
62
4.6. MODELOS APLICADOS DURANTE EL PERIODO DE SEQUIA
63
4.6.1. Modelo Gompertz
63
13 4.6.2. Modelo Logistic
64
4.6.3. Modelo Cacho
65
4.7. MODELOS APLICADOS EN PRADERAS RENOVADAS
66
4.7.1. Modelo Gompertz
66
4.7.2. Modelo Logistic
67
4.7.3. Modelo Cacho
69
4.8. MODELOS APLICADOS EN PRADERAS NO RENOVADAS
69
4.8.1. Modelo Gompertz
69
4.8.2. Modelo Logistic
70
4.8.3. Modelo Cacho
72
14 4.9. SELECCIÓN DEL MODELO
72
4.9.1. Definición de puntos críticos
73
4.10. APLICACIONES PRÁCTICAS
79
4.11. OTROS MODELOS
80
4.12. FRACCIONAMIENTO DE CARBOHIDRATOS Y PROTEINAS
80
4.12.1. Interaccion edad de rebrote y manejo de praderas
81
4.12.2. Edad de Rebrote
83
4.12.3. Praderas Renovadas y no Renovadas
85
4.13. INTEPREATACION DEL DISENO ESTADISTICO
88
4.14. MODELO DE LA OPIMIZACION DE LA ALIMENTACION
90
4.14.1. Aplicaciones practicas de la optimización
92
15 4.15. DEGRADABILIDAD RUMINAL (in sacco)
92
4.16. FRACCIONAMIENTO DE CARBOHIDRATOS
95
4.17. PREDICCION DE LA RESPUESTA ANIMAL
100
4.18. SIMULACION ANIMAL
101
4.19. MODELO DE OPTIMIZACION DE LA RESPUESTA ANIMAL
103
4.19.1. Identificación, respuesta, factores y niveles
103
4.19.2. Planteamiento del diseño y modelo estadístico.
104
4.19.3. Justificación del modelo.
105
4.19.4. Supuestos del modelo.
106
4.19.5. Caso 45 a 52 días.
106
4.19.6. Caso 45 a 59 días.
110
16 4.19.7. Análisis de los resultados.
112
4.19.8. Definición del modelo.
113
CONCLUSIONES
114
BIBLIOGRAFIA
117
ANEXOS
128
17 INDICE DE TABLAS
Pag.
Tabla 1. Valor nutritivo del pasto Kikuyo en Cundinamarca.
5
Tabla 2. Valor nutritivo de los pastos Boxer y Aubade.
6
Tabla 3. Comparación de algunos de los factores considerados
en la estimación del valor proteico por distintos sistemas.
16
Tabla 4. Interpretación de resultados de análisis de MUN en vacas
lecheras.
37
Tabla 5. Definición del periodo de sequia.
41
Tabla 6. Definición del periodo de lluvias.
41
Tabla 7. Clasificacion de praderas renovadas y renovadas.
45
Tabla 8. Distribucion de cortes en las praderas.
49
18 Tabla 9. Produccion de biomasa durante el periodo de lluvias en
Valores s/ms/m2.
53
Tabal 10. Produccion de biomasa durante el periodo de sequia en
Valores s/ms/m2.
54
Tabla 11. Linearizacion para el modelo Gompertz según curve expert
periodo de lluvias.
59
Tabla 12. Linearizacion para el modelo Logistico según curve expert
periodo de lluvias.
61
Tabla 13. Linearizacion para el modelo Gompertz según curve expert
periodo de sequia.
64
Tabla 14. Linearizacion para el modelo Logistico según curve expert
periodo de sequia.
65
Tabla 15. Linearizacion para el modelo Gompertz según curve expert
Praderas renovadas.
67
19 Tabla 16. Linearizacion para el modelo Logistico según curve expert
Praderas renovadas.
68
Tabla 17. Linearizacion para el modelo Gompertz según curve expert
Praderas no renovadas.
70
Tabla 18. Linearizacion para el modelo Logistico según curve expert
Praderas no renovadas.
71
Tabla 19. Definición del modelo por error cuadrático medio.
72
Tabla 20. Valores calculados de la primera derivada y porcentaje de
madurez entre los días 28 y 42 del crecimiento de las praderas.
76
Tabla 21. Información del nivel de clase (SAS).
81
Tabla 22. Valores promedio de las fracciones de carbohidratos y proteínas.
81
20 Tabla 23. Valores promedio de las fracciones de carbohidratos y proteínas
según la edad de rebrote.
84
Tabla 24. Valores promedio de las fracciones de carbohidratos y proteínas
según el manejo de las praderas.
86
Tabla 25. Ecuaciones obtenidas con el modelo de optimización.
90
Tabla 26. Niveles de significancia sobre el valos critico de t.
91
Tabla 27. Resultados de degradabilidad (in sacco) en praderas no renovadas.
93
Tabla 28. Resultados de degradabilidad (in sacco) en praderas renovadas.
94
Tabla 29. Fraccionamiento de carbohidratos en praderas no renovadas.
98
Tabla 30. Fraccionamiento de carbohidratos en praderas renovadas.
99
Tabla 31. Respuesta productiva del hato del CIC Santa María bajo el modelo.
101
21 Tabla 32. Datos de producción de leche; respuesta obtenida de acuerdo a cada una de
las condiciones experimentales establecidas.
107
Tabla 33. Matriz de diseño, cálculos para estimar el valor de los factores. 108
Tabla 34. Estimación de los efectos y su significancia.
109
Tabla 35. Intervalos de confianza de los efectos.
110
Tabla 36. Matriz de diseño, cálculos para estimar el valor de los factores. 111
Tabla 37. Estimación de los efectos y su significancia.
111
Tabla 38. Intervalos de Confianza de los efectos.
112
22 INDICE DE FIGURAS
Pag.
Figura 1. Características de las fracciones de carbohidratos.
18
Figura 2. Estructura de Carbohidratos.
19
Figura 3. Características de las fracciones proteicas.
20
Figura 4. Estructura de las proteínas en el CNCPS .
21
Figura 5. Representación grafica de los diferentes tiempos en que
tiene lugar la degradación de la proteína. (Ørskov, 1988).
33
Figura 6. Edades determinadas para el fraccionamiento de carbohidratos y proteínas.
47
Figura 7. Curvas de crecimiento durante el periodo de lluvias.
58
Figura 8. Curvas de crecimiento durante el periodo de sequia.
58
23 Figura 9. Valores observados vs valores estimados con el modelo Gompertz matemático
y por curve expert.
60
Figura 10. Valores observados vs valores esperados estimados con el modelo Logístico
matematico y mediante curve expert.
61
Figura 11. Valores observados vs valores estimados con el modelo Cacho.
63
Figura 12. Valores observados vs valores esperados estimados con el modelo Gompertz
matematico y de curve expert.
64
Figura 13. Valores observados vs valores esperados estimados con el modelo Logistico
matematico y de curve expert.
65
Figura 14. Valores observados vs valores esperados estimados con el modelo de Cacho.
66
Figura 15. Valores observados vs valores esperados estimados con el modelo Gompertz
matemático y según curve expert.
67
Figura 16. Valores observados vs valores esperados estimados con el modelo Logistico.
68
24 Figura 17. Valores observados vs valores esperados estimados con el modelo de Cacho.
69
Figura 18. Valores observados vs valores esperados estimados con el modelo Gompertz
matematico y de curve expert.
70
Figura 19. Valores observados vs valores esperados estimados con el modelo Logistico
matematico y de curve expert.
71
Figura 20. Valores observados vs valores esperados estimados con el modelo Cacho.
72
Figura 21. Derivada (dP/dt) vs biomasa (g).
75
Figura 22. Línea tangente al punto de inflexión y valor del punto delta.
78
Figura 23. Promedios estadísticos de la interacción edad de rebrote y
manejo de praderas.
83
Figura 24. Promedios estadísticos según la edad de rebrote.
84
Figura 25. Promedios estadísticos según el manejo de las praderas.
86
25 Figura 26. Interacción Hemicelulosa.
89
Figura 27. Interacción FDN.
89
Figura 28. Degradación de MS, FDN y RIE en praderas no renovadas con 45 días de
recuperación.
95
Figura 29. Degradación de MS, FDN y RIE en praderas no renovadas con 52 días de
recuperación.
96
Figura 30. Degradación de MS, FDN y RIE en praderas no renovadas con 59 días de
recuperación.
96
Figura 31. Degradación de MS, FDN y RIE en praderas renovadas con 45 días de
recuperación.
97
Figura 32. Degradación de MS, FDN y RIE en praderas renovadas con 52 días de
recuperación.
97
Figura 33. Degradación de MS, FDN y RIE en praderas renovadas con 59 días de
recuperación.
98
26 RESUMEN
El objetivo de este trabajo consiste en comparar los cambios en el crecimiento y
en las diferentes fracciones de carbohidratos y proteínas entre praderas
renovadas y no renovadas del CIC Santa María de La Universidad de la Salle.
Se analizaron 6 pasturas diferentes, tres de ellas fueron renovadas antes del inicio
del trabajo y a las otras tres no se les realizo ningún tipo acondicionamiento ni
manejo . Se realizo un muestreo durante un periodo de lluvias y otro durante un
periodo de sequías, lo anterior con el fin de medir el desempeño de dos modelos
de crecimiento matemáticos y seleccionar cual de ellos se adecuaba mejor a las
condiciones medio ambientales de la finca, estos modelos fueron comparados con
los modelos contenidos en el programa Curve Expert versión 3.0 para medir su
desempeño.
Se realizaron aforos semanales para llevar un control de crecimiento de las
pasturas según la época del año y a partir del día 45 y por tres periodos de corte
separados por 7 días, se llevaron muestras a laboratorio para realizar los análisis
de fraccionamiento de Carbohidratos y Proteínas Netos de Cornell, posterior a
esto, se hicieron pruebas de digestibilidad in Sacco con 5 tiempos de incubación
(0, 6, 24, 48 y 72 horas) en un Toro Holstein. Los datos obtenidos se llevaron a
una simulación por el software CNCPS V 6.1 para predecir la respuesta animal a
esa dieta y ver su comportamiento, posterior mente se hizo una optimización por
superficies de respuesta para cuantificar como afectaba la producción en la finca
al modificar cualquiera de las variables evaluadas para la producción de las
pasturas.
Con este trabajo esperamos contribuir en la investigación de manejo de praderas
para un mejor desempeño y optimización de las explotaciones y mejorar así la
productividad de nuestro sector agropecuario.
27 ABSTRACT
The aim of this study is to compare changes in the growth and in the different
fractions of carbohydrates and proteins between renewable and non-renewable
pastures in La Salle University’s CIC Santa Maria. We analyzed 6 different
pastures; three of them were renovated before starting the work and the other
three stayed without any change or handling. We performed a sampling over a
period of rain and another one for a period of drought, this was in order to measure
the performance of tow mathematical conditions of the property, these models of
growth and select which one is suited better to the environmental conditions of
the property, these models were compared with those models contained in the
program Curve Expert version 3.0 to measure their performance.
The Aforos were conducted weekly to keep track of growth of pastures depending
on the season and starting on day 45 by cutting three periods separated by 7 days,
we took samples to laboratory for Carbohydrates and Protein Net Cornell Fraction
analysis, after this, we made digestibility tests in sacco with 5 incubations times (0,
6, 24, 48 and 72 hours) in a Holstein bull. The data obtained were taken to a
simulation made with the software CNCPS V 6.1 to predicted the animal response
under that diet and watch their behavior, later we made an optimization by surfaces
responses to a quantify how it affects the productions in the farm to modify any of
the evaluated variables for the production pastures.
With this work we hope to contribute in the research of the management of
grassland for a better performance and development of the farm to improve the
productivity of our agricultural sector.
28 INTRODUCCION
Durante las últimas décadas hemos visto una nueva tendencia en los sistemas
productivos agropecuarios, pues se ha cambiado de ese modelo de importación
de tecnologías que implicaba cambiar algunos factores de nuestro medio
agroecológico, generando altos costos y haciendo imposible la competitividad,
hacia una adaptación racional de tecnologías, que permita que sean ellas quienes
se adapten a nuestro medio. Sin embargo en algunos sectores como el de la
ganadería, y ante las nuevas perspectivas de globalización e integración de
mercados, se deben intensificar en estos, esfuerzos de competitividad y una
solución a ello es justamente el mejoramiento de las prácticas de alimentación
animal.
En las ganaderías especializadas de la Sábana de Bogotá se tiene como base de
la alimentación el forraje, sobre este se suplementa con alimentos comerciales
que poco se adecuan a las necesidades reales de los animales, generando con
ello perdidas económicas y fisiológicas que no solo aparecen por los costos de
estos concentrados, sino que también pueden influir en el rendimiento productivo y
reproductivo de los animales.
Para hacer más productiva nuestra ganadería, debemos tener clara la idea de que
somos un país tropical y que nuestros sistemas alimenticios no se pueden basar
en la suplementacion de cereales pues aparte de los altos costos que estos
tienen, tenemos la responsabilidad ética de impedir que nuestros animales
compitan contra nuestra población por los alimentos. Debemos optimizar nuestras
ventajas productivas como país tropical, lo que le permite a nuestros pastos crear
un volumen de biomasa abundante el cual necesariamente ha de convertirse en
nuestra principal fuente de obtención de carne y leche para la alimentación
humana.
29 Con base en esta clara necesidad, necesitamos optimizar la utilización de los
nutrientes de estos pastos y es en este punto donde el CNCPS se convierte en
una herramienta con alto grado de aplicabilidad. Una dieta formulada bajo el
modelo CNCPS, permite evaluar y corregir las pérdidas minimizando la
contaminación gaseosa producida por el rumiante y aumentando la producción,
mediante un mejor aprovechamiento de los alimentos ofrecidos, basándose en sus
respectivos análisis correlacionándolos con el potencial productivo de la especie.
De ahí, la importancia de este sistema como herramienta prominente que nos
permite simular la respuesta animal sugiriendo un mejor aprovechamiento de los
forrajes, los suplementos y
el potencial genético de la especie, todo con el
propósito de obtener un producto de mejor calidad maximizando los indicadores
de sostenibilidad y competitividad de la explotación.
30 OBJETIVOS
OBJETIVO GENERAL
Comparar los cambios en el crecimiento y en las diferentes fracciones de
carbohidratos y proteínas entre praderas renovadas y no renovadas del CIC Santa
María de La Universidad de la Salle.
OBJETIVOS ESPECIFICOS
Determinar un modelo de crecimiento matemático que se ajuste al
desarrollo fisiológico de la pradera en términos de biomasa por unidad de
tiempo.
Evaluar los cambios en las fracciones de carbohidratos y proteínas basados
en la edad de rebrote y el efecto de renovación y no renovación de las
praderas del CIC Santa María.
Predecir la actividad ruminal y metabólica, y la respuesta animal bajo el
modelo CNCPS en condiciones especificas de trópico alto en el CIC Santa
María.
Establecer alternativas de alimentación con base en suplementos no
comerciales que se adecuen a las condiciones específicas de producción
optimizando la respuesta animal.
2. REVISION DE LITERATURA
31 2.1. GENERALIDADES DE LOS PASTOS
2.1.1. Pasto Kikuyo (Pennisetum Clandestinum)
Es originario de África, es una especie perenne que se ha convertido en uno de
los pastos preponderantes en la Sábana de Bogotá. Posee unos rizomas gruesos
y suculentos que pueden alcanzar hasta un metro de largo, su sistema radicular se
inserta profundamente en el suelo para optimizar la absorción de nutrientes y
adicionalmente en los nudos de los rizomas se forman otras raíces superficiales
que se extienden por el suelo dando un mayor poder de absorción. En algunas
praderas con un buen sistema de manejo, los tallos crecen erectos y suelen
alcanzar alturas hasta de 60 cm. A partir de allí lanzan unas hojas en forma de
lanzas que se extienden otros 25 – 20 cm, incrementando el área de absorción de
energía solar para sus procesos de fotosíntesis.
Es un pasto competitivo, que al estar en mezcla con otras especies vegetales
eleva su tamaño para poder absorber la mayor cantidad posible de radiación solar.
Según Bernal (2003) la producción de forraje depende en gran parte de la
fertilidad y la humedad del suelo. Con practicas de manejo adecuadas, se han
obtenido mas de 20 ton/ha al año de heno de buena calidad.
Calidad del forraje
La calidad del forraje es buena cuando se rompe el césped regularmente y se
abona bien, es rico en proteínas y posee una elevada digestibilidad
Tabla 1. Valor nutritivo del pasto kikuyo en Cundinamarca.
32 % MS
PC
DIVMS FDN
FDA H/LOSA C/LOSA LIGNINA E.D. E.M.
40 días 11.89
41.59
63.84 36.64
27.20
25.42
7.5
2.10 1.72
50 días 14.63
53.42
65.56 31.78
33.88
24.38
4.9
2.66 2.18
60 días 16.62
79.18
57.48 32.70
24.78
26.76
4.2
3.25 2.66
Mezclas 17.96
77.85
54.28 31.74
22.54
31.74
4.5
3.12 2.56
a
Pastos y Forrajes Tropicales, Producción y Manejo. Javier Bernal Eusse 4 Ed.
2.1.2. Pasto Raigrass Llolium hibridum)
El nombre genérico de raigrás se aplica primordialmente a dos especies cultivadas
del genero Lolium. Una de estas especies, el Lolium multiflorum se conoce como
raigrás anual o italiano y el Lolium perenne como raigrás ingles o perenne. De
estas dos especies se han seleccionado muchos cultivos y se han hecho cruces
que han dado origen a un gran número de híbridos y variedades que reciben
distintos nombres comerciales.
Dentro de las muchas especies de pastos empleadas en clima frio, se destacan
actualmente los raigrases tetraploides. Estos materiales fueron desarrollados
mediante un sistema especial que duplica el número de cromosomas (los
portadores de la herencia), de los tipos comunes de raigrass. Dentro de los
tetraploides
obtenidos
se
seleccionan
aquellos
que
presentan
mejores
características (Bernal, 2003).
Fue introducida en Colombia en 1976 y desde entonces se ha venido ensayando
a nivel experimental y comercial obteniéndose rendimientos promedio mayores
que los progenitores (italiano e inglés), sus hojas y tallos son más largos y más
suculentos; son más apetecibles, lo que hace que los animales lo consuman más.
Crece bien en alturas comprendidas entre 2000 y 3000 m.s.n.m.. Requiere suelos
de fertilidad alta y media y un pH entre 5.5 y 7.0, de textura franca, aunque tolera
suelos pesados. Es exigente en humedad y es resistente a la acción de las
33 heladas. Se caracteriza porque crece en matojos, tiene un sistema radicular
amplio y superficial; sus hojas son anchas de color verde intenso, glabro y
suculento; los tallos florales casi no poseen las hojas; la inflorescencia es en
espiga de 25 a 40 cm de largo, con 15 a 30 espiguillas de 4 a 5 florecillas cada
una (Estrada, 2001, citado por Barrera y Pinilla 2006)
Calidad y producción
Es un pasto con un elevado valor nutricional, aunque este depende en gran
medida del manejo dado al pasto y de la edad a la cual se coseche. Para obtener
una buena producción de raigráss es necesario hacer algunas enmiendas al suelo
y diseñar un programa de fertilización con elementos mayores y menores de
acuerdo a los análisis de suelos y forrajes de cada zona (Bernal, 2003).
Tabla 2. Valor nutritivo de los pastos bóxer y aubade en Colombia.
Variedad
Edad Días
PC
DIVMS
FDN
FDA
H/losa
Celulosa
Lignina
% MS
25
21,2
87,56
51,14
28,5
22,64
21,5
4
35
19,1
82,3
49,92
34,44
15,48
24,4
5
45
17,2
76,74
48,48
36,06
12,42
24,02
5,4
55
14
76,06
46,94
33,98
12,94
25,12
5,7
Heno
16,7
80,84
54,09
35,58
18,5
26,18
6,3
32
28
89,06
46,64
22
22,64
17,36
3,1
Aubade
40
18,8
86,55
45,48
29,78
15,7
22,44
5,5
(Anual)
45
11
87,6
47,46
25,55
17,65
22,05
3,5
60
12,3
67,1
60,57
27,78
18,14
22,98
4,8
Bóxer
(Perenne)
Pastos y Forrajes Tropicales, Producción y Manejo. Javier Bernal Euuse (1985)
Los tetraploides anuales se caracterizan por su rápido establecimiento y
abundante producción de forraje durante los primeros meses después de
34 establecida la pradera, su duración varia entre 18 a 30 meses, en condiciones
normales. Los tetraploides perennes producen menos inicialmente, pero la
duración de la pradera es mayor, pudiendo llegar hasta 48 meses en buenas
condiciones de producción (Estrada, 2001).
2.1.3. Pasto azul orchoro (Dactylis glomerata)
Puede adaptarse en alturas comprendidas entre 1500 y 3100 metros sobre el
nivel del mar, pero en alturas inferiores a 2000 metros su producción en muy
escasa; en limite de los paramos crece bien, pero su desarrollo es muy lento,
produce bien en casi toda clase de suelos, pero sus rendimientos son mucho
mayores en suelos fértiles, profundos y bien drenados. Es originario de Eurasia y
el norte de África (Bernal, 2003).
Es perenne, de crecimiento robusto, crece en manojos esparcidos en las praderas
donde se destaca por su coloración y su altura. Posee unos tallos florales que
alcanzan hasta 1.3 metros de largos; muchos tallos, hojas plegadas y vainas
comprimidas; su inflorescencia es notoria sobresaliendo por encima de los demás
tallos en forma de racimos de espiguillas reducidas. Sus raíces penetran el suelo a
bastante profundidad lo cual lo hace soportar con mayor fortaleza tiempos
prolongados de sequia.
2.2. RENOVACION DE PRADERAS
La intervención mecánica para renovar praderas degradadas puede desarrollarse
mediante varias operaciones, las cuales dependen de la condición de la pastura,
del suelo y de las condiciones agro climáticas del lugar. Aunque se han usado
rastras de discos y otros implementos tradicionales para la renovación, algunos
35 implementos que no invierten el perfil del suelo, y que están basadas en
herramientas verticales consiguen mejores resultados.
Una pastura sin renovación decrece su rendimiento con el tiempo hasta cuando la
producción no es suficiente o las especies remanentes no son tomadas por los
animales por cambios en la composición botánica. La degradación no se puede
recuperar naturalmente.
A menudo el mal manejo es la causa. Así están la baja o nula fertilización de
mantenimiento, corte tardío, pastoreo o conducción de maquinaria en condiciones
húmedas, sobre pastoreo, el uso sistemático de implementos de discos, el tráfico
de maquinaria o el pastoreo intensivo que crean capas compactas de suelo las
cuales reducen la velocidad de infiltración e incrementan la superficie de
escorrentía, con lo cual hay menor cantidad y calidad de forraje (Lozano, 2004).
2.3. TASA DE CRECIMIENTO DE LOS FORRAJES
El estudio de sistemas de pastoreo y las evaluaciones de las alternativas
manejadas estratégicamente pueden ser significativas ayudadas por modelos de
simulación. Por ejemplo, presentan modelos dinámicos de forraje basados en la
edad y en el peso de diferentes componentes (hojas, tallos y materia orgánica)
(Cacho, 1993).
Bajo una situación de pastoreo, los retos de diseñar estrategias nutricionales
aumentan. Manejar pastoreo implica la aparición de más interacciones en el
sistema que dificultan entender como van a ser las corrientes de salida (en este
caso crías y leche). Los animales tienen un potencial de producción y comen para
alcanzar este potencial. Cuando el alimento es suministrado en situaciones de
estabulación, el animal simplemente consume un alimento ofrecido de acuerdo a
36 sus requerimientos nutricionales. Bajo estas circunstancias, los retos se resumen
en balancear una ración apropiada. Pero en pastoreo, es necesario tener en
cuenta el efecto del volumen de los forrajes en limitar el consumo voluntario.
Suministrar forrajes con un alto contenido de fibra, va a limitar que el animal
ingiera la cantidad de energía que requiere. Otro factor relevante en la
alimentación de bovinos en pastoreo es la disponibilidad de pasto y el efecto del
pasto residual sobre la recuperación de la pradera.
La disponibilidad de forraje se modifica en una explotación por medio de diferentes
estrategias de manejo de praderas (rotación, pastoreo continuo). Estas afectan el
crecimiento y acumulación de forraje, al igual que la calidad del mismo. La curva
de crecimiento de forraje de acuerdo a diferentes condiciones climáticas y de
manejo definen cual debe ser el momento de la cosecha para obtener mayor
producción de materia seca (volumen) en el año, al evitar que esta curva de
crecimiento alcance la asintota, en la cual el uso de recursos no se logra depositar
más materia seca, debido a que en este punto, la tasa de muerte de material
vegetal y de crecimiento se igualan. En este mismo punto, la lignificación del
forraje disminuye la calidad (contenido de energía por unidad de volumen) (Cacho
O.J. 1993).
El crecimiento de pasto puede ser representado por una ecuación de crecimiento
sigmoidea logística. Una ecuación de este tipo, debe tener tres parámetros que se
pueden estimar estadísticamente de resultados experimentales o de forma
algebraica de modelos fisiológicos de simulación. Estos parámetros se relacionan
con capacidad máxima de producción de una pradera, tasa de crecimiento de
acuerdo a variables climáticas y a factores inherentes al crecimiento de cada
especie forrajera.
Cuando una pradera esta bien establecida, y es pastoreada y luego se deja crecer
libremente, el acumulo de masa vegetal va a ser lenta inicialmente, en la medida
37 en que las reservas vegetales sean movilizadas para reconstruir el área de las
hojas. La tasa de crecimiento de la planta aumenta en la medida que crece el área
con capacidad fotosintética. En la medida en que las plantas crecen, la sombra
comienza a tener efecto y se disminuye la tasa de acumulación de masa vegetal.
Cuando el tejido senece, la tasa de acumulación neta tiende a cero.
Esta ecuación se puede representar como:
dY
Y 2 ⎛ Y max − Y ⎞
G=
=α
⎟
⎜
dt
Y max ⎝
Y
⎠
γ
Donde Y representa acumulación de materia seca y Ymax representa la capacidad
máxima de la pradera para acumular materia seca, donde tejido no fotosintético ha
incrementado al punto que las pérdidas respiratorias igualan las ganancias.
Entonces, Ymax representa la producción potencial de forraje. Este parámetro
cambia con diferentes condiciones climáticas. Cerca al ecuador, es de esperarse
que Ymax sólo sea afectado significativamente por niveles de precipitación. El
parámetro α determina el nivel máximo de crecimiento. Mientras que el parámetro
γ es especifico para cada especie y determina cuando una planta alcanza la tasa
máxima de crecimiento.
Un manejo de praderas eficaz y efectivo y una correcta carga animal, son
necesarios para maximizar la viabilidad económica de la empresa ganadera.
Planear y presupuestar la oferta y la demanda de nutrientes asegura que se utilice
al máximo el pasto, por medio de pastoreo o cosecha para conservación (Van
Houtert M.F.J and Sykes A.R. 1999).
2.4. CUANTIFICACION DE FORRAJES
38 La lechería especializada en la Sabana de Bogotá se desarrolla en explotaciones
ganaderas en donde tradicionalmente se han utilizado recursos genéticos
animales de alta producción, los cuales se caracterizan por demandar alta
cantidad y calidad de nutrientes en la dieta para satisfacer sus necesidades diarias
y lograr no solo altas producciones sino cumplir con otras funciones igualmente
importantes como la reproducción.
2.4.1. Medición de los forrajes
Según (Estrada , 2001), los métodos de muestreo para estimar la disponibilidad
del forraje se pueden dividir en dos grandes grupos:
Método destructivo
Son aquellos en los que la cantidad de forraje se mide por corte manual o
mecánico, mientras que en los no destructivos se miden o estiman algunas
variables de la vegetación que se pueden relacionar con cantidad. En los métodos
destructivos se puede utilizar desde el corte manual (tijeras, hoz), hasta el corte
con equipos mecánicos.
Tipos de muestreo destructivo:
Al azar.
Al azar dirigido.
Al azar dirigido estratificado.
Método no destructivo
Este método trata de corregir las dificultades que se presentan en el método
destructivo, por utilizar las estimación visual como instrumento principal, aun
cuando estos métodos no son muy exactos, permite aumentar la precisión dado
que es posible realizar un gran número de observaciones.
39 Tipos de muestreo No destructivos
Doble Rango Visual
Botanal
2.4.2. Muestreo por doble rango visual
Es un método en el cual se combina las observaciones visuales con los valores
obtenidos en los cortes. Este método estima el forraje disponible visualmente
mediante 50 o más marcos por hectárea colocados en forma aleatoria o siguiendo
una división transversal al potrero o a la parcela transepto; en ellos se da una
calificación de 1 a 5, donde 1 representa menos forraje y 5 mas forraje. Se utilizan
como referencia 5 puntos previamente seleccionados y debidamente identificados,
los cuales representan la escala o rango (1 a 5) que contienen las variaciones de
forraje disponible en la pastura. Una vez hechas las lecturas visuales, los puntos o
marcos de referencia se cortan, se pesan y se secan. Con los valores del forraje
disponible en los 5 marcos, se construye una regresión lineal (y = a + bx) que
sirve para estimar la disponibilidad del forraje (y) partiendo de las lecturas visuales
(x).
2.4.3. Medición de los componentes de forraje disponible
La estimación de los componentes del forraje disponible (materia verde en base
seca, materia inerte o muerta, hoja y tallo) puede hacerse por separación manual
del material cortado o por métodos indirectos.
Separación manual
Exige, muchas veces, tomar submuestras del forraje en los marcos utilizados para
medir la disponibilidad del forraje, procurando realizar la separación antes de
secar el forraje. El forraje obtenido con los marcos debe mezclarse bien y dividirse
en cuatro, de los cuales se sacan las submuestras cuyo tamaño fluctúa entre 300
40 y 500 gramos de forraje. Como una alternativa, la separación de hojas y tallos
para su uso en análisis químico se pueden hacer en el campo en muestras
cortadas sin marco a una altura definida.
