texto en 
Inglés (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
En México la crianza de guajolote (Meleagris gallopavo) con líneas genéticas comerciales (meleagricultura), se considera una de las actividades ganaderas con mayor tradición1. Este sistema productivo, se desarrolla en todo el territorio nacional, concentrándose principalmente en comunidades indígenas2, donde operan pequeñas unidades de producción que implementan prácticas zootécnicas adaptadas a las condiciones de los campesinos3. La producción de guajolote en México se realiza bajo tres sistemas bien definidos; tecnificado, semitecnificado y pequeños productores que crían los guajolotes en traspatio de forma tradicional4, cada sistema con características y niveles tecnológicos distintos5,6.
A partir de la domesticación se han desarrollado diversas variedades o líneas genéticas del guajolote silvestre, las de mayor importancia comercial incluyen el pavo blanco grande y el bronceado de doble pechuga7. La cría de estas líneas comerciales se lleva a cabo, principalmente, en sistemas intensivos y son seleccionadas por su rápido crecimiento, eficiencia alimenticia, rendimiento de canal y mayor tamaño de la pechuga8. A pesar de la diversidad en los sistemas de producción de guajolote, la avicultura en México enfrenta importantes desafíos para satisfacer la creciente demanda interna de carne de pavo, lo que ha llevado a un aumento considerable de las importaciones. En 2017, el país se posicionó como el tercer mayor importador de carne de pavo con 7.2 millones de toneladas de carne congelada y 85 mil de carne fresca refrigerada9.
Un factor determinante para mejorar la producción de guajolote es la eficiencia técnico-económica y el uso óptimo de los factores productivos (trabajo, capital y materias primas)1, especialmente el alimento que representa uno de los insumos más relevantes en este sistema productivo1,10. El crecimiento animal en este contexto puede modelarse con precisión mediante funciones matemáticas que describan la evolución del peso vivo, permitiendo estimar los valores máximos de crecimiento y las edades óptimas para maximizar la productividad y el beneficio económico11,12. Para evaluar la eficiencia técnica en la producción Battese y Coelli13 proponen dos enfoques; el determinista y el probabilístico. Este estudio se enfoca en el modelo probabilístico mediante la aplicación de una función de producción cuadrática con un enfoque de regresión no lineal, complementada con un análisis de simulación Monte Carlo.
A pesar de que algunos estudios previos en el sector agrícola mexicano han implementado funciones de producción para evaluar el impacto del alimento en la ganancia de peso de los animales14-17, existe una carencia de trabajos enfocados en la meleagricultura con líneas genéticas comerciales que permitan determinar las edades óptimas de sacrificio para maximizar la rentabilidad económica en este sistema productivo, particularmente considerando que el alimento representa más del 70 % de los costos totales en la producción de guajolote10,18,19. Por lo tanto, el objetivo del presente estudio fue desarrollar un enfoque combinado de modelado determinista y simulación Monte Carlo para determinar el nivel óptimo técnico-económico en la engorda de guajolotes de líneas genéticas comerciales, incorporando variables alimenticias y el impacto del costo de las dietas utilizadas en el municipio de Temascaltepec, México.
Material y métodos
Área de estudio
El experimento se desarrolló en la granja de aves de engorda de la posta zootécnica del Centro Universitario UAEM Temascaltepec. La granja se localiza entre los paralelos 18°49’58.9’’ y 19°08’ 37.0’’ latitud norte y entre los meridianos 99°51’17.9’’ y 100°36.0’ 46.2’’ longitud oeste. El clima de la zona es semicálido subhúmedo con lluvias en verano. La temperatura media anual es de 20.3 °C, con precipitación de 1,158 mm20.
