Introduction

This vignette provides a quick example of how to estimate kinship coefficients using simulation. One simulation uses 100 iterations and the other uses the same setup with 1000 simulations to illustrate the type of kinship coefficient estimate variance you can expect with a simple pedigree exhibiting partial parentage for some of the members.

Anticipation of further uses of this kinship estimation method

Retention of founder alleles is a primary driving force behind this package of utilities. This example is intentionally overly simplistic to clearly illustrate this one aspect of the methodology used with realistic pedigrees.

In this example, some of the potential parents are not members of the example pedigree and thus, by definition, have a kinship coeficient of 0.0 with all other pedigree members.

In practice most or all of the potential parents will be members of the same pedigree and will potentially have nonzero kinship coeficients with other pedigree members.

Identification of potential parents

This tutorial assumes knowledge of potential parents and does not present methods for identifying potential parents.

Capabilities to be address with resolution of Issue #281 will provide users the ability to fully automate the identification of potential parents. However, prior to that capability being available, users can use other methods to identify potential parents.

Creation of example pedigree2

The example is based on the following simple pedigree setup. In the pedigree given below, all of the original animals have identifiers that are single letters of the alphabet.:

Only those IDs that have unknown parents are included in the lists. For those IDs with one known parent, the known parent is included in the . See for ID . Note also that potential parents can either come from the pedigree being augmented by simulation or from outside the pedigree. See , , , and for examples of this.

Currently, if you want to provide differential weights for the different potential parents, you will need to do this directly by modifying the number of times each parent is included in the list.

Animals , , and 

knitr::opts_chunk$set(echo = TRUE)
library(kableExtra)
library(magrittr)
library(nprcgenekeepr)
library(stringi)

ped <- nprcgenekeepr::smallPed
simParent_1 <- list( # nolint: object_name_linter
  id = "A", # nolint: object_name_linter
  sires = "Q",
  dams = c("d1_1", "d1_2", "d1_3", "d1_4")
)
simParent_2 <- list( # nolint: object_name_linter
  id = "B", # nolint: object_name_linter
  sires = c("s1_1", "s1_2", "s1_3"),
  dams = c("d1_1", "d1_2", "d1_3", "d1_4")
)
simParent_3 <- list( # nolint: object_name_linter
  id = "E", # nolint: object_name_linter
  sires = c("A", "C", "s1_1"),
  dams = c("d3_1", "B")
)
simParent_4 <- list( # nolint: object_name_linter
  id = "J", # nolint: object_name_linter
  sires = c("A", "C", "s1_1"),
  dams = c("d3_1", "B")
)
simParent_5 <- list( # nolint: object_name_linter
  id = "K", # nolint: object_name_linter
  sires = c("A", "C", "s1_1"),
  dams = c("d3_1", "d1_2")
)
simParent_6 <- list( # nolint: object_name_linter
  id = "N", # nolint: object_name_linter
  sires = c("A", "C", "s1_2"),
  dams = c("d3_1", "B")
)
allSimParents <- list(
  simParent_1, simParent_2, simParent_3,
  simParent_4, simParent_5, simParent_6
)

extractKinship <- function(simKinships, id1, id2, simulation) {
  ids <- dimnames(simKinships[[simulation]])[[1L]]
  simKinships[[simulation]][
    seq_along(ids)[ids == id1],
    seq_along(ids)[ids == id2]
  ]
}

extractKValue <- function(kValue, id1, id2, simulation) {
  kValue[kValue$id_1 == id1 & kValue$id_2 == id2, paste0("sim_", simulation)]
}

Small Example

This is the simulation. I am only printing out rows with kinship values that vary.

Before running these simulations, take time to look at the included function descriptions to see what they are expecting as arguments and what they return.

