O objetivo deste trabalho foi apresentar modelagens alternativas, uni e bivariadas, para avaliação da conversão alimentar (CA) de suínos da raça Piau, com uso de inferência bayesiana. Os efeitos de sexo e genótipo sobre a CA dos animais foram avaliados por meio de procedimentos de simulação de Monte Carlo via cadeias de Markov (MCMC) e de integração aproximada aninhada de Laplace (INLA). O modelo univariado foi avaliado com diferentes distribuições para o erro - normal (gaussiana), t de Student, gama, log-normal e skew-normal -, enquanto, para o modelo bivariado, considerou-se o erro normal. A distribuição skew-normal foi o modelo mais parcimonioso para inferir sobre a resposta direta (univariada) da CA aos efeitos de sexo e genótipo, os quais não foram significativos. O modelo bivariado foi capaz de identificar diferenças significativas no ganho de peso e no consumo de ração em níveis de significância não detectados pelo modelo univariado. Além disso, ele também foi capaz de detectar diferenças entre sexos, quando agrupados por genótipos NN (machos, 2,73±0,04; fêmeas, 2,68±0,04) e Nn (machos, 2,70±0,07; fêmeas, 2,64±0,07), e revelou maior acurácia e precisão nas inferências nutricionais. Em ambas as abordagens, o método bayesiano mostra-se flexível e eficiente para a avaliação do desempenho nutricional dos animais.
The objective of this work was to present alternative uni- and bivariate modeling procedures for the evaluation of feed conversion (FC) of the Piau swine breed, using Bayesian inference. The effects of sex and genotype on animal FC were evaluated by the Markov chain Monte Carlo (MCMC) and the integrated nested Laplace approximation (INLA) procedures. The univariate model was evaluated using different distributions for the error - normal (Gaussian), t-Student, gamma, log-normal, and skew-normal -, whereas, for the bivariate model, the normal error was considered. The skew-normal distribution was the most parsimonious model to infer on the direct response (univariate) of FC to the effects of sex and genotype, which were nonsignificant. The bivariate model was capable to identify significant differences on weight gain and feed intake in significance levels not detected by the univariate model. Moreover, it was also able to detect differences between sexes, when grouped by NN (male, 2.73±0.04; female, 2.68±0.04) and Nn (male, 2.70±0.07; female, 2.64±0.07) genotypes, and revealed greater accuracy and precision for nutritional inferences. In both approaches, the Bayesian method proves flexible and efficient for assessing animal nutritional performance.