Manejo de los animales y preparación de las instalaciones
La nave de engorda que se utilizó en el experimento cuenta con dimensiones de 9 m de largo, 6 m de ancho y 3.5 m de altura. En su interior se instalaron corrales individuales fabricados con varillas de 3/8” recubiertos con malla hexagonal, con dimensiones de 100 cm de largo, 50 cm de ancho y 70 cm de alto. Estos corrales se diseñaron para evitar el contacto entre los pavos de diferentes lotes y asegurar una ventilación adecuada durante el ciclo de engorda. Previo al inicio del experimento, las instalaciones se sometieron a un proceso de limpieza empleando agua y jabón, seguido por una desinfección mediante aspersión con una solución de creolina (13.33 ml/L), 48 h antes de la recepción de los animales.
Cada corral se equipó con un sistema de iluminación mediante focos fluorescentes de 40 watts, comederos lineales de 30 cm con capacidad para 1.2 kg de alimento. Para garantizar un adecuado control de la ventilación, se instalaron cortinas de plástico ajustables a lo largo de la nave. Durante los primeros cuatro días del experimento, las cortinas permanecieron completamente cerradas para evitar corrientes de aire. A partir del quinto día, se iniciaron ajustes progresivos bajándolas 25 cm por día, hasta que, desde el séptimo día en adelante, permanecieron abiertas entre las 0800 y 2000.
Recepción y manejo de los guajolotes
Previo a la llegada de los guajolotes, se implementó un protocolo de bioseguridad mediante la colocación de un tapete sanitario en la entrada de la nave, el cual fue empapado con una solución de 2 L de agua y 5 ml de creolina para evitar la introducción de patógenos externos.
Material biológico y alimentación
El estudio utilizó 42 guajolotes de la variedad genética diamante doble pechuga, con un promedio de edad de tres semanas y un peso corporal inicial de 1.077 ± 0.132 kg. Los guajolotes se distribuyeron aleatoriamente, asignando uno por corral y se manejaron bajo un régimen de alimentación ad libitum (Figura 1). Durante las primeras dos horas después de su llegada, no se les proporcionó alimento para permitir su adaptación. Posteriormente, se calculó la cantidad de alimento a suministrar con base en el pavo de mayor peso, añadiendo un 10 % sobre su peso corporal para garantizar un adecuado consumo.
Figura 1 Sistema de alimentación tradicional en la granja de aves de engorda de la posta zootécnica del Centro Universitario UAEM Temascaltepec
En este estudio se utilizaron tres fases alimenticias: pavo inicia, pavo crece y pavo finaliza, de acuerdo con el plan nutricional del alimento comercial utilizado en la investigación, el cual integra las fases de crecimiento y desarrollo en una sola etapa denominada pavo crece. Durante la fase inicial, la cual contempló desde la llegada de los guajolotes hasta el día 23, se les suministró una dieta con 27 % de proteína cruda. La transición hacia la dieta de crecimiento se realizó de manera gradual en tres días, utilizando proporciones decrecientes de la dieta inicial (75-25 %, 50-50 %, y 25-75 %). Los guajolotes consumieron esta dieta de crecimiento entre los días 27 y 55 (Cuadro 1). Posteriormente se inició la transición hacia la dieta de finalización, la cual se suministró hasta la conclusión del experimento (84 días).
Cuadro 1 Composición nutricional de las dietas suministradas a guajolotes en diferentes etapas de crecimiento (%)
| Etapa | Proteína cruda |
Grasa cruda |
Fibra cruda |
Cenizas | Humedad | ELN |
|---|---|---|---|---|---|---|
| Inicio | 27.00 | 3.50 | 4.50 | 7.50 | 12.00 | 45. 50 |
| Crecimiento | 23.00 | 4.50 | 5.00 | 7.00 | 12.00 | 48.50 |
| Finalización | 20.00 | 4.50 | 5.00 | 6.00 | 12.00 | 52.50 |
ELN= extracto libre de nitrógeno por diferencia.
Fuente: Productores Agropecuarios Tepexpan, S.A. de C.V, 2023.