Métodos indirectos
Consiste en medir en el forraje algún constituyente que se halle en diferente
concentración en cada uno de los componentes que se quiere separar. Este
principio ha sido utilizado para estimar la proporción de M.V.S. y de materia inerte
mediante la medición de pigmentos solubles en alcohol o de la clorofila.
2.4.4. Medición de la composición botánica de la pradera
La composición botánica de una pastura puede estimarse haciendo mediciones de
los siguientes factores:
Número o densidad de plantas.
Cobertura de las especies.
Pesaje de las especies presentes.
El número de plantas por unidad de área y la cobertura de las especies son
mediciones muy utilizadas para evaluar el establecimiento y la persistencia de
gramíneas y leguminosas en pasturas experimentales.
El pesaje de las especies que conforman la vegetación es una medida muy
objetiva para determinar la composición botánica de la pradera. Sin embargo es
un método muy laborioso pues la separación debe hacerse, generalmente, en
forma manual. Para agilizar ese trabajo se recomienda hacer la separación en
submuestras representativas (500 g) de forraje cosechado en marcos, y
preferiblemente antes de secar las muestras.
Una gran ventaja posee el método del muestreo por doble rango visual el cual
permite estimar el forraje disponible y la composición botánica en una sola
41 operación. En general el éxito de este método para estimar disponibilidad y la
composición botánica se basa en el entrenamiento de los observadores. Debe, por
tanto, calibrarse el método haciendo que cada observador califique un número
determinado de marcos y que su resultado se compare con aquellos obtenidos por
corte y separación manual de las especies en los mismos marcos (Estrada, 2001).
2.5. MODELO CNCPS (CORNELL NET CARBOHYDRATE AND PROTEIN
SYSTEM)
El sistema de valoración protéica y energética desarrollado por la Universidad de
Cornell, conocido como "Cornell Net Carbohydrate and Protein System (CNCPS)"
es un modelo con varios niveles de agregación que, al igual que otros recientes
sistemas de valoración europeos (ARC, 1980, 1984; INRA, 1978, 1988; AFRC,
1993) y americanos (NRC, 1985), permite predecir los rendimientos productivos
del ganado vacuno a partir del contenido en ingredientes de su dieta. Pero, a
diferencia de estos últimos, el CNCPS no está específicamente diseñado para el
racionamiento sino para comprobar la idoneidad de dietas previamente
formuladas. Es decir, permite valorar la adecuación de una dieta previamente
establecida para unas condiciones de producción determinadas. En este sentido,
ofrece una detallada información sobre factores limitantes del metabolismo ruminal
y adecuación del aporte de nutrientes, incluyendo aminoácidos limitantes, que
puede resultar sumamente útil para valorar estrategias de formulación y elaborar
hipótesis de trabajo (Guada, 1996).
El sistema CNCPS esta integrado por una serie de submodelos que valoran,
respectivamente, el contenido de carbohidratos y proteína disponibles en la dieta
(Sniffen et al., 1992), los procesos de fermentación y síntesis de proteína
microbiana (Russell et al., 1992), las necesidades energéticas y proteicas del
ganado vacuno (Fox et al,. 1992) y el aporte y necesidades de aminoácidos
(O’Connor et al., 1993). Las características propias de estos submodelos hacen
42 del sistema una herramienta versátil, que integra una serie de variables como las
diferencias de razas, precocidad y aspectos de la termorregulación las cuales
juegan un papel preponderante en lo relacionado con las necesidades del animal
lo cual supone en este submodelo un importante esfuerzo en la sistematización de
estos datos, además destacan por su originalidad los submodelos dedicados al
aporte de nutrientes y el metabolismo ruminal, y por su carácter innovador el
submodelo de estimación de aportes y necesidades de aminoácidos, debido al
importante papel de estos en los aspectos productivos y reproductivos del hato
El sistema de carbohidratos y proteínas netos de cornell (CNCPS) es un modelo
matemático utilizado para evaluar la alimentación y el desempeño del animal, este
fue desarrollado con base en la función ruminal, crecimiento microbial, digestión y
paso del alimento y fisiología animal. Siendo cuantificadas algunas variables
especificas en el manejo en campo como las medio ambientales y la alimentación,
predicciones mas exactas de crecimiento y producción de leche del ganado y
excreción de nutrientes en diversas situaciones de producción en cuanto sea
posible (Fox et al, 2004).
En la tabla 3 se resumen las principales diferencias de los tres modelos de
valoración proteína en comparación con el CNCPS, recientemente el submodelo
ruminal ha sido ampliado incorporando la posibilidad de predecir la producción y
absorción de ácidos grasos volátiles, y mejorar la estimación del pH ruminal (Pitt et
al., 1996), sin embargo estos datos se omiten dado que aun esta pendiente su
integración al modelo de rendimientos. Es de notar que el CNCPS a diferencia de
los otros sistemas tiene en cuenta la degradabilidad de cinco fracciones proteicas
lo cual le permite hacer un calculo mas exacto de la cinetica de las proteínas en el
tracto digestivo y disminuye el margen de error en la predicción del
comportamiento de las mismas
43 Tabla 3. Comparación de algunos de los factores considerados en la estimación
del valor proteico por distintos sistemas.
AFRC
SISTEMA DE VALORACIÓN
INRA
NRC
CNCPS
Estimación de la degradabilidad
Fracciones proteicas consideraras
3
3
3
5
Cinética de degradación (kd)
+
+
+
+
Velocidad de paso (kp) variable
+
+
+
Estimación de la síntesis microbiana
Sustrato energético
EMF
Efecto de kp
Empírica
MOF
TDN
CHOF
Empírica Mecanística
Compartimentación microbiana
+
N reciclado (% de N ingerido)
15
10-70
Efecto de la fuente de N
+
Efecto del Ph
+
Efecto de los iónoforos
+
Proteína microbiana verdadera
0,75
0,8
0,8
0,85
Digestibilidad de N microbiano
0,85
0,8
0,8
0,75
Digestibilidad de N degradado
var.
var.
0,8
var.
Perfil aminoacidico
+
Utilización de la proteína metabolizable
Mantenimiento
1
est.
0,67
0,67
Crecimiento
0,59
0,68 - 0,4
0,5
0,75 - 0,4
Lactación
0,68
0,64
0,65
0,65
(Guada, 1996)
EMF: energía metabolizable fermentable
MOF: materia orgánica fermentable
CHOF: carbohidratos fermentables
44 2.5.1. Fracciones de Carbohidratos.
El valor energético de la dieta se expresa convencionalmente en términos de
energía metabolizable (EM) o energía neta (EN). Estas unidades describen la
energía disponible por el animal y son útiles para comparar la adecuación de los
aportes con las necesidades, pero resultan poco apropiadas como índices de la
energía disponible por los microorganismos del rumen. La energía de las heces,
orina y metano, que se sustraen de la energía bruta para estimar la EM, supone
una pérdida de energía para el animal pero no para los microorganismos
ruminales. De hecho, parte de la energía fecal se encuentra en forma de cuerpos y
restos microbianos procedentes del ciego y rumen. A su vez, parte de la energía
eliminada en forma de orina procede del metabolismo orgánico de la proteína
microbiana absorbida, mientras que el metano es un producto del metabolismo
energético bacteriano (Guada, 1996).
El CNCPS valora el aporte de energía al rumen en términos de carbohidratos
estructurales (CS)
y no estructurales (CNS), basándose en el esquema de
fraccionamiento de la fibra de Goering y Van Soest, (1970). Los CS corresponden
con la fibra neutro detergente (FND), corregida sustrayendo su contenido en N ×
6,25, mientras que los CNS comprenden el resto de los carbohidratos (azucares,
almidón, fructazas, galactanas, pectinas y B-glucanos) estimados por la diferencia
entre el contenido de materia orgánica y los CS, la proteína y el extracto etéreo.
Cada una de estas fracciones (CS y CNS), define un conjunto heterogéneo de
compuestos por lo que se subdividen en un total de 4 fracciones con distintas
características en cuanto a su degradabilidad.
45 Figura 1. Características de las fracciones de carbohidratos
A cada subfraccion se le atribuye un ritmo de degradación (kd), característico de
cada alimento (Sniffen et al 1992), que junto con una estimación del tiempo de
retención del contenido digestivo ruminal o ritmo fraccional de transito (kp),
permite estimar la proporción de cada fracción que es degradada en el rumen (kd /
(kd + kp)) o que lo abandona sin sufrir degradación (kp / (kd + kp) (Sniffen y
Robinson, 1987). Cada fracción de carbohidratos degradada en el rumen
constituye, por lo tanto, un sustrato de fermentación microbiana que proporciona
energía a un ritmo definido por su velocidad de degradación (Kd).
Determinación de las fracciones de carbohidratos
(Hall, et al 1997) estiman la solubilidad de la fibra como un cambio de peso del
90% entre el residuo extraído en etanol (RIE) y la extracción con solución
detergente neutra. La fermentación de compuestos solubles en etanol (azucares,
ácidos orgánicos, oligosacáridos de cadena corta y aminoácidos) puede estimarse
mediante la sustracción de curvas entre RIE y el material entero. La fracción B1 es
insoluble en etanol y la proporción de fermentación se puede estimar mediante la
correspondiente sustracción entre las curvas de RIE y FDN.
46 ¾ Fracción A: ME – EIR
¾ Fracción B1: EIR – FDN
¾ Fracción B2: % FDN
¾ Fracción C: Lignina × 2,4
Cuando se determinan las fracciones A y B1 por diferencia, estas fracciones
contienen aminoácidos y proteínas que en fermentación van a producir gas.
Cuando la proteína es fermentada en ausencia de carbohidratos, se maximiza la
desaminación. Del gas proveniente de la proteína, únicamente la mitad del
volumen producido es equivalente a la cantidad de carbohidratos.
Feed CHO
Sugars
Ethanol Insoluble Residue (EIR)
Starch
Pectins (NDSF)
NDF
ADF
ND-AD
Cel.
A
B1
B2
Lig.
C
Figura 2. Estructura de los carbohidratos en el CNCPS
2.5.2. Fracciones de Proteínas
En el CNCPS, se diferencian tres fracciones nitrogenadas. El NNP (Fracción A),
que es utilizado exclusivamente en forma de NH3, la proteína verdadera
potencialmente degradable (Fracción B) y la proteína no degradable e indigestible
en el intestino, por estar ligada a la fibra ácido detergente (Fracción C). A su vez,
la fracción B se subdivide en otras tres que se caracterizan por su diferente ritmo
de degradación (Kd) y de paso (Kp), ello permite estimar el aporte de N utilizable
47 por los microorganismos en formas de NH3 y péptidos o aminoácidos, así como la
proporción de proteína que escapa sin ser degradada (Guada, 1996).
Figura 3. Características de las fracciones protéicas
El sistema de carbohidratos y proteínas netos de cornell (CNCPS) es un modelo
matemático utilizado para evaluar la alimentación y el desempeño del animal, este
fue desarrollado con base en la función ruminal, crecimiento microbial, digestión y
paso del alimento y fisiología animal. Siendo cuantificadas algunas variables
especificas en el manejo en campo como las medio ambientales y la alimentación,
predicciones mas exactas de crecimiento y producción de leche del ganado y
excreción de nutrientes en diversas situaciones de producción en cuanto sea
posible (Fox et al, 2004).
48 Feed N
Buffer soluble TP
Buffer soluble N
NPN
A
Borate-phosphate buffer insoluble N
NDF soluble N
B1
B2
NDIN
ND-AD
ADIN
B3
C
Figura 4. Estructura de las proteínas en el CNCPS
2.5.3. Desarrollo del modelo.
Para formular raciones con el CNCPS, información sobre los animales, alimentos,
manejo y condiciones medio ambientales son requeridas. La estructura del
CNCPS contiene varios submodelos con diferentes niveles de agregación cada
uno. Algunos son relativamente mecanísticos, mientras otros son básicamente
empíricos. Estos modelos se clasifican según su función fisiológica en:
¾ Mantenimiento.
¾ Crecimiento.
¾ Gestación.
¾ Lactancia.
¾ Reservas corporales.
¾ Consumo voluntario y composición.
¾ Fermentación ruminal.
¾ Digestión intestinal.
¾ Metabolismo.
¾ Excreción de nutrientes.
49 MANTENIMIENTO
La energía disponible para funciones productivas depende de la proporción de
energía consumida que debe ser utilizada para requerimientos de mantenimiento y
es considerada en primer orden para evaluar la dieta y el desempeño animal. Los
requerimientos para mantenimiento se calculan para raza, estado fisiológico,
actividad, excreción de urea, estrés de calor o frió y efectos de aclimatación. En
crecimiento la energía neta para mantenimiento (ENm) se ajusta utilizando la
escala de condición corporal de 1-9 en ganado de carne y de 1-5 para leche. La
ENm para toros se incrementa en 15% y se reduce en 10% para todas las razas
Bos indicus.
Para requerimientos de proteína de mantenimiento, el CNCPS asume que esta es
igual a la suma de proteína de descamación, proteína urinaria y proteína fecal, de
acuerdo con (NRC, 2000) y esta se denomina proteína metabolizable (PM).
CRECIMIENTO
La energía y la proteína para crecimiento incluyen ajustes para efectos de peso
corporal, tasa de ganancia, composición química de la ganancia y peso adulto
(NRC, 2000, 2001). Un sistema de escalas para tamaño basado en la relación de
peso actual / peso adulto, se utiliza para predecir la composición de la ganancia
(agua, grasa, proteína). El peso en ayuno es ajustado a un peso equivalente a un
animal de referencia estándar en el mismo estado de crecimiento. En vacas de
carne el peso maduro es definido como el peso en el cual un incremento en la
masa corporal no contiene ganancia neta de proteína (solo incremento de grasa),
condición que ocurre a los 4 años de edad; a una condición de 5 en vacas de
carne y de 3 en vacas de leche.
Para animales de sacrificio en crecimiento, el peso maduro es el peso esperado a
una composición final esperada. Para novillas de reemplazo se asume 478kg.
50 Para novillos, toros y hembras de engorde es 400, 478, 435, respectivamente a
una composición final de 22%, 25% o 28% de grasa corporal (NRC 2000), lo cual
esta asociado al grado de marmoreo respectivamente.
Para animales de engorde en crecimiento se realizan ajustes por el uso de
anabólicos, de acuerdo a la guía del NRC 2000, si los implantes son estrogénicos
o androgénicos y de acuerdo al tiempo de uso y al nivel energético en la dieta. La
energía Neta para ganancia (ENg) se basa en relaciones empíricas descritas por
NRC. El CNCPS, usa la energía disponible para ganancia, corregida por ENm y
peso corporal, ajustada al animal de referencia estándar, para predecir la ganancia
diaria de peso. Una vez determinada la energía requerida, la cantidad de proteína
(MP) requerida se calcula.
GESTACIÓN
El CNCPS calcula los requerimientos para gestación y ganancia de peso para
crecimiento del útero grávido, basándose en el peso al nacer esperado y el día de
gestación actual.
LACTANCIA
La energía y la proteína requeridas para producción de leche son calculadas, de
acuerdo a la producción actual y sus componentes. La proteína cruda en leche es
convertida a proteína verdadera según la expresión: “% proteína cruda * 0,93”. Si
no se tienen los valores de proteína y grasa en leche, el CNCPS, calcula los
requerimientos con valores por defecto. La energía metabolizable para leche se
calcula de la energía en leche con una eficiencia de 0,644. La proteína
metabolizable (PM) requerida para leche es calculada del rendimiento en leche y
el contenido de PC en leche y la PM es convertida con una eficiencia de 0.65.
Como la producción de leche en vacas de carne no es medida normalmente, los
requerimientos para lactancia se calculan de acuerdo a edad de la vaca, tiempo al
51 pico de lactación, pico producción esperado basado en raza y peso al destete de
la cría, día de lactancia, duración de la lactancia, contenido de grasa en leche,
sólidos en leche y proteínas en concordancia con NRC 2000.
RESERVAS CORPORALES
El submodelo para cálculo de reservas en el CNCPS usa la condición corporal
(BCS) para el manejo de las reservas de energía, desde que se sabe que hay
cambios significativos en agua y grasa corporal a través de la lactancia (Andrew,
et al, 1994). La base de datos en el submodelo asume un peso de referencia (en
ayuno) de 642kg a una condición 5 (1-9), con un valor de 44 kg por cada punto de
condición (6.85% del peso promedio). Cambios en BCS son sumados o restados a
la condición actual, para calcular la energía y la proteína ganada o perdida. En el
modelo la eficiencia de uso de la EM para reservas en lactancia es 0.75 y 0,644 la
eficiencia para lactancia como producción.
CONSUMO DE MATERIA SECA
El suministro de nutrientes en el CNCPS se calcula partiendo del consumo actual
de materia seca (MS). Cuando este no se conoce, situación común para animales
en pastoreo, el submodelo proporciona ecuaciones empíricas para predecir el
consumo. Las ecuaciones se desarrollaron específicamente para los tres tipos de
ganado: ganado de carne (NRC, 2000), ganado de leche (Milligan, et al 1981) y
doble propósito (Traxler et al., 1998).
Para todos los tipos, cada ecuación hace ajustes por efecto de temperatura
ambiente y de acuerdo al estado fisiológico.
FERMENTACIÓN RUMINAL
CNCPS al igual que NRC 2000 y 2001 tienen dos niveles de agregación para
solucionar las dietas. El nivel 1 esta dirigido a condiciones donde los alimentos no
52 están totalmente caracterizados y el usuario no esta familiarizado con el modelo.
El nivel 2 es para usuarios con suficiente información sobre la composición
nutricional del alimento y tienen un entendimiento adecuado de cómo usar el
submodelo de rumen.
53 El nivel 1 calcula los nutrientes digestibles totales (NDT) y PM con ecuaciones
empíricas basadas en los desarrollos de Weiss (1993) y NRC (2001).
En el nivel 2, los NDT disponibles ruminalmente y la PM son derivados
mecanísticamente a partir de las tasas de degradación (Kd) y de pasaje (Kp). El
modelo calcula los agregados de componentes que son degradados y que pasan
al tracto posterior de acuerdo a las velocidades de fermentación y de flujo,
utilizando la relación simple Kd / (Kd+Kp). El alimento no digerido en el rumen
pasara sin degradarse al intestino, donde será o no digerido, de acuerdo a una
tasa específica de digestión intestinal.
Este sistema asume varias condiciones para operar correctamente (Fox, et al
2004)
1.) Kd es de primer orden simple.
2.) Cada componente en el alimento opera como “pool” simple.
3.) Los microorganismos ruminales siempre están en exceso.
4.) No existe un tiempo de retardo (lag) al iniciar la fermentación.
5.) Kp depende del consumo de MS y del contenido de fibra en detergente neutro
(FDN) efectivo (peFDN)
1
peFDN: El porcentaje de FDN que es capaz de estimular la masticación, la rumia y
la motilidad ruminal y se define como el tamaño de partícula que NO pasa por una
malla de 1.18 mm.
Crecimiento microbial en el nivel 2 de CNCPS
El modelo asume que solo hay dos conjuntos de bacterias:
Bacterias fibrolíticas (fermentadoras de carbohidratos estructurales).
54 Bacterias amilolíticas (fermentadoras de carbohidratos solubles).
En el CNCPS la eficiencia de síntesis de cada grupo de bacterias es estimada en
función de los requerimientos de mantenimiento y crecimiento, de la tasa de
degradación del sustrato, utilizando al modelo de Pirt citado por Guada (1996), en
el cual la tasa de fraccional de crecimiento, se sustituye por la tasa fraccional de
degradación del sustrato.
1/Y = Km /Kd+1 /Kg
Siendo:
Y: Eficiencia neta de crecimiento: (g bacterias /g sustrato).
Km: Requerimientos de mantenimiento: (g sustrato /g Bacterias /hora).
Kd: Tasa de degradación sustrato: (g /hora).
Kg: Eficiencia máxima de crecimiento: (g bacterias /g sustrato).
DIGESTIÓN INTESTINAL
El sistema utiliza coeficientes de digestibilidad medidos experimentalmente, para
la predicción de la digestibilidad intestinal y perdidas fecales. La precisión de los
estimados de digestión depende de que también sean predichas las cantidades de
carbohidratos y proteínas no degradadas en el rumen. Según (Fox, et al 2004), en
la mayoría de los alimentos casi el 75% es degradado o digerido en el rumen.
Para la principal fracción de los forrajes que es el carbohidrato B2, se le asignó
una digestibilidad intestinal de 20%. Para otras fracciones como carbohidratos B1
los valores fluctúan de acuerdo al consumo, tipo de grano y el grado de
procesamiento entre 30 y 90%.
55 Las fracciones proteicas B1, B2 y B3 asumen una digestibilidad intestinal de 100,
100 y 80% respectivamente. En este aspecto las tasas de degradación de las
fracciones proteicas se han tomado siempre de la literatura y mediante cálculos.
No se ha establecido una técnica de laboratorio, similar a la de carbohidratos (Pell
et al., 1993), para determinar la velocidad de degradación de cada fracción
proteica.
EXCRECIÓN DE NUTRIENTES
El CNCPS originalmente no consideraba la excreción de nitrógeno (N), fósforo (P)
y otros minerales (Fox et al., 2000), sin embargo, debido a la creciente presión por
la conservación del ambiente, especialmente suelos y aguas, se adicionó un
módulo para estimar la excreción de estos elementos y asociarlo a los modelos de
2
manejo integral de la finca (CuNMPS ) para el manejo completo de los nutrientes
tanto en el hato como en los cultivos de forrajes y otros. La excreción total de N es
dividida en N fecal y N urinario y la excreción de fósforo es calculada después de
la estimación del contenido de P en productos (leche, tejidos y gestación) (Fox et
al., 2004).
2.6. DEGRADABILIDAD RUMINAL
Los métodos de laboratorio para estimar el valor nutritivo de los alimentos se han
mejorado desde las primeras ideas en 1725, cuando los alimentos para rumiantes
eran evaluados como Unidades de Paja (Blaxter, 1986). Inicialmente, las técnicas
fueron diseñadas para caracterizar el valor nutritivo más que para predecir la
producción de los animales. La mejoría de los métodos de evaluación de
alimentos tiene que seguir los nuevos conceptos de la química y la fisiología
animal, así como los nuevos conocimientos de la microbiología del rumen y otros
campos afines del saber (Flatt, 1988).
56 La evaluación de los alimentos debe definir las características de los forrajes que
determinan la producción animal, por ejemplo, la ganancia de peso, la producción
de leche, el crecimiento de la lana, etc. (Blümmel, et al 1997). De particular
relevancia es la predicción del consumo, el cual es un importante aspecto
relacionado con el uso de los forrajes. En la práctica, la predicción del consumo de
forrajes aún presenta dificultades (Blümmel y Becker, 1997).
El desarrollo futuro de los sistemas de evaluación debe incorporar nueva
información de la relación entre los productos finales de la digestión y la
producción de los animales, así como información del metabolismo animal y
microbiano, la composición de los alimentos y el efecto de los factores de la
utilización de alimentos (Flatt, 1988). Un adecuado análisis dietético de cualquier
tipo necesita que los métodos empleados identifiquen los componentes químicos
con la clasificación nutritiva (Van Soest y Robertson, 1985).
Otros procedimientos son utilizados también; el análisis proximal y su
procedimiento alternativo para la fibra bruta (Van Soest,1967; Goering y Van
Soest, 1970; Van Soest, 1983, 1994), así como modernos métodos instrumentales
(absorción atómica con inducción de plasma, espectroscopia cercana al infrarrojo,
electroforesis, microscopia electrónica); la prueba de solubilidad de la proteína, la
técnica de digestibilidad in vitro (Tilley y Terry, 1963), el método enzimático (Jones
y Hayward, 1975), la técnica de simulación del rumen, RUSITEC (Czerkawski y
Brekenridge, 1977), así como la técnica de producción de gas in vitro (Menke et al,
1979; Menke y Steingass,1988).
2.6.1. Degradabilidad in sacco
57 La técnica basada en el uso de bolsas de nylon que contiene el sustrato en
estudio e incubadas en el rumen con el propósito de estudiar la degradación de la
fibra, no es nueva. Inicialmente, se emplearon bolsas de seda (Quin et al., 1938),
pero mas tarde fueron sustituidas por fibras sintéticas, que son totalmente
resistentes a la degradación microbiana. Meherz y Ørskov, 1977, sugirieron el
empleo de bolsas de nylon como método rutinario para determinar la velocidad de
degradación de las proteínas de los forrajes y los suplementos proteicos. En este
método, un número variable de bolsas se incuban en el rumen durante diferentes
periodos de tiempo, de tal forma que puede conocerse el ritmo de degradación.
(Van Soest, Mertens y Deimum 1978 y Ørskov, Reid y Kay 1988) han sugerido el
uso de los datos de la cinética de degradación para mejorar la estimación del valor
nutritivo de los alimentos, cuando se utilizan tanto métodos in vitro como in sacco.
Este enfoque dinámico mejoró marcadamente el potencial de esta técnica, como
fue demostrado por Ørskov, Hovell y Mould 1980, en la evaluación de forrajes.
2.6.2. Descripción de la técnica de la degradabilidad in sacco
El método in sacco, también denominado de la bolsa de nylon o in situ, tiene como
objetivo fundamental medir la desaparición de materia seca y orgánica, el
nitrógeno u otro nutriente de los alimentos sometidos al efecto del ambiente
ruminal; para ello los alimentos son colocados en bolsas que se incuban en el
rumen, a través de una cánula permanente en el saco dorsal de este órgano
(Pedraza, 2001).
El tamaño recomendable de las bolsas de nylon deberá ser de 20 a 40 µm, lo que
proporciona orificios de aproximadamente 400 a 1600 µm2. El tamaño de las
bolsas y la cantidad de muestra serán, aproximadamente de 140 × 90 mm y 3 a 5
gramos de materia seca, respectivamente. La relación entre el tamaño de la bolsa
y la muestra es muy importante. La cantidad de muestra y el tamaño de la bolsa
dependen, en buena medida, de la cantidad de los restos necesarios para los
58 análisis posteriores. Deberá procurarse el libre movimiento del material incubado
dentro de la bolsa, de tal forma que evite la formación de pequeños
microambientes dentro de la bolsa, lo que determina una baja repetitibilidad de los
resultados. La relación entre el tamaño de la bolsa y la cantidad de muestra a
utilizar, podrá también ser ajustada de acuerdo con el tamaño de la cánula
ruminal. Para las medidas mencionadas anteriormente, el diámetro de la cánula
ruminal deberá ser de alrededor de 40 a 50 mm (Ørskov, 1988).
Preparación de las muestras para la incubación
Las muestras para la incubación deben ser representativas del material en la
forma como este hubiese llegado al rumen si hubiese sido consumido por el
animal. Por lo tanto, el material ideal para la incubación podría ser una muestra del
material degluido por un animal provisto de una cánula esofágica.
Localización de las bolsas en el rumen
Las bolsas deben quedar ancladas con cuerdas de nylon de 50 cm o más a la
cánula. Esa longitud permite a las bolsas moverse libremente en el rumen, tanto
entre la fase liquida como la fase solida. (Ørskov, 1988).
Tiempo de incubación de las bolsas en el rumen
El tiempo necesario para la degradación completa varia según el tipo de alimento
por incubar, y por tanto, los tiempos intermediarios también deben variarse. Para
medir la tasa de degradación en un amplio intervalo de tiempo (Ørskov et al.,
1980). Como guía general los periodos de incubación que se requieren son:
Concentrados: 12 a 36 horas.
Forrajes alta calidad: 24 a 60 horas.
Forrajes de baja calidad: 48 a 72 horas.
59 Las bolsas, una vez extraídas del rumen, deben lavarse, a mano para eliminar las
partículas y microorganismos (Michalet-Doreau y Ould-Bah, 1992). Al menos dos
bolsas con la muestra a analizar deben ser lavadas para determinar las pérdidas
en material altamente soluble y finas partículas que escapan de las mismas. El
lavado en máquinas disminuye las variaciones dentro de cada laboratorio, si se
compara con el lavado manual.
Empleo de la técnica in sacco
La degradabilidad efectiva, el grado de digestión, el tiempo de retardo (fase lag), la
tasa de digestión y la digestibilidad potencial son importantes características de
digestión del forraje, que se pueden estimar cuando se calcula la cinética ruminal,
usando la técnica in sacco, al medir la desaparición del alimento en las bolsas de
nylon incubadas en el rumen en diferentes periodos. Tales características pueden
utilizarse para predecir el valor nutritivo más acertadamente y comparar la utilidad
de los forrajes en las dietas para rumiantes.
La desaparición del material en la hora cero se estimo en las bolsas sin incubar en
el rumen, lavándolas de la misma manera que las de los demás periodos. El
porcentaje de la desaparición se estimo usando la siguiente ecuación (Ramirez,
2003):
Degradabilidad Aparente
(Peso inicial – Peso final)
--------------------------------- × 100
(Peso inicial)
60 Para determinar las características de la digestión los porcentajes de desaparición
de cada fracción evaluada se usan en la siguiente ecuación para determinar la
degradabilidad efectiva o verdadera:
Y = a + b (1 – e-ct)
Donde (Y), es la cantidad de sustrato degradado en el tiempo (t), y a, b y c son
constantes de la ecuación exponencial. Donde a es un intercepto que representa
la porción de material solubilizado al inicio de la incubación (tiempo 0), b es la
porción de la muestra lentamente degradada en el rumen, c es la tasa constante
de desaparición de la fracción b, y t es el tiempo de incubación.
La magnitud de degradación de la proteína dependerá del tiempo que permanezca
en el rumen, por lo que (Ørskov y McDonald, 1979) definen la degradabilidad
efectiva de la proteína, P, como: P = a + [bc / (c+r)] [1 - e - (lc+r) t].
En el cual r es la velocidad de pasaje del rumen al omaso. Como el tiempo de
incubación se incrementa, la fracción de proteína que permanece en el rumen cae
a cero, conjuntamente con la velocidad de degradación, P puede entonces
definirse como: P = a + bc / (c + r) En esta ecuación a es la proteína
inmediatamente degradada y bc / (c + r) la fracción lentamente degradable. El
valor de r puede ser determinado por tratamiento con dicromato a la proteína.