?createSimKinships
?kinshipMatricesToKValues
?extractKValue
# Only set this seed if you want to get the same simulation results each time.
set.seed(1L)
n <- 10L
simKinships <- createSimKinships(ped, allSimParents, pop = ped$id, n = n)
kValues <- kinshipMatricesToKValues(simKinships)
extractKValue(kValues, id1 = "A", id2 = "F", simulation = 1L:n)
##  [1] "sim_1"  "sim_2"  "sim_3"  "sim_4"  "sim_5"  "sim_6"  "sim_7"  "sim_8"  "sim_9" 
## [10] "sim_10"
counts <- countKinshipValues(kValues)
counts$kinshipIds[1L:3L]
## NULL
counts$kinshipValues[1L:3L]
## NULL
counts$kinshipCounts[1L:3L]
## NULL
stats_10 <- summarizeKinshipValues(counts)
nrow(stats_10[stats_10$sd > 0.0, ])
## [1] 94
kable(stats_10[stats_10$sd > 0.0, ], longtable = TRUE) %>%
  kable_styling(
    latex_options = c("striped", "repeat_header"),
    repeat_header_method = "replace",
    repeat_header_text = "\\textit{(continued)}"
  )
id_1 id_2 min secondQuartile mean median thirdQuartile max sd
5 A E 0.00000 0.00000 0.050000 0.00000 0.00000 0.25000 0.1054093
6 A F 0.12500 0.12500 0.150000 0.12500 0.12500 0.25000 0.0527046
7 A G 0.12500 0.12500 0.150000 0.12500 0.12500 0.25000 0.0527046
9 A I 0.25000 0.25000 0.300000 0.25000 0.37500 0.37500 0.0645497
10 A J 0.00000 0.00000 0.100000 0.00000 0.25000 0.25000 0.1290994
11 A K 0.00000 0.00000 0.050000 0.00000 0.00000 0.25000 0.1054093
12 A L 0.12500 0.12500 0.150000 0.12500 0.12500 0.25000 0.0527046
14 A N 0.00000 0.00000 0.075000 0.00000 0.25000 0.25000 0.1207615
21 B E 0.00000 0.00000 0.075000 0.00000 0.25000 0.25000 0.1207615
22 B F 0.12500 0.12500 0.162500 0.12500 0.25000 0.25000 0.0603807
23 B G 0.12500 0.12500 0.162500 0.12500 0.25000 0.25000 0.0603807
25 B I 0.00000 0.00000 0.087500 0.12500 0.12500 0.12500 0.0603807
26 B J 0.00000 0.00000 0.175000 0.25000 0.25000 0.25000 0.1207615
30 B N 0.00000 0.00000 0.100000 0.00000 0.25000 0.25000 0.1290994
36 C E 0.00000 0.00000 0.062500 0.00000 0.12500 0.25000 0.0883883
37 C F 0.12500 0.12500 0.156250 0.12500 0.18750 0.25000 0.0441942
38 C G 0.12500 0.12500 0.156250 0.12500 0.18750 0.25000 0.0441942
40 C I 0.18750 0.18750 0.193750 0.18750 0.18750 0.25000 0.0197642
41 C J 0.12500 0.12500 0.137500 0.12500 0.12500 0.25000 0.0395285
42 C K 0.00000 0.00000 0.025000 0.00000 0.00000 0.12500 0.0527046
43 C L 0.25000 0.25000 0.262500 0.25000 0.25000 0.31250 0.0263523
45 C N 0.00000 0.00000 0.087500 0.12500 0.12500 0.12500 0.0603807
50 D E 0.00000 0.00000 0.062500 0.00000 0.12500 0.25000 0.0883883
51 D F 0.25000 0.25000 0.281250 0.25000 0.31250 0.37500 0.0441942
52 D G 0.25000 0.25000 0.281250 0.25000 0.31250 0.37500 0.0441942
54 D I 0.18750 0.18750 0.193750 0.18750 0.18750 0.25000 0.0197642
55 D J 0.12500 0.12500 0.137500 0.12500 0.12500 0.25000 0.0395285
56 D K 0.00000 0.00000 0.025000 0.00000 0.00000 0.12500 0.0527046
57 D L 0.12500 0.12500 0.137500 0.12500 0.12500 0.18750 0.0263523
59 D N 0.00000 0.00000 0.087500 0.12500 0.12500 0.12500 0.0603807
64 E F 0.25000 0.25000 0.281250 0.25000 0.31250 0.37500 0.0441942
65 E G 0.25000 0.25000 0.281250 0.25000 0.31250 0.37500 0.0441942
66 E H 0.00000 0.00000 0.062500 0.00000 0.12500 0.25000 0.0883883
67 E I 0.00000 0.00000 0.056250 0.03125 0.06250 0.18750 0.0748262
68 E J 0.00000 0.00000 0.062500 0.06250 0.12500 0.12500 0.0658808
69 E K 0.00000 0.00000 0.012500 0.00000 0.00000 0.12500 0.0395285
70 E L 0.00000 0.00000 0.037500 0.03125 0.06250 0.12500 0.0437004
71 E M 0.00000 0.00000 0.025000 0.00000 0.00000 0.12500 0.0527046
72 E N 0.00000 0.00000 0.050000 0.00000 0.12500 0.12500 0.0645497
74 E P 0.00000 0.00000 0.012500 0.00000 0.00000 0.06250 0.0263523