Variables de respuesta
El peso vivo inicial de los guajolotes se registró individualmente al momento de la recepción, utilizando una báscula con capacidad de 40 kg. El seguimiento del peso vivo se realizó cada ocho días, de acuerdo con el procedimiento descrito por Rodríguez-Licea et al1, quienes demostraron que este intervalo es adecuado para capturar cambios significativos en el crecimiento de guajolotes en condiciones similares. El alimento se ofreció dos veces al día, a las 0900 y 1800. En esta última hora, se recolectó el alimento rechazado de cada comedero, almacenándolo en bolsas identificadas por lote y pesándolo para registrar el desperdicio antes de la siguiente alimentación. Durante el primer día tras la recepción de los guajolotes, se les suministró agua con una solución de RuViOtic (0.6 g/L) para asegurar su hidratación; posteriormente, a partir del segundo día y hasta el final del experimento, el agua se proporcionó ad libitum.
El consumo diario de alimento se calculó como la diferencia entre el alimento total ofrecido menos el alimento rechazado cada día. A partir de esta información, se estimó el consumo semanal sumando los valores diarios para cada guajolote. La ganancia de peso semanal se determinó restando del peso inicial en cada etapa (inicio, crecimiento y finalización), el peso final registrado en cada semana. La conversión alimenticia se estimó al dividir el consumo total de alimento entre el peso final menos el peso inicial de los guajolotes. Los datos se registraron en una bitácora de campo durante todo el periodo experimental. Posteriormente, la información se organizó en una hoja de cálculo de Microsoft Excel, la cual sirvió como base para el procesamiento estadístico y la modelación posterior.
Modelo estadístico
Para evaluar la relación entre el consumo de alimento y el peso final de los guajolotes, se utilizó una función de producción representada por un modelo de regresión no lineal cuadrático. En este modelo el consumo total de alimento (A) en cada etapa de producción se utilizó como variable independiente, mientras que el peso vivo (P) expresado en kilogramos, se consideró como variable dependiente. Este enfoque no lineal fue elegido debido a la naturaleza biológica de crecimiento animal, donde el rendimiento marginal decreciente del consumo de alimento ha sido, ampliamente, documentado en la literatura16,17,21. El modelo de regresión se determinó al evaluar tanto la significancia estadística como la coherencia en las hipótesis biológicas y económicas, considerando la magnitud y signo de los coeficientes en cada parámetro12. La especificación del modelo fue la siguiente:
Donde P= peso vivo de cada guajolote en kg; α= intercepto de la función; β1 y β2= son los coeficientes estimados que capturan el efecto lineal y cuadrático del consumo de alimento; A= es la cantidad de alimento suministrado a cada guajolote (kg); ε= error aleatorio.
Análisis de la eficiencia técnico-económica
Para estimar la eficiencia técnico-económica, se utilizaron los métodos propuestos por diversos autores1,12,14. Estos autores calculan el nivel óptimo técnico (NOT), a partir de la primera derivada parcial de la función de producción con respecto a la variable independiente “A”. Al igualar la primera derivada a cero se obtiene la cantidad de alimento, con la cual, la tasa de ganancia en peso alcanza su máximo valor. Posteriormente el valor derivado de “A”, se sustituye en la función de producción para determinar el peso máximo de rendimiento biológico.
Para determinar el nivel óptimo económico (NOE), se utiliza la primera derivada parcial de la función de producción y se iguala a la relación entre el precio del insumo (alimento), dividida entre el precio de venta del guajolote en pie. Esta aproximación permite integrar criterios económicos en el modelo y al derivarla se obtiene la cantidad de alimento y peso vivo que maximiza la rentabilidad económica16. Durante el periodo de estudio, el costo por kilogramo de alimento fue de $11.63, mientras que el precio de venta por kilogramo en pie fue de $73.