También se puede calcular la degradabilidad efectiva (DE) del nitrógeno utilizando
los parámetros de degradabilidad en combinación con la tasa de flujo ruminal de
pequeñas partículas (k); la ecuación es la siguiente: DE= a + ((bc) / (c+k)).
61 Figura 5. Representación grafica de los diferentes tiempos en que tiene lugar la
degradación de la proteína. (Ørskov, 1988)
Los valores de a, b y c son la base para determinar el potencial alimenticio de los
forrajes, así como para recomendar las estrategias de alimentación. El potencial
alimenticio indica el consumo de energía digestible relativo al mantenimiento de un
bovino de carne de razas europeas (Ørskov, 1993; IFRU, 1997). Este potencial
puede equipararse a un índice, valor que indica el consumo relativo o
productividad posible de los alimentos. Mayor información se necesita para
sostener este enfoque; no obstante, parece ser prometedor al analizar información
de diferentes lugares con grandes diferencias de recursos alimenticios y tipos de
animales (Ørskov, 1998).
62 2.7. IMPORTANCIA DEL NITROGENO UREICO EN LECHE
El nitrógeno ureico en leche, conocido comúnmente como MUN (sigla del nombre
en ingles, Milk Urea Nitrogen), por su fácil análisis en muestras de leche ha
cobrado importancia como herramienta diagnostica de la eficiencia de utilización
del nitrógeno y de ciertos trastornos del comportamiento reproductivo de la vaca
lechera.
En zonas lecheras de Colombia los forrajes de alto contenido proteico,
especialmente raigrases y kikuyo, constituyen el mayor aporte en la ración diaria
de las vacas lecheras. En algunos casos llegando a ser la única fuente de
alimento. La disponibilidad de forrajes para pastoreo en todas las épocas del año
constituye una ventaja competitiva grande en comparación con la situación de
otros países. Los consumos diarios de nitrógeno parecen superar las necesidades
de las vacas lecheras generando excesos que constituyen desperdicios
innecesarios de alimento y potenciales problemas de contaminación de aguas
(Peña, 2001)
2.7.1. Origen y significado del MUN
El MUN es el resultado de la difusión el contenido de urea del suero sanguíneo a
traves de las células secretoras de la glándula mamaria constituyendo una
fracción variable del nitrógeno total en la leche.
Su contenido representa alrededor del 50% del nitrógeno no proteico y alrededor
del 2.5% del nitrógeno total (DePeters y Ferguson, 1992). El nitrógeno de la leche
esta presente en tres fracciones principales: Caseína, que constituye el 77.9%,
Nitrógeno de la proteína del suero, que representa el 17.2% y el NNP que es el
4.9% (Cerbulis y Farrel, 1975). Estas fracciones pueden cambiar de acuerdo a la
temperatura, enfermedades, número de partos, días en lactancia y nutrición
(DePeters y Cant, 1992).
63 Las dietas de alto contenido proteico tienden a presentar niveles altos de MUN
debido, de una parte, a la mayor degradación de la proteína en el rumen, mayor
producción de amoniaco y mayor conversión de amoniaco a urea en el hígado de
la vaca. De otra parte, la dieta de un nivel alto en proteína tiene normalmente una
alta contribución de aminoácidos para absorción en el intestino, los cuales
contribuyen una alta proporción de la urea luego de la animación en el hígado
(Peña, 2001).
2.7.2. Relación entre MUN y producción
El nitrógeno no solamente es uno de los componentes principales de la ración
para vacas lecheras sino también es uno de los componentes más costosos en
términos económicos. Tanto su exceso como su deficiencia en la dieta diaria
tienen repercusiones negativas sobre el comportamiento productivo de las vacas
lecheras haciendo ineficientes los procesos digestivos, metabólicos y de síntesis
de la leche.
El primer aporte de amoniaco se produce en el rumen cuando los
microorganismos no tienen la suficiente energía para utilizar el exceso de N del
alimento. El segundo aporte se presenta con la desanimación del exceso de
aminoácidos absorbidos en el intestino delgado, luego de un flujo del rumen
superior a las necesidades del animal (Peña, 2001).
2.7.3. Relación entre MUN y reproducción
Algunos problemas reproductivos de los hatos lecheros como bajas tasas de
concepción, repetición de calores, aumentos en los días abiertos y en los servicios
por concepción se han asociado con los niveles de nitrógeno de la dieta (Carroll et
al., 1988; Ferguson y Chalupa, 1989; Canfield et al., 1990).
64 Los niveles altos de urea en el suero se han correlacionado con infertilidad en
algunos casos (Ferguson et al., 1986). La alteración reproductiva puede ser
causada por la urea, el amoniaco u otros compuestos nitrogenados no
identificados que pueden afectar el óvulo, el espermatozoide o los embriones
jóvenes. Se ha demostrado que la urea es tóxica para el espermatozoide y el
óvulo (Dasgupta et al., 1970 ; Umezaki y Fordvey-Lettlage, 1975) y puede causar
aborto cuando se inyecta intraamniótica.
2.7.4. Toma de muestras, análisis e interpretación
La determinación del MUN como herramienta para analizar el comportamiento
productivo y reproductivo de las vacas, así como la eficiencia de utilización del N
en la ración, es muy útil para optimizar el uso de los recursos en las explotaciones
lecheras.
Las concentraciones de MUN se pueden utilizar para monitorear la proteína de la
dieta porque:
El exceso de nitrógeno afecta la función reproductiva probablemente por la
acción de la urea en el tracto urogenital (Carroll et al., 1988).
El consumo excesivo de proteína incrementa los requerimientos de energía
en 13.3 Kcal/g de exceso de N (NRC, 1989).
El suplemento proteico es costoso.
El exceso de N tiene un impacto ambiental negativo.
Como métodos disponibles para determinar el MUN se pueden utilizar tiras
reactivas, para uso en el campo, las cuales presentan datos semicuantitativos en
forma inmediata. También se utiliza la determinación por NIR, por química
húmeda, por colorimetría y por digestión enzimática y análisis químico. Estos
últimos como métodos cuantitativos de laboratorio.
65 Para un análisis de laboratorio se deben tomar dos muestras de 50 ml del tanque
colector de leche y enviarlas en un frasco de vidrio o plástico adecuadamente
rotulado al laboratorio correspondiente. Estas muestras se deben tomar de la
leche del ordeño de la tarde. El resultado obtenido servirá para complementar un
diagnóstico general del hato (Peña, 2001).
Las muestras refrigeradas se pueden mantener de un día para otro sin ningún
problema. En caso de tenerlas por más tiempo se recomienda agregar 1 ml de
agua oxigenada por muestra de 50 ml (Peña, 2001). Para la interpretación de
resultados, teniendo en cuenta los datos publicados hasta ahora sobre MUN, se
recomiendan los siguientes criterios:
Tabla 4. Interpretación de resultados de análisis de MUN en vacas lecheras.
CONTENIDO DE
MUN (mg/dl)
CALIFICACIÓN
INTERPRETACIÓN
<9
Deficiente
Insuficiente N en la dieta. Afecta producción
9 – 12
Bueno
Buen uso del N. Puede afectar producción
12 – 15
Excelente
Optimo nivel para producción y reproducción
15 – 18
Bueno
Uso sub-óptimo del N. Sin efecto adverso en reproducción.
18 – 21
Regular
Desperdicio de N. Puede afectar reproducción
> 21
Deficiente
Exceso de N. Afecta reproducción.
El MUN es un índice muy importante como herramienta diagnóstica, pero requiere
de otros como la condición corporal de las vacas, nivel de producción y
composición de la dieta para hacer más efectivo su uso (Peña, 2001).
66 3. MATERIALES Y METODOS
3.1 UBICACIÓN DEL PROYECTO
El estudio se realizó en el CIC Santa María de la Universidad de La Salle dedicado
a la producción de leche especializada, ubicado en el municipio de Sopo
(Cundinamarca) ubicado a 2580 m.s.n.m.
Según (Vaca M., (2003) las condiciones meteorológicas sitúan al municipio de
Sopo y la cuenca del rio Teusacá en el área de los andes colombianos- cordillera
oriental, donde las precipitaciones están gobernadas principalmente por la Zona
de Confluencia Intertropical (ZCIT), fenómenos de tipo convectivo y otros
fenómenos locales.
El clima es frio al ubicarse entre los 2000 y 3000 m.s.n.m (Bernal, 2004). La
temperatura varia entre 14 y 10 °C y las precipitaciones varían entre 700mm y
900mm anuales con un régimen pluviométrico bimodal caracterizado por 2
periodos lluviosos al año uno cada semestre separados por periodos de relativa
sequia (Vaca M. 2003). Según registro de la estación San Pedro se tienen 109
días con lluvia al año.
Las características físicas de la región presentan una biotemperatura de bosque
húmedo montañoso. La intensidad lumínica varia entre 200 y 500 lux según las
mediciones hechas durante el estudio, para la velocidad de los vientos, se toma
como representativo el valor dado por la estación Guaymaral que reporta una
velocidad media de 1.8 m/s puesto que el municipio no cuenta con una medición
valida. (Vaca M., 2003)
Por todas estas características, la finca Santa María esta calificada según
Holdridge como bosque seco montano bajo.
67 3.2 DISEÑO EXPERIMENTAL
Se seleccionaron 6 potreros al azar de una población de 24 potreros los cuales
cumplen un ciclo de rotación de acuerdo con el sistema de manejo de la finca.
En este análisis se buscaba evaluar si había alguna diferencia significativa en la
interacción de las edades y el tipo de manejo dado a cada pastura, para lo cual se
selecciono un diseño estadístico factorial con dos factores:
1) Tipo de manejo
Renovados
No Renovados
2) Edad de desarrollo de la pastura
45 días
52 días
59 días
Con tres replicas consistentes en tres potreros mejorados y tres potreros no
mejorados
El modelo aplicado:
Yijk = µ + αi + βj + β(ij)+Eijk
Donde:
Yijk: Variables: Pc, P A (NNP), P B1, P B2, P B3, P C, FDN, FDA, Lignina,
Celulosa, Hemicelulosa y Sílice.
µ: Promedio general.
αi: Efecto del manejo implementado en la pradera.
68 βj: Efecto de la edad de desarrollo.
β(ij): Efecto de la interacción entre αi y βj.
Eijk: Error experimental.
3.3. MONITOREO MEDIO AMBIENTAL
Se realizó un monitoreo de variables medio ambientales durante los periodos de
muestreo, dentro del cual se evaluaron las siguientes variables:
Intensidad Lumínica (Lux).
Temperatura (Máxima y Mínima) (ºC).
Velocidad del Viento (Km/h).
Humedad Relativa (%).
Precipitación (ml).
Las instalaciones del CIC contaban con pluviómetro y termómetro de máximas y
mínimas, el luxómetro (Intensidad Lumínica), el termohigrómetro (Humedad
Relativa) y el anemómetro (Velocidad del Viento) que fueron facilitados por la
Universidad de La Salle (Laboratorio de Nutrición Animal).
La recolección de los datos se hizo de manera programada con los días de la
toma de muestras (cada 8 días), para las variables de temperatura, humedad
relativa, velocidad del viento e intensidad lumínica.
3.4. PERIODOS DE MUESTREO
Se evaluaron las praderas del CIC Santa María en dos periodos, los cuales
comprendían lluvias y sequias. El periodo de sequia fue evaluado entre el 7 de
marzo y el 25 de mayo del año 2006 y el periodo de lluvias entre el 25 de mayo y
el 11 de agosto del mismo año. De esta manera se obtuvo un total de 79 días de
evaluación para los dos periodos. Este análisis se contempla para la definición de
69 un modelo de crecimiento que se adecue a las praderas de la finca teniendo en
cuenta las principales variables ambientales que pueden influir en la finca además
del manejo dado a la pradera.
Para el fraccionamiento de carbohidratos y proteínas se recolectó solamente
muestras durante el periodo de sequia, pues las condiciones climáticas
presentadas durante el primer periodo de muestreo deterioraron las características
del material obtenido pudiendo de esta forma afectar los resultados de este
análisis
3.5. DEFINICION DE PERIODO DE LLUVIAS Y SEQUIAS
Se definieron las épocas de lluvias y sequia, según los datos de precipitación
obtenidos durante el desarrollo del proyecto.
Para el periodo de sequia las precipitaciones fueron menores a 100 cm3:
Tabla 5. Definición del periodo de lluvias.
MES Junio Julio Agosto ml/mes 46 100 97 Para el periodo de lluvias las precipitaciones fueron mayores a 100 cm3:
Tabla 6. Definición del periodo de sequia.
MES Marzo Abril Mayo Ml/mes 120 137 156 70 3.6. DEFINICION DE PRADERAS RENOVADAS Y NO RENOVADAS
Con base a la información aportada por el CIC Santa María, previo al inicio del
periodo de muestreo, se realizó la renovación de praderas a los potreros 5, 6 y 7
dentro de la rotación establecida por el CIC. A los potreros 8, 9 y 10 no se les
realizó ninguna práctica de renovación.
La renovación de las praderas consistió en un solo paso de tractor con un
implemento de arado de cincel con el objetivo de romper capas compactadas,
permitir el desarrollo de las raíces, oxigenar y aumentar la capacidad de
almacenamiento de agua por parte del suelo.
Se incorporó semilla de leguminosa trébol rojo (Trifolium repens) y de una especie
de raigrás (Lolium spp) para aumentar el contenido proteico de las praderas.
Adicionalmente y paralelo a este trabajo se realizó la siembra de algunas especies
arbóreas en los cercados.
3.7. MUESTREO PARA EL CRECIMIENTO DE LAS PRADERAS
Periódicamente se muestrearon 6 potreros establecidos en su mayoría con pasto
kikuyo, y una mezcla de raigrases y leguminosas como trébol rojo.
Para determinar la cantidad de biomasa disponible en el potrero se aplicó la
metodología de aforo conocida como doble rango visual. (Estrada, 2004)
Inicialmente se registró la cantidad de biomasa en forraje verde. Los muestreos se
realizaron cada 8 días, hasta alcanzar un total de 59 días de recuperación de la
pradera en cada potrero.
Para el desarrollo del muestreo se tuvo que dotar la finca con equipos y
herramientas de trabajo de la siguiente manera:
71 Demarcación y clasificación de los 6 potreros.
Adquisición de equipos: Medición climática (Anemómetro, termohigrómetro
y luxómetro).
Peso (Balanza).
Elaboración de marcos de 50 × 50 cm en tubo de pvc.
Compra de materiales varios (bolsas, marcadores, fotocopias).
Se determinaron a simple vista las áreas más bajas y más altas dentro de la
pradera teniendo en cuenta la altura del pasto. De esta manera se pudo establecer
la calificación de 1 a 5, siendo 1 el más bajo y 5 el más alto dentro del área del
marco.
Se realizó un formato en el cual se registraban los datos de cada potrero en una
edad específica.
Una vez establecida la calificación, se realizaron las observaciones visuales,
haciendo 50 lanzamientos en forma aleatoria en toda el área del potrero.
Luego se realizaron los respectivos muestreos por duplicado para cada calificación
teniendo en cuenta la calificación desde 1 hasta 5, colocando estas muestras en
una bolsa de plástico previamente marcadas y pesadas.
Después las bolsas se pesaban en la balanza, esto para obtener resultados de
producción de biomasa en relación al tiempo; en forraje verde y materia seca.
Las muestras se llevaron al laboratorio de nutrición animal de la Universidad de La
Salle para seguir el procedimiento de obtención de materia seca.
Obtención de materia seca
El material que ingresaba al laboratorio, se trasladó a bolsas de papel
debidamente marcadas con el número del potrero y la edad de rebrote del mismo.
72 ™ Se pesaron las bolsas vacías y la cantidad de forraje.
™ Se marcaron las bolsas.
™ Se colocaron las bolsas de papel con el material incluido en la estufa a
62ºC durante 24 horas.
™ Luego de 24 horas, se sacaron y se dejaron enfriar en un desecador por 10
minutos.
™ Cada bolsa se pesó en una balanza.
™ Se obtuvieron los datos finales para MS.
3.8. ANALISIS PARA EL CRECIMIENTO (Incluidas todas las praderas)
La información fue organizada por periodos de muestreo con la correspondiente
edad de rebrote en valores de g/MS/m2 así:
1. Evaluación durante periodos de lluvias y sequia.
2. Evaluación en praderas renovadas y no renovadas.
Se aplicó una prueba de homogeneidad, a los datos de las evaluaciones obtenidas
durante el muestreo del periodo de lluvias y sequia, tomando 6 potreros, utilizando
una prueba Chi cuadrado con 5 grados de libertad (Barrera y Pinilla, 2007).
Se determinaron las siguientes hipótesis:
Ho: Las 6 praderas son homogéneas.
Ha: Por lo menos una pradera no es homogénea.
Para determinar si las variables edad de rebrote expresada en días y biomasa
expresada en g/MS/m2 eran independientes se aplicó a la totalidad de los datos de
la evaluación del periodo de lluvias y sequia una prueba de independencia, para lo
cual se estructuró una tabla de contingencia con 3 clases para la edad y 5 para la
biomasa, se utilizó la prueba de Kruskal Wallis para determinar el valor de Chi
73 calculado. Este último valor se comparó con el Chi de tabla correspondiente a 5
grados de libertad.
Se determinaron las siguientes hipótesis:
Ho: Las variables biomasa medida en g/MS/m2 y tiempo de rebrote o
recuperación expresado en días son independientes.
Ha: Las variables de biomasa medida en g/MS/m2 y tiempo de rebrote o
recuperación expresado en días no son independientes.
3.9. ANALISIS PARA EL CRECIMIENTO (praderas renovadas y no renovadas)
La información fue organizada de acuerdo a la actividad realizada de
mejoramiento del suelo, composición botánica de las praderas y oferta forrajera
así:
Tabla 7. Clasificación de praderas renovadas y no renovadas.
PRADERAS
RENOVADAS NO RENOVADAS
5
8
6
9
7
10
Para evaluar el comportamiento de los datos de cada grupo, se aplicaron las
pruebas de homogeneidad e independencia anteriormente descritas. Las pruebas
se aplicaron utilizando la prueba de Chi cuadrado con 2 grados de libertad para los
dos grupos.
74 3.10. DEFINICION DEL MODELO DE CRECIMIENTO
La evaluación se realizó en dos épocas del año con diferente precipitación y en
praderas con manejos diferenciales de labranza. Los datos, organizados como se
explica anteriormente, fueron graficados en Excel buscando definir su tendencia y
a su vez indagar en un modelo sigmoideo que podría definir el comportamiento
biológico de la pradera con relación a los datos obtenidos en campo.
Estos
valores fueron comparados con las predicciones elaboradas por la ecuación
generada en el programa curve expert 1.3 producido por Daniel Hymas (1995,
1997) el cual contempla algunas variaciones de los modelos originales y sus
ecuaciones se presentan a continuación
Se evaluaron tres modelos sigmoideos:
1. Modelo Gompertz.
Matemático
P(t) = exp (a/b – (a/b – LnP0) exp b × t
Curve expert
2. Modelo Logístico.
Matemático
P(t) = aP0 / (bP0 + (a – bP0) e – at)
Curve expert
3. Modelo Cacho.
P(t) = Pmax / (1 + b × tk)
Los datos fueron linearizados para definir los parámetros de a y b, para
posteriormente obtener los datos esperados y ser comparados con los datos
75 observados dentro de las mismas edades de la evaluación, de esta forma se
calculó el error cuadrático medio.
El modelo con menor error cuadrático medio fue seleccionado como el mayor
ajuste con respecto a los datos observados. El modelo seleccionado fue definido a
través de sus diferentes parámetros que se explicaron desde el punto de vista
biológico buscando generar mayor entendimiento y su aplicación practica en la
optimización de sistemas de producción (Barrera y Pinilla, 2007).
3.11. MUESTREO PARA FRACCIONAMIENTO DE CORNELL
Se tomaron 3 muestras por potrero cada una de 45, 52 y 59 días de rebrote para
posteriormente analizar las fracciones de carbohidratos y proteínas contenidas en
los pastos, según la técnica para el fraccionamiento de carbohidratos y proteínas
de (Licitra, 1996).
Figura 6. Edades determinadas para el fraccionamiento de carbohidratos y
proteínas.
45
52
59
El muestreo se realizó de la misma manera mencionada anteriormente para
crecimiento (Estrada, 2002), con la diferencia en las edades de rebrote de cada
pradera, que fueron las que se determinaron para realizar el fraccionamiento de
carbohidratos y proteínas como datos necesarios para la simulación del software
CNCPS.
Procedimiento de muestreo
76 ™ Se le hizo un seguimiento a cada pradera en los días de rebrote.
™ Se tomaron submuestras dentro de cada pradera abarcando la totalidad de
esta en forma de zig zag.
™ Luego se mezclaron las submuestras para hacer una muestra homogénea
o pull.
™ Después de establecer la muestra homogénea, se realizó un cuarteo, para
obtener la muestra definitiva a utilizar en el laboratorio.
™ Se obtuvieron 1000 g de la muestra final de forraje verde, que debía ser
llevada al laboratorio de nutrición animal de la Universidad de La Salle para
seguir con el procedimiento de análisis de Cornell, de acuerdo con la
metodología propuesta por (Licitra,1996).
3.12. FRACCIONAMIENTO DE CARBOHIDRATOS Y PROTEINAS
Preparación de las muestras
Como las muestras obtenidas en campo, debían ser sometidas al proceso de
obtención de materia seca (MS); estas llegaban como forraje verde al laboratorio,
luego del proceso de MS, se molieron en una criba de 2mm y se empacaron en
bolsas de papel debidamente marcadas con la edad de corte y el número del
potrero.
De esta manera se obtuvieron 18 muestras para analizar por duplicado bajo los
protocolos de (Licitra, 1996).
Tabla 8. Distribución de cortes en las praderas.
Pradera # Edad Corte
Praderas Renovadas
77 5
45, 52, 59
6
45, 52, 59
7
45, 52, 59
Praderas No Renovadas
8
45, 52, 59
9
45, 52, 59
10
45, 52, 59
3.13. ANALISIS REALIZADOS
Se hicieron análisis para Pc (Kjeldahl), Fracción soluble, Fracción insoluble, FDN,
FDA, Lignina, Celulosa, Hemicelulosa y Sílice (Van Soest, 1991), fracciones
proteicas A, B1, B2, B3 y C (Licitra, 1996) y fracciones de carbohidratos A, B1, B2
y C (Doane et al, 1997).
3.14. DEGRADABILIDAD RUMINAL (in sacco)
La determinación de la degradabilidad ruminal se realizó en las instalaciones de la
Universidad de Ciencias Aplicadas y Ambientales (UDCA) bajo la dirección y
apoyo del laboratorio de nutrición animal.
3.14.1. Degradabilidad de la Materia Seca (MS)
Para un mejor manejo de las muestras dentro del laboratorio, se realizó un pull por
cada edad de corte de la siguiente manera:
™ De la muestra seca y molida.
™ Se pesaron en cantidades iguales 100 g de muestra de cada grupo, es
decir de praderas renovadas y no renovadas.
™ Para una muestra general de 300 g por grupo.
™ Se mezclaron para hacer una muestra homogénea en una bandeja
debidamente marcada con la respectiva edad de corte.
78 De esta manera se obtuvieron 6 muestras generales para la determinación de
degradabilidad ruminal (in sacco) evaluando cinco tiempos de incubación
diferentes (0, 6, 24, 48 y 72 horas) de las praderas renovadas y no renovadas.
Muestras de 5 gramos para cada edad de corte se incubaron por duplicado en
bolsas Ankom de 20 × 10 cm y poro de 53 micras, debidamente pesadas y
marcadas, utilizando un toro holstein no mayor de 60 meses con cánula ruminal y
alimentado con pasto kikuyo en pastoreo.
Las incubaciones se repitieron durante 4 días para todos los tiempos. Un total de
12 bolsas por tiempo. Después de 72 horas las bolsas fueron extraídas del rumen
del animal canulado para posterior lavado homogéneo con agua fría hasta la no
aparición de turbidez en esta.
Luego se secaron en horno a 65 ºC por 48 horas. Fuera del horno se dejaron
enfriar a temperatura ambiente dentro de un desecador, para posterior pesado en
balanza analítica.
Por diferencia de pesos inicial y final se determinó la degradabilidad aparente del
material analizado. La degradabilidad efectiva se determinó con el software Fit
Curve (NEWAY).
3.14.2. Degradabilidad FDN y RIE
Para la determinación de las facciones de los carbohidratos, existen dos métodos
de análisis. El primero, es mediante la producción de gas in vitro y el segundo
análisis, es la determinación de la degradabilidad in situ o in sacco, el cual fue
aplicado para esta investigación.
Para la determinación de las fracciones de carbohidratos, fue necesario realizar un
proceso de preparación de las muestras ex ante así:
Preparación de FDN
79 ™ De la muestra seca y molida.
™ Se pesaron 16,66 g en cantidades iguales de cada grupo, es decir
praderas renovadas y no renovadas.
™ Se mezclaron en una bandeja para obtener una muestra homogénea.
™ Se obtuvieron 6 bolsas con muestra de 50 g.
™ La muestra se introdujo en bolsa Ankom de 20 × 10 cm pesadas y
marcadas respectivamente con la edad de corte.
™ A cada bolsa se le realizó el proceso de Fibra Detergente Neutro (FDN).
™ Luego de una hora en ebullición, se secaron en un horno a 65 ºC durante
48 horas.
™ Posteriormente se pesaron para la determinación de FDN.
Una vez el material se encontraba completamente seco se determinó el porcentaje
de FDN (Van Soest, 1991), se llevaron las muestras a su respectiva determinación
de la degradabilidad ruminal (in sacco) del FDN.
El proceso de incubación y retiro de las muestras se realizó igualmente como se
describió en la degradabilidad de la materia seca, teniendo en cuenta los mismos
tiempos de incubación. La diferencia la hizo la cantidad de material utilizado y el
número de repeticiones para este análisis que fueron 2 g de muestra y dos
repeticiones por cada tiempo de incubación evaluado, de esta manera el número
de bolsas incubadas por tiempo fue de 12.
Preparación de RIE
™ De la muestra seca y molida.
™ Se pesaron 16,66 g en cantidades iguales de cada grupo, es decir praderas
renovadas y no renovadas.
™ Se mezclaron en una bandeja para obtener una muestra homogénea.
™ Se obtuvieron 6 bolsas de 50 g.
80 ™ La muestra se introdujo en bolsa Ankom de 20 × 10 cm pesadas y
marcadas respectivamente con la edad de corte.
™ A cada bolsa se le realizó el proceso de RIE.
™ Se solubilizaron en etanol al 80% durante 4 horas.
™ Al terminar la solubilización, se secaron en un horno a 65 ºC durante 48
horas.
™ Posteriormente se pesaron para la determinación de RIE.
Una vez el material se encontraba completamente seco se determinó el porcentaje
de RIE. Se llevaron las muestras a su respectiva determinación de la
degradabilidad de RIE.
El proceso de incubación y retiro de las muestras se realizó igualmente como se
describió en la degradabilidad de la materia seca, teniendo en cuenta los mismos
tiempos de incubación. La diferencia la hizo la cantidad de material utilizado y el
número de repeticiones para este análisis que fueron 2 g de muestra y dos
repeticiones por cada tiempo de incubación estudiado; de esta manera el número
de bolsas incubadas por tiempo fue de 12.
Según Doane et al (1997), las tasas de degradación de las fracciones A y B1 de
los carbohidratos no pueden ser asiladas ni fermentadas por si solas, por
consiguiente las diferencias entre MS y RIE y entre RIE y FDN, generaron curvas
definidas para las fracciones A (azucares y ácidos orgánicos) y B1 (almidones y
pectinas) respectivamente. Para la determinación de la fracción B2 de los
carbohidratos se tomo el valor en porcentaje (%) de la fibra detergente neutro
(FDN) y para la fracción C el valor de lignina multiplicado por una constante de
2,4.
4. RESULTADOS Y DISCUSION
4.1 CRECIMIENTO DE LAS PRADERAS (periodo de lluvias y sequia)
81 Los datos de las tablas 9 y 10 presentan los valores observados durante los
periodos de muestreo.
Tabla 9. Producción de biomasa durante el periodo de lluvias en valores de
g/MS/m2.
EDAD (días)
PRADERAS
5*
6*
7*
8**
9**
10**
7
32,55
24,78
31,78
18,82
21,78
25,76
15
62,71
58,76
65,78
43,23
45,47
46,54
22
85,62
77,67
78,85
60,54
66,15
68,78
30
110,28 98,78 115,89 87,78
77,23
61,78
37
145,87 135,27 156,78 115,89 110,42 108,78
44
187,54 178,89 191,08 155,87 151,89 145,67
52
214,34 205,78 223,76 182,89 182,78 161,67
59
255,76 245,87 267,78 218,78 214,78 197,89
*potrero mejorado
**potrero no mejorado
(los números de los potreros corresponden a la nomenclatura de la finca)
Tabla 10. Producción de biomasa durante el periodo de sequia en valores de
g/MS/m2.
EDAD (días)
PRADERAS
5*
6*
7*
8**
9**
10**
7
44,29
42,86
59,42
29,82
31,49
32,13
15
78,66
71,36
78,99
43,23
45,47
46,54
82 22
100,64 107,42 102,97 60,54
66,15
62,86
30
132,78 125,65 136,85 69,91
77,23
73,62
37
210,97 201,18 235,54 97,53 110,42 108,94
44
318,53 327,77 327,92 183,98 197,33 197,32
52
356,26 405,95 397,50 222,39 247,11 238,23
59
462,13 472,24 512,65 314,97 358,74 327,59
*potrero mejorado
**potrero no mejorado
(los números de los potreros corresponden a la nomenclatura de la finca)
4.2. Pruebas de homogeneidad e independencia (periodo de lluvias y sequia)
4.2.1. Pruebas de homogeneidad
Se aplicaron pruebas de homogeneidad para todas las praderas evaluadas
durante los periodos de lluvias y sequia, las cuales arrojaron valores estadísticos
de prueba de H= 2,02 y H= 5,33 para el periodo de lluvias y sequia
respectivamente. Las pruebas de homogeneidad e independencia para el periodo
de lluvias se presentan en el anexo A y B.
