The fact that feedstuffs used in an

The fact that feedstuffs used in animal diets have variable composition is well recognized and it is also accepted that this variability will lead to uncertainty in final diet composition. The current paper will discuss sources of variation that lead to uncertainty in diet specification, examine the effects of variability in feed components in diet formulation and propose that a Bayesian, decision-theoretic framework may be useful in working with the variability that inevitably occurs, to improve on-farm decision-making. The objective is to stimulate thought and discussion on how to deal practically with uncertainty in the nutritional value of feed components. A crucial aspect of understanding the relevance of variability in feedstuffs is the question “How does variability in feedstuff affect the decisions we make in formulating rations?” and it is intended to address this question.
The nutritional value of any particular raw material or forage is not the same for all batches used in animal feeds. For example, the ruminant energy concentration for rolled wheat used in a particular mill over a six month period may have a mean value of 13.5 MJ ME/kg DM but, for any given diet formulation during that six month period, there will be some variation around this mean value The degree of uncertainty may be expressed as a credibility interval (an interval within which there is a specified probability that the true value lies) or, assuming a normal distribution, as a standard deviation (SD) or variance (SD2).
Variability in feedstuff composition can arise from two general sources; random variation (often termed ‘error’) or systematic variation (‘bias’). Random variation may arise from (for example) natural variation in a product or random measurement error in laboratory methods. Systematic variation may arise from (for example) analytical equipment that always reads ‘low’ or ‘high’ for a particular nutrient, decomposition of feeds in certain storage conditions, or poor sampling technique.
It is essential to minimise random and systematic variation as far as possible and methods for this are suggested. Having accomplished this, there are some pragmatic principles to reduce the impact of uncertainty in feed components in a final diet specification; do not use highly variable feedstuffs, reduce the proportion of variable products used in a diet, increase the number of dietary components (this has the effect of ‘averaging’ feeds that may be higher or lower than their expected mean value, an example is provided), consider adjusting a feedstuff by a proportion of the SD to allow for the probability of the feed being above a specified nutri. Another way to look at variability is that there is uncertainty associated with the compositional value of a particular sample.ent level.
The problem with individual feed adjustments is that it is difficult to assess the final output probabilities for the overall diet (combinations of distributions are needed for this). Rations that use individual component ‘safety margins’ have been shown to be less cost effective than full probability based models.
Methods to calculate diets to incorporate feedstuff probability distributions (uncertainty in feed component nutrients) will be presented and this will include a detailed farm example. The effects of uncertainty in feed components as well as variability farm management on productivity, diet costs and production decisions, will be assessed in the context of a dairy farm. The effects of different magnitudes of variability in forages and feedstuffs on the probability distribution of dietary energy supply will be illustrated. The impact of variability of feeds on the cost of a diet is discussed and the importance of using such information for transparent individual farm decision-making is illustrated.
Modelling of sources of variability is extended by combining prior beliefs (current knowledge) alongside new data to present a fully Bayesian framework. The resulting ‘posterior’ distribution can be used for subsequent ration prediction and may be thought of as a weighted mean of established knowledge and new data from current samples. This may work well for forage analysis, when a prior distribution for a specific silage cut (e.g. mid May, new grass variety, good making conditions) could be combined with a relatively small number of analyses from a silage clamp and the influence of one or two very unusual sample results would be limited.
This concept can be extended to all feed components for which there is reasonable prior knowledge from literature, laboratory data or expert advice, and used to formulate diets with outputs in the form of probability distributions. These models can also incorporate knowledge of farm feed practices and produce outputs to aid farm decisions (such as the probabilities of achieving different levels of production or costs per unit output for example) and this will be illustrated.

Thus, variation in feed components used to produce animal diets is unavoidable and this leads to uncertainty in the final diet suggested. Important steps in handling this uncertainty are:
Minimise variation by:
• Reducing random and systematic variation wherever possible.
• Using a variety of different feeds to make a diet
• Limiting the use of highly variable feeds
Allow for uncertainty in feed components:
• A decision-based approach can be used to model uncertainty with decisions set in the context of each farm situation.
• A Bayesian approach can incorporate prior knowledge of feed component characteristics as well as results of recent farm samples and may provide improved estimates for decision-making.