Simulación Monte Carlo
La determinación del NOT y NOE se realizó a través de un análisis de optimización tradicional, el cual se basa en cálculos que suponen condiciones constantes. Sin embargo, para abordar la incertidumbre en el precio de venta y costo de alimento, se realizó un análisis de simulación Monte Carlo; este enfoque permite modelar la incertidumbre de estas variables, generando una distribución de resultados posibles que complementan el análisis tradicional. La simulación Monte Carlo proporcionó una visión detallada del impacto que tienen las fluctuaciones en el precio del alimento y venta de los guajolotes en los beneficios monetarios asociados con los niveles óptimos, lo que proporcionó una evaluación más robusta del riesgo y ganancias económicas.
Para realizar el análisis de simulación Monte Carlo, se ajustaron los parámetros asociados con el precio por kilo de alimento y precio de venta del guajolote, utilizando datos históricos de 15 años (2008-2022). El precio histórico de venta del guajolote se obtuvo del portal estadístico del Sistema de Información Agroalimentario y Pesquera22, mientras que el precio histórico por kilo de alimento se determinó utilizando una metodología de ajuste por inflación, dado que en México no existe una fuente para obtener datos de precios históricos precisos. El ajuste por inflación se realizó al utilizar tasas de inflación anuales consultadas en el portal del Banco de México23 con un precio base de $11.63 por kg de alimento para el año 2023. La fórmula que se utilizó para este ajuste fue la siguiente:
Pajustado es el precio ajustado del año anterior, Pactual es el precio base del año 2023 ($11.63). Este ajuste permitió obtener una serie temporal de precios históricos del alimento (2008-2022), ajustados a valores constantes del año base, garantizando con ello, una comparación consistente a lo largo del período de estudio.
La simulación Monte Carlo se realizó con 10,000 iteraciones para evaluar la variabilidad en el precio de venta del guajolote y costo de alimento. Los parámetros iniciales para la simulación se definieron a partir de los datos históricos del precio por kilo de alimento y venta del guajolote. El costo de alimento se modeló con una media = $8.18 y desviación de $1.46, mientras que el precio de venta del guajolote incluyó una media de $57.11 y desviación estándar = 14.01 pesos.
Para cada iteración se calcularon los ingresos y costos totales en el NOT y NOE. El ingreso total se obtuvo al multiplicar el precio de venta por el peso del guajolote, mientras que el costo total se calculó al multiplicar el costo de alimento por el consumo. La ganancia neta se determinó restando al ingreso el costo total. Para asegurar la precisión y robustez de la simulación, se realizó una prueba de convergencia y validación cruzada.
La evaluación de la convergencia se llevó a cabo mediante un análisis con diferentes números de iteraciones (1,000, 5,000 y 10,000) para obtener la media, desviación estándar y los percentiles al 5, 50 y 95 %, de las ganancias netas en cada nivel óptimo. La validación cruzada se realizó utilizando cinco pliegues para comprobar la consistencia de los resultados. Este proceso implicó dividir las simulaciones en diferentes subconjuntos y combinar los resultados para verificar si las estimaciones en la ganancia neta para cada óptimo fueron consistentes con las particiones de los datos. El análisis de optimización, así como la simulación Monte Carlo se llevaron a cabo utilizando el software R (versión 4.4.1)24.
Resultados
En el Cuadro 2, se muestra el incremento de peso de los guajolotes desde la tercera semana de edad con 1.08 kg, hasta la semana 12, en la cual alcanzaron un peso promedio de 12.45 kg. El consumo total de alimento por guajolote fue de 34.74 kg durante la fase de finalización con una CA de 3.05 kg de alimento por cada kilo de peso ganado.