Estos valores fueron comparados con la tabla de X2 con 5 grados de libertad, los
valores encontrados con significancia de α 0,05, 0,025 y 0,01 fueron 11,07, 12,83
y 15,08 respectivamente para los dos periodos.
Como los valores de H fueron inferiores a los tabulados con X2 se acepta la
hipótesis nula Ho, es decir;
Las 6 praderas evaluadas durante los periodos de lluvias y sequia son
homogéneas.
4.2.2. Pruebas de independencia
Esta prueba se realizó entre las variables biomasa en g/MS/m2 con cinco
intervalos y periodo de recuperación de las praderas con tres intervalos, definidos
según los valores de producción de forraje verde y días de recuperación
83 evaluados en campo. Las pruebas de homogeneidad e independencia para el
periodo de sequia se presentan en el anexo A y B.
Se obtuvieron valores de H= 34 y H= 41,45 para los periodos de lluvias y sequia
respectivamente. Estos valores fueron comparados con la tabla de X2 con 5
grados de libertad, los valores encontrados con significancia de α 0,05, 0,025 y
0,01 fueron 11,07, 12,83 y 15,08 respectivamente para los dos periodos.
Como los valores de H fueron superiores a los tabulados con X2 se rechaza la
hipótesis nula Ho y acepta la Ha, es decir;
Las variables de biomasa medida en g/MS/m2 y tiempo de rebrote o
recuperación expresado en días no son independientes.
4.3 PRUEBAS DE HOMOGENIDAD E INDEPENDENCIA (praderas renovadas y
no renovadas)
4.3.1. Pruebas de homogeneidad
Se aplicaron pruebas de homogeneidad para las praderas evaluadas durante el
periodo de lluvias y sequia con diferente manejo de mejoramiento del suelo,
praderas renovadas y no renovadas, las cuales arrojaron valores estadísticos de
prueba de H= 0,26 y H= 0,035 para el periodo de lluvias en praderas renovadas y
no renovadas respectivamente. Las pruebas de homogeneidad e independencia
para las praderas renovadas y no renovadas anexo C.
Para el periodo de sequia los valores estadísticos de prueba fueron H= 0,14 y H=
0,26 en praderas renovadas y no renovadas respectivamente.
Estos valores fueron comparados con la tabla de X2 con 2 grados de libertad, los
valores encontrados con significancia de α 0,05, 0,025 y 0,01 fueron 15,59, 11,98
y 13,81 respectivamente para los periodos de lluvias y sequia con manejo
diferencial de mejoramiento del suelo.
84 Como los valores de H fueron inferiores a los tabulados con X2 se acepta la
hipótesis nula Ho, es decir;
Las 6 praderas evaluadas durante los periodos de lluvias y sequia con
manejo diferencial de mejoramiento del suelo son homogéneas.
4.3.2. Pruebas de independencia
Esta prueba se realizó entre las variables biomasa en g/MS/m2 con tres intervalos
y periodo de recuperación de las praderas con tres intervalos, definidos según los
valores de producción de forraje verde y días de recuperación evaluados en
campo.
Se obtuvieron valores de H= 32,25 para los periodos de lluvias y sequia con
manejo de renovación y no renovación de praderas. Estos valores fueron
comparados con la tabla de X2 con 2 grados de libertad, los valores encontrados
con significancia de α 0,05, 0,025 y 0,01 fueron 15,59, 11,98 y 13,81
respectivamente para los dos periodos con sus tratamientos respectivos.
Como los valores de H fueron superiores a los tabulados con X2 se rechaza la
hipótesis nula Ho y acepta la Ha, es decir;
Las variables de biomasa medida en g/MS/m2 y tiempo de rebrote o
recuperación expresado en días no son independientes.
4.4. DEFINICION DEL MODELO
Las figuras 7 y 8 corresponden al desarrollo fisiológico de las praderas evaluadas
durante los periodos de lluvias y sequia, obteniendo así, una tendencia clara a
modelos sigmoideos. De acuerdo a lo reportado por Guille (2004), la biomasa y los
85 órganos muestran un crecimiento sigmoidal, en el cual se determina un periodo
caracterizado por el incremento en la tasa de crecimiento seguido por otro periodo
con disminución de la misma.
De acuerdo con lo anterior se realizó una revisión de los modelos sigmoidales que
mejor podrían ajustar a los datos recolectados durante el estudio. Se evaluaron
tres modelos: Gompertz, Logístico y una derivación del modelo Logístico,
propuesta por Cacho (1997). Para ellos los modelos fueron linearizados con el fin
de calcular los valores de a y b en la función lineal y así utilizarlos en la función
original con el fin de calcular los valores estimados del modelo (Barrera y Pinilla,
2007).
CRECIMIENTO DE LAS PRADERAS
300,00
250,00
PRADER
A5
PRADER
A6
PRADER
A7
PRADER
A8
MS/m2
200,00
150,00
100,00
50,00
0,00
7
17
27
37
47
Edad Rebrote (dias)
57
Figura 7. Curvas de crecimiento durante el periodo de lluvias.
86 CRECIMIENTO DE LAS PRADERAS
600,00
500,00
400,00
MS/m2
PRADERA
5
PRADERA
6
PRADERA
7
PRADERA
8
300,00
200,00
100,00
0,00
7
27
Edad Rebrote (dias)
47
Figura 7. Curvas de crecimiento durante el periodo de sequia.
Para una mejor interpretación de los resultados obtenidos en el desarrollo de este
estudio de definieron los modelos sigmoidales tomando los dos periodos de
evaluación (lluvias y sequia) y los dos tratamientos (praderas renovadas y no
renovadas), así:
1. Periodos de lluvias.
2. Periodo de sequia.
3. Praderas renovadas.
4. Praderas no renovadas.
4.5. MODELOS EVALUADOS DURANTE EL PERIODO DE LLUVIAS
Durante este periodo de evaluación, se aplicaron los tres modelos previamente
descritos (Gompertz, Logístico y Cacho), con sus respectivas ecuaciones y formas
lineales.
4.5.1. MODELO GOMPERTZ
Se evaluó el modelo Gompertz bajo la siguiente formula general:
87 P (t) = exp (a / b – (a / b – Ln P0) exp bt
Donde:
P (t): Biomasa en el tiempo (t).
a y b: Parámetros del modelo obtenidos por linearización
P0: Biomasa en el tiempo cero
Todo el proceso matemático de linearizacion del modelo para encontrar los
parámetros y definirlo se encuentra en el anexo D.
La función lineal quedo definida como:
Y = -0,035x + 0,204 (R2 = 0,918)
Tomando de la función lineal, los valores a = 0,204 y b = 0,035, se definió la
función del modelo Gompertz. Con los valores de los datos observados y
esperados se estimo el error cuadrático medio, el cual fue de 82,08. En el caso del
modelo por curve expert los valores arrojados fueron los siguientes
Tabla 11. Linearizacion para el modelo Gompertz según curve expert periodo de
lluvias.
curve expert a 493,58006 b 1,2224382 c 0,02544811 A: peso adulto
B: fuerza genética de aceleración
C: fuerza genética de desaceleración
Mediante estos valores la ecuación se hace mas precisa y al calcular el error
cuadrático medio, este se reduce a 16,032. La figura 9 representa los valores de
crecimiento de las praderas, ajustando los fenómenos expresados.
88 250,00
200,00
150,00
observad
os
100,00
modelo matemat
ico
50,00
0,00
1
2
3
4
5
6
7
8
9
Figura 9. Valores observados vs valores estimados con el modelo Gompertz
matemático y por curve expert
4.5.2. MODELO LOGISTICO
Se evaluó el modelo Logístico bajo la siguiente formula general:
P (t) = aP0 / (bP0 + (a – bP0) exp – at)
Donde:
P (t): Biomasa en el tiempo.
a y b: Parámetros del modelo obtenidos por linearización
P0: Biomasa en el tiempo cero.
La función lineal quedo definida como:
Y = 0,000x + 0,081 (R2 = 0,729)
Tomando los valores de a y b de la función lineal siendo a = 0,081 y b = 0,000, se
definió la función del modelo Logístico. Con los datos observados y estimados se
calculo el error cuadrático medio el cual fue de 22229,81. En el caso del modelo
fabricado por curve expert, las constantes arrojadas fueron las siguientes:
89 Tabla 12. Linearizacion para el modelo Logistico según curve expert periodo de
lluvias.
curve expert a 305,68451 b 13,945704 c 0,0634508 A: peso adulto
B: fuerza genética de aceleración
C: fuerza genética de desaceleración
Con estos valores el cálculo del error cuadrático medio arroja un valor menor y fue
de 21,91
La figura 10 representa un comportamiento inadecuado de la función Logística
original, lo que permite asegurar que este modelo no se ajusta a las necesidades
fisiológicas del desarrollo optimo de la pradera. En el caso de la ecuación del
programa curve expert, se puede ver que ajusta perfectamente al crecimiento
observado
Figura 10. Valores observados vs valores esperados estimados con el modelo
Logístico matematico y mediante curve expert
90 4.5.3. MODELO CACHO
Este modelo contempla una modificación de la función Logística (Cacho, 1993),
quien afirma que tiene tres parámetros y que se puede estimar estadísticamente
de resultados experimentales o en forma algebraica de modelos de simulación
fisiológica (Barrera y Pinilla, 2007).
La función general responde a la siguiente formula:
P (t) = Pmax / (1 + b × tk)
Donde:
Pmax: Máxima producción sustentable de forraje.
b y k: Parámetros del modelo bajo las condiciones de b > 0 y k > -1.
t: Tiempo
Los valores de Pmax, b y k, fueron estimados utilizando el soporte logístico
(software) Curve Expert 1.3 producido por Daniel Hymas (1995, 1997), usando la
función User Defined Model (Barrera y Pinilla, 2007).
Los valores estimados fueron para Pmax = 19692,67; b = 10319,56 y k = -1,1774.
Se observa en la figura 13 un buen ajuste del modelo sigmoideo con relación al
crecimiento evaluado de las praderas. La función matemática aportada por Cacho
(1993) arroja un cuadrático medio bajo.
91 250,00
Biomasa g/MS/m2
200,00
150,00
OBSERVADO
S
100,00
50,00
0,00
0
7
15
22
30
37
44
52
Tiempo (dias)
Figura 11. Valores observados vs valores estimados con el modelo Cacho.
4.6 MODELOS APLICADOS DURANTE EL PERIODO DE SEQUIA
4.6.1 MODELO GOMPERTZ
Todo el proceso matematico de linearizacion del modelo para encontrar los
parámetros y definirlo se encuentra en el anexo E.
La función lineal quedo definida como:
Y = -0,014X + 0,117 (R2 = 0,433)
Tomando de la función lineal, los valores a = 0,117 y b = 0,014, se definió la
función del modelo Gompertz. Con los valores de los datos observados y
esperados se estimo el error cuadrático medio, el cual fue de 213,42. En el caso
de la estimación del error cuadrático medio utilizando la ecuación de curve expert
el error cuadrático fue 198,41 utilizando los siguientes valores
92 Tabla 13. Linearizacion para el modelo de Gompertz según curve expert periodo
de sequia.
curve expert a 5309,725 b 1,7231749 c 0,013241799
A: peso adulto
B: fuerza genética de aceleración
C: fuerza genética de desaceleración
450,00
400,00
350,00
300,00
250,00
200,00
150,00
100,00
50,00
0,00
OBSERVADOS
ESPERADOS
curve expert
1
2
3
4
5
6
7
8
9
Figura 12. Valores observados vs valores esperados estimados con el modelo
Gompertz matematico y de curve expert
4.6.2. MODELO LOGISTICO
La función lineal quedo definida como:
Y = -4E-05X + 0,052 (R = 0,102)
Tomando los valores de a y b de la función lineal siendo a = 0,052 y b = -4E-05, se
definió la función del modelo Logístico. Con los datos observados y estimados se
calculo el error cuadrático medio el cual fue de 5627,90 para el caso del modelo
según curve expert arrojo un error cuadrático de 179.22 utilizando los siguientes
datos:
93 Tabla 14. Linearizacion para el modelo Logistico según curve expert periodo de
Sequia.
curve expert a 804,34672 b 35,014771 c 0,060622136
A: peso adulto
B: fuerza genética de aceleración
C: fuerza genética de desaceleración
La figura 16 representa un comportamiento inadecuado de la función Logística
matematica, lo que permite asegurar que este modelo no se ajusta a las
necesidades fisiológicas del desarrollo optimo de la pradera.
700,00
600,00
500,00
400,00
OBSERVADOS
300,00
ESPERADOS
200,00
curve expert
100,00
0,00
1
2
3
4
5
6
7
8
9
Figura 13. Valores observados vs valores esperados estimados con el modelo
Logistico matematico y de curve expert.
4.6.3. MODELO CACHO
Todo el proceso matematico de linearizacion del modelo para encontrar los
parámetros y definirlo se encuentra en el anexo E.
94 Por este modelo se obtuvo un error cuadratico medio de 418.24, la figura 17
permite concluir que el modelo no se ajusta a el crecimiento observado en las
praderas
Biomasa g/MS/m2
500,00
400,00
300,00
200,00
OBSERVADOS
100,00
ESPERADOS
0,00
1
2
3
4
5
6
7
8
Tiempo (dias)
Figura 14. Valores observados vs valores esperados estimados con el modelo de
Cacho.
4.7 MODELOS APLICADOS EN PRADERAS RENOVADAS
4.7.1. MODELO GOMPERTZ
Todo el proceso matematico de linearizacion del modelo para encontrar los
parámetros y definirlo se encuentra en el anexo F.
La función lineal quedo definida como:
Y = -0,018X + 0,141 (R2 = 0,565)
Tomando de la función lineal, los valores a = 0,141 y b = -0,018, se definió la
función del modelo Gompertz. Con los valores de los datos observados y
esperados se estimo el error cuadrático medio, el cual fue de 510,73. Los
resultados obtenidos mediante la ecuación utilizada por curve expert arroja error
cuadrático medio de 216,49 utilizando los siguientes valores:
95 Tabla 15. Linearizacion para el modelo de Gompertz según curve expert praderas
renovadas.
curve expert a 2141,6085 b 1,5320187 c 0,01928196
A: peso adulto
B: fuerza genética de aceleración
C: fuerza genética de desaceleración
La figura 15 representa los valores de crecimiento de las praderas, ajustando los
fenómenos expresados.
600
500
400
OBSERVADOS
300
ESPERADOS
200
curve expert
100
0
0
7
15 22 30 37 44 52 59
Figura 15. Valores observados vs valores esperados estimados con el modelo
Gompertz matemático y según curve expert.
4.7.2. MODELO LOGISTICO
La función lineal quedo definida como:
Y = -1E-04X + 0,067 (R2 = 0,600)
Tomando los valores de a y b de la función lineal siendo a = 0,067 y b = -1E-04, se
definió la función del modelo Logístico. Con los datos observados y estimados se
96 calculo el error cuadrático medio el cual fue de 2825,47. Con los datos calculados
con curve expert se obtuvo un error cuadrático medio de 177,88 utilizando los
siguientes valores
Tabla 16. Linearizacion para el modelo Logistico según curve expert praderas
renovadas.
curve expert a 731,61376 b 28,137955 c 0,06759593 A: peso adulto
B: fuerza genética de aceleración
C: fuerza genética de desaceleración
La figura 16 representa un comportamiento inadecuado de la función Logística
matematica, lo que permite asegurar que este modelo no se ajusta a las
necesidades fisiológicas del desarrollo optimo de la pradera por el contrario la
ecuación de curve expert presenta un adecuado comportamiento..
600
500
400
OBSERVADOS
300
ESPERADOS
200
curve expert
100
0
0
7
15 22 30 37 44 52 59
Figura 16. Valores observados vs valores esperados estimados con el modelo
Logistico.
97 4.7.3. MODELO CACHO
Todo el proceso matemático de linearización del modelo para encontrar los
parámetros y definirlo se encuentra en el anexo F.
Biomasa g/MS/m2
600
500
400
300
OBSERVADOS
200
ESPERADOS
100
0
7
15 22 30 37 44 52 59
Tiempo (dias)
Figura 17. Valores observados vs valores esperados estimados con el modelo de
Cacho.
4.8 MODELOS APLICADOS EN PRADERAS NO RENOVADAS
4.8.1. MODELO GOMPERTZ
Todo el proceso matemático de linearización del modelo para encontrar los
parámetros y definirlo se encuentra en el anexo G.
La función lineal quedo definida como:
Y = -0,009X + 0,086 (R2 = 0,157)
Tomando de la función lineal, los valores a = 0,086 y b = -0,009, se definió la
función del modelo Gompertz. Con los valores de los datos observados y
esperados se estimo el error cuadrático medio, el cual fue de 10027,72. En el caso
de la ecuación del programa curve expert el error cuadrático medio fue de 194,91
utilizando los siguientes valores
98 Tabla 17. Linearizacion para el modelo de Gompertz según curve expert praderas
no renovadas.
a = b = c = curve expert 8787,1683
1,8726154
0,0115437
A: peso adulto
B: fuerza genética de aceleración
C: fuerza genética de desaceleración
En la figura 18 Se observa que el modelo matematico de gompertz no se ajusta
adecuadamente a la curva de crecimiento de la pradera, lo cual si ocurre con el
modelo modificado con curve expert
400
350
300
250
OBSERVADOS
200
150
ESPERADOS
100
curve expert
50
0
0
7
15 22 30 37 44 52 59
Figura 18. Valores observados vs valores esperados estimados con el modelo
Gompertz matematico y de curve expert.
4.8.2. MODELO LOGISTICO
La función lineal quedo definida como:
Y = -9E-05X + 0,056 (R2 = 0,268)
Tomando los valores de a y b de la función lineal siendo a = 0,056 y b = -9E-05, se
definió la función del modelo Logístico. Con los datos observados y estimados se
99 calculo el error cuadrático medio el cual fue de 27012,67. Para el caso de el
modelo contenido en curve expert, el error cuadrático medio fue de 157,97 con los
siguientes datos
Tabla 18. Linearizacion para el modelo Logistico según curve expert praderas no
renovadas.
curve expert a = 2140,8362 b = 107,47855 c = 0,050573084 A: peso adulto
B: fuerza genética de aceleración
C: fuerza genética de desaceleración
La figura 19 representa un comportamiento inadecuado de la función Logística, lo
que permite asegurar que este modelo no se ajusta a las necesidades fisiológicas
del desarrollo optimo de la pradera.
400
350
300
250
OBSERVADOS
200
ESPERADOS
150
curve expert
100
50
0
0
7
15 22 30 37 44 52 59
Figura 19. Valores observados vs valores esperados estimados con el modelo
Logistico matematico y de curve expert.
100 Biomsa g/MS/m2
4.8.3. MODELO CACHO
400
350
300
250
200
150
100
50
0
OBSERVADOS
ESPERADOS
7
15 22 30 37 44 52 59
Tiempo (dias)
Figura 20. Valores observados vs valores esperados estimados con el modelo
Cacho.
4.9. SELECCIÓN DEL MODELO
La selección del modelo se realizó con base en el menor promedio del error
cuadrático medio, lo cual se resume en la tabla 19.
Tabla19. Definición del modelo por error cuadrático medio
Gompertz Gompertz logistic logistic curve matematico curve expert matematico
expert Lluvia 82,08 16,03 27986,18 21,91 Sequia 213,42 198,41 5627,90 179,22 renovado 510,73 278,34 2825,47 228,70 no renovado 10027,72 194,91 27012,67 157,97 promedio 2708,49 171,92 15863,06 146,95 cacho 31,32 418,24 80593,65 31863.04 27014,40 En la tabla 19 se nota que en general los modelos modificados por curve expert
tienen un menor error cuadrático medio, siendo el de mayor aproximación a los
datos reales el modelo logístico. La desviación de los datos calculados por los
101 métodos matemáticos se atribuye a que los periodos de muestreo no se hicieron a
distancias similares de tiempo, generando esto un error en la derivada que es
tomada como una variable a calcularse por todos los modelos. Los diseños de
curve expert corrigen este problema generando curvas de crecimiento muy
parecidas a los datos obtenidos en campo.
Según los resultados obtenidos en la evaluación de los modelos sigmoidales
durante los periodos de lluvias y sequia y manejos de renovación y no renovación
de praderas, se seleccionó el modelo matemático de Gompertz aplicado al periodo
de sequia, siendo este de mayor ajuste y mejor interpretación de los procesos
fisiológicos de las praderas, teniendo en cuenta las adversidades climáticas como
precipitaciones elevadas e inundaciones que pudieron generar un detrimento en el
desarrollo de las praderas evaluadas, no se hizo parametrizacion de los demás
periodos de muestreo ni tratamientos, puesto que los errores cuadráticos y la
desviación de las curvas esperadas y observadas eran demasiado grandes como
para que tuviesen algún valor de correlacion. se puede también explicar el pobre
desempeño de los modelos por la mezcla de forrajes y el crecimiento acelerado de
arvenses que se vieron favorecidas por las condiciones climaticas.
4.9.1. Definición de puntos críticos
La función de crecimiento representada para el caso de las praderas en estudio
por un modelo sigmoideo, está definida por varios puntos críticos. De acuerdo con
(Serrano, 2000) los principales puntos críticos del modelo Gompertz son el punto
de inflexión, el peso adulto y el valor delta.
Gille, (2007) señala que en las funciones sigmoideas, la primera porción de la
curva en general corresponde a un crecimiento exponencial, igualmente, anota
que existe un periodo final de esta porción exponencial en la cual la tasa de
crecimiento es máxima; posterior a esta última, la función se expresa con una
disminución en la tasa de crecimiento. El punto de cambio de máxima tasa de
102 crecimiento a disminución en la tasa de crecimiento se le conoce como punto de
inflexión. Desde otra perspectiva el punto de inflexión es el momento y peso en el
cual la curva deja de ser cóncava y pasa a ser convexa.
El peso adulto en los modelos de crecimiento corresponde al peso en g o Kg en el
cual un ser vivo deja de crecer. Para el caso del crecimiento de las praderas
Cacho (1993) lo define como punto de máxima producción sustentable de biomasa
en el pasto, que fisiológicamente corresponde al punto en que el desarrollo de
nuevos rebrotes de la planta se equilibran con la cantidad de hojas que han
llegado a la secuencia haciendo que la capacidad fotosintética sea mínima y por lo
tanto la planta deje de crecer.
El valor de Y max en la función de Gompertz se puede calcular con la fórmula:
Y max = exp (a/b)
Para el caso de las praderas evaluadas correspondió a un valor de 339,87 g/m2.
Para establecer la edad al punto de inflexión en el modelo Gompertz fue necesario
calcular y graficar la primera derivada de la función. En términos prácticos esta
última corresponde a la tasa de crecimiento del pasto en g/m2/día.
La derivada de la función Gompertz responde a la forma general:
dP/dt = P(a-b LnP)
103 6,00
5,00
dP/dt
4,00
3,00
2,00
1,00
0,00
0,00
100,00
200,00
300,00
400,00
Tiempo (dias)
Figura 21. Derivada (dP/dt) vs biomasa (g).
La figura 21 presenta la gráfica correspondiente a la primera derivada de la
función Gompertz vs la biomasa. Si f está dentro de los reales y es una función
definida dentro de un conjunto factible, el punto en donde la primera derivada es
igual a cero, debe ser un punto máximo o un punto mínimo, (Restrepo, 2007).
Para el caso actual corresponde al valor de la tasa máxima de crecimiento, es
decir el momento en el cual se alcanza la mayor la producción sustentable de
biomasa en g/m2/día de acuerdo a lo expresado por Cacho, (1993).
La tabla 23 muestra los valores de la tasa de crecimiento diario calculados a
través de la primera derivada. Se puede observar que los valores de la derivada
se encontraban en aumento hasta el día 33, momento en que ocurre el punto de
inflexión y la derivada inicia su descenso a partir del día 34. De esta forma se pudo
definir que la edad al punto de inflexión fue 33 días.
104 Tabla 20. Valores calculados de la primera derivada y porcentaje de madurez
entre los días 28 y 42 del crecimiento de las praderas.
Edad
(días)
Peso (g) dP/dt % madurez
28
103,79
4,31
30,54
29
108,11
4,33
31,81
30
112,45
4,35
33,09
31
116,81
4,37
34,37
32
121,18
4,37
35,66
33
125,56
4,38
36,94
34
129,94
4,37
38,23
35
134,30
4,36
39,52
36
138,66
4,35
40,80
37
143,00
4,33
42,08
38
147,33
4,31
43,35
39
151,62
4,28
44,61
40
155,89
4,25
45,87
41
160,13
4,22
47,11
42
164,33
4,18
48,35
De la misma manera se pudo definir cual fue la cantidad de biomasa en la cual
ocurrió el punto de inflexión, conocida como peso al punto de inflexión (PPI), el
cual para el caso de las praderas en estudio correspondió a un valor de 125,56 g.
El valor exacto del PPI se pudo calcular con la fórmula:
PPI = Peso adulto / e
Donde:
PPI = Peso al punto de inflexión.
e = Número neperiano o eureliano.
105 El resultado final para el PPI para los pastos fue de 125,03 g. El valor de la tasa
máxima de crecimiento TMC se pudo estimar al observar en los datos calculados
el mayor valor derivado en la tabla 23, que correspondió a 4,38 g/m2/día; después
de este valor se observa que la derivada inicia el descenso.
Según lo reportado por Talero y Afanador, (2004), los modelos de crecimiento
Logístico y Gompertz tienen puntos de inflexión fijos con respecto a la madurez
fisiológica. La madurez se calcula con la fórmula
% de madurez = (P (t) / Y max) × 100
Donde:
P (t) = Peso en el cual se desea calcular su madurez
Y max = Peso adulto
Para el caso de Gompertz el punto de inflexión ocurre cerca del 36.94 % del peso
adulto, es decir de la madurez, (Gille, 2004). Esta situación se pudo verificar con
los cálculos presentados en la tabla 23.
En el modelo logístico el punto de inflexión ocurre siempre en el 50% de la
madurez. Las diferencias en el momento en que ocurre el punto de inflexión entre
las funciones Gompertz y Logística marca la diferencia fundamental de cual
modelo ajusta mejor para determinadas especies o condiciones de crecimiento de
evaluación. Por tanto, se puede reconocer que el modelo que mejor puede ajustar
dependerá de la precocidad de la especie o variedad y de las condiciones
ambientales en las que se verifica el crecimiento.
El valor delta en el cual fisiológicamente marca la finalización del periodo de
estructuración biológica y metabólica de un ser vivo, fue calculado al trazar una
línea tangente al punto de inflexión y calcular el valor en que esta línea tangente
106 atraviesa el eje X. La figura 22 presenta la línea tangente y la ubicación del punto
delta.
1450,00
1350,00
1250,00
1150,00
1050,00
950,00
850,00
750,00
650,00
550,00
450,00
350,00
250,00
150,00
50,00
‐50,00
0
50
100
BIOMASA
150 TANGENTE
200
250
300
Figura 22. Línea tangente al punto de inflexión y valor del punto delta.
El punto delta se calculó con la fórmula:
Delta = -Intercepto / Pendiente
Para calcular el intercepto de la línea tangente (LT) se utilizó la fórmula:
Intercepto LT = PPI - (EPI × TMC)
Intercepto LT = - 19,38
Pendiente: La inclinación en la línea tangente es igual a la TMC por que en el
punto de inflexión la derivada de la línea tangente es igual a la derivada de la línea
de crecimiento.
107 Delta = 4,43 días
Fisiológicamente significa que en promedio el pasto terminó su estructuración
biológica y metabólica el día 4.
4.10. APLICACIONES PRÁCTICAS
El modelo definió los valores o puntos críticos, de los cuales se puede generar
información precisa sobre el manejo adecuado en términos de producción de
biomasa sobre las praderas del CIC Santa María.
Debido a las inclemencias climáticas que se presentaron durante los periodos de
muestreo,
lluvias
fuertes
y
frecuentes,
que
posteriormente
produjeron
inundaciones en las praderas, disminuyendo así la producción de materia verde o
forraje, igualmente alterando los valores de materia seca, por la excesiva
humedad y reacción adversa de las especies forrajeras establecidas; los valores
encontrados
en
la
definición
del
modelo
sigmoideo
de
Gompertz
no
correspondieron a los esperados en este trabajo,
El periodo de recuperación y de oferta forrajera a los animales del CIC Santa
María es de 60 días. Según Bernal (2004) la edad adecuada para pastorear una
pradera establecida en su mayoría con pasto kikuyo es de 63 días, edad en la cual
el material vegetal termina su proceso de estructuración ofreciendo una
producción optima de forraje en términos de biomasa.
Con el modelo se puede predecir día por día la cantidad de biomasa disponible en
el sistema, de tal forma que se puede definir en forma dinámica la capacidad de
carga en cada potrero (Kg de peso vivo / hectárea) mejorando la eficiencia de uso
de las pasturas.
Conociendo la cantidad de biomasa diaria real g/m2 en el potrero durante todo el
periodo de recuperación, al igual que la cantidad de biomasa generada
108 diariamente (g/m2/día) se puede implementar un sistema de fertilización o
renovación de praderas bajo el concepto de agricultura de precisión en donde los
valores citados anteriormente calculen las cantidades de fertilizantes necesarias y
el momento óptimo de aplicación con el fin de evitar excesos en el uso de estos
últimos, los cuales causan aumento en los costos de mantenimiento ambiental
principalmente por excesos de fósforos y nitrógenos en suelos y aguas.
4.11. OTROS MODELOS
Se evaluaron los modelos sigmoideos (Gompertz, Logístico y Cacho) para el
periodo de lluvias, praderas renovadas y no renovadas, los cuales arrojaron datos
inadecuados debido a las condiciones adversas que se presentaron durante el
periodo de muestreo.