75 E Q 0.00000 0.00000 0.025000 0.00000 0.00000 0.12500 0.0527046
76 F F 0.50000 0.50000 0.531250 0.50000 0.56250 0.62500 0.0441942
77 F G 0.25000 0.25000 0.281250 0.25000 0.31250 0.37500 0.0441942
78 F H 0.12500 0.12500 0.156250 0.12500 0.18750 0.25000 0.0441942
79 F I 0.09375 0.09375 0.125000 0.12500 0.12500 0.18750 0.0360844
80 F J 0.06250 0.06250 0.100000 0.12500 0.12500 0.12500 0.0322749
81 F K 0.00000 0.00000 0.018750 0.00000 0.06250 0.06250 0.0301904
82 F L 0.06250 0.06250 0.087500 0.09375 0.09375 0.12500 0.0197642
83 F M 0.06250 0.06250 0.075000 0.06250 0.06250 0.12500 0.0263523
84 F N 0.00000 0.00000 0.068750 0.06250 0.12500 0.12500 0.0461165
86 F P 0.03125 0.03125 0.037500 0.03125 0.03125 0.06250 0.0131762
87 F Q 0.06250 0.06250 0.075000 0.06250 0.06250 0.12500 0.0263523
88 G G 0.50000 0.50000 0.531250 0.50000 0.56250 0.62500 0.0441942
89 G H 0.12500 0.12500 0.156250 0.12500 0.18750 0.25000 0.0441942
90 G I 0.09375 0.09375 0.125000 0.12500 0.12500 0.18750 0.0360844
91 G J 0.06250 0.06250 0.100000 0.12500 0.12500 0.12500 0.0322749
92 G K 0.00000 0.00000 0.018750 0.00000 0.06250 0.06250 0.0301904
93 G L 0.06250 0.06250 0.087500 0.09375 0.09375 0.12500 0.0197642
94 G M 0.06250 0.06250 0.075000 0.06250 0.06250 0.12500 0.0263523
95 G N 0.00000 0.00000 0.068750 0.06250 0.12500 0.12500 0.0461165
97 G P 0.03125 0.03125 0.037500 0.03125 0.03125 0.06250 0.0131762
98 G Q 0.06250 0.06250 0.075000 0.06250 0.06250 0.12500 0.0263523
100 H I 0.18750 0.18750 0.193750 0.18750 0.18750 0.25000 0.0197642
101 H J 0.12500 0.12500 0.137500 0.12500 0.12500 0.25000 0.0395285
102 H K 0.00000 0.00000 0.025000 0.00000 0.00000 0.12500 0.0527046
103 H L 0.12500 0.12500 0.137500 0.12500 0.12500 0.18750 0.0263523
105 H N 0.00000 0.00000 0.087500 0.12500 0.12500 0.12500 0.0603807
109 I I 0.50000 0.50000 0.550000 0.50000 0.62500 0.62500 0.0645497
110 I J 0.25000 0.25000 0.300000 0.25000 0.37500 0.37500 0.0645497
111 I K 0.00000 0.00000 0.037500 0.00000 0.06250 0.18750 0.0671855
112 I L 0.09375 0.09375 0.115625 0.09375 0.12500 0.18750 0.0331047
113 I M 0.12500 0.12500 0.150000 0.12500 0.18750 0.18750 0.0322749
114 I N 0.00000 0.00000 0.068750 0.06250 0.12500 0.18750 0.0687816
116 I P 0.06250 0.06250 0.075000 0.06250 0.09375 0.09375 0.0161374
117 I Q 0.12500 0.12500 0.150000 0.12500 0.18750 0.18750 0.0322749
119 J K 0.00000 0.00000 0.025000 0.00000 0.00000 0.12500 0.0527046
120 J L 0.06250 0.06250 0.081250 0.06250 0.12500 0.12500 0.0301904
121 J M 0.00000 0.00000 0.050000 0.00000 0.12500 0.12500 0.0645497
122 J N 0.00000 0.00000 0.062500 0.00000 0.12500 0.25000 0.0883883
124 J P 0.00000 0.00000 0.025000 0.00000 0.06250 0.06250 0.0322749
125 J Q 0.00000 0.00000 0.050000 0.00000 0.12500 0.12500 0.0645497
127 K L 0.25000 0.25000 0.262500 0.25000 0.25000 0.31250 0.0263523
128 K M 0.00000 0.00000 0.025000 0.00000 0.00000 0.12500 0.0527046
129 K N 0.00000 0.00000 0.012500 0.00000 0.00000 0.12500 0.0395285
131 K P 0.00000 0.00000 0.012500 0.00000 0.00000 0.06250 0.0263523
132 K Q 0.00000 0.00000 0.025000 0.00000 0.00000 0.12500 0.0527046
133 L L 0.50000 0.50000 0.512500 0.50000 0.50000 0.56250 0.0263523
134 L M 0.06250 0.06250 0.075000 0.06250 0.06250 0.12500 0.0263523
135 L N 0.00000 0.00000 0.050000 0.06250 0.06250 0.06250 0.0263523
137 L P 0.03125 0.03125 0.037500 0.03125 0.03125 0.06250 0.0131762
138 L Q 0.06250 0.06250 0.075000 0.06250 0.06250 0.12500 0.0263523
140 M N 0.00000 0.00000 0.037500 0.00000 0.12500 0.12500 0.0603807
146 N P 0.00000 0.00000 0.018750 0.00000 0.06250 0.06250 0.0301904
147 N Q 0.00000 0.00000 0.037500 0.00000 0.12500 0.12500 0.0603807