Expect formulation to be an iterative process:
• Monitor cow performance and farm outputs regularly and carefully as a guide for possible errors in dietary assumptions. It should not be assumed a diet is correct just because it is ‘right’ on paper and vice versa.
by
Martin Green, School of Mathematics and School of Veterinary Medicine and Science, University of Nottingham.
James Husband, Richard Vecqueray, Evidence Based Veterinary Consultancy, 68 Arthur Street, Penrith.
Laura Green, Ecology and Epidemiology Group, Department of Biological Sciences, University of Warwick

ผลลัพธ์ (ไทย) 1:

ความจริงที่ว่า feedstuffs ใช้ในอาหารสัตว์มีองค์ประกอบตัวแปรเป็นที่ดีรู้จัก และมันยังยอมรับว่า สำหรับความผันผวนนี้จะทำให้ความไม่แน่นอนในการประกอบอาหารขั้นสุดท้าย ปัจจุบันกระดาษจะหารือเกี่ยวกับแหล่งที่มาของการเปลี่ยนแปลงที่นำไปสู่ความไม่แน่นอนในข้อมูลจำเพาะของอาหาร ตรวจสอบผลกระทบของความแปรผันในอาหารส่วนประกอบในอาหารที่กำหนด และเสนอว่า เป็นทฤษฎี กรอบ theoretic ตัดสินใจอาจเป็นประโยชน์ในการทำงานกับความแปรผันที่ย่อมเกิดขึ้น การปรับปรุงการตัดสินใจในฟาร์ม วัตถุประสงค์คือเพื่อ กระตุ้นความคิดและอภิปรายเกี่ยวกับวิธีการจัดการกับความไม่แน่นอนในคุณค่าทางโภชนาการของส่วนประกอบอาหารจริง ลักษณะสำคัญของการทำความเข้าใจเกี่ยวกับความสำคัญของความแปรผันใน feedstuffs เป็นคำถาม "ไม่ความแปรผันในเรากระทบการตัดสินใจทำที่ formulating ได้ หรือไม่" และมีวัตถุประสงค์เพื่อแก้ไขคำถามนี้คุณค่าทางโภชนาการโดยเฉพาะวัตถุดิบหรืออาหารสัตว์ไม่เหมือนกันสำหรับชุดทั้งหมดที่ใช้ในตัวดึงข้อมูลสัตว์ ตัวอย่าง ความเข้มข้นพลังงาน ruminant สำหรับข้าวสาลีรีดที่ใช้ในโรงงานเฉพาะช่วงระยะเวลา 6 เดือนอาจมีค่าเฉลี่ย 13.5 MJ ME/kg DM แต่ สำหรับกำหนดการกำหนดอาหารช่วงหกเดือน จะมีบางรอบค่าเฉลี่ยนี้อาจจะแสดงระดับของความไม่แน่นอนเป็นช่วงความน่าเชื่อถือ (เป็นช่วงที่มีความน่าเป็นการระบุคุณค่าแท้จริงอยู่) หรือ สมมติว่าการแจกแจงปกติ ส่วนเบี่ยงเบนมาตรฐาน (SD) หรือผลต่าง (SD2)ความแปรผันในองค์ประกอบเราสามารถเกิดขึ้นได้จากสองแหล่งทั่วไป การเปลี่ยนแปลงแบบสุ่ม (มักจะเรียกว่า 'พลาด') หรือเปลี่ยนแปลงระบบ ('อคติ') สุ่มเปลี่ยนแปลงอาจเกิดขึ้นจากการผันแปรทางธรรมชาติ (ตัวอย่าง) ในผลิตภัณฑ์หรือสุ่มประเมินข้อผิดพลาดในวิธีการปฏิบัติ เปลี่ยนแปลงระบบอาจเกิดขึ้นจาก (ตัวอย่าง) อุปกรณ์วิเคราะห์ที่อ่าน 'ต่ำ' หรือ 'สูง' สำหรับสารหนึ่ง ๆ แยกส่วนประกอบของตัวดึงข้อมูลในบางสภาพการจัดเก็บ หรือเทคนิคการสุ่มตัวอย่างที่ดีเสมอจำเป็นต้องลดความผันแปรที่สุ่ม และระบบเท่าที่เป็นไป และมีการแนะนำวิธีนี้ มีสำเร็จนี้ มีหลักปฏิบัติบางอย่างเพื่อลดผลกระทบของความไม่แน่นอนในส่วนประกอบของอาหารในการเพาะอาหารขั้นสุดท้าย ไม่ใช้ตัวแปรสูง feedstuffs ลดสัดส่วนของผลิตภัณฑ์ตัวแปรที่ใช้ในอาหาร เพิ่มหมายเลขของส่วนประกอบอาหาร (มีผลของการ 'หาค่าเฉลี่ย' เนื้อหาสรุปที่อาจสูง หรือต่ำกว่าค่าเฉลี่ยของพวกเขาที่คาดไว้ ตัวอย่างไว้), พิจารณาปรับเรามีสัดส่วนของ SD ให้ความน่าเป็นอาหารที่อยู่เหนือ nutri ระบุ วิธีอื่นดูสำหรับความผันผวนคือ ว่า มีความไม่แน่นอนเกี่ยวกับค่า compositional ระดับ sample.ent เฉพาะปัญหาของแต่ละการปรับปรุงตัวดึงข้อมูลได้ว่า เป็นเรื่องยากที่จะประเมินกิจกรรมผลลัพธ์สุดท้ายสำหรับอาหารโดยรวม (รวมการกระจายจำเป็นสำหรับการนี้) มีการแสดงได้ที่ใช้คอมโพเนนต์แต่ละ 'ค่าเผื่อความปลอดภัย' จะน้อยกว่าต้นทุนมีประสิทธิภาพมากกว่ารูปแบบความน่าเป็นเต็มที่ตามจะแสดงวิธีการคำนวณการกระจายความน่าเป็นของเรา (ความไม่ในสารอาหารส่วนประกอบอาหารแน่นอน) รวมอาหาร และนี้จะรวมถึงตัวอย่างรายละเอียดฟาร์ม ผลของความไม่แน่นอนในส่วนประกอบอาหารรวมทั้งการจัดการฟาร์มความแปรผันการผลิต ต้นทุนอาหาร และตัดสิน ใจผลิต จะได้รับการประเมินในบริบทของฟาร์มโคนม จะสามารถแสดงผลของ magnitudes ต่างความแปรผันใน forages feedstuffs ในการกระจายความน่าเป็นของอาหารพลังงาน กล่าวถึงผลกระทบของความแปรผันของตัวดึงข้อมูลต้นทุนของอาหาร และอธิบายความสำคัญของการใช้ข้อมูลสำหรับตัดสินใจโปร่งใสแต่ละฟาร์มแบบจำลองของแหล่งความแปรผันจะขยาย โดยการรวมความเชื่อก่อน (ความรู้ปัจจุบัน) ควบคู่ไปกับข้อมูลใหม่เพื่อนำกรอบทฤษฎีเต็ม การกระจาย 'หลัง' ผลลัพธ์สามารถใช้สำหรับทายอาหารตามมา และอาจคิดเป็นค่าเฉลี่ยถ่วงน้ำหนักของการสร้างความรู้และข้อมูลใหม่จากตัวอย่างในปัจจุบัน นี้อาจทำงานดีสำหรับการวิเคราะห์อาหารสัตว์ เมื่อก่อนกระจายในไซเลจต่อที่เฉพาะที่ตัด (เช่นกลางเดือนพฤษภาคม ใหม่หญ้าต่าง ๆ ทำให้เงื่อนไขดี) สามารถใช้ร่วมกับจำนวนวิเคราะห์จากไซเลจต่อคีมหนีบขนาดค่อนข้างเล็กและอิทธิพลของผลลัพธ์อย่างมากผิดปกติสองจะจำกัดสามารถขยายแนวคิดนี้ทั้งหมดอาหารส่วนประกอบที่มีความรู้เดิมที่เหมาะสมจากวรรณคดี ห้องปฏิบัติการข้อมูล หรือคำแนะนำ และใช้ในการกำหนดอาหาร