4.12. FRACCIONAMIENTO DE CARBOHIDRATOS Y PROTEINAS
Para el desarrollo del modelo estadístico, fue necesario utilizar el software
estadístico SAS, el cual nos permitió establecer las diferencias significativas de
forma dinámica, interactuando las diferentes edades de corte con los manejos de
renovación y no renovación de praderas.
A la vez se estableció un modelo
matematico de optimización que nos permitia comparar las diferencias y conocer
mediante ecuaciones en que valor cuantitativo en que afectaba la calidad
nutricional de la pradera por la toma de alguna decisión sobre edad de corte o a la
renovación de los potreros. En el anexo H, se encuentra el flujograma de proceso
para la determinación de las fracciones de carbohidratos y proteínas según Licitra
(1996).
Los valores obtenidos del fraccionamiento de carbohidratos y proteínas fueron
organizados por edad de rebrote y pradera evaluados. Para el ingreso de los datos
al software SAS, fue necesario estructurar una tabla con información del nivel de
109 clase, la cual estableció nombres estadísticos específicos para las variables
evaluadas.
Tabla 21. Información del nivel de clase (SAS).
FORMACION DEL NIVEL DE CLASE
Clase
Niveles
Valores
Edad
3
1, 2, 3
45, 52, 59
Manejo
2
1, 2
Renovados, No Renovados
Observaciones
18
4.12.1. Interaccion edad de rebrote y manejo de praderas.
En la tabla 25 se muestran los valores promedios del fraccionamiento de
carbohidratos y proteínas interactuando las tres edades de rebrote y los dos
tratamientos evaluados. Se presentaron diferencias significativas (P < 0,05) en las
fracciones de FDN y Hemicelulosa.
Tabla 22. Valores promedio de las fracciones de carbohidratos y proteínas.
EDAD / MANEJO
FRACCION
45 d*r
45 d*nr
52 d*r
52 d*nr
59 d*r
59 d*nr
PROBABILIDAD
Pc
21,76±0,33
17,41±0,39
18,91±0,96
16,04±0,11
17,89±0,40
15,40±0,04
0.1634
0,015±0,001 0,013±0,001 0,017±0,002 0,014±0,001 0,014±0,001 0,011±0,001
0.8839
P B1
38,29±1,36
37,07±0,77
37,89±1,12
40,20±0,66
38,89±2,38
46,22±3,20
0.1043
P B2
23,13±0,38
29,2±2,35
21,81±0,35
27,09±1,81
20,64±0,44
25,05±3,30
0.9038
P B3
20,98±0,87
29,72±0,68
24,15±0,98
20,44±0,78
24,32±3,02
18,02±2,02
0.1493
PC
17,56±1,97
12,98±2,04
16,11±1,85
12,24±2,86
16,11±3,15
10,67±2,02
0.9472
FDN
63,67±0,60
66,8±0,85
63,71±0,79
60,94±0,58
60,19±1,82
56,77±1,42
0.0226
FDA
30,2±1,01
32,34±0,67
33,21±0,48
33,04±0,13
31,97±1,43
33,35±0,42
0.3768
LIGNINA
3,07±0,51
3,54±1,17
4,05±0,58
2,24±0,60
4,14±0,82
3,97±2,05
0.5788
CELULOSA
7,84±0,86
7,3±1,47
10,87±0,72
8,99±0,55
10,82±0,28
11,87±1,32
0.3442
H/LOSA
33,46±0,79
34,46±0,62
30,5±1,32
27,90±0,85
28,22±0,44
23,41±1,00
0.0131
SILICE
0,12±0,06
0,97±0,30
0,15±0,03
0,62±0,09
0,06±0,01
0,96±0,10
0.2801
P A (NNP)
d: días de crecimiento
r: potrero renovado
nr potrero no renovado
110 Los valores obtenidos del fraccionamiento de carbohidratos y proteínas en este
estudio no pueden ser comparados con la biblioteca de forrajes del CNCPS,
debido a que este no determina ni evalúa el pasto kikuyo.
FDN (Fibra Detergente Neutro)
Datos no publicados por Corpoica (Tibaitatá), reportan 59% de FDN con un
promedio de 65 muestras en pasto kikuyo y Bernal (2004) reporta 57,48% de FDN
en praderas establecidas con pasto kikuyo con 60 días de recuperación. No se
encontraron datos específicos del contenido de FDN en praderas renovadas y no
renovadas.
El crecimiento máximo microbiano tiene lugar generalmente a un pH entre 6,5 –
6,8 que se mantiene estable gracias a la capacidad tampón de la saliva, cuya
secreción es estimulada por la ingestión de fibra que favorece la masticación y la
rumia.
En dietas ricas en carbohidratos fermentables, la ingestión de fibra puede resultar
insuficiente para tamponar la masiva producción de ácidos grasos volátiles y el pH
desciende por debajo de 6,0 – 6,2, inhibiendo el crecimiento microbiano,
especialmente la flora celulolítica, probablemente debido al gasto extra de energía
para adaptarse a las condiciones de un bajo pH ruminal.
El CNCPS tiene en cuenta este efecto, corrigiendo la eficiencia de síntesis
microbiana en función del contenido en FDN de la dieta, como índice del pH
ruminal. Se estima que es necesario un contenido mínimo de FDN del 20% para
evitar depresiones microbianas en un 2,5% por cada unidad porcentual de
disminución en el contenido en el FDN (Guada, 1996).
HEMICELULOSA
Esta porción de los forrajes, no es tenida en cuenta por el CNCPS, por lo tanto no
la determinan.
111 Bernal (2004), reporta valores de hemicelulosa de 24,78% en praderas
establecidas con pasto kikuyo con una edad de rebrote de 60 días.
De acuerdo a lo reportado por Estrada (2001), la lignina por estar ligada
químicamente a la hemicelulosa y celulosa, reduce significativamente la
digestibilidad de estas.
70
60
50
45 DIAS RENOVADO
40
45 DIAS NO RENOVADO
30
52 DIAS RENOVADO
20
52 DIAS NO RENOVADO
10
59 DIAS RENOVADO
SILICE
H/LOSA
LIGNINA
CELULOSA
FDA
P C
FDN
P B3
P B2
P B1
P A NNP
PC
0
59 DIAS NO RENOVADO
Figura 23. Promedios estadísticos de la interacción edad de rebrote y manejo de
praderas
El software SAS, permite obtener estos resultados de tratamientos con interacción
entre ellos y también por tratamientos individuales.
4.12.2. EDAD DE REBROTE.
Los resultados del diseño estadístico tomando únicamente la edad de rebrote de
las praderas, arrojaron diferencias significativas (P < 0,05) en las fracciones de
Proteína cruda (Pc), Fibra Detergente Neutro (FDN), Celulosa y Hemicelulosa.
112 Tabla 23. Valores promedio de las fracciones de carbohidratos y proteínas según
la edad de rebrote.
EDAD
FRACCION
45
52
59
PROBABILIDAD
PC
19,58±1,00
17,45±0,77
16,65±0,58
0.0002
P A NNP
0,014±0,0004 0,015±0,0008 0,012±0,0008
0.0706
P B1
31,68±0,76
39,05±0,77
42,56±2,42
0.0536
P B2
26,17±1,72
24,45±1,44
22,85±1,78
0.2355
P B3
20,85±0,49
22,29±1,00
21,17±1,96
0.5854
PC
15,27±1,62
14,17±1,75
13,39±2,06
0.7339
FDN
65,24±0,84
62,33±0,75
58,48±1,28
0.0002
FDA
31,27±0,72
33,13±0,22
32,66±0,73
0.0975
LIGNINA
3,30±0,57
3,14±1,38
4,05±0,98
0.6842
CELULOSA
7,57±0,76
9,93±0,58
11,35±0,64
0.0066
H/LOSA
33,96±0,49
29,20±0,83
25,83±1,17
<.0001
SILICE
0,55±0,23
0,38±0,11
0,51±0,20
0.5040
70
60
50
40
30
20
10
0
45
52
59
Figura 24. Promedios estadísticos según la edad de rebrote.
113 PROTEINA CRUDA (Pc)
Esta fracción de nitrógeno total presenta una esperada disminución con relación a
la edad de rebrote, siendo un comportamiento indirectamente proporcional; es
decir, la calidad nutricional (en este caso la Pc) disminuye al aumentar el tiempo
de desarrollo del pasto.
Según Corpoica (datos no publicados), con un promedio de 62 muestras de pasto
kikuyo, se encontró una proteína cruda de 15,39%, siendo este valor menor a los
determinados en este estudio.
La determinación de la proteína cruda (Pc), para efectos de simulación animal en
el CNCPS v 6.1, no es relevante, ya que este aplica el fraccionamiento del
nitrógeno total dependiendo de la velocidad de degradación de cada una de las
fracciones.
CELULOSA
Al igual que la hemicelulosa, la celulosa esta químicamente ligada a la lignina
haciendo parte de la composición estructural de la pared celular de las plantas, es
claro, que con un mayor desarrollo de la planta aumente la cantidad de esta
fracción, haciendo de este un forraje poco digestible por los rumiantes.
4.12.3. PRADERAS RENOVADAS Y NO RENOVADAS
Los resultados presentaron diferencias significativas (P < 0,05) en las fracciones
de Proteína Cruda (Pc), Proteína A (NNP), Proteína B2, Proteína B3, Proteína C,
Hemicelulosa y Sílice.
114 Tabla 24. Valores promedio de las fracciones de carbohidratos y proteínas según
el manejo de las praderas.
MANEJO
FRACCION RENOVADAS NO RENOVADAS PROBABILIDAD
PC
19,52±0,66
16,28±0,31
<.0001
P A NNP
0,015±0,0006
0,013±0,0006
0.0193
P B1
38,36±0,86
41,16±1,65
0.0854
P B2
21,86±0,41
27,12±1,41
0.0043
P B3
23,15±1,09
19,73±0,55
0.0126
PC
16,59±1,22
11,96±1,21
0.0340
FDN
62,52±0,83
61,51±1,54
0.2835
FDA
31,79±0,81
32,91±0,27
0.1163
LIGNINA
3,75±0,036
3,25±0,75
0.5860
CELULOSA
9,84±0,6
9,39±0,89
0.5744
H/LOSA
30,73±0,98
28,59±1,49
0.0078
SILICE
0,11±0,02
0,85±0,11
<.0001
70
60
50
40
30
renovados
20
no renovados
10
SILICE
H/LOSA
CELULOSA
LIGNINA
FDA
FDN
P C
P B3
P B2
P B1
P A NNP
PC
0
Figura 25. Promedios estadísticos según el manejo de las praderas.
115 PROTEINA A (NNP)
Esta fracción, también conocida como Nitrógeno No Proteico (NNP), representa un
porcentaje menor comparada con las demás fracciones de nitrógeno.
Datos no publicados (Corpoica, Tibaitatá), encontraron una valor de NNP en 23
muestras de pasto kikuyo de 5,81, siendo este valor mas alto que el obtenido en
este estudio pudiéndose presentar errores en la determinación en el laboratorio.
Las praderas renovadas arrojan mayor presencia de esta fracción, debido a la
inclusión de mayor oferta de nitrógeno en las praderas, como lo son las
leguminosas, en este caso el trébol rojo.
PROTEINA B2
Constituida por proteína verdadera soluble de degradación intermedia en el
rumen.
PROTEINA B3
De degradación lenta y también conocida como Nitrógeno Insoluble en Detergente
Neutro (NDIN). Según Lagunez (1999) un aumento en la fracción NDIN puede
reducir notablemente la disponibilidad de PM para la producción de leche.
los valores de esta fracción deben estar correlacionados con la energía
metabolizable disponible para la producción de leche, parámetro que se afecta
notoriamente por la presencia de lignina. Altos niveles de lignina disminuyen la
disponibilidad de carbohidratos estructurales y por ende disminuye la energía
metabolizable para la producción de leche. (Barrera y Pinilla, 2007)
Datos no publicados por Corpoica (Tibaitatá) de NDIN es de 24,74% con una
promedio de 22 muestras de pasto kikuyo, datos superiores a los encontrados en
este estudio.
116 PROTEINA C
Es la fracción que se considera no degradable en el rumen como en el intestino
(Barrera y Pinilla, 2007) y se conoce también como Nitrógeno Insoluble en
Detergente Acido (ADIN).
Chamorro (2006), reporta valores hasta de 10,28% de esta fracción en pasto
kikuyo en la Sabana de Bogotá. Lagunez et al (1999) reporta valores de la fracción
C en 15 pastos tropicales desde 3.5 hasta 8.6%.
Corpoica (Tibaitatá), datos no publicados, reporta valores de 7,16% con 21
muestras promedio.
4.13. INTERPRETACION DEL MODELO ESTADISTICO.
La utilización del software SAS, permite obtener información de manera clara y
precisa, para efecto del estudio realizado a las praderas del CIC Santa María, se
puede evidenciar que los contenidos de Fibra Detergente Neutro (FDN)
encontrados en las praderas con 52 días de recuperación presentan valores de 63
y 60% con manejos de renovación y no renovación respectivamente, valores que
según la literatura se encuentran dentro del rango optimo para ser ofrecido. Con
relación a las otras edades de 45 y 59 días de recuperación, los valores aumentan
para la primera con 63% y 66% de FDN con manejo de renovación y no
renovación respectivamente, y disminuyen en la segunda con valores de 60% y
56% de FDN con manejo de renovación y no renovación de praderas
respectivamente.
117 40
35
30
25
20
RENOVADOS
15
NO RENOVADOS
10
5
0
45
52
59
Figura 25. Interacción Hemicelulosa
68
66
64
62
60
58
56
54
52
50
renovados
no renovados
45
52
59
Figura 26. Interacción FDN
Las figuras 25 y 26 representan los resultados de la interacción de las fracciones
de FDN y Hemicelulosa basados en la edad de recuperación y los manejos
diferenciales de renovación y no renovación de praderas.
La tendencia es clara y fisiológicamente adecuada, a medida que aumenta el
desarrollo de la pradera (días de recuperación), los aportes nutricionales de esta
disminuyen de forma proporcional.
118 4.14. MODELO DE OPTIMIZACION DE LA ALIMENTACION
El modelo de optimización se aplico con el fin de comparar las diferencias
obtenidas en el modelo factorial y tener un dato cuantitativo de estas diferencias
para permitir una adecuada toma de decisiones en el manejo de los potreros. Los
datos calculados son los que presentan diferencias significativas en alguno de los
tratamientos o en la interacción de los mismos.
En la tabla 25 se muestran las ecuaciones que señalan el efecto del la edad de
corte y el tratamiento de renovación sobre el promedio de las variables evaluadas.
El modelo de optimización se utilizo para todas las variables que mostraron alguna
diferencia significativa por cualquiera de los tratamientos.
Tabla 25. Ecuaciones obtenidas con el modelo de optimización
PERIODO
PC
FDN
CELULOSA
H/LOSA
PA NNP
PB 2
PB 3
PC
SILICE
ecuación
s
45-52
Y=18,54 - 1,05*A + 1,8*Bs - 0,37*ABns
45-59
Y=18,12 - 1,47*As + 1,71*Bs - 0,47*ABs
45-52
Y=63,79 - 1,45*As -0,09*Bns + 1,48*ABs
45-59
Y=61,86 - 3,38*As + 0,07*Bns + 1,64*ABs
45-52
Y=8,76 + 1,38*As + 0,61*Bns + 0,33*ABns
45-59
Y=9,46 + 1,89*As - 0,13*Bns - 0,40*ABns
45-52
Y=31,58 - 2.38*As + 0,40*Bns + 0,90*ABns
45-59
Y=29,89 - 4,07*As + 0,95*Bs + 1,45*ABs
45-52
45-59
45-52
45-59
45-52
45-59
45-52
45-59
45-52
45-59
Y=0,02 +0,0006*Ans + 0,0011*Bns + 0,0002*ABns
Y=0,01 - 0,0008*Ans + 0,0012*Bs + 0,0003*ABns
Y=25,31 - 0,86*Ans -2,84*Bs + 0,20*ABns
Y=24,51 - 1,66*As -2,62*Bs + 0,41*ABns
Y=21,58 + 0,72*Ans + 0,99*Bs + 0,86 *ABs
Y=21,02 + 0,16*Ans + 1,64 *Bns + 1,51*ABns
Y=14,73 - 0,55*Ans + 2,11*Bns - 0,18*ABns
Y=14,33 - 0,94*Ans + 2,50*Bns + 0,21*ABns
Y=0,47 - 0,08*Ans - 0,33*Bs + 0,09*ABns
Y=0,53 - 0,02 *Ans - 0,44 *Bs - 0,02 *ABns
Y=variable evaluada
A= efecto atribuido a la diferencia en la edad de corte
B: efecto atribuido a el tratamiento de renovación
AB: efecto atribuido a la interacción entre edad y tratamiento de renovación
Ns: no hay diferencia significativa
S:diferencia significativa
119 La tabla 26 muestra los niveles de significancia del efecto de alguna modificación
en la edad de corte o el tratamiento de renovación para las praderas obre el valor
critico de T
Tabla 26. Niveles de significancia sobre el valos critico de t
PERIODO
PC
FDN
CELULOSA
H/LOSA
PA NNP
PB 2
PB 3
PC
SILICE
tA
tB
s
tAB
s
-1,34ns
45-52
-3,82
45-59
-9,00s
10,48s
-2,86s
45-52
-4,05s
-0,26ns
4,11s
45-59
-5,32s
0,11ns
2,59s
45-52
2,45s
1,25ns
0,69ns
45-59
3,47s
-0,24ns
-0,74ns
45-52
-5,65s
0,95ns
2,13ns
45-59
-10,95s
2,56s
3,90s
45-52
45-59
45-52
45-59
45-52
45-59
45-52
45-59
45-52
45-59
1,06ns
-1,75ns
-1,14ns
-1,62s
1,72ns
0,20ns
-0,49ns
-0,80ns
-0,98ns
-0,20ns
1,83ns
2,66s
-3,76s
-2,56s
2,37s
2,00ns
1,90ns
2,13ns
-4,06s
-5,36s
0,25ns
0,61ns
0,26ns
0,40ns
2,06s
1,84ns
-0,16ns
0,18ns
1,14ns
-0,19ns
t critico
2,306
6,55
tA: valor critico de la diferencia de edad
tB: valor critico del tratamiento de renovación
tAB: valor critico de la interaccion de edad y el tratamiento de renovación
s: diferencia significativa
ns: no hay diferencia significativa
120 4.14.1 APLICACIONES PRACTICAS DE LA OPTIMIZACION
Los datos contenidos en las tablas 25 y 26 Permiten cuantificar la viariacion que
se obtendrá en tanto a los componentes nutricionales de las pasturas del CIC
Santa María, al modificar la edad de corte y el manejo de la pradera,
adicionalmente mide el efecto que tendrá la interaccion entre estas dos variables.
Con estos datos se permite una adecuada toma de desiciones, para asi mejorar
los índices productivos de la finca y la eficiencia en la utilización de los recursos
disponibles para la alimentación animal.
4.15. DEGRADABILIDAD RUMINAL (in sacco)
El objetivo de la aplicación de degradabilidad ruminal (in sacco) fue el de estimar
el tiempo de retención del contenido digestivo ruminal o tasa fraccional de transito
(kp) y el ritmo de degradación (kd). Así mismo, mediante la sustracción de curvas
de las fracciones evaluadas de MS, FDN y RIE determinar los contenidos de las
fracciones de carbohidratos A, B1, B2 y C y la velocidad de degradación
específica necesaria para la simulación de la respuesta animal.
Para el desarrollo de este proyecto, fue necesario ajustar la degradabilidad
aparente obtenida directamente de los resultados de campo realizados en las
instalaciones de la UDCA, utilizando el software NEWAY FIT CURVE (aplicación
de Excel) el cual determina la degradabilidad efectiva mediante la ecuación
propuesta por Ørskov (1988) así:
Y = a + b (1 – e –ct)
Donde:
Y: Porcentaje de degradación acumulada en el tiempo (t).
a: Intercepto de la curva de degradación cuando t = 0 (Degradación inicial).
121 b: Fracción degradada por acción de los microorganismos.
c: Tasa de degradación, horas.
t: Tiempo de incubación en el rumen, horas.
e: Base de los logaritmos naturales.
En las tablas 27 y 28 se muestran los valores observados vs los valores ajustados
de la degradabilidad ruminal (in sacco) utilizando la aplicación FIT CURVE en
cinco tiempos de incubación.
Tabla 27. Resultados de degradabilidad (in sacco) en praderas no renovadas.
MS
FDN
RIE
Tiempo Observados Ajustados Observados Ajustados Observados Ajustados
45 DIAS
0
33,44
34,0
4,3
5,5
6,8
7,5
6
46,86
42,8
12,89
11,9
10,7
9,7
24
59,31
58,5
28,33
26,3
14,23
14,4
48
71,18
74,2
34,12
37,9
17,48
18,0
72
87,06
85,6
46,13
44,3
20,19
19,8
52 DIAS
0
31,89
33,6
10,7
10,1
10,15
11,9
6
45,75
42,9
14,23
15,7
19,44
16,8
24
59,51
60,7
31
29,3
25,6
26,1
48
70,81
71,6
40,3
41,8
29,87
31,8
72
76,89
76,0
50,6
50,0
35,45
34,0
59 DIAS
0
29,27
29,3
19,56
21,0
11,3
12,4
6
34,75
34,4
28,24
26,4
17,75
16,3
24
46,74
47,7
39,6
39,2
24,6
24,4
48
62,46
61,4
48,47
50,1
28,56
30,2
72
71,18
71,6
57,54
56,6
33,9
32,9
122 En el trabajo experimental realizado por Barrera y Pinilla (2007) se encontró en
una mezcla de dos variedades de pasto raigrass (aubade y bóxer) una
degradabilidad de materia seca (MS) de mas del 50% en un tiempo de incubación
de cero horas. Para este estudio en praderas no renovadas, se encontró, para la
misma fracción, una degradabilidad mínima de 33,44% en cero horas y máxima de
87,06% en 72 horas de incubación, mostrando un incremento proporcional al
desarrollo en días de la pradera. Lo que implica la baja solubilidad de los
componentes de la pradera, involucrando de forma directa la ineficiente utilización
de los componentes de la misma
Tabla 28. Resultados de degradabilidad (in sacco) en praderas renovadas.
MS
FDN
RIE
Tiempo Observados Ajustados Observados Ajustados Observados Ajustados
45 DIAS
0
35,98
36,4
6,1
6,8
8,4
8,4
6
49,24
49,0
15,9
14,9
10,7
10,7
24
71,14
69,1
31
30,8
15,1
15,1
48
71,73
77,6
39,6
40,9
17,9
17,9
72
83,72
79,8
46
45,1
19,1
19,1
52 DIAS
0
34,11
34,7
5,6
5,6
13,2
12,8
6
46,44
45,6
14,8
14,8
16,3
17,0
24
65,05
64,6
31,3
31,3
24,9
24,4
48
71,94
74,1
40,3
40,3
28,2
28,2
72
78,61
77,1
43,4
43,4
29,2
29,4
59 DIAS
0
32,91
34,0
22,7
23,2
11,2
12,4
6
45,25
43,5
28,6
28,1
17,75
15,8
24
61,08
61,5
39,6
39,1
22,92
23,6
48
70,92
72,0
47,1
48,2
29,93
30,2
72
76,88
76,0
53,9
53,3
34,31
34,0
123 La baja solubilidad encontrada en este estudio, se le atribuye a la variedad de
especies forrajeras encontradas durante el periodo de muestreo, entre las cuales
se encontraron, en su mayoría kikuyo, seguido en orden de menor presencia
raigrass y trébol rojo. Adicionalmente, las inclemencias climáticas y la poca
capacidad de drenaje del terreno, favorecieron el crecimiento de algunas especies
de arvenses que poblaron gran parte de las praderas. Que por la diferente
composición y comportamiento de crecimiento de todas y cada una de ellas
podrían modificar notoriamente los resultados obtenidos. En el anexo I, se
encuentra los resultados de la degradabilidad ruminal empleando el software
NEWAY.
4.16. FRACCIONAMIENTO DE CARBOHIDRATOS
Según Doane et al (1998) la estimación de las fracciones A y B1 se hizo mediante
diferencia de curvas tomando los porcentajes de degradación ajustados obtenidos
en los análisis de MS, FDN y RIE. Cuando se determinan las fracciones A y B1 por
diferencia, existen aminoácidos y proteínas contenidos en estas, los cuales si son
fermentados, la degradabilidad aumenta levemente. Cuando la proteína es
fermentada en ausencia de carbohidratos ocurre una máxima desamimación.
FRACCIONES DEGRADADAS (45 DIAS)
Degradacion (%)
100,0
80,0
60,0
40,0
20,0
0,0
0
6
24
Tiempo (horas)
MS
FDN
48
RIE
72
Figura 28. Degradación de MS, FDN y RIE en praderas no renovadas con 45 días
de recuperación.
124 FRACCIONES DEGRADADAS (52 DIAS)
Degradacion (%)
80,0
60,0
40,0
20,0
0,0
0
6
24
Tiempo (horas)
MS
FDN
48
RIE
72
Figura 29. Degradación de MS, FDN y RIE en praderas no renovadas con 52 días
de recuperación.
FRACCIONES DEGRADAS (59 DIAS)
Degradacion (%)
80,0
60,0
40,0
20,0
0,0
0
6
MS
24
Tiempo (horas)
FDN
48
RIE
72
Figura 30. Degradación de MS, FDN y RIE en praderas no renovadas con 59 días
de recuperación.
Las figuras 28, 29 y 30 muestran la tendencia de degradación de las fracciones de
MS, FDN y RIE para las praderas no renovadas, en las cuales se observa una
mayor degradabilidad en la MS con relación a RIE, lo que indica una presencia
absoluta de la fracción A de los carbohidratos.
125 Degradacion (%)
FRACCIONES DEGRADADAS (45 DIAS)
90,0
80,0
70,0
60,0
50,0
40,0
30,0
20,0
10,0
0,0
0
6
24
Tiempo (horas)
MS
FDN
48
72
RIE
Figura 31. Degradación de MS, FDN y RIE en praderas renovadas con 45 días de
recuperación.
Degradacion (%)
FRACCIONES DEGRADADAS (52 DIAS)
90,0
80,0
70,0
60,0
50,0
40,0
30,0
20,0
10,0
0,0
0
6
24
Tiempo (horas)
MS
FDN
48
72
RIE
Figura 32. Degradación de MS, FDN y RIE en praderas renovadas con 52 días de
recuperación.
126 FRACCIONES DEGRADADAS (59 DIAS)
80,0
Degradacion (%)
70,0
60,0
50,0
40,0
30,0
20,0
10,0
0,0
0
6
24
Tiempo (horas)
MS
FDN
48
72
RIE
Figura 33. Degradación de MS, FDN y RIE en praderas renovadas con 59 días de
recuperación.
Según Doane et al (1998), la determinación de las fracciones de carbohidratos se
realiza mediante la sustracción de las curvas de los materiales evaluados.
De esta manera se obtuvieron los valores de cada una de las fracciones de
carbohidratos tomados del tiempo de incubación 0 porque los demás valores
representan la tasa de degradación en cinco tiempos diferentes de las mismas.
Tabla 29. Fraccionamiento de carbohidratos en praderas no renovadas.
PRADERAS NO RENOVADAS
FRACCIONAMIENTO DE CARBOHIDRATOS
Edad (días) Fracción A % Fracción B1 % Fracción B2% Fracción C
45
26,5
2,0
5,5
11,9
52
21,8
1,8
10,1
4,1
59
16,9
0,0
21,0
10,7
127 Tabla 30. Fraccionamiento de carbohidratos en praderas renovadas.
PRADERAS RENOVADAS
FRACCIONAMIENTO DE CARBOHIDRATOS
Edad (días) Fracción A % Fracción B1 % Fracción B2% Fracción C
45
28,0
1,6
6,8
7,2
52
21,9
7,2
5,6
9,2
59
21,5
0,0
23,2
14,1
Las tablas 29 y 30, presentan el fraccionamiento de carbohidratos contenidos en
las praderas con manejo de labranza (renovadas y no renovadas). En general, la
fracción A, correspondiente a los azucares, presentaron un contenido bajo con
relación al estudio realizado por Barrera y Pinilla (2007), disminuyendo su
concentración de manera proporcional a medida que la edad de la pradera
avanza. Para la fracción B1 se presentó un aumento en el tratamiento de praderas
renovadas a la edad de 52 días de recuperación, pero disminuye su concentración
debido a la acelerada degradación de los almidones; entre tanto la fracción B2,
aumenta proporcional al desarrollo de la pradera, lo que indica que la digestibilidad
de la fibra digestible contenida en la pradera del CIC Santa María, podría
aumentar significativamente prolongando su paso o haciendo mas eficiente la
síntesis de bacterias fermentadoras de carbohidratos, esto se logaría con un
perfecto balance entre energía y proteína. La porción no digestible o fracción C de
los carbohidratos presenta una tendencia clara a aumentar su contenido cuando
aumenta la edad de desarrollo de la pradera, tendencia clara, ya que estos
componentes están ligados a la lignina, inhibiendo la digestibilidad de los
componentes estructurales de la planta.
128 4.17. PREDICCION DE LA RESPUESTA ANIMAL
Las simulaciones se corrieron con el software CNCPS (Cornell Net Carbohydrate
and Protein System) versión 6.1, desarrollado por la Universidad de Cornell (Fox
et el, 2000) para la valoración de dietas y predecir el desempeño productivo del
ganado vacuno a partir del contenido de sus ingredientes, bajo unas condiciones
medio ambientales previamente monitoreadas durante los periodos de muestreo y
productivas determinadas. La simulación se realizó con un hato lechero en Sopo
(Cundinamarca) en el CIC Santa María de La Universidad de La Salle.
Para la simulación se tomo el hato del CIC Santa María, con vacas de raza
holstein comercial de 50 meses de edad, vacías, con un peso de 550 kg, en la
tercera lactancia, en el primer y segundo tercio de la lactancia, con una producción
diaria de 17,5 kg/vaca/día, las cuales se encontraban en pastoreo rotacional en
praderas con mejoradas con mezcla de kikuyo, raigrass y trébol rojo y praderas no
mejoradas con pasto kikuyo.