Cuadro 2 Variables productivas en la engorda de guajolotes diamante doble pechuga
| Variable | Valores |
|---|---|
| Número de guajolotes | 42.00 |
| Peso promedio inicial por guajolote, kg | 1.08 |
| Peso promedio final por guajolote, kg | 12.45 |
| Consumo total de alimento promedio por guajolote, kg | 34.74 |
| Conversión alimenticia promedio por guajolote | 3.05 |
El valor F del modelo (1,167.97; P<0.001), indica que las variables predictoras (A y A2) tienen un impacto significativo sobre la ganancia de peso de los guajolotes. El coeficiente de determinación muestra que el 99.57 % de la variabilidad en el peso se explicó por las predictoras. El R2 predicho (0.9876), confirma que el modelo tiene un alto poder predictivo, y se puede utilizar para su aplicación práctica bajo distintas condiciones alimenticias. El coeficiente positivo de “A”, muestra que por cada kilo adicional de alimento consumido la ganancia de peso de los guajolotes aumenta en promedio 0.58 kg, mientras que el coeficiente negativo de “A2”, indica la presencia de rendimientos marginales decrecientes. Este comportamiento muestra que el aumento en el consumo de alimento, no fue proporcional con el peso de los guajolotes (Cuadro 3).
Cuadro 3 Resultado del modelo de regresión para predecir la ganancia de peso en guajolotes
| Parámetros estimados |
Error estándar |
Estadístico t | P-valor | |
|---|---|---|---|---|
| Intercepto | 1.41419 | 0.15220 | 9.29 | <.0001 |
| Variable A | 0.57806 | 0.02512 | 23.01 | <.0001 |
| Variable A2 | -0.00781 | 0.00074 | -10.55 | <.0001 |
| R2 del modelo | 0.99570 | |||
| R2 predicho del modelo | 0.98769 | |||
| F del modelo | 1,167.97 | <.0001 |
Nivel óptimo técnico en la producción de guajolotes
El NOT, se obtuvo al igualar a cero la primera derivada de la función de producción, lo cual corresponde al punto donde los guajolotes alcanzan su máxima producción biológica o el máximo peso in vivo12,21.
Para la función de producción estimada:
Al resolver para A, se genera el valor del insumo variable, que representa la cantidad total de alimento que los guajolotes necesitan para alcanzar su máximo peso de producción o máximo peso in vivo.
Los guajolotes requieren 37.01 kg de alimento para alcanzar su máximo peso de producción. Sustituyendo este valor de A, en la función de producción se obtiene el peso vivo máximo de los guajolotes.
Nivel óptimo económico en la producción de guajolotes
El NOE, se determinó al igualar la primera derivada de la función de producción a la relación entre el precio de un kilogramo de alimento (Px) entre el precio de venta de un kilogramo de guajolote (Py). Este análisis establece la cantidad óptima de alimento que deben consumir los guajolotes para maximizar el beneficio económico12,21.
Resolviendo para A:
Los guajolotes requieren 26.81 kg de alimento para alcanzar el máximo beneficio económico. Al sustituir este valor de A, en la función de producción se obtiene el peso vivo que maximiza el ingreso.
En el Cuadro 4, se observa que el NOE genera una ganancia superior por guajolote ($513.10) en comparación con el NOT ($413.60). La reducción en el consumo de alimento para el NOE, genera una disminución en el costo total, lo que se traduce en un incremento de la relación beneficio/costo por cada peso invertido.
Cuadro 4 Comparación de ganancias monetarias en el nivel óptimo técnico y económico
| Parámetro | Nivel óptimo técnico | Nivel óptimo económico |
|---|---|---|
| Consumo de alimento, kg | 37.01 | 26.81 |
| Peso del guajolote, kg | 12.11 | 11.30 |
| Ingreso total, $ | 844.03 | 824.90 |
| Costo total, $ | 430.43 | 311.80 |
| Ganancia, $ | 413.60 | 513.10 |
| Relación beneficio/costo, $ | 1.96 | 2.65 |
Simulación Monte Carlo
Los resultados de la simulación Monte Carlo indican que la ganancia neta media para el NOE fue mayor en comparación con el NOT. Al aumentar el número de simulaciones, se observó que tanto la ganancia media como los valores en los percentiles 5 y 95 % se estabiliza a partir de las 1,000 interacciones. La validación cruzada confirmó la precisión de estas estimaciones con valores muy cercanos a los obtenidos por el método de convergencia. La desviación estándar para ambos óptimos se mantuvo constante e indicó una variabilidad estable en la ganancia neta sin importar el tamaño de muestra. El comportamiento de los percentiles indicó que los valores centrales permanecieron consistentes, lo que refuerza la estabilidad de las estimaciones y robustez de los resultados. Sin embargo, los extremos de la distribución revelaron mayor variabilidad en la ganancia promedio para el NOE, lo que puede asociarse con mayor riesgo en condiciones adversas en comparación con el NOT (Cuadro 5).
Cuadro 5 Evaluación de la ganancia neta con simulación Monte Carlo para el nivel óptimo técnico y económico
| Nivel óptimo técnico | Nivel óptimo económico | |||||
|---|---|---|---|---|---|---|
| Número de simulaciones | Ganancia ($) | Desviación estándar ($) |
Percentiles | Ganancia ($) | Desviación estándar ($) |
Percentiles |
| 1,000 | 334.14 | 182.79 | 5%: 35.86 50%:338.04 95%: 621.55 |
387.73 | 164.98 | 5%: 119.88 50%: 393.90 95%: 656.86 |
| 5,000 | 330.4 | 182.75 | 5%: 32.85 50%:326.64 95%: 629.40 |
383.82 | 165.98 | 5%: 112.41 50%:383.33 95%: 657.83 |
| 10,000 | 325.39 | 181.51 | 5%: 30.40 50%:324.09 95%: 624.83 |
379.29 | 164.95 | 5%:111.49, 50%: 378.40 95%: 652.50 |
| Parámetro: | ||||||
| Validación cruzada |
329.25 | 180.88 | 5%: 30.32 50%:328.59 95%: 626.42 |
383.01 | 164.15 | 5%: 109.13, 50%: 381.75 95%: 651.61 |
Discusión
El peso final de los guajolotes a las 12 semanas de vida en este estudio (12.45 kg), fue similar al reportado por Santos-Ricalde et al25 en guajolotes de la línea genética Convertible. Resultados similares se han reportado en Nigeria, donde los guajolotes alimentados con dietas comerciales presentaron ganancias de peso comparables a los de esta investigación26. La conversión alimenticia observada en este estudio fue de 3.05 kg, superior a los 2.46 kg registrados para pavos de la línea Nicholas 700 en un periodo de engorda similar27. Esta diferencia puede explicarse por variaciones en la dieta y manejo utilizado en cada investigación, factores que influyen directamente en la eficiencia alimentaria. Por otro lado, un estudio realizado en Nigeria reportó una conversión alimenticia mayor de 3.53 kg26, lo que resalta la influencia en las condiciones de manejo y alimentación en el rendimiento productivo de los guajolotes.
El peso promedio final de los guajolotes en este trabajo (12.45 kg, tras 12 semanas de engorda), fue superior al reportado en sistemas de producción de traspatio y semitecnificados, donde los pesos promedio a las 15 semanas fueron de 3.19 y 4.76 kg, respectivamente1. El análisis de los errores estándar confirmó la validez de este comportamiento, demostrando que todas las suposiciones asociadas con la distribución de las variables A y A2 quedan satisfechas12. Esto garantiza que las estimaciones de los efectos de las variables en la producción de guajolotes son confiables y poco susceptibles a variaciones en los datos muestrales.