มีการแสดงผลในรูปแบบของการกระจายความน่าเป็น แบบจำลองเหล่านี้สามารถรวบรวมความรู้ในการปฏิบัติการอาหารสัตว์ฟาร์ม และผลิตเอาท์พุตเพื่อช่วยตัดสินใจฟาร์ม (เช่นกิจกรรมของการบรรลุเป้าหมายระดับต่าง ๆ ของการผลิตหรือต้นทุนต่อหน่วยผลผลิตตัวอย่าง) และนี้จะแสดงดังนั้น การเปลี่ยนแปลงในส่วนประกอบอาหารที่ใช้ในการผลิตอาหารสัตว์เป็นต้น และนี้นำไปสู่ความไม่แน่นอนในการแนะนำอาหารสุดท้าย ขั้นตอนที่สำคัญในการจัดการความไม่แน่นอนนี้คือ:ลดความแปรปรวนโดย:•ลดรูปแบบสุ่ม และระบบเป็นไป•การใช้ตัวดึงข้อมูลต่าง ๆ ที่หลากหลายเพื่อให้อาหาร•จำกัดการใช้ตัวดึงข้อมูลตัวแปรสูงอนุญาตสำหรับความไม่แน่นอนในส่วนประกอบอาหารสัตว์:•วิธีการตัดสินใจโดยสามารถใช้ตัวอย่างความไม่แน่นอนการตัดสินใจในบริบทของสถานการณ์แต่ละฟาร์ม•วิธีทฤษฎีสามารถรวบรวมความรู้เดิมของส่วนประกอบอาหารลักษณะเป็นฟาร์มตัวอย่างที่ผ่านมา และอาจมีการประเมินปรับปรุงการตัดสินใจคาดว่ากำหนดให้ กระบวนการซ้ำ:•ตรวจสอบประสิทธิภาพการทำงานของวัว และฟาร์มแสดงผลอย่างสม่ำเสมอ และอย่างระมัดระวังตามคำแนะนำข้อผิดพลาดที่เป็นไปได้ในอาหารสมมติฐาน มันจะไม่ทึกทักเอาอาหารที่ถูกต้องเพียง เพราะ '' บนกระดาษ และในทางกลับกันโดย กรี นมาร์ติน โรงเรียนคณิตศาสตร์ และโรงเรียนสัตวแพทยศาสตร์ และ วิทยาศาสตร์ มหาวิทยาลัยนอตติงแฮมสามี James ริชาร์ด Vecqueray หลักฐานการให้คำปรึกษาสัตวแพทย์ 68 Arthur Street ฟิตกรี นลอร่า นิเวศวิทยา และ กลุ่มระบาดวิทยา กรมทางชีวภาพวิทยา ลัยวอร์วิค

ผลลัพธ์ (ไทย) 2:

ความจริงที่ว่าสัตว์ที่ใช้ในอาหารสัตว์ที่มีส่วนผสมของตัวแปรที่ได้รับการยอมรับเป็นอย่างดีและเป็นที่ยอมรับกันว่าความแปรปรวนนี้จะนำไปสู่ความไม่แน่นอนในองค์ประกอบอาหารสุดท้าย กระดาษในปัจจุบันจะหารือเกี่ยวกับแหล่งที่มาของการเปลี่ยนแปลงที่นำไปสู่ความไม่แน่นอนในข้อมูลจำเพาะอาหารตรวจสอบผลกระทบของความแปรปรวนในส่วนประกอบอาหารในสูตรอาหารและเสนอว่าคชกรรมกรอบการตัดสินใจทฤษฎีอาจจะเป็นประโยชน์ในการทำงานกับความแปรปรวนที่หลีกเลี่ยงไม่ได้เกิดขึ้นเพื่อ ปรับปรุงในฟาร์มการตัดสินใจ โดยมีวัตถุประสงค์เพื่อกระตุ้นให้เกิดความคิดและการอภิปรายเกี่ยวกับวิธีการจัดการกับความไม่แน่นอนในทางปฏิบัติในคุณค่าทางโภชนาการของอาหารส่วนประกอบ ลักษณะสำคัญของการทำความเข้าใจความเกี่ยวข้องของความแปรปรวนในสัตว์เป็นคำถามที่ว่า "ความแปรปรวนอย่างไรในวัตถุดิบอาหารสัตว์ส่งผลกระทบต่อการตัดสินใจที่เราทำในการกำหนดปันส่วน?" และมันก็มีจุดมุ่งหมายเพื่อที่อยู่คำถามนี้.