Se tomaron las muestras de los pastos de 59 días de desarrollo de los dos
tratamiento (praderas mejoradas y no mejoradas), las cuales presentaron
significativas en el modelo estadístico en la interacción del manejo realizado y la
edad de recuperación de las praderas, evaluadas en cuanto al fraccionamiento de
proteínas pero con cambios apreciables en los niveles de FDN, se ingresaron los
valores obtenidos del fraccionamiento de carbohidratos y proteínas así como las
tasas de degradación de las fracciones A, B1 y B2 de carbohidratos. Los valores
nutricionales que no se determinaron en este estudio por su complejidad en los
análisis, fueron obtenidos de la base de datos del sistema CNCPS para el pasto
thymoty, ya que este no evalúa en ninguno de sus análisis el pasto kikuyo
(degradabilidad de las fracciones proteicas, disponibilidad de macro y micro
minerales, disponibilidad de aminoácidos y vitaminas).
129 4.18. SIMULACION ANIMAL
Se corrieron simulaciones para la edad de corte de 59 días en los dos tratamiento
(praderas renovadas y no renovadas), por separado y se realizó el análisis de la
dinámica ruminal de acuerdo a las salidas del modelo. Los resultados de la
simulación realizada a las paraderas del CIC Santa Maria usando el CNCPS v 6.1
se encuentran en el anexo J.
Tabla 31. Respuesta productiva del hato del CIC Santa María bajo el modelo
CNCPS
VARIABLE SEGÚN CNCPS
59 DÍAS
59 DÍAS
NO RENOVADOS RENOVADOS
Producción de leche por EM
14,6
21,9
24,6
37,1
Total EM disponible (Mcal/día)
29,74
38,39
MUN (mg/dl)
4,6
12,2
Costo Urea (Mcal/día)
0,36
1,03
pH Ruminal
6,46
6,46
Leche : Alimento
1,21
1,46
N excretado (g)
208
355
P excretado (g)
4,9
10
disponible para leche (Kg/día)
Producción de leche por PM
disponible para leche (Kg/día)
La tabla 31 presenta la simulación realizada a las praderas del CIC Santa María
en praderas con manejo diferencial de renovación y no renovación de praderas, en
la cual se expresa la respuesta fisiológica por parte del animal para cumplir con
sus requerimientos nutricionales de producción y mantenimiento.
130 En la simulación realizada a las praderas no renovadas, se observa un valor de
MUN bajo, el cual afecta de manera importante el proceso metabólico y productivo
de los animales, haciendo ineficiente el contenido de nitrógeno aportado por las
praderas.
La producción de leche predicha, para ambos casos, tomando los valores de EM
son los mas ajustados con la producción real del CIC Santa María, teniendo que
consumir mas en las praderas renovadas para ser convertidas en leche, con una
relación alimento : leche de 1,46.
No se ajustaron suplementos debido a que en las praderas no renovadas la
producción de leche es óptima, teniendo en cuenta el valor bajo de MUN atribuido
al mismo manejo de labranza. Para el caso de las praderas renovadas, el valor de
MUN predicho, se encuentra dentro del rango ideal, es decir; no afecta la
producción ni la reproducción de los animales.
131 4.19. MODELO DE OPTIMIZACION DE LA RESPUESTA ANIMAL
Con el fin de integrar todas las variables que componen el presente trabajo, se
realizo un modelo matematico factorial para evaluar la respuesta animal a los
diferentes tratamientos evaluados en el CIC Santa María, tiempo de recuperación
de las praderas y tipo de manejo de las mismas
El tipo de manejo y la edad óptima de recuperación de una pastura utilizada como
fuente primordial de alimento para la producción
en un sistema de lechería
especializada en trópico Alto Colombiano, regularmente se realiza por métodos
empíricos o por costumbre de los encargados del sistema, lo cual no garantiza la
utilización de la pastura en el mejor momento de su calidad nutricional, de tal
forma que se logre la optimización de la producción de leche. Debido a lo anterior,
se planteo un diseño factorial en el que se evalúa la producción de leche por
hectárea variando la edad de recuperación del pasto y el manejo de los potreros
(renovados y no renovados).
4.19.1. Identificación, respuesta, factores y niveles
Respuesta: Producción de leche en Litros /hectárea
Factores:
a- Edad de recuperación del potrero ( Tiempo transcurrido entre el pastoreo de
un potrero y su próxima utilización)
b- Tipo de manejo (si el potrero fue renovado o no)
Renovación de un potrero: procedimiento por el cual se da aireación del
potrero con un implemento agrícola denominado cincel y se procede a
abonar y encalar.
Niveles:
a. La edad se manejo a tres niveles: A. 45 días B. 52 días y C. 59 días
132 b. El tipo de manejo dos niveles A. No renovado B. Renovado
Clasificar los factores y justificar
A. Edad de recuperación:
En la práctica dependiendo de la cantidad de animales y la capacidad de
recuperación del potrero usualmente se pastorean desde un mínimo de 45
días hasta 59 días, sin que haya un criterio adecuado de uso
B. Tipo de manejo
Se cree que la renovación de l potrero mejora la calidad pero no ha sido
corroborado con datos de calidad nutricional aplicando el modelo Cornell,
usado en el presente estudio
4.19.2. Planteamiento del diseño y modelo estadístico.
Para el caso en que se tienen tres niveles se realizó una doble comparación de
dos niveles
A- Tiempo 45
y
52 días
Tipo: No renovado y renovado.
B- Tiempo 45 y 59 días
Tipo: No renovado y renovado
Para cada comparación estadísticamente se trabajo un Diseño factorial 2 2
Modelo:
El modelo de regresión planteado para predecir la desviación de la producción de
leche fue: Lineal múltiple con interacción, de la forma:
Y= βo + β1*X1+ β2*X2+ β1*X1*X2
+ Є
133 Donde:
Y:
Y estimado (producción de leche en litros / hectárea día)
βo :
β1*X1
Media
:
Efecto del factor tiempo de recuperación
β2*X2: :
Efecto del factor tipo de manejo
β1*X1*X2 Efecto de la interacción e la interacción entre tiempo de recuperación y
Tipo de manejo
Usualmente los parámetros desconocidos
βi
se denominan coeficientes de
regresión
Є: constituye
la componente aleatoria del modelo. Representa
el efecto de
aquellos factores que no se han tenido en cuenta en la experimentación o el efecto
de aquellos presentes en el estudio pero que no se han podido estar
adecuadamente con el modelo seleccionado. el error
4.19.3. Justificación del modelo.
El modelo describe la producción de leche como dependiente de dos factores el
primero de ellos el tiempo de recuperación de la pradera y el segundo tipo de
manejo de la misma, es decir de acuerdo al problema analizado se asume que el
investigador
cree que los dos principales factores que tienen que ver con la
producción de leche por hectárea por día en la explotación son estos dos.
Aquellos efectos que pueden influir la Producción de leche que no están siendo
estudiados estarán dentro de la componente aleatoria o el error Є.
134 Si el error es mayor a la componente sistemática significará que los factores
seleccionados no son apropiados para describir la variabilidad de la producción de
leche
4.19.4.Supuestos del modelo:
Se parte de unos supuestos en el modelo los cuales deben ser verificados con el
fin de comprobar la idoneidad del mismo y son:
a. El valor esperado de los residuos debe ser igual a cero
E (e) = 0
Al ajustar cualquier modelo lineal, el análisis de los residuos del modelo de
regresión es necesario para determinar la idoneidad del modelo
(
Montgomery, 1991)
b.
La varianza de los residuos debe ser constante
V(e)= Varianza= constante
c. La correlación de los residuos debe ser cero
Correlación (ei; ej) = 0
d. Los residuos deben corresponder a una distribución normal
Cálculos de los factoriales.
Datos originales:
La tabla 32 presenta los datos originales de producción de leche de acuerdo a los
días de recuperación y la condición de potrero: renovado o sin renovar
4.19.5. Caso 45 a 52 días
Para el primer caso 45 a 52 días se establecieron las siguientes codificaciones
135 FACTORES
A (EDAD)
-1
1
Días
45
52
B ( t manejo)
-1
1
NR
R
Tabla 32. Datos de producción de leche; respuesta obtenida de acuerdo a cada
una de las condiciones experimentales establecidas
EDAD DE
RECUPERACION
(días)
45
45
45
45
45
45
52
52
52
52
52
52
59
59
59
59
59
59
TIPO DE
MANEJO
R
R
R
NR
NR
NR
R
R
R
NR
NR
NR
R
R
R
NR
NR
NR
Producción de
leche
(Kg./Ha/Día)
23,93
26,76
26,13
13,29
12,73
15,73
24,72
27,85
17,06
17,59
19,13
19,35
27,08
29,36
35,08
18,73
23,09
22,84
NR: No renovado R: Renovado
La tabla 32 muestra la matriz de diseño factorial 22 y los respectivos cálculos.
Cada condición experimental contó con tres replicas Y11, Y22, Y33, se calcularon
los promedios y la varianza, posterior a ello se calculó el valor de los efectos y se
estableció la hipótesis. Se puede observar que para la condición experimental
136 renovado y 52 días, su tercera replica genera una varianza muy alta, seria
importante evaluar si hay algún problema de muestreo con este dato. La
comprobación de los supuestos del modelo de optimización de la respuesta animal
se encuantra en el anexo K.
Hipótesis:
Ho: EFhat = 0
La tabla 33 presenta el valor estimado de los efectos EF hat. Igualmente se
calculó el S pool (varianza residual) SR2
Con este valor se calcula al valor estimado de los efectos VEF hat
VEF hat = 4SR2/N
y el nivel de significancia de los efectos
Tabla 33. Matriz de diseño, cálculos para estimar el valor de los factores
EFECTOS
I
1
1
1
1
A
-1
1
-1
1
B
-1
-1
1
1
AB
1
-1
-1
1
Y11
13,29
17,59
23,93
24,72
Y12
12,73
19,13
26,76
27,85
Y13
15,73
19,35
26,13
17,06
y
PROM VARIANZA
A
13,92
2,54
-13,92
18,69
0,92
18,69
25,60
2,21
-25,60
23,21
30,82
23,21
81,42
2,38
137 B
-13,92
-18,69
25,60
23,21
16,20
AB
13,92
-18,69
-25,60
23,21
-7,17
Tabla 34. Estimación de los efectos y su significancia
FUENTE
EF hat
MEDIA
20,36
EDAD
1,19
TIPO DE
MANEJO
8,10
V EF hat
Grados de
liberdad
N-C
3.0407
12-4= 8
T crítico
Tc=
t8;95%
A dos
colas
Tc = 2.30
Tcalculado
P value
0,6814
0,514873
4,6457
0,001654
-2,0562
0,073791
-3,59
NTERACCION
A*B
La tabla 34 muestra el nivel de significancia de los valores.
La media siempre es significativa;
Para el caso del
efecto del Factor edad de recuperación,
no se encontró
diferencias estadísticamente significativos (p>0.05). Esto también puede ser
corroborado por dos formas adicionales
a. El t calculado es menor al t critico lo que significa que el valor es frecuente,
por tanto no es significativo
b. Al establecer los intervalos de confianza para este efecto Tiempo
Intervalo de confianza= EF hat ± 2 SEF hat
Los Intervalos de confianza que no contienen cero son estadísticamente
significativos
138 Tabla 35. Intervalos de confianza de los efectos
FUENTE
MEDIA
Efecto A
Efecto B
Efecto AB
EF hat
20,36
1,19
8,10
-3,59
Intervalo de confianza
(
)
-4,85245
7,22876
si cero
2,060356
14,1416
no cero
-9,6262
2,45502
si cero
Para el caso del Efecto tipo de manejo se encontró que era estadísticamente
significativa (p<0.05)
y para el efecto interacción A*B no presenta diferencias
significativas (p>0.05).
Explicando los resultados se puede establecer que el uso de la pastura a un
mayor tiempo de recuperación entre 45 a 52 días no presenta ningún efecto, pero
que la renovación del potrero este presenta efectos positivos sobre la producción
de leche
4.19.6.Caso 45 a 59 días
Para el primer caso 45 a 59 días se establecieron las siguientes codificaciones
FACTORES
A (EDAD)
Días
B ( t manejo)
Las
tablas
-1
45
-1
NR
1
59
1
R
36, 37 y 38 utilizando el mismo esquema de cálculo y análisis
presentan los resultados del análisis factorial.
139 Tabla 36. Matriz de diseño, cálculos para estimar el valor de los factores
EFECTOS
CE
1
2
3
4
y
A B AB Y11
Y12 Y13 PROM VARIANZA A
B
1 -1 1 1 13,29 12,73 15,73 13,92
2,54
13,92 13,92
1 1 1 -1 18,73 23,09 22,84 21,55
5,99
21,55 21,55
1 -1 1 -1 23,93 26,76 26,13 25,60
2,21
25,60 25,60
1 1 1 1 27,08 29,36 35,08 30,51
17,02
30,51 30,51
91,59
12,54 20,64
I
AB
13,92
21,55
25,60
30,51
-2,73
Tabla 37. Estimación de los efectos y su significancia
FUENTE
EF hat
MEDIA
22,90
EDAD
6,27
TIPO DE
MANEJO
INTERACCIO
N A*B
V EF hat
Grados de
liberdad
N-C
12-4= 8
2,313
T crítico
Tc=
t8;95%
A dos
colas
Tc = 2.30
P value
4,1223
0,0033
10,32
6,7861
0,0001
-1,37
-0,8981
0,3954
La tabla 37 muestra el nivel de significancia de los valores.
La media siempre es significativa.
140 Tcalculado
Para el caso de los efecto de los Factores A. edad de recuperación, y B Tipo de
manejo se encontraron diferencias estadísticamente significativos (p<0.05). Esto
también puede ser corroborado por dos formas adicionales
a. El t calculado es mayor al t critico lo que significa que el valor es
infrecuente, por tanto es estadísticamente significativo
b. Al establecer los intervalos de confianza para los efecto Tiempo y tipo de
manejo
Intervalo de confianza= EF hat ± 2 SEF hat Tabla 7
Los Intervalos de confianza que no contienen cero son estadísticamente
significativos.
Tabla 38. Intervalos de Confianza de los efectos
FUENTE
EF hat
Intervalo de confianza
MEDIA
22,90
(
)
Efecto A
6,27
1,001
11,538
no cero
Efecto B
10,32
5,0522
15,589
no cero
Efecto AB
-1,37
-6,6343
3,9026
si cero
4.19.7. Análisis de los resultados
Los resultados de la valoración del factorial con dos edades 45 y 59 días y dos
tipos de manejo No recuperado y recuperado, muestra que estos dos factores son
estadísticamente significativos, mientras que el efecto de la interacción no es
significativo. En la práctica significa que al modificar la edad y renovar los potreros
se encuentran resultados positivos en el aumento de la producción de leche por
hectárea día para el tipo de pasto evaluado.
141 4.19.8. Definición del modelo.
De acuerdo al modelo planteado:
Y= βo + β1*X1+ β2*X2+ β1*X1*X2
+ Є
Utilizando los resultados estadísticos se excluye de la componente sistemática al
termino correspondiente a la interacción, el único que no fue estadísticamente
significativo (p>0.05).
De estas formas se estableció el modelo en:
MODELO
Y=22,90 +6,27A +10,32 B
Debido a que al establecer los niveles a los respectivos factores se tienen dos
niveles al pasar de -1 hasta 1 los términos de los factores se dividen en dos
El Modelo ajustado queda así:
MODELO AJUSTADO
Y=22,90 +3,13A +5,16 B
4.19.9. Decodificación del Modelo
Como el modelo esta codificado se procedió a decodificarlo.
El modelo final decodificado fue:
Yhat = 15.47 + 0.8957*A + 5.16* B
La interpretación del modelo es que al aumentar la edad de recuperación de 45 a
59 días se incrementa la producción en 0.8957 litros de leche por hectárea por día,
mientras que el renovar los potreros como factor de manejo de la pastura aumenta
la producción de leche en 5,16 litros /ha /día.
142 CONCLUSIONES Y RECOMENDACIONES
Según la producción de biomasa por unidad de tiempo, el modelo
matemático de crecimiento que mejor ajustó en las praderas del CIC Santa
María fue el de Gompertz en época de lluvias.
El modelo Gompertz, ajusta sobre su forma natural presentada con el
software Curve Expert, el cual determina sus propios parámetros de a, b y
c, presentando mayor relación de los datos observados y los esperados.
De acuerdo al modelo sigmoideo, el peso al punto de inflexión se definió a
los 33 días de rebrote, momento en el cual la pradera obtiene su
crecimiento exponencial.
Debido a las difíciles condiciones climáticas que se presentaron durante el
desarrollo del proyecto como precipitaciones excesivas que ocasionaron
inundaciones en las praderas; los resultados obtenidos para la definición de
los modelos de crecimiento no fueron los más adecuados, por ende, se
realizaron comparaciones con modelos ya descritos y definidos con Curve
Expert.
Con la implementación del SAS como herramienta estadística, se logro
manipular la información obtenida del fraccionamiento de carbohidratos y
proteínas de manera racional, obteniendo así, resultados con interacción
sobre la edad de desarrollo y tipo de manejo.
En la interacción de la edad de desarrollo con el tipo de manejo, se
obtuvieron diferencias significativas (P < 0,05) en las fracciones de FDN y
Hemicelulosa, aunque esta ultima no sea valorada por el CNCPS.
143 Con base a la edad de desarrollo, se obtuvieron diferencias significativas
(P< 0,05) en las fracciones de Proteína Cruda (Pc), FDN, Celulosa y
Hemicelulosa, lo que en la práctica significa que estas fracciones se
modifican notablemente en la medida que la edad de la pastura avanza.
Dependiendo del tipo de manejo que se le dio a las pasturas como
renovación y no renovación, se encontraron diferencias significativas (P<
0,05) en las fracciones de Proteína Cruda (Pc), P A (NNP), Proteína B2,
Proteína B3, Proteína C, Hemicelulosa y Sílice, lo que refleja una clara
variación en los contenidos de las diferentes fracciones de nitrógeno y
compuestos de la pared celular de las plantas, haciendo de estas praderas
forrajes con limitantes nutricionales teniendo en cuenta practicas de
renovación de praderas.
La simulación predijo, un balance nutricional adecuado, basado en los
niveles de MUN y la producción de leche predicha por EM y PM.
No se formularon suplementos, ya que la respuesta animal fue adecuada
en un hato lechero bajo estas condiciones de pastoreo, lo que en términos
prácticos refleja de las praderas del CIC Santa María, un manejo acorde de
praderas con periodos de recuperación y manejo óptimos.
Existe un dato atípico en la ultima replica de la condición experimental
renovado y 52 dias el cual incremento la varianza, es importante revisar si
hay problemas de muestreo
Se encontraron efectos significativos para la edad de recuperación y el tipo
de manejo en las pasturas, en términos prácticos realizar tratamiento de
renovación de las pasturas y utilizarla a una edad de 59 días para obtener
mayor producción de leche
144 El modelo final decodificado fue: Yhat = 15.47 + 0.8957*A + 5.16* B lo
que significa que renovar los potreros incrementa la producción de leche en
5,16 litros /ha/día. y permitir un periodo de recuperación del potrero más
prolongado hasta los 59 días, incrementa la producción en 0.8957 litros
/ha/día.
El modelo de regresión lineal múltiple con dos variables cumplió con los
supuestos que determinan la idoneidad del modelo a excepción de la
distribución de la varianza homogénea que no se pudo validar por poco
número de datos
Al realizar el análisis de varianza para validar el modelo de regresión lineal
múltiple se encontró que este modelo no es el mejor y que podría estar
mejor representado por un modelo de segundo orden, es decir presentar
curvatura lo que puede señalar que se esta cerca de un óptimo.
Como se sospecha de presencia de curvatura, modelo de segundo orden
se recomienda desarrollar un diseño como el composite desing el cual
serviría para definir un optimo, máximo producción de leche /ha/día
Del análisis de los supuestos se detecto que
es importante la
aleatorización del orden de muestreo de los potreros en cada una de las
fechas de valoración por que es posible que por cansancio si siempre se
inicia por los mismos potreros al final existirá un error repetido en los datos
145 BIBLIOGRAFIA
Ainslie, S. J., Fox D.G., Perry T.C., Ketchen D.J. and Barry M. C.1993 J. Anim.
Sci. 71: 1312-1319.
Andersen, R. y Sower J. A. 1968. Optimum condition for bonding of plant phenols
to insoluble polyvinylpyrrolidone. Phytochem, 7:293-301.
Andrew, S.M., Waldo D.R., Erdman, R,A. 1994. Direct analysis of body
composition of dairy cows at three physiological stages J. Dairy Sci 77,3022-3033.
AOAC. 1995. Oficial methods of analyses 965,16 of the asocciation of oficial
agricultural chemists (AOAC) 16 th edition. AOAC internation suite 400, 2200
wilson boulevard Arlington Virginia 22201-3301 USA.
Arreaza Luis Carlos. 2002. Manejo de la proteína en la producción del Ganado
bovino, fraccionamiento de la proteína cruda e indicadores en la formulación de
raciones para rumiantes.
Arreaza Luis Carlos. 2004. Utilización del sistema CNCPS como herramienta de
soporte para la investigación en forrajes tropicales, programa de fisiología y
nutrición animal, CI Corpoica, Tibaitatá.
Balcells J., Guada J.A., Castrillo C. y Gasa J. 1993. Brit. J. Nutr. 69: 721-732.
Bernal, Eusse Javier. 2003. Pastos y forrajes tropicales. Pastos clima frío. 4
Edición. P. 529- 540.
Bladen, H.A.M.P. Bryant y R.N. Doetach. 1961. A study of bacterial species fron
the rumen which produce ammonia fron protein hydrolizate appl microbial 9:175
146 Blanco Gloria Milena, Chamorro Diego R, Arreaza Luis Carlos. 2005.
Predicción de la respuesta productiva en bovinos lecheros suplementados con
ensilaje de Sambucus Peruviana, Acacia Decurrens y avena sativa usando el
modelo cornell net carbohydrate and protein system (CNCPS). Revista Corpoica
vol 6, # 2.
Blaxter, K. L. 1986. An historical perspective: The development of methods for
assessing nutrient requirements. Proceedings of the Nutrition Society, 45: 177-183.
Blümmel, M. and Becker, K. 1997. The degradability characteristics of fiftyfour
roughages and roughage neutral-detergent fiber as described by in vitro gas.
Blümmel, M., Makkar H. P. S., Chisanga G., Mtimuni J. and Becker K. 1997.
The prediction of dry matter intake of temperate and tropical roughages from in
vitro digestibility/gas production data, and the dry matter intake and in vitro
digestibility of African roughages in relation to ruminant live weight. Animal Feed
Science Technology, 69: 131-141.
Bruni, M. A. and Chilibroste P. 2000. Simulación de la digestión ruminal por el
método de la producción de gas. Congreso de la Asociación Latinoamericana de
Producción Animal (ALPA).
Bueno, I. C. S., Adbala A. L., Cabral S. L. S., Vitti D. M. S. S., Owen E.,
Mauricio R. M., Givens I., Sutton J. D. and Mould F. L. 1999. Comparison of
inocula from sheep and cattle for the in vitro gas production technique under
tropical conditions. Proceedings of the British Society of Animal Science,
Scarbouroug, UK. p. 151.
147 Cacho, O. J. 1993. A practical equation for pasture growth under grazing. Grass
and forage science vol 48 p 387 – 394.
Canfield, P. J., B. A. Barton, G. W. Anderson and R. D. Smith. 1990. Effects of
excess degradable protein on postpartum reproduction and energy balance in dairy
cows. S. Dairy Sci.
Carrol, D. J., B. A. Borton G. W. Anderson and R. D. Smith. 1988. Influence of
protein intake and feeding strategy and reproductive performance of dairy cow. S.
Dairy Sci.
Castellanos Peña Francisco. 1998. Importancia del nitrógeno ureico de la leche
como índice para evaluar la eficiencia productiva y reproductiva de las vacas
lecheras. Ed Purina, Colombia S. A.
Cuesta, A y Laredo, M.A. 1988. Amonificacion de subproductos agrícolas, En:
Gabado de doble propósito CRECED-PNR, La dorada pàg 230-246.
Cuesta, A y Laredo, M.A. 1988. Tabla de contenido nutricional en pastos y
forrajes de Colombia ICA-Colanta. Segunda edición corregida en Bogotá.
Czerkawski, J. W. and Breckenridge G. 1977. Design and development of a
long-term rumen simulation technique (Rusitec). Br. J. Nutr., 38: 371- 383.
D. C. Church, W. G. Pond and K. R. Pond. 2002. Fundamentos de nutrición y
alimentación de animales. 2 ed.
D. G. Fox, C. J. Sniffen, J. D. O'Comor, and P. J. Van Soest. 1992. System for
Requirements J. B. Russell A Net Carbohydrate and Protein Evaluating Cattle
Diets: III. Cattle v and Diet Adequacy' J. Anim. Sci. 70:3578-3596
148 Davies, Z. S., Brooks E., Theodorou M. K., Griffith G. W. and Merry R. J. 1999.
Effect of inoculant and enzyme aditives on fermentation characteristics and gas
production of grass silage. Proceedings of the British Society of Animal Science,
Scarbouroug, UK. p. 145.
Deaville, E. R. and Givens D. I. 1998. Estimation of rumen degradable organic
matter of forages using different techniques. Proceedings of the British Society of
Animal Science. Scarborough, p. 57.
Estrada Álvarez Julián. 2001. Pastos y forrajes para el trópico colombiano.
Cuantificación de los forrajes. p. 417-426
Ferguson, J. D. and W. Chalupa. 1989. Impact of protein nutrition and
reproduction in dairy cows. S. Dairy Sci.
Flatt, W. P. Feed evaluation Systems. 1988. Historical Background. World Animal
Science. Disciplinary Approach B4. (Edited by E. R. Ørskov). Elsevier Science
Publishers. pp. 1-22.
Fox, D.G. L.O. Tedesschi T.P. Tylutky J.B. Russell, M.E.Amburgh, L.E. Chace
A.N. Pell, T.R. Overton. 2004. The cornell carbohydrate and protein system model
for evaluating herd nutrition and nutrient excretion. Anim Feed Sci . Technol. 112,
29-78
Fox, D.G. L.O. Tedesschi T.P. Tylutky J.B. Russell, M.E.Amburgh, L.E. Chace,
Overton, A.N. Pell, T.R. Russell J.B. 2000. The net carbohydrate and protein
system for evaluating herd nutrition and nutrient excretion . Model documentation
Mimeo No 213, Animal science Department, Cornell University, Ithaca N.Y.
149 Gerson, T., King A. S. D., Kelly K. E. and Kelly W. J. 1988. Influence of particle
size and surface area on in vitro rates of gas production, lipolysis of triacylglycerol
and hydrogenation of linoleic acid by sheep rumen digesta or Ruminococcus
flavefaciens. J. agric. Sci., 110: 31-37.
GILLE U. W. E. , 2004 Analysis of growth. En www.uni-leipzig. de/~vetana/growthe.htm
Consultado en mayo 5 de 2007.
Goering, H.K. and Van Soest P.J. 1970.
Forage fiber analyses. Agricultural
Handbook n°379. Agricultural Research Service. US Department of Agriculture,
Washington D.C.
Guada J. A. 1996. Madrid. XII Curso de especialización FEDNA, características
del sistema de cornell (CNCPS) como modelo de valoración proteica y energética
para rumiantes, departamento de producción animal y ciencia de alimentos de la
universidad de Zaragoza.
Hammond C. Andrew. 1998. Use of BUN and MUN as guides for protein and
energy supplementation in cattle. Revista Corpoica, Vol 2 # 2, junio.
Hungate, R.E. 1966. The rumen and its microbes. Academic Press. New York.
IFRU (International Feed Resources Unit). A Report 1991-1997. Rowett
Research Institute. Aberdeen, UK. p. 7,1997.
J. B. Russell, J. D. O’Connor, D. G. Fox, P. J. Van Soest, C. J. Sniffen. Cornell
University, Ithaca, 1992. A net carbohydrate and protein system for evaluation
cattle diets: I Ruminal Fermentation.
150 Jones, D. I. H. and Hayward, M. Y. 1975. The effects of pepsin pre-treatment of
herbage on the prediction of dry matter digestibility from solubility in fungal
cellulase solution. J. Sci. Food Agric., 26: 711-718.
Leng, R.A. 1990 Factors affecting the utilization of poor quality forages by
ruminants particulary under tropical conditions . Nutrition research reviews, 3: 277303.
Licitra, G., T. M. Hernandez, and P. J. Van Soest. 1996. Standardization of
procedures for nitrogen fractionation of ruminant feeds. Anim. Feed Sci. Technol.
57:347-358.
Ling, J.R and P.J. Buttery. 1978 the simultanens use of ribonucleic acid di omino
pimelico acid and amino ethylphosphoric acid as markers of microbial nitrogen at
the duodenum of ships B.R. J. NUTR 39:185.
Mauricio, R. M., Mould F. L., Owen E., Dahona M. S. and Theodorou M. K.
1999. Effect of reducing the interval of recording from three to one hour on gas
production profiles in the semiautomated technique using a presure transducer.
Proceedings of the British Society of Animal Science, Scarbouroug, UK. p. 148.
Mehrez, A.Z. and Orskov , E.R. 1977. J. agri. Sci., Comb 88, 645-650.
Menke, K. H. and Steingass H.1988.
Estimation of the energetic feed value
obtained from chemical analysis and in vitro gas production using rumen fluid.
Animal Research and Development. Vol. 28, pp. 7-55.
Menke, K. H., Raab L., Salewski A., Steingass H., Fritz D. and Schneider W.
1979. The estimation of the digestibility and metabolizable energy content of
ruminant feedingstuffs from the gas production when they are incubated with
rumen liquor in vitro. J. agric. Sci., 93: 217-222.
151 Milligan, R.A; Chace L.E. Sniffen C.J., Knon blauch W.A. 1981, L.E.A. st , Cost
balanced dayri ration ani Sci mimeo 54. Connell University Ithaca.