El estadístico t asociado con las variables A y A2, mostró significancia estadística en el modelo de regresión, confirmando su influencia significativa en la producción de guajolotes1. Además el valor de R2 en el modelo fue consistente con lo reportado por Rodríguez-Licea et al1, quienes encontraron que el insumo alimento explicó el 99.55, 98.76 y 99.34 % del peso alcanzado por los guajolotes en sistemas tecnificados, semitecnificados y de traspatio, respectivamente. Estos resultados coinciden con otros estudios, que destacan al insumo alimento como un factor crítico en la producción de guajolotes26, y refuerza la importancia de la dieta en la conversión alimenticia y el crecimiento27.
De acuerdo con la teoría microeconómica28, el signo negativo del parámetro A2 en la función de producción indica la presencia de un modelo cuadrático con rendimientos marginales decrecientes. Este comportamiento, implica que a medida que se incrementa progresivamente el insumo alimento, el incremento en el peso de los guajolotes comienza a decrecer1. En consecuencia, se observa una disminución en la ganancia económica al momento de la venta.
La máxima producción de peso vivo en los guajolotes no implica la obtención de la máxima ganancia monetaria1. Esto se explica dado que a niveles altos en el consumo de alimento, una proporción del peso ganado se transforma en grasa en lugar de carne, reduciendo la eficiencia técnica y aumentado los costos de producción12,14,29. En este estudio se confirmó que la ganancia monetaria fue mayor en el NOE, desempeño que puede atribuirse entre otras variables a la relación inversa entre el óptimo económico y el precio del alimento16, lo cual destaca la importancia de optimizar los costos de alimentación para maximizar la rentabilidad del sistema productivo.
Los resultados de la simulación Monte Carlo revelan diferencias claras en las ganancias netas obtenidas para los niveles óptimos, destacando que el NOE presenta mayor ganancia en todas las simulaciones realizadas. Este comportamiento resalta la importancia de optimizar los costos de producción para maximizar los beneficios económicos. Además, la estabilización de las ganancias promedio y de los percentiles 5 y 95 % a partir de las 1,000 iteraciones valida la suficiencia del modelo para obtener estimaciones confiables, lo cual coincide con estudios previos que han demostrado la eficacia del método Monte Carlo en la estimación de variables económicas bajo incertidumbre30,31.
Un resultado relevante es la menor desviación estándar observada en el NOE en comparación con el NOT, lo cual sugiere una mayor estabilidad de las ganancias económicas cuando se optimizan los costos. Sin embargo, los percentiles extremos (5 y 95 %) muestran mayor variabilidad en las ganancias asociadas con el NOE, lo que podría implicar un riesgo mayor en condiciones adversas. Este comportamiento es relevante para pequeños productores, quienes podrían enfrentar dificultades mayores en escenarios de incertidumbre económica o fluctuaciones en el precio de los insumos alimenticios en el mercado.
La validación cruzada refuerza la robustez de los resultados obtenidos, al demostrar consistencia con los valores derivados por el método de convergencia. Este hallazgo indica que el modelo empleado es confiable para proyectar escenarios económicos en la producción de guajolote bajo condiciones similares a las de esta investigación. La estabilidad observada en los percentiles centrales para ambos niveles óptimos, es un indicador de que las estimaciones obtenidas no solo son precisas, sino que tienen una alta reproducibilidad en diferentes escenarios simulados.
Conclusiones e implicaciones
El análisis determinista identificó que la rentabilidad económica se maximiza cuando los guajolotes consumen 26.81 kg de alimento y alcanzan un peso vivo de 11.30 kg. La simulación Monte Carlo confirmó la validez de estos resultados bajo escenarios de incertidumbre en los precios de venta y el costo del alimento, estimando una utilidad neta promedio de $379.29 por ave en el óptimo económico, frente a $325.39 en el técnico, lo que representa un incremento del 16.56% en la rentabilidad por guajolote. Estos hallazgos confirman que la integración del modelado determinista con simulación estocástica constituye una herramienta metodológica eficaz para la toma de decisiones productivas en condiciones de variabilidad e incertidumbre. Se recomienda validar este enfoque en otros contextos agropecuarios para fortalecer su aplicabilidad práctica.