คุณค่าทางโภชนาการของวัตถุดิบใดโดยเฉพาะหรืออาหารสัตว์คือ ไม่เหมือนกันสำหรับสำหรับกระบวนการทั้งหมดที่ใช้ในอาหารสัตว์ ตัวอย่างเช่นความเข้มข้นของพลังงานเคี้ยวเอื้องสำหรับข้าวสาลีรีดใช้ในโรงงานโดยเฉพาะอย่างยิ่งในช่วงระยะเวลาหกเดือนอาจจะมีค่าเฉลี่ย 13.5 MJ ME / kg DM แต่สำหรับสูตรอาหารใด ๆ ที่ได้รับในช่วงระยะเวลาเดือนที่หกจะมีการเปลี่ยนแปลงบางอย่าง รอบนี้ค่าหมายถึงระดับของความไม่แน่นอนอาจจะแสดงเป็นช่วงเวลาที่น่าเชื่อถือ (ช่วงเวลาที่อยู่ในที่มีความเป็นไปได้ที่ระบุว่ามูลค่าที่แท้จริงอยู่) หรือสมมติว่าการกระจายปกติเป็นส่วนเบี่ยงเบนมาตรฐาน (SD) หรือแปรปรวน (SD2) .
ความแปรปรวนในองค์ประกอบวัตถุดิบอาหารสัตว์ที่อาจเกิดขึ้นจากสองแหล่งทั่วไป รูปแบบสุ่ม (มักเรียกว่าข้อผิดพลาด ') หรือรูปแบบระบบ (' อคติ ') รูปแบบสุ่มอาจเกิดขึ้นจาก (ตัวอย่าง) รูปแบบธรรมชาติในผลิตภัณฑ์หรือข้อผิดพลาดในการวัดแบบสุ่มในวิธีการตรวจทางห้องปฏิบัติการ การเปลี่ยนแปลงระบบอาจเกิดขึ้นจาก (ตัวอย่าง) อุปกรณ์การวิเคราะห์ที่มักจะอ่าน 'ต่ำ' หรือ 'สูง' สำหรับสารอาหารโดยเฉพาะอย่างยิ่งการสลายตัวของฟีดในสภาพการเก็บรักษาบางอย่างหรือเทคนิคการสุ่มตัวอย่างที่ไม่ดี.
มันเป็นสิ่งสำคัญที่จะลดการเปลี่ยนแปลงแบบสุ่มและเป็นระบบเท่า ที่เป็นไปได้และวิธีการนี้มีข้อเสนอแนะ หลังจากประสบความสำเร็จนี้มีบางหลักการปฏิบัติเพื่อลดผลกระทบของความไม่แน่นอนในส่วนอาหารในสเปอาหารสุดท้าย; ไม่ได้ใช้วัตถุดิบอาหารสัตว์ตัวแปรลดสัดส่วนของผลิตภัณฑ์ตัวแปรที่ใช้ในอาหารเพิ่มจำนวนของส่วนประกอบอาหาร (นี้มีผลของการ 'เฉลี่ย' ฟีดที่อาจจะสูงหรือต่ำกว่าค่าเฉลี่ยที่คาดว่าจะเป็นตัวอย่างที่มีให้ ) พิจารณาปรับวัตถุดิบอาหารสัตว์โดยสัดส่วนของ SD ที่จะอนุญาตให้มีความน่าจะเป็นของอาหารดังกล่าวข้างต้นเป็น Nutri ระบุ วิธีการที่จะมองไปที่แปรปรวนก็คือว่ามีความไม่แน่นอนที่เกี่ยวข้องกับค่า compositional ของระดับ sample.ent โดยเฉพาะอย่างยิ่ง.
มีปัญหากับการปรับเปลี่ยนอาหารของแต่ละบุคคลก็คือว่ามันเป็นเรื่องยากที่จะประเมินความน่าจะเป็นผลลัพธ์สุดท้ายสำหรับการรับประทานอาหารโดยรวม (การรวมกันของการกระจายเป็น ที่จำเป็นสำหรับการนี้) อาหารที่ใช้ส่วนประกอบแต่ละระดับความปลอดภัย 'ได้รับการแสดงที่จะมีค่าใช้จ่ายที่มีประสิทธิภาพน้อยกว่าความน่าจะเป็นแบบเต็มรูปแบบตาม.