NRC. 2000. Nutrient Requirements for Beef Cattle (7th Ed.). National Academy
Press, Washington, DC.
NRC. 2001. Nutrient Requirements for Beef Cattle (8th Ed.). National Academy
Press, Washington, DC.
O'Connor, C. J. Sniffen D. G. Fox and W. Chalupa. 1993. A Net Carbohydrate
and Protein System for Evaluating Cattle Diets: IV. Predicting Amino Acid
Adequacy J. Anim. Sci.. 71:1298-1311.
Ørskov, E. R. 1988. Nutrición proteica de los rumiantes. Ed Acribia.
Ørskov, E. R. 1993. Appropriate roughage evaluation systems and its relevance to
upgrading, and supplementation and evaluation of animal potential. In: Increasing
livestock production through utilization of local resources. Proceedings of the
International Conference on Increasing Livestock Production through Utilization of
Local Resources. October 18-22. Beijing, China. Bureau of Animal Production and
Health. Ministry of Agriculture.
Ørskov, E. R., Hovell F. D. Deb. and Mould F. L. 1980. The use of the nylon bag
technique for the evaluation of feedstuffs. Tropical Animal Production, 5: 195-213.
Ørskov, E. R., Reid G. W. and Kay M. R. 1988. Prediction of intake of cattle from
degradation characteristics of roughages. Animal Production, 46: 29-34.
152 Ørskov, E. R.1997. Feed evaluation with emphasis on fibrous roughages and
fluctuating supply of nutrients: a review. Small Ruminant Research, 28, pp. 1-8,
1998. production and their relationship to voluntary feed intake. British Journal of
Nutrition, 77: 757-768.
Pedraza, Oliviera Redimio. 2001. Estimación del valor nutritivo de los alimentos
para rumiantes con énfasis en las técnicas in sacco y de producción de gas in
vitro, vol 13 No 1 2001:46.
Pirt, S.J. 1965. Proceedings of the Royal Society of London, Ser. B, 163: 224-231.
Pitt R.E., Van Kessel J.S., Fox D.G., Pell A.N., Barry M.C. and Van Soest P.J.
1996. J. Anim. Sci. 74: 226-244.
Quin, J.I. Van der wath, J.G and Myberg. 1938, Ondersteport, J. vet Sci anim ind
II, 341-360.
Ramírez, Roque Gonzalo. 2003. Nutrición de rumiantes, sistemas extensivos. Ed
trillas.
Restrepo, Mauricio López. 2007. Herramientas de Modelación. Facultad de
Ingeniería Universidad de la Sabana. 60 p.
Russell, J.B. and Baldwin R.L. 1979. Appl. and Environ. Microbiol. 37: 537-543.
Russell, J.B. and Dombrowski D.B. 1980. Appl. and Environ. Microbiol. 39: 604
- 610.
Russell, J.B. and Strobel H.J. 1993. Quantitative aspects of Ruminant Digestion
and Metabolism Ed. J.M. Forbes, J. France. CAB International. Wallingford, UK.
pp.165-186.
153 Russell, J.B., C.J. Sniffen and P.J. Van Soest. 1983, effect of carbohydrate
limitation on degradation and utilitation of casein by mixed rumen bacteria , dary
Sci 67:987.
Russell, J.B., O'connor J.D., Fox D.G., Van Soest P.J. and Sniffen C.F. 1992.
J. Anim. Sci. 70: 3551-3561.
Rymer, C. and Givens D. I. 1999.
Predicting the apparent disappearance of
starch in the rumen of cows from the in vitro gas production profile of their diet.
Proceedings of the British Society of Animal Science, Scarbouroug, UK. p. 157.
Schofield, P. and Pell A. N. 1995. Measurement and kinetic-analysis of the
neutral detergent-soluble carbohydrate fraction of legumes and grasses. J. Anim.
Sci., Vol. 73, pp. 3455 – 3463.
Serrano, Jason Torres. 2000. Modelos de simulación aplicados al análisis de la
función de crecimiento en la producción de carne de cerdo.. Universidad Nacional
de Colombia Facultad de Medicina Veterinaria y de zootecnia Tesis de grado
Zootecnia Bogota D.C. 200p.
Sniffen, C.J. and Robinson P.H. 1985. Dairy Sci. 70: 425-441.
Sniffen, C.J., O'connor J.D., Van Soest P. R., Fox D.G. and Russell J.B. 1992.
J. Anim. Sci. 70: 3562-3577.
Sniffen, J. D., O'Connor P. J., Van Soest D. G, Fox, and J. B. Russell. A Net
Carbohydrate and Protein System for Evaluating Cattle Diets: 11. Carbohydrate
and Protein Availability J. Anim. Sci. 1992. 70:3562-3577.
154 Stefanon, B., Pell A. N. and Schofield P. 1996. Effect of maturity on digestion
kinetics of watersoluble and water-insoluble fractions of alfalfa and brome hay. J.
Anim. Sci., Vol. 74, No. 5, pp. 1104 – 1115.
Strobel, H.J. and Russell J.B. 1986. J. Dairy Sci. 69: 2941-2947.
Talero, C. y Afanador. 2004. Modelos matemáticos no lineales para el análisis de
la curva de crecimiento sigmoidal y de la producción de pollas Isa Brown, a partir
de la décima semana de edad, en condiciones del trópico alto Colombiano. Tesis
de grado Zootecnia Facultad de Medicina Veterinaria y zootecnia Universidad
Nacional de Colombia Bogotá.
Tamminga, S. 1979 .Protein degradation in the forest machs off rumiants. J Any
Sci 49 : 1615.
Theodorou, M. K., Willians B. A., Dhaona M. S., Mcailan A. B. and France J.
1994. A simple gas production method using a pressure transducer to determine
the fermentation kinetics of ruminants feeds. Animal Feed Science and
Technology, 48: 185-195.
Tilley , J. and Terry, K. 1963. A two stages techniques for the in vitro digestion of
forage crops: Journal of the British Grassland Society 18(2):131-163.
Traxler, M.J.; Fox D.J. , Van Soest P.J. , Pell and Blas Cano C.E., Llana D.P.D.
Maure, J.E., R.P. Llana, M. Velez and Florez. 1998, Predicting forage indigestible
FDN fron lignine concentration . J. ani Sci 76:1469-480.
Van Houtert M.F.J, and Sykes A.R. 1999. Enhancing the Profitability of Pasturebased
Dairy Production in the Humid Tropics through Improved Nutrition.
Preventive Veterinary Medicine , no. 38: 147-57.
155 Van Soest, P. J. 1967. Development of a comprehensive system of feed analysis
and its application to forages. J. Anim. Sci., 26: 119.
Van Soest, P. J. 1983. Nutritional Ecology of the Ruminant. O & B Books, Inc.
Corvallis, Oregon. USA, p. 76-78,105, 231, 236.
Van Soest, P. J. Nutritional Ecology of the Ruminant. 1994.
Second Edition.
Cornell University Press, Ithaca, N. Y., USA. 476p.
Van Soest, P. J. and Robertson J. B. 1985. Analysis of forages and fibrous
foods. A Laboratory Manual for Animal Science 613. Report of Research of the
Cornell University Agricultural Experiment Station. pp. 2-3, 35.
Van Soest, P. J., J. B. Robertson, and B. A. Lewis. 1991. Methods for dietary
fiber, neutral detergent fiber, and nonstarch polysaccharides in relation to animal
nutrition. J. Dairy Sci. 74: 3583-3597.
Van Soest, P. J., Mertens D. R. and Deimum B. 1978.
Preharvest factors
influencing the voluntary feed intake of forages. J. Anim. Sci., 47: 712-721.
Van, Soest P. J. 1994. Nutritional Ecology of the Ruminant (2nd Ed.). Cornell
University Press, Ithaca, NY.
Weiss, W.D. 1993. Predicting energy valves of feeds J.Dairy Sci 76:1802-1811.
156 ANEXOS
157 ANEXO A
Pruebas de homogeneidad e independencia (Periodo de Lluvias)
Prueba de Homogeneidad
Edad (días)
PRADERAS
5
6
7
8
9
10
7
6
3
5
1
2
4
15
13
10
14
7
8
9
22
20
18
19
11
15
12
30
24
22
26
21
17
16
37
30
28
33
27
25
23
44
38
35
39
32
31
29
52
42
41
45
37
36
34
59
Suma de
posiciones
RJ
47
46
48
44
43
40
COMBINADOS
220
203
229
180
177
167
1176
Promedio de
posiciones
Total de
datos
27,5 25,38 28,63 22,5 22,13 20,88
8
8
8
H
2
X
8
2,02
(gl,alfa)
gl
5
0.05
11,07
0.25
12,83
0.01
15,08
158 8
8
147
48
Prueba de Independencia
FRECUENCIAS OBSERVADAS
Días/Biomasa 1-120 121-240 241-360
1 , 22
18
0
0
18
23-44
9
9
0
18
45-59
0
9
3
12
27
18
3
48
FRECUENCIAS ESPERADAS
10,13
6,75
1,13
10,13
6,75
1,13
6,75
4,50
0,75
X2 tabla (gl alfa)
gl
5
0.05
11,07
0.025
12,83
0.01
15,08
ESTIMADO X2
6,13 6,75 1,13
0,13 0,75 1,13
6,75 4,50 6,75
159 ANEXO B
Pruebas de homogeneidad e independencia (Periodo de Sequia)
Prueba de Homogeneidad
Edad (días)
PRADERAS
5
6
7
8
9
10
7
6
4
9
1
2
3
15
17
14
18
5
7
8
22
20
22
21
10
12
11
30
26
25
27
13
16
15
37
32
31
34
19
24
23
44
38
40
41
28
30
29
52
42
45
44
33
36
35
59
46
47
48
37
43
39
COMBINADOS
Suma de
posiciones RJ
227
228
242
146
170
163
1176
Promedio de
posiciones
Total de datos
28,375 28,5 30,25 18,25 21,25 20,375
8
8
8
8
H
5,33
2
X
(gl,alfa)
Gl
5
0.05
11,07
0.25
12,83
0.01
15,08
160 8
8
147
48
Prueba de Independencia
FRECUENCIAS OBSERVADAS
Días/Biomasa 1-120 121-240 241-360 361-480 481-600
1 , 20
12
0
0
0
0
12
21-40
12
6
0
0
0
18
41-60
0
5
8
4
1
18
24
11
8
4
1
48
FRECUENCIAS ESPERADAS
6,00 2,75 2,00 1,00 0,25
9,00 4,13 3,00 1,50 0,38
9,00 4,13 3,00 1,50 0,38
ESTIMADO X2
6,00 2,75 2,00 1,00 0,25
1,00 0,85 3,00 1,50 0,38
9,00 0,19 8,33 4,17 1,04
X2 tabla gl 0.05 0.025 0.01 (gl alfa) 5 11,07 12,83 15,08 161 ANEXO C
Pruebas de homogeneidad e independencia (Praderas Renovadas y No
Renovadas)
1. Praderas Renovadas (Periodo de Lluvias)
Prueba de Independencia
EDAD REBROTE
5
6
7
7
32,55
24,78
31,78
15
62,71
58,76
65,78
22
85,62
77,67
78,85
30
110,28 98,78 115,89
37
145,87 135,27 156,78
44
187,54 178,89 191,08
52
214,34 205,78 223,76
59
255,76 245,87 267,78
FRECUENCIAS OBSERVADAS
Dias/Biomasa 1-120 121-240 241-360
1 - 22
9
0
0
9
23 - 44
3
6
0
9
45 - 59
0
3
3
6
12
9
3
24
FRECUENCIAS ESPERADAS
3,38
0
0
1,13
2,25
0
0
0,75
0,75
162 ESTIMADO X2
9,38 0,00 0,00
3,13 6,25 0,00
0,00 6,75 6,75
X2 tabla (gl alfa)
gl
2
0.05
15,59
0.025
11,98
0.01
13,81
Prueba de Homogeneidad
EDAD REBROTE
5
6
7
a
b
c
7
32,55
24,78
31,78
15
62,71
58,76
65,78
22
85,62
77,67
78,85
30
110,28 98,78 115,89
37
145,87 135,27 156,78
44
187,54 178,89 191,08
52
214,34 205,78 223,76
59
255,76 245,87 267,78
EDAD REBROTE
a
b
c
7
3
1
2
15
5
4
6
22
9
7
8
30
11
10
12
37
14
13
15
44
17
16
18
52
20
19
21
59
23
22
24
163 SUMA RJ
102
PROMEDIO
92
106
300
12,75 11,5 13,25 38
TOTAL DATOS
8
8
H
0,26
X^2
(gl,alfa)
gl
2
0,05
15,59
0,025
11,98
0,01
13,81
8
24
2. Praderas No Renovadas (Periodo de Lluvias)
Prueba de Independencia
EDAD REBROTE
8
9
10
7
18,82
21,78
25,76
15
43,23
45,47
46,54
22
60,54
66,15
68,78
30
87,78
77,23
61,78
37
115,89 110,42 108,78
44
155,87 151,89 145,67
52
182,89 182,78 161,67
59
218,78 214,78 197,89
FRECUENCIAS OBSERVADAS
Días/Biomasa 1-120 121-240 241-360
1 - 22
9
0
0
9
23 - 44
6
3
0
9
0
6
0
6
15
9
0
24
45 - 59
164 FRECUENCIAS ESPERADAS
3,38
0,00
0,00
2,25
1,13
0,00
0,00
1,50
0,00
ESTIMADO X2
9,38 0,00 0,00
6,25 3,13 0,00
0,00 13,50 0,00
X2 tabla (gl alfa)
gl
2
0.05
15,59
0.025
11,98
0.01
13,81
Prueba de Homogeneidad
8
9
10
EDAD REBROTE
d
e
f
7
18,82
21,78
25,76
15
43,23
45,47
46,54
22
60,54
66,15
68,78
30
87,78
77,23
61,78
37
115,89 110,42 108,78
44
155,87 151,89 145,67
52
182,89 182,78 161,67
59
218,78 214,78 197,89
165 EDAD REBROTE
d
e
f
7
1
2
3
15
4
5
6
22
7
9
8
30
12
11
10
37
15
14
13
44
18
17
16
52
21
20
19
59
24
23
22
SUMA RJ
102
101
97
PROMEDIO
300
12,75 12,625 12,125 38
TOTAL DATOS
8
8
X2
(gl,alfa)
gl
2
0.05
15,59
0.25
11,98
0.01
13,81
8
24
3. Praderas Renovadas (Periodo de Sequia)
Prueba de Independencia
EDAD REBROTE
5
6
7
7
44,289
42,865
59,423
15
78,660
71,357
78,989
22
100,639 107,419 102,965
30
132,785 125,650 136,852
37
210,968 201,175 235,537
44
318,535 327,775 327,915
52
356,264 405,949 397,497
59
462,133 472,236 512,648
166 FRECUENCIAS OBSERVADAS
Días/Biomasa 1-120 121-240 241-360 361-480 481-600
1 - 22
9
0
0
0
0
9
23 - 44
0
6
3
0
0
9
45 - 59
0
0
0
5
1
6
9
6
3
5
1
24
FRECUENCIAS ESPERADAS
3,38 0,00 0,00 0,00 0,00
0,00 2,25 1,13 0,00 0,00
0,00 0,00 0,00 1,25 0,25
ESTIMADO X2
9,38 0,00 0,00 0,00 0,00
0,00 6,25 3,13 0,00 0,00
0,00 0,00 0,00 11,25 2,25
X2 tabla (gl alfa)
gl
2
0.05
15,59
0.025
11,98
0.01
13,81
167 Prueba de Homogeneidad
5
6
7
EDAD REBROTE
a
b
c
7
44,29
42,86
59,42
15
78,66
71,36
78,99
22
100,64 107,42 102,97
30
132,78 125,65 136,85
37
210,97 201,18 235,54
44
318,53 327,77 327,92
52
356,26 405,95 397,50
59
462,13 472,24 512,65
EDAD REBROTE
a
b
c
7
2
1
3
15
5
4
6
22
7
9
8
30
11
10
12
37
14
13
15
44
16
17
18
52
19
21
20
59
22
23
24
SUMA RJ
96,00
98
106
PROMEDIO
12
TOTAL DATOS
8
H
2
12,25 13,25 38
8
0,14
X
(gl,alfa)
gl
2
0.05
15,59
0.25
11,98
0.01
13,81
168 300
8
24
4. Praderas No Renovadas (Periodo de Sequia)
Prueba de Independencia
EDAD REBROTE
8
9
10
7
29,825
31,491
32,132
15
43,232
45,470
46,543
22
60,537
66,151
62,862
30
69,908
77,229
73,623
37
97,526 110,415 108,936
44
183,979 197,329 197,318
52
222,394 247,107 238,234
59
314,974 358,742 327,586
FRECUENCIAS OBSERVADAS
Días/Biomasa 1-120 121-240 241-360 361-480 481-600
1 - 22
9
0
0
0
0
9
23 - 44
6
3
0
0
0
9
45 - 59
0
2
4
0
0
6
15
5
4
0
0
24
FRECUENCIAS ESPERADAS
3,38 0,00 0,00 0,00 0,00
2,25 1,13 0,00 0,00 0,00
0,00 0,50 1,00 0,00 0,00
ESTIMADO X2
9,38 0,00 0,00 0,00 0,00
6,25 3,13 0,00 0,00 0,00
0,00 4,50 9,00 0,00 0,00
169 X2 tabla (gl alfa)
gl
2
0.05
15,59
0.025
11,98
0.01
13,81
Prueba de Homogeneidad
8
9
10
EDAD REBROTE
d
e
f
7
29,82
31,49
32,13
15
43,23
45,47
46,54
22
60,54
66,15
62,86
30
69,91
77,23
73,62
37
97,53 110,42 108,94
44
183,98 197,33 197,32
52
222,39 247,11 238,23
59
314,97 358,74 327,59
EDAD REBROTE
d
e
f
7
1
2
3
15
4
5
6
22
7
9
8
30
10
12
11
37
13
15
14
44
16
18
17
52
19
21
20
59
22
24
23
SUMA RJ
92,00
106
102
PROMEDIO
12
TOTAL DATOS
8
170 300
13,25 12,75 38
8
8
24
H
0,26
2
X
(gl,alfa)
gl
2
0.05
15,59
0.25
11,98
0.01
13,81
ANEXO D.
Linearización, parametrización y definición de los modelos evaluados durante el
periodo de lluvias.
1. Modelo Gompertz
Tiempo
p
Días
0
14,41
2,67
Curve
Expert
16,55
7
25,91
2,62
0,10
3,25
28,80
8,33
28,64
7,43
15
53,75
3,13
0,06
3,98
48,60
26,50
52,40
1,82
22
72,93
2,95
0,04
4,29
70,94
3,96
78,66
32,79
30
97,99
3,73
0,04
4,58
101,41
11,71
112,45
209,15
37
128,83
5,04
0,04
4,86
131,29
6,04
143,00
200,80
44
168,49
4,42
0,03
5,13
162,96
30,59
172,60
16,91
52
195,20
4,33
0,02
5,27
199,86
21,71
203,66
71,56
59
233,48
3,75
0,02
5,45
231,63
3,41
227,63
dp/dt 1/(p)*dp/dt LN P
J^2
Gompertz
14,41
16,032
P: Cantidad de biomasa en MS observada.
dp/dt: Derivada de la biomasa en el tiempo.
LnP: Logaritmo natural de la biomasa.
Curve Expert: Estimación según Gompertz del programa curve expert.
Gompertz: estimación según Gompertz con la ecuación original
J^2: Error cuadrático medio.
171 J^2
34,13
82,08
Con los valores calculados de LnP y 1/(P)*dp/dt se construyó la ecuación lineal
con el fin de obtener los valores de a y b para el modelo matemático.
0,12
1/(p)*dp/dt
0,1
y = -0,0351x + 0,2042
R² = 0,9181
0,08
0,06
0,04
0,02
0
0
2
4
Series1
Ln P
6
Lineal (Series1)
2. Modelo Logístico.
Tiempo
(días)
0
14,41
p
1/(p)*dp/dt
Curve
Expert
20,45
J^2
Logístico
J^2
14,41
0
7
25,9117
0,10
30,74
23,31
25,06
0,72
15
53,749
0,06
47,88
34,40
46,60
51,10
22
72,9348
0,04
68,65
18,39
78,70
33,25
30
97,9917
0,04
99,30
1,70
138,21
1617,60
37
128,834
0,04
131,02
4,79
215,59
7527,38
44
168,49
0,03
164,79 13,69
315,93
21738,27
52
195,203
0,02
201,82 43,76
445,53
62665,26
59
233,477
0,02
229,82 13,34
553,27
102269,71
21,91
27986,18
P: Biomasa observada (g/m2)
Logístico: Modelo Logístico estimado por la ecuación original
Curve Expert: Modelo logístico estimado por el programa curve expert
J^2: Error cuadrático medio
172 Con los valores calculados de P (peso) y 1/(P)*dp/dt se construyó la ecuación
lineal con el fin de obtener los valores de a y b.
0,12
0,1
1/(p)*dp/dt
y = -0,0003x + 0,0815
R² = 0,7299
0,08
0,06
0,04
0,02
0
0,00
50,00
100,00 150,00 200,00 250,00
Ln P
Series1
Lineal (Series1)
3. Modelo Cacho.
Tiempo
P
Modelo
J^2
7
25,91
18,85
49,91
15
53,75
46,17
57,45
22
72,93
72,38
0,31
30
97,99
104,11 37,47
37
128,83 133,08 17,99
44
168,49 162,94 30,77
52
195,20 198,01
59
233,48 229,38 16,78
(días)
7,85
31,22
2
P: Biomasa observada MS (g/m ).
J^2: Error cuadrático medio.
Modelo: Logístico modificado por Cacho (1993).
173 ANEXO E.
Linearización, parametrización y definición de los modelos evaluados durante el
periodo de sequia.
1. Modelo Gompertz.
Tiempo
p
(días)
0
19,21
7
40,00
dp/dt 1/(p)*dp/dt Curve Expert
2,77
0,07
J^2
LN P Gompertz
J^2
19,59
0,15
2,96
19,21
0
32,17
61,41
3,69
31,80
67,25
15
60,71
2,90
0,05
53,74
48,50
4,11
53,44
52,88
22
83,43
2,80
0,03
80,71
7,40
4,42
80,42
9,06
30
102,67 5,16
0,05
122,93
410,43 4,63
122,47
391,90
37
160,76 11,15
0,07
171,57
116,91 5,08
170,58
96,44
44
258,81 10,03
0,04
232,49
692,61 5,56
230,35
809,86
52
311,24 9,95
0,03
318,40
51,27
5,74
313,79
6,51
59
408,05 5,99
0,01
408,47
0,18
6,01
400,31
60,01
198,41
213,42
P: Cantidad de biomasa en MS observada.
dp/dt: Derivada de la biomasa en el tiempo.
LnP: Logaritmo natural de la biomasa.
Modelo: Estimación según Gompertz.
Modelo curve expert: estimación de Gompertz según la ecuación de curve expert
J^2: Error cuadrático medio.
174 Con los valores calculados de LnP y 1/(P)*dp/dt se construyó la ecuación lineal
con el fin de obtener los valores de a y b.
1/(p)*dp/dt
0,08
0,06
Series1
0,04
y = ‐0,0149x + 0,02
0,1177
R² = 0,4335
0
0
Lineal (Series1)
5
10
2. Modelo Logistico.
Tiempo
Curve
p
1/(p)*dp/dt
(días)
Expert
0
19,21
22,33
J^2
Logistico
J^2
9,77
19,21
0
7
40,00
0,07
33,65
40,43
27,82
148,42
15
60,71
0,05
53,25
55,55
42,64
326,29
22
83,43
0,03
78,65
22,81
62,27
447,88
30
102,67
0,05
120,40 314,03
96,78
34,76
37
160,76
0,07
170,54 95,72
143,98
281,60
44
258,81
0,04
234,42 594,82
217,79
1682,78
52
311,24
0,03
322,13 118,66
361,37
2513,10
59
408,05
0,01
406,38
592,34
33960,48
2,79
179,22
5627,90
P: Biomasa observada (g/m2)
Modelo: Logístico estimado matemáticamente
Modelo curve expert: logístico estimado según la ecuación de curve expert
J^2: Error cuadrático medio
175 Con los valores calculados de P (peso) y 1/(P)*dp/dt se construyó la ecuación
lineal con el fin de obtener los valores de a y b.
1/(p)*dp/dt
0,08
y = ‐4E‐05x + 0,0524
R² = 0,1023
0,06
Series1
0,04
Lineal (Series1)
0,02
0
0,00
200,00
400,00
3. Modelo Cacho.
Tiempo
p
Modelo
(días)
0
19,21
J^2
7
40,00
9,48
931,77
15
60,71
36,57
582,72
22
83,43
71,88
133,30
30
102,67 123,91 450,85
37
160,76 178,63 319,35
44
258,81 241,14 312,16
52
311,24 321,23
99,88
59
408,05 398,17
97,64
418,24
Biomasa observada MS (g/m2).
J^2: Error cuadrático medio.
Modelo: Logístico modificado por Cacho (1993).
176 ANEXO F.
Linearización, parametrización y definición de los modelos aplicados en praderas
renovadas.
1. Modelo Gompertz.
Tiempo
p
(días)
0
19,21
7
dp/dt
1/(p)*dp/dt
0,078
Curve
Expert
20,943
J^2
LN P Gompertz
3,00
2,96
19,21
0
37,565 127,54 3,89
34,22
214,20
48,86
3,808
15
76,34
3,654
0,048
66,957
87,96
4,34
60,92
237,48
22
103,67 3,695
0,036
103,708
0,00
4,64
94,68
80,95
30
131,76 7,481
0,057
159,873 790,22 4,88
147,05
233,58
37
215,89 13,784
0,064
221,854 35,53
5,37
205,87
100,39
44
324,74 11,378
0,035
295,388 861,60 5,78
276,98
2281,15
52
386,57 10,506
0,027
392,083 30,39
5,96
372,51
197,80
59
482,34 7,434
0,015
485,823 12,14
6,18
467,19
229,54
278,34
P: Cantidad de biomasa en MS observada.
dp/dt: Derivada de la biomasa en el tiempo.
LnP: Logaritmo natural de la biomasa.
Modelo: Estimación según Gompertz.
J^2: Error cuadrático medio.
177 J^2
510,73
Con los valores calculados de LnP y 1/(P)*dp/dt se construyó la ecuación lineal
con el fin de obtener los valores de a y b.
1/(p)*dp/dt
0,10
0,08
y = ‐0,0188x + 0,1414
R² = 0,5652
0,06
Series1
Linea…
0,04
0,02
0,00
0,00
5,00
10,00
2. Modelo Logístico.
Tiempo
Curve
p
1/(p)*dp/dt
(días)
Expert
0
19,21
25,11
J^2
Logistico
J^2
34,79
19,21
0
7
48,86
0,08
39,48
87,94
30,19
348,63
15
76,34
0,05
65,28
122,32
50,00
693,69
22
103,67
0,04
99,41
18,22
76,50
738,48
30
131,76
0,06
155,55
565,91
120,96
116,79
37
215,89
0,06
221,21
28,30
174,49
1714,63
44
324,74
0,04
300,15
604,72
241,29
6963,51
52
386,57
0,03
398,25
136,53
328,51
3371,03
59
482,34
0,02
480,85
2,22
405,97
5831,55
228,705785
2825,47
P: Biomasa observada (g/m2)
Modelo: Logístico estimado matemáticamente
Modelo curve expert: logístico estimado con curve expert
J^2: Error cuadrático medio
178 Con los valores calculados de P (peso) y 1/(P)*dp/dt se construyó la ecuación
lineal con el fin de obtener los valores de a y b.
0,1
0,08
1/(p)*dp/dt
y = ‐1E‐04x + 0,0671
R² = 0,6007
0,06
Series1
Linea…
0,04
0,02
0
0,00
200,00
400,00
600,00
3. Modelo Cacho.
Tiempo
p
Modelo
(días)
0
19,21
J^2
7
48,86
15,24
229,74
15
76,34
52,91
2794,80
22
103,67
98,66
9726,48
30
131,76 162,95
26534,59
37
215,89 228,27
52078,16
44
324,74 301,00
90577,16
52
386,57 392,11 153728,08
59
482,34 478,02 228486,54
80593,65
Biomasa observada MS (g/m2).
J^2: Error cuadrático medio.
Modelo: Logístico modificado por Cacho (1993)
179 ANEXO G.
Linearización, parametrización y definición de los modelos aplicados en praderas
no renovadas.
1. Modelo Gompertz.
tiempo
p
(días)
0
19,21
Curve
Expert
2,96 13,14
J^2
Gompertz
36,83
19,21
dp/dt 1/(p)*dp/dt LN P
J^2
7
31,15 1,725
0,055
3,44
21,77
87,88
23,15
63,98
15
45,08 2,136
0,047
3,81
36,97
65,82
29,08
255,93
22
63,18 1,900
0,030
4,15
56,53
44,28
36,01
738,54
30
73,59 2,829
0,038
4,30
88,23
214,32
46,75
720,11
37
105,63 8,521
0,081
4,66 126,10
419,21
59,70
2109,48
44
192,88 8,686
0,045
5,26 175,31
308,71
77,45
13323,59
52
235,91 9,393
0,040
5,46 247,61
136,78
106,47
16754,11
59
333,77 4,537
0,014
5,81 326,66
50,56
143,43
36228,31
194,915049
P: Cantidad de biomasa en MS observada.
10027,72
dp/dt: Derivada de la biomasa en el tiempo.
LnP: Logaritmo natural de la biomasa.
Modelo: Estimación según Gompertz.
J^2: Error cuadrático medio.
Con los valores calculados de LnP y 1/(P)*dp/dt se construyó la ecuación lineal
con el fin de obtener los valores de a y b.