วิธีการคำนวณอาหารที่จะรวมการแจกแจงความน่าจะเป็นวัตถุดิบอาหารสัตว์ (ไม่แน่นอนในสารอาหารส่วนประกอบอาหารสัตว์) จะนำเสนอนี้จะรวมถึงตัวอย่างฟาร์มรายละเอียด . ผลกระทบจากความไม่แน่นอนในส่วนฟีดเช่นเดียวกับการจัดการฟาร์มแปรปรวนในการผลิตค่าใช้จ่ายในการรับประทานอาหารและการตัดสินใจการผลิตจะได้รับการประเมินในบริบทของฟาร์มโคนมที่ ผลของขนาดที่แตกต่างกันของความแปรปรวนในจำนงและอาหารสัตว์กับการกระจายความน่าจะเป็นของการจัดหาพลังงานอาหารที่จะได้รับการแสดง ผลกระทบของความแปรปรวนของฟีดค่าใช้จ่ายของการรับประทานอาหารที่มีการกล่าวถึงและความสำคัญของการใช้ข้อมูลดังกล่าวสำหรับฟาร์มของแต่ละบุคคลมีความโปร่งใสในการตัดสินใจเป็นตัวอย่าง.
การสร้างแบบจำลองของแหล่งที่มาของความแปรปรวนจะขยายออกไปโดยการรวมความเชื่อก่อน (ความรู้ในปัจจุบัน) ควบคู่ไปกับข้อมูลใหม่ที่จะ นำเสนอกรอบการทำงานแบบเบย์อย่างเต็มที่ ส่งผลให้ 'หลัง' จัดจำหน่ายสามารถนำมาใช้ในการทำนายปันส่วนตามมาและอาจจะคิดว่าเป็นค่าเฉลี่ยถ่วงน้ำหนักของความรู้ที่จัดตั้งขึ้นและข้อมูลใหม่จากตัวอย่างในปัจจุบัน นี้อาจทำงานได้ดีสำหรับการวิเคราะห์อาหารสัตว์เมื่อการกระจายก่อนสำหรับตัดหญ้าหมักที่เฉพาะเจาะจง (เช่นกลางเดือนพฤษภาคมหลากหลายหญ้าใหม่เงื่อนไขการทำดี) สามารถนำมารวมกับจำนวนที่ค่อนข้างเล็กของการวิเคราะห์จากการยึดหมักและอิทธิพลของหนึ่งหรือ สองผลที่ผิดปกติมากตัวอย่างจะถูก จำกัด .
แนวคิดนี้สามารถขยายไปยังทุกองค์ประกอบอาหารที่มีความรู้ก่อนที่เหมาะสมจากวรรณกรรมข้อมูลห้องปฏิบัติการหรือคำแนะนำจากผู้เชี่ยวชาญและใช้ในการกำหนดอาหารที่มีผลในรูปแบบของการแจกแจงความน่าจะเป็น รูปแบบเหล่านี้ยังสามารถรวมความรู้เกี่ยวกับการปฏิบัติที่ฟีดในฟาร์มและผลิตออกมาเพื่อช่วยในการตัดสินใจฟาร์ม (เช่นความน่าจะเป็นของความสำเร็จในระดับที่แตกต่างกันของการผลิตหรือค่าใช้จ่ายต่อการส่งออกหน่วยตัวอย่าง) และนี้จะถูกแสดงให้เห็น. ดังนั้นการเปลี่ยนแปลงในส่วนประกอบอาหารที่ใช้ในการ การผลิตอาหารสัตว์และหลีกเลี่ยงไม่ได้นี้นำไปสู่ความไม่แน่นอนในอาหารสุดท้ายที่แนะนำ ขั้นตอนที่สำคัญในการจัดการกับความไม่แน่นอนนี้คือการเปลี่ยนแปลงน้อยที่สุดโดย:. •ลดรูปแบบสุ่มและระบบเป็นไปได้•การใช้ความหลากหลายของฟีดที่แตกต่างกันเพื่อให้อาหาร•การจำกัด การใช้งานของฟีดตัวแปรอนุญาตให้มีความไม่แน่นอนในส่วนฟีด: •การตัดสินใจ วิธีชั่นสามารถนำมาใช้ในการจำลองความไม่แน่นอนกับการตัดสินใจตั้งอยู่ในบริบทของแต่ละสถานการณ์ฟาร์ม. •วิธีการแบบเบย์สามารถรวมความรู้เดิมของลักษณะส่วนประกอบอาหารเช่นเดียวกับผลการฟาร์มตัวอย่างที่ผ่านมาและอาจจัดให้มีการประมาณการที่ดีขึ้นสำหรับการตัดสินใจคาดว่าการกำหนดให้เป็นกระบวนการซ้ำ: •ผลการปฏิบัติงานตรวจสอบและวัวฟาร์มเอาท์พุทเป็นประจำและระมัดระวังเป็นคู่มือสำหรับข้อผิดพลาดที่เป็นไปได้ในการตั้งสมมติฐานการบริโภคอาหาร มันไม่ควรจะสันนิษฐานว่าการรับประทานอาหารที่ถูกต้องเพียงเพราะมันเป็น 'ขวา' บนกระดาษและในทางกลับกัน. โดยมาร์ตินสีเขียวโรงเรียนคณิตศาสตร์และโรงเรียนสัตวแพทยศาสตร์และวิทยาศาสตร์มหาวิทยาลัยนอตติงแฮม. เจมส์สามีของริชาร์ด Vecqueray หลักฐานตามสัตวแพทย์ ที่ปรึกษาอาร์เธอร์ 68 ถนนริ ธ . ลอร่าสีเขียวนิเวศวิทยาและการระบาดวิทยากลุ่มวิชาวิทยาศาสตร์ชีวภาพ, มหาวิทยาลัยวอร์วิก

ผลลัพธ์ (ไทย) 3:

ความจริงที่ว่า อาหารสัตว์ที่ใช้ในอาหารสัตว์มีองค์ประกอบตัวแปรเป็นที่รู้จักดี และยังยอมรับว่า ความแปรปรวนนี้จะนำไปสู่ความไม่แน่นอนในส่วนประกอบอาหารขั้นสุดท้าย กระดาษปัจจุบันจะกล่าวถึงแหล่งที่มาของการเปลี่ยนแปลงที่นำไปสู่ความไม่แน่นอนในการกำหนดอาหาร ศึกษาผลของความแปรปรวนในส่วนประกอบอาหารในสูตรอาหาร และเสนอว่า เบย์ทฤษฎีการตัดสินใจและอาจเป็นประโยชน์ในการทำงานกับความแปรปรวนนั้นย่อมเกิดขึ้น เพื่อปรับปรุงการตัดสินใจ ฟาร์ม โดยมีวัตถุประสงค์เพื่อกระตุ้นความคิดและการอภิปรายเกี่ยวกับวิธีการจัดการในทางปฏิบัติกับความไม่แน่นอนในคุณค่าทางโภชนาการ ส่วนประกอบของอาหารกว้างยาวสำคัญของความเข้าใจความสัมพันธ์ของความแปรปรวนในอาหารสัตว์เป็นคำถาม " ทำไมความผันแปรในอาหารสัตว์มีผลต่อการตัดสินใจที่เราทำในการกำหนดอาหาร ? " และมันมีไว้เพื่อแก้ไขปัญหานี้
คุณค่าทางโภชนาการใด ๆ โดยเฉพาะวัตถุดิบ หรือพืชอาหารสัตว์ไม่เหมือนกันทั้งชุดใช้ในอาหารสัตว์ . ตัวอย่างเช่นความเข้มข้นของพลังงานที่ใช้ในการรีดน้ำนมข้าวสาลีโรงงานเฉพาะในช่วงหกเดือนอาจจะหมายถึงมูลค่า 13.5 ต่อกิโลกรัม DM แต่ใด ๆสูตรอาหารในระหว่างหกเดือนของระยะเวลาจะต้องมีการเปลี่ยนแปลงรอบนี้หมายถึง ค่าระดับของความไม่แน่นอน อาจจะแสดงเป็นเงินช่วง ( ช่วงภายในซึ่งมีกำหนดความน่าจะเป็นที่ค่าจริงอยู่ ) หรือ สมมติว่ามีการแจกแจงแบบปกติ เป็นส่วนเบี่ยงเบนมาตรฐาน ( SD ) หรือความแปรปรวน ( sd2 ) .
ความผันแปรในอาหารสัตว์สามารถเกิดขึ้นจากองค์ประกอบ สองแหล่งข้อมูลทั่วไปการเปลี่ยนแปลงแบบสุ่ม ( มักจะเรียกว่า ' ข้อผิดพลาด ' ) หรือการเปลี่ยนแปลงอย่างเป็นระบบ ( 'bias ' ) อาจจะเกิดขึ้นจากการเปลี่ยนแปลงแบบสุ่ม ( ตัวอย่าง ) ธรรมชาติการเปลี่ยนแปลงในผลิตภัณฑ์หรือความคลาดเคลื่อนสุ่มในวิธีทางห้องปฏิบัติการ อาจจะเกิดขึ้นจากการเปลี่ยนแปลงระบบ ( ตัวอย่างเช่น ) วิเคราะห์อุปกรณ์ที่มักจะอ่าน ' ต่ำ ' หรือ ' สูง ' เป็นสารอาหารที่เฉพาะเจาะจง การดึงข้อมูลในเงื่อนไขกระเป๋าบางหรือยากจน เทคนิคการสุ่มตัวอย่าง .
มันเป็นสิ่งจำเป็นเพื่อลดและการสุ่มอย่างเป็นระบบเท่าที่เป็นไปได้และวิธีการนี้จะแนะนำ มีได้นี้ มีหลักการปฏิบัติเพื่อลดผลกระทบของความไม่แน่นอนในส่วนประกอบอาหารเพาะอาหารสุดท้าย ไม่ได้ใช้ตัวแปรสูงอาหารสัตว์ ลดสัดส่วนของตัวแปรที่ใช้ในผลิตภัณฑ์อาหารเพิ่มจำนวนของส่วนประกอบอาหาร ( มี ผลของ ' เฉลี่ย ' อาหารที่อาจจะสูงหรือต่ำกว่าค่าเฉลี่ยของพวกเขาคาด ตัวอย่างมีให้ ) พิจารณาปรับเป็นอาหารสัตว์ โดยมีสัดส่วนของ SD เพื่อให้ความน่าจะเป็นของอาหารเป็นมากกว่านูทรี ระบุอีกวิธีหนึ่งที่จะดูของว่ามีความไม่แน่นอนที่เกี่ยวข้องกับค่าส่วนประกอบของระดับ sample.ent โดยเฉพาะ ปัญหาการปรับแต่ละอาหาร
คือว่ามันเป็นเรื่องยากที่จะประเมินสุดท้ายออกความน่าจะเป็นอาหารโดยรวม ( รวมของการแจกแจงความนี้ )อาหารที่ใช้ประกอบของแต่ละ ' ขอบความปลอดภัย ' ได้รับการแสดงที่จะน้อยกว่าต้นทุนที่มีประสิทธิภาพกว่าเต็มความน่าจะเป็นตามรูปแบบ .
วิธีการคำนวณสูตรอาหารสัตว์การแจกแจงความน่าจะเป็นรวม ( ความไม่แน่นอนในรังส่วนประกอบอาหาร ) จะนำเสนอ และนี้จะรวมถึงตัวอย่างฟาร์มรายละเอียดผลกระทบของความไม่แน่นอนในส่วนประกอบของอาหาร รวมทั้งความแปรปรวนของการจัดการฟาร์ม ผลผลิต ต้นทุนอาหารและการผลิต การตัดสินใจจะถูกประเมินในบริบทของฟาร์มโคนม ผลของขนาดแตกต่างกันของความแปรปรวนในการค้นหา และวัตถุดิบอาหารสัตว์ในการแจกแจงพลังงานอาหารจะเป็นภาพประกอบผลกระทบของความแปรปรวนของตัวดึงข้อมูลบนต้นทุนของอาหารที่ถูกกล่าวถึงและความสำคัญของการใช้ข้อมูลดังกล่าว เพื่อความโปร่งใสในแต่ละฟาร์มภาพประกอบ แหล่งความแปรปรวน
แบบขยายโดยการผสมผสานความเชื่อก่อน ( ความรู้ ) ควบคู่ไปกับข้อมูลใหม่เสนอกรอบแบบเต็ม .