1/(p)*dp/dt
0,1
y = ‐0,0092x + 0,0863
R² = 0,1578
Series1
0,08
0,06
0,04
Lineal (Series1)
0,02
0
0
5
180 10
2. Modelo Logístico.
Tiempo
Curve
p
1/(p)*dp/dt
(días)
Expert
0
19,21
19,74
J^2
Logístico
0,28
19,21
J^2
7
31,15
0,06
28,01
9,86
19,22
142,26
15
45,08
0,05
41,70
11,41
19,24
668,03
22
63,18
0,03
58,93
18,09
19,25
1930,44
30
73,59
0,04
87,12
183,20
19,26
2951,35
37
105,63
0,08
122,02 268,75
19,27
7456,98
44
192,88
0,05
169,74 535,23
19,28
30133,99
52
235,91
0,04
244,71
77,43
19,30
46921,74
59
333,77
0,01
332,51
1,58
19,31
98883,93
157,97
27012,67
P: Biomasa observada (g/m2)
Modelo: Logístico estimado
J^2: Error cuadrático medio
Con los valores calculados de P (peso) y 1/(P)*dp/dt se construyó la ecuación
lineal con el fin de obtener los valores de a y b.
0,1
y = ‐9E‐05x + 0,0564
R² = 0,2684
1/(p)+dp/dt
0,08
Series1
0,06
0,04
Lineal (Series1)
0,02
0
0,00
200,00
181 400,00
3. Modelo Cacho.
Tiempo
p
Modelo
(días)
0
19,21
J^2
7
31,15
4,52
19,97
15
45,08
20,93
436,24
22
63,18
45,14
2034,67
30
73,59
83,94
7040,24
37
105,63 127,49
16234,33
44
192,88 179,80
32310,48
52
235,91 249,97
62467,46
59
333,77 320,17 102497,87
31863,03
Biomasa observada MS (g/m2).
J^2: Error cuadrático medio.
Modelo: Logístico modificado por Cacho (1993)
182 ANEXO H
Flujo grama de proceso para la determinación de las fracciones de proteína y
carbohidratos según Licitra (1996).
183 Análisis Químicos
El sistema de evaluación CNCPS asume que los alimentos están compuestos de
proteínas, carbohidratos, grasas, ceniza y agua.
¾ Materia Seca (MS). AOAC, 1980.
¾ FDN y Lignina. Van Soest et al, 1991.
¾ Nitrógeno total por macro o micro Kjeldahl. AOAC, 1995.
¾ Nitrógeno insoluble en FDN y FDA. Van Soest et el, 1991.
¾ Ceniza. AOAC, 1995.
Del flujograma del proceso para la determinación de las fracciones de proteínas y
carbohidratos según el sistema de Cornell (CNCPS):
NDPI: Nitrógeno insoluble en detergente neutro.
ADPI: Nitrógeno insoluble en detergente acido.
NCS: Carbohidratos no estructurales.
H: Hemicelulosa.
C: Celulosa.
L: Lignina.
AIA: Ceniza insoluble en detergente ácido.
FDN: Fibra de detergente neutra.
FDA: Fibra de detergente ácida.
DETERMINACIÒN DE PROTEINA CRUDA (KJELDAHL)
El nitrógeno en su forma orgánica se oxida a sulfato de amonio por digestión con
acido sulfúrico concentrado. El sulfato de amonio producido en la digestión en
presencia de solución de hidróxido de sodio concentrada, pone en libertad el
amoniaco el cual se recoge sobre una solución de ácido Bórico.
184 El Borato de amonio producido se titula con HCL al 0,1N.
Este método determina el nitrógeno total en forma de amonio de los alimentos, sin
diferenciar si proviene de proteínas o de otra fuente proteica. En las condiciones
en que se realiza la prueba, no determina el contenido de nitrógeno en forma de
nitratos o nitritos.
Reacciones para la determinación de proteína
1. Digestión
Catalizador Muestra
(N org) + H2SO4
NH4SO4 + CO2 + H2O
2. Destilación
Vapor de Agua NH4SO4 + NaOH 40%
H3BO4 + NH3 + H2O + NaSO4
3. Titulación
NH4BO4
HCl + H3BO4
Equipos:
•
Balanza analítica.
•
Tubos de digestión para kjeldahl.
•
Digestor para análisis kjeldahl.
•
Destilador.
•
Erlenmeyer.
•
Vasos de precipitado.
•
Agitador magnético.
•
Bureta.
185 Reactivos:
•
Acido Sulfúrico concentrado (H2SO4).
•
Catalizador (Tabletas de kjeldahl).
•
Hidróxido de Sodio del 60%.
•
Indicador (Acido Borico H3BO4).
•
Acido clorhídrico 0.1 N (HCl).
•
Agua destilada.
Digestión
¾ Pase la muestra seca por el molino con una criba de 1mm.
¾ Pese 1 g de la muestra en un tubo de digestión para kjeldahl, adicione una
tableta catalizadora y 10 ml de acido sulfúrico (H2SO4) concentrado.
¾ Caliente en el digestor primero a una temperatura moderada hasta que la
formación de la espuma cese y después a modo de mantener una ebullición
activa aumente la temperatura hasta que la solución clarifique.
¾ Mantenga el proceso de digestión por tiempo de 15 a 20 minutos después
de alcanzar este punto.
¾ Deje enfriar y siga a destilar.
Destilación
¾ Adicione 5 ml de acido bórico, con indicador a un erlenmeyer de 50 ml,
acondicione el destilador, asegúrese que la punta del condensador quede
totalmente sumergido en el acido bórico.
¾ Ponga el tubo de digestión para kjeldahl en el destilador.
¾ Adicione el hidróxido de sodio (NaOH).
¾ Destile hasta obtener una solución de color azul, aproximadamente 150 ml.
¾ Baje el erlenmeyer, luego retire el tubo de digestión.
186 ¾ Agite la manguera del destilador dentro del erlenmeyer para que el residuo
de la destilación quede dentro de la muestra a titular.
Titulación
¾ Ponga a funcionar el agitador magnético y titule el contenido del erlenmeyer
con la solución 0.1 N de ácido clorhídrico hasta el cambio de color del
indicador, de azul a rosado.
¾ Lea el volumen de acido estándar necesario para neutralizar la
determinación del blanco.
NOTA: debe hacer un blanco; es decir, en un tubo de digestión agregar solo los
reactivos y realizar el mismo procedimiento, es necesario para la determinación en
los cálculos.
Cálculos:
% N = (ml HCl muestra – ml HCl blanco) × 0,1 × 0,014 / peso muestra × 100
En donde
9 ml HCl muestra: cantidad de acido utilizado en la titulación de la muestra.
9 ml HCl blanco: cantidad de acido utilizado en la titulación del blanco.
9 0,1N: normalidad del HCl.
9 0,014: miliequivalentes del N.
9 Peso muestra: peso de la muestra que se analiza.
9 100: el valor se obtiene como porcentaje (%)
% Pc = % N × 6,25
9 % N: valor obtenido en la ecuación anterior.
9 6,25: factor proteico.
187 DETERMINACION DE PROTEINA SOLUBLE EN BUFFER (B1)
Pese 2,5 g de muestra y colóquela en un dedal previamente pesado y marcado.
Equipos:
•
Dedales.
•
Agitador mecánico.
•
Beaker.
•
Pipetas.
•
Tubos de digestión.
Reactivos (preparación solución buffer)
•
Fosfato monobásico de sodio (NaH2PO4), 12,20gr.
•
Tetraborato de sodio (Na2B4O7), 9,4gr.
•
Terbutanol, 100 ml.
•
Para una solución final de 1000 ml.
Determinación
¾ Ubique los dedales dentro de cada beaker con 50 ml de solución buffer.
¾ Active el agitador mecánico, 4 rpm durante 150 minutos.
¾ Al finalizar el proceso, lave cada dedal con 50 ml de agua destilada
haciendo presión sobre el mismo en otro beaker, previamente marcado.
¾ A este residuo, se le hace proteína (kjeldahl), destilación y titulación.
¾ El valor obtenido es la fracción B1 de la proteína.
DETERMINACION DE LAS FRACCIONES SOLUBLE E INSOLUBLE
Luego de la solubilización de la muestra en solución buffer, se obtienen los valores
de la fracción soluble e insoluble de la muestra.
188 ¾ Retire el dedal luego de lavarlo con agua destilada.
¾ Ponga el dedal a secar en estufa a 62 ºC durante 24 horas.
¾ Retire el dedal de la estufa y póngalo en un desecador.
¾ Pese y realice los cálculos.
DETERMINACION DE PROTEINA A NNP
De la solución final que se obtuvo de buffer 100 ml, se pasaron 50 ml a otro
beaker marcado como TCA.
Equipos
•
Beaker
•
Tubos de ensayo
•
Centrífuga
•
Pipetas
•
Tubo digestión
Reactivos
•
Azida de sodio al 10%
•
TCA al 10%
•
Estas soluciones se prepararon por separado.
Procedimiento
¾ En el beaker, marcado como TCA, agregar 50 ml de la solubilización.
¾ Agregar 10 ml de la solución TCA y 1 ml de la solución azida de sodio.
¾ Agitar hasta obtener una solución homogénea (con agitadores para cada
muestra).
¾ Marcar los tubos de ensayo.
189 ¾ En cada tubo de ensayo marcado respectivamente, agregar 10 ml de cada
beaker.
¾ Poner en la centrífuga durante 20 minutos.
¾ Tomar 10 ml de cada tubo sin dejar que el residuo precipitado se mezcle, y
llevar a un tubo de digestión previamente marcado.
¾ Realizar el procedimiento de Kjeldahl para NNP.
DETERMINACION DE FRACCION PROTEICA B3 O NITROGENO INSOLUBLE
EN SOLUCION FIBRA DETERGENTE NEUTRO (NDIN)
El NDIN o NIFDN es el nitrógeno asociado con la fibra detergente neutro o pared
celular (celulosa, hemicelulosa y lignina). Es normalmente proteína unida a la
pared celular, la cual incluye también el nitrógeno indigestible encontrado en el
residuo ácido del detergente. Se continúa en proceso con los dedales en los
cuales se pesó la muestra original después de realizar la solubilización en el buffer
y se procesa como la determinación de FDN. Este cuantifica los componentes de
la pared celular y divide la materia seca, al punto que separa los constituyentes
nutricionales solubles y accesibles de los que no son totalmente aprovechables.
Procedimiento
¾ Obtenga el peso de la muestra procedente de la solubilización en Buffer
(sin retirarla del dedal).
¾ Ubique los dedales en beaker de berzelius.
¾ Adicione 100 ml de detergente neutro por cada uno de los dedales.
¾ Lleve a reflujo y deje una hora en ebullición a temperatura baja.
¾ Eleve la temperatura para que la solución hierva a un nivel constante.
¾ Lave la muestra con agua caliente aproximadamente 80ºC.
¾ Lave la muestra con alcohol y seque a 65ºC por 48 horas.
¾ Enfrié en el desecador y pese.
190 ¾ De cada dedal saque 0,2 gr para proteína.
¾ Realice el procedimiento de Kjeldahl para B3.
DETERMINACION DE FRACCION PROTEICA C O NITROGENO INSOLUBLE
EN SOLUCION FIBRA DETERGENTE ACIDO (ADIN)
El ADIN o fracción C es el nitrógeno que no se puede extraer completamente de la
pared celular de las plantas. Es una parte central del nitrógeno residual, resistente
indigestible y asociado con la lignina, aún en forrajes frescos que no contienen
taninos. Si estos están presentes se incrementa la posibilidad de encontrar más
proteína insoluble asociada con la pared celular.
Procedimiento
¾ Obtenga el peso de la muestra más el dedal procedente de la
determinación de FDN.
¾ Deposítela en un beaker de berzelius.
¾ Adicione100 ml de detergente acido por cada uno de los dedales.
¾ Lleve a reflujo deje una hora en ebullición a temperatura baja.
¾ Eleve la temperatura para que la solución hierva a un nivel constante.
¾ Lave la muestra con agua caliente aproximadamente 80ºC.
¾ Lave la muestra con alcohol y seque a 65ºC por 48 horas.
¾ Enfrié en el desecador y pese.
¾ De cada dedal saque 0,2 para proteína.
¾ Realice el procedimiento de Kjeldahl para C.
DETERMINACIÓN DE LIGNINA
La determinación de la lignina por medio del permanganato, permite la
determinación de la celulosa y cenizas insolubles. La determinación de cenizas
191 insolubles es una manera de estimar el contenido
de sílice que en muchos
forrajes es factor determinante en la reducción de la digestión.
Los materiales que interfieren con la determinación, se separan con la preparación
de la FDA que esta compuesta principalmente por lignina, celulosa, minerales
insolubles. La lignina se oxida con una solución de acido acético amortiguada con
permanganato de potasio conteniendo hierro trivalente y plata monovalente como
catalíticos.
Los óxidos de manganeso y hierro que se depositan, se disuelven con una
solución alcohólica de acido oxálico y clorhídrico, permaneciendo la celulosa y los
minerales insolubles. El contenido de lignina se determina con base a la perdida
de peso de la muestra, ocasionado por los tratamientos que ha sido sometida;
mientras que la celulosa se termina en base a la perdida de peso de la muestra al
ser incinerada. El residuo de cenizas consiste principalmente de sílice y gran parte
del material no silicato residual que puede eliminarse por medio de lavado con
acido hidrobromico concentrado.
Equipos
•
Crisoles
•
Horno
•
Desecador
•
Agitadores
•
Bandeja
Reactivos
•
Permanganato de potasio saturado: Disolver 50 g de KMnO4 grado reactivo
por litro de agua destilada, mantener la solución protegida de la luz solar
directa.
192 •
Solución buffer de lignina: Para preparar un litro de solución, disolver 6 g de
nitrato ferrico monohidratado (Fe (NO3)3 9 H2O) y 0.15 g de nitrato de plata
en 100 ml de agua destilada. Combinar esta mezcla con 500 ml de acido
acético glacial y 5 g de acetato de potasio. Agregar 400 ml de alcohol
butílico terciario y mezclar la solución.
•
Solución de permanganato combinado: Antes de ser usada la solución,
mezclar el permanganato de potasio saturado con la solución buffer de
lignina en la relación de 2:1 por volumen. La porción no utilizada de esta
mezcla puede mantenerse por una semana en refrigeración en ausencia de
la luz. Esta solución puede utilizarse si mantiene el color morado y esta libre
de precipitado.
•
Solución desmineralizadora: Por cada litro de solución, disolver 50 g de
acido oxálico dihidratado en 700 ml de alcohol etílico de 95%, agregar 50 ml
de acido clorhídrico concentrado (aproximadamente 12 N) y 250 ml de agua
destilada y luego mezclar.
•
Alcohol etílico del 80%: Para un litro mezclar 155 ml de agua destilada y
845 ml en alcohol etílico del 95%.
Procedimiento
¾ Las muestras a analizar se tomaron como residuo de FDA.
¾ Colocar los crisoles que contienen el residuo de FDA en una bandeja de
poca profundidad que tenga aproximadamente una capa de 1 cm de
espesor de agua fría. La fibra de los crisoles no se debe mojar.
¾ Agregar a los crisoles aproximadamente 25 ml de la solución combinada
de permanganato de potasio sin llenarlos demasiado. Ajustar el nivel de
agua en la bandeja a manera de reducir la corriente de paso de la solución
a través de los crisoles.
193 ¾ Colocar un agitador de vidrio en cada crisol con el objeto de revolver el
contenido, deshacer los grumos y bañar todas las partículas que se
adhieren a las paredes internas del crisol con la solución de permanganato.
¾ Dejar los crisoles por 90 minutos aproximadamente a temperatura de 20 a
25 grados centígrados si fuera necesario, una cantidad adicional de la
solución combinada de permanganato. Hay que recordar que el color
morado lo debe conservar constantemente.
¾ Trasladar los crisoles a la bomba de vacio y filtrar toda la porción requerida
remanente.
¾ No lave la muestra.
¾ Colocar seguidamente los crisoles en bandejas, llenarlos hasta la mitad con
la solución mineralizadora.
¾ Transcurridos 5 minutos, filtrar la solución líquida remanente y volver a
llenar hasta la mitad con la misma solución.
¾ Se debe tomar la precaución de evitar el derrame debido a la producción de
espuma.
¾ Repetir la adición de la solución desmineralizadora por tercera vez si se
nota que el filtrado del segundo tratamiento se encuentra de color café
oscuro.
¾ Lavar las paredes internas de los crisoles con una corriente fina de la
solución desmineralizadora contenida en una botella de lavado por
compresión, hasta que el color de la fibra sea blanco. El tiempo total
necesario en este paso es de 20 a 30 minutos.
¾ Llenar y lavar el contenido de los crisoles con alcohol etílico del 80%; filtrar
y repetir este lavado por dos veces consecutivas.
¾ Secar los crisoles durante la noche a 105 grados centígrados de
temperatura, dejar enfriar en un desecador y pesar.
194 El contenido de lignina se calcula en base a la perdida en peso original de la fibra
obtenida por el método acido detergente.
DETERMINACIÓN DE CELULOSA
¾ Para obtener el contenido de celulosa incinere a 500 ºC durante 3 horas el
residuo de las muestras procedentes de la determinación de la lignina.
¾ Deje enfriar en el desecador y pese.
DETERMINACIÓN DE SÍLICE
La determinación de cenizas insolubles es una manera de estimar el contenido de
sílice.
¾ El contenido de sílice se obtiene mediante la percolación del residuo de
ceniza en los crisoles, con ácido Bromhídrico del 48% hasta desaparición
total del color.
¾ Lave la muestra con alcohol etílico o acetona, filtre e incinere a 500 ºC por 3
horas.
¾ Enfríe en desecador y pese.
195 ANEXO
Degradabilidad ruminal usando el software NEWAY.
Rumen Degradability Calculation
Sample Name: MS 45 DIAS NO RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Time
0
6
24
48
72
36,7
78,4
0,014
#¡VALOR!
4
Degradability parameters
37,3
Degradability of water insoluble (%)
100,0
Potential degradability (%)
0,014
Rate constant (fraction/h)
Lag time (h)
29,7
#¡VALOR!
Measured
Fitted
33,4
34,0
46,9
42,8
59,3
58,5
71,2
74,2
87,1
85,6
Effective degradability
Outflow rate (fraction/h)
0,02
0,05
0,08
196 62,7
Washing loss (%)
Effective Degradability(%)
74,4
65,2
63,4
Rumen Degradability Calculation
Sample Name: MS 52 DIAS NO RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
33,6
45,4
0,038
14,30
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
79,0
Potential degradability (%)
0,038
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
2,67
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
31,9
33,6
0,02
68,9
45,8
42,9
0,05
64,5
59,5
60,7
0,08
63,3
70,8
71,6
76,9
76,0
197 16,3
Rumen Degradability Calculation
Sample Name: MS 59 DIAS NO RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
29,3
71,5
0,012
2,33
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
100,0
Potential degradability (%)
0,012
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
1,08
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
29,3
29,3
0,02
68,0
34,8
34,4
0,05
63,3
46,7
47,7
0,08
62,8
62,5
61,4
71,2
71,6
198 37,3
Rumen Degradability Calculation
Sample Name: FDN 45 DIAS NO RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
5,5
46,8
0,025
23,94
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
52,3
Potential degradability (%)
0,025
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
3,46
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
4,3
5,5
0,02
30,7
12,9
11,9
0,05
23,9
28,3
26,3
0,08
20,1
34,1
37,9
46,1
44,3
199 -10,4
Rumen Degradability Calculation
Sample Name: FDN 52 DIAS NO RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
10,1
55,6
0,018
8,08
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
65,7
Potential degradability (%)
0,018
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
2,01
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
10,7
10,1
0,02
62,7
14,2
15,7
0,05
62,7
31,0
29,3
0,08
62,7
40,3
41,8
50,6
50,0
200 3,0
Rumen Degradability Calculation
Sample Name: FDN 59 DIAS NO RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
21,0
45,3
0,022
8,89
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
66,3
Potential degradability (%)
0,022
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
2,11
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
19,6
21,0
0,02
62,9
28,2
26,4
0,05
62,7
39,6
39,2
0,08
62,7
48,5
50,1
57,5
56,6
201 3,6
Rumen Degradability Calculation
Sample Name: RIE 45 DIAS NO RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
7,5
14,3
0,027
1,95
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
21,8
Potential degradability (%)
0,027
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
0,99
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
6,8
7,5
0,02
15,8
10,7
9,7
0,05
13,3
14,2
14,4
0,08
10,0
17,5
18,0
20,2
19,8
202 -40,8
Rumen Degradability Calculation
Sample Name: RIE 52 DIAS NO RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
11,9
23,6
0,039
16,17
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
35,5
Potential degradability (%)
0,039
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
2,84
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
10,2
11,9
0,02
25,9
19,4
16,8
0,05
22,7
25,6
26,1
0,08
21,0
29,9
31,8
35,5
34,0
203 -27,2
Rumen Degradability Calculation
Sample Name: RIE 59 DIAS NO RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
12,4
23,1
0,031
6,95
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
35,5
Potential degradability (%)
0,031
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
1,86
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
11,3
12,4
0,02
24,9
17,8
16,3
0,05
20,9
24,6
24,4
0,08
18,7
28,6
30,2
33,9
32,9
204 -27,2
Rumen Degradability Calculation
Sample Name: MS 45 DIAS RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
36,4
44,2
0,056
54,12
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
80,6
Potential degradability (%)
0,056
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
5,20
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
36,0
36,4
0,02
72,3
49,2
49,0
0,05
66,9
71,1
69,1
0,08
64,7
71,7
77,6
83,7
79,8
205 17,9
Rumen Degradability Calculation
Sample Name: MS 52 DIAS RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
34,7
43,8
0,048
8,11
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
78,5
Potential degradability (%)
0,048
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
2,01
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
34,1
34,7
0,02
70,0
46,4
45,6
0,05
65,3
65,1
64,6
0,08
63,8
71,9
74,1
78,6
77,1
206 15,8
Rumen Degradability Calculation
Sample Name: MS 59 DIAS RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
34,0
44,5
0,040
6,29
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
78,5
Potential degradability (%)
0,048
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
1,77
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
32,9
34,0
0,02
69,0
45,3
43,5
0,05
64,6
61,1
61,5
0,08
63,3
70,9
72,0
76,9
76,0
207 15,8
Rumen Degradability Calculation
Sample Name: FDN 45 DIAS RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
6,8
41,4
0,036
4,02
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
48,2
Potential degradability (%)
0,036
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
1,42
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
6,1
6,8
0,02
28,6
15,9
14,9
0,05
22,1
31,0
30,8
0,08
18,6
39,6
40,9
46,0
45,1
208 -14,5
Rumen Degradability Calculation
Sample Name: FDN 52 DIAS RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
5,6
39,4
0,044
0,00
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
45,1
Potential degradability (%)
0,044
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
0,04
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
5,6
5,6
0,02
32,0
14,8
14,8
0,05
24,8
31,3
31,3
0,08
18,3
40,3
40,3
43,4
43,4
209 -17,6
Rumen Degradability Calculation
Sample Name: FDN 59 DIAS RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
23,2
37,0
0,023
2,26
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
60,2
Potential degradability (%)
0,023
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
1,06
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
22,7
23,2
0,02
48,1
28,6
28,1
0,05
40,5
39,6
39,1
0,08
35,4
47,1
48,2
53,9
53,3
210 -2,5
Rumen Degradability Calculation
Sample Name: RIE 45 DIAS RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
8,4
11,5
0,036
0,00
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
19,9
Potential degradability (%)
0,036
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
0,03
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
8,4
8,4
0,02
16,4
10,7
10,7
0,05
13,3
15,1
15,1
0,08
11,4
17,9
17,9
19,1
19,1
211 -42,7
Rumen Degradability Calculation
Sample Name: RIE 52 DIAS RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
12,8
17,1
0,047
0,95
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
29,9
Potential degradability (%)
0,047
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
0,69
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
13,2
12,8
0,02
29,6
16,3
17,0
0,05
24,1
24,9
24,4
0,08
21,0
28,2
28,2
29,2
29,4
212 -32,7
Rumen Degradability Calculation
Sample Name: RIE 59 DIAS RENOVADAS
Fitted parameters
a
b
c
Sum of square
No observ
RSD
Degradability parameters
12,4
27,1
0,022
5,91
5
62,7
Washing loss (%)
Degradability of water insoluble (%)
39,5
Potential degradability (%)
0,022
Rate constant (fraction/h)
Lag time (h)
Time of incubation (h)
1,72
Effective degradability
Time
0
6
24
48
72
Meassured
Fitted
Outflow rate (fraction/h) Effective Degradability(%)
11,2
12,4
0,02
25,3
17,8
15,8
0,05
20,9
22,9
23,6
0,08
17,6
29,9
30,2
34,3
34,0
213 -23,1
214 ANEXO J
Simulación de la respuesta animal con el programa Cornell Net Carbohydrate and
Protein System 59 días Praderas Renovadas. CNCPS v. 6.1
215 Simulación de la respuesta animal con el programa Cornell Net Carbohydrate and
Protein System Praderas No renovadas 59 días. CNCPS v. 6.1
216 ANEXO K
Comprobación
de los supuestos del modelo de optimización de la respuesta
animal
Calculo de residuos
A
B
MODELO
REAL
RESIDUOS
Aleatorio
(estimado) (Observado)
(e)
1
-1 -1
14,60
13,29
1,310715
2
2
1
-1
20,87
18,73
2,143199
12
3
-1
1
24,93
23,93
0,999707
3
4
1
1
31,20
27,08
4,118775
8
5
-1 -1
14,60
12,73
1,872443
1
6
1
-1
20,87
23,09
-2,218853
9
7
-1
1
24,93
26,76
-1,833626
5
8
1
1
31,20
29,36
1,83064
7
9
-1 -1
14,60
15,73
-1,123442
4
10
1
-1
20,87
22,84
-1,962262
11
11 -1
1
24,93
26,13
-1,203997
6
12
1
31,20
35,08
-3,889699
10
1
0,04
El valor esperado de los residuos debe ser igual a cero
E (e) = 0
Grafico de los residuos en función de los valores reales ei= ei (Yi hat ) se puede
observar que los residuos se distribuyen aleatoriamente y que no siguen
un
patrón determinado de comportamiento. Lo que valida el primer supuesto del
modelo.
217 6
4
2
0
‐20,00
‐4
‐6
10,00
20,00
30,00
40,00
ei = ei (Yi ). Donde Yi = Observados y ei = residuales
La varianza de los residuos debe ser constante
V(e)= constante
Se presenta la distribución de los residuos de acuerdo a los valores de estimados
del modelo. Aparentemente la varianza se amplia al final, lo que podría invalidar
este supuesto; pero, en realidad se tiene muy pocos datos para realizar esta
conclusión.
La correlación de los residuos debe ser cero
Correlación (ei; ej) = 0
Como se observa en la figura 3 no existe ninguna tendencia en los datos. Este
punto sirvió para entender que en futuras investigaciones es importante en cada
fecha distribuir aleatoria mente el muestreo de los potreros. Se piensa que el
cansancio de los evaluadores puede influir en el registro de información y si esto
se da siempre con la misma distribución puede generar problemas en la
información final.
218 6
ei 4
2
0
10,00
‐2
Yi hat 15,00
20,00
25,00
30,00
35,00
‐4
‐6
Distribución de los residuales (ei) respecto a los valores estimados del
modelo Yi hat
Los residuos deben corresponder a una distribución normal.
Se presenta los cálculos para evaluar la normalidad de los residuos y la figura 4
presenta el resultado. Los residuos se distribuyen a lado y lado de la recta
mostrando normalidad.
219 Cálculos para verificar normalidad de los residuos
ORDEN
‐6,00
XJ
ZJ
ZJ
1
-3.89 0.042 -1.731664396
2
-2.22 0.125
3
-1.96 0.208 -0.812217801
4
-1.83 0.292 -0.548522283
5
-1.20 0.375 -0.318639364
6
-1.12 0.458 -0.104633456
7
1.00
0.542
0.104633456
8
1.31
0.625
0.318639364
9
1.83
0.708
0.548522283
10
1.87
0.792
0.812217801
11
2.14
0.875
1.15034938
12
4.12
0.958
1.731664396
‐4,00
‐2,00
2
1,5
1
0,5
0
‐0,5 0,00
‐1
‐1,5
‐2
-1.15034938
2,00
4,00
6,00
Distribución normal de los residuos
En general el modelo cumple los cuatro supuestos necesarios
Se puede entonces deducir que el modelo cumple en forma general con los cuatro
supuestos básicos necesarios.
El diseño del experimento no permite seguir con la comprobación de si existe
curvatura o no para determinar el optimo, por que para encontrar modelos de
220 segundo orden (con curvatura) necesito más de seis puntos y aquí solo se cuenta
con cuatro en total.
Prueba de la regresión.
Por ultimo se hizo necesario hacer la prueba de regresión
Hipótesis
Ho: El modelo no explica la variación de los datos
Todos los βj= 0
Ha: El modelo explica bien la variación de los datos
Algún βj
diferente 0
Estadísticamente se esta comprobando si el modelo global es mayor que el ruido
(error experimental)
Para el caso de la prueba de hipótesis
Fobs << Fp-1,n-1
F observado << F critico, se rechaza la Hipótesis nula. El error es mayor al
calculado.
Es decir que un modelo de primer orden no es el mejor y es posible que exista un
modelo de segundo orden que haga una mejor predicción de los datos, lo que
significa que puede encontrarse curvatura y existir un óptimo de producción de
leche.
221 Análisis de Varianza para el modelo
FUENTE
Βo hat
EF hat
CM REG
CM ERROR
GRADOS DE LIBERTAD
F OBS
CM REG
CM ERROR
FCRITICO
F p-1,n-p
22,90
3,13
β1 hat
P-1
β2 hat
5,16
1,86567
0,305299
61,109743
N- P
222 4,06618
ANEXO L
Praderas Renovadas.
Praderas No Renovadas.
223 Periodo de Lluvias.
Periodo de Sequia.
224 Arvenses encontradas por inundaciones.
Forrajes encontrados en algunas de las Praderas.
225 Tubos de digestión para fraccionamiento de
Proteína y Carbohidratos.
Digestor.
226 Bolsas Ankon utilizadas para degradabilidad in sacco.
Toro utilizado para la degradabilidad in sacco.
227 228 229 230