A larger simulation

set.seed(1L)
n <- 100L
simKinships <- createSimKinships(ped, allSimParents, pop = ped$id, n = n)
kValues <- kinshipMatricesToKValues(simKinships)
extractKValue(kValues, id1 = "A", id2 = "F", simulation = 1L:10L)
##  [1] "sim_1"  "sim_2"  "sim_3"  "sim_4"  "sim_5"  "sim_6"  "sim_7"  "sim_8"  "sim_9" 
## [10] "sim_10"
counts <- countKinshipValues(kValues)
counts$kinshipIds[1L:3L]
## NULL
counts$kinshipValues[1L:3L]
## NULL
counts$kinshipCounts[1L:3L]
## NULL
stats_100 <- summarizeKinshipValues(counts)
nrow(stats_100[stats_100$sd > 0.0, ])
## [1] 94
kable(stats_100[stats_100$sd > 0.0, ], longtable = TRUE) %>%
  kable_styling(
    latex_options = c("striped", "repeat_header"),
    repeat_header_method = "replace",
    repeat_header_text = "\\textit{(continued)}"
  )
id_1 id_2 min secondQuartile mean median thirdQuartile max sd
5 A E 0.00000 0.00000 0.1000000 0.00000 0.25000 0.25000 0.1230915
6 A F 0.12500 0.12500 0.1750000 0.12500 0.25000 0.25000 0.0615457
7 A G 0.12500 0.12500 0.1750000 0.12500 0.25000 0.25000 0.0615457
9 A I 0.25000 0.25000 0.2875000 0.25000 0.37500 0.37500 0.0575708
10 A J 0.00000 0.00000 0.0750000 0.00000 0.25000 0.25000 0.1151415
11 A K 0.00000 0.00000 0.0700000 0.00000 0.25000 0.25000 0.1128152
12 A L 0.12500 0.12500 0.1600000 0.12500 0.25000 0.25000 0.0564076
14 A N 0.00000 0.00000 0.0725000 0.00000 0.25000 0.25000 0.1140120
21 B E 0.00000 0.00000 0.1350000 0.25000 0.25000 0.25000 0.1252271
22 B F 0.12500 0.12500 0.1925000 0.25000 0.25000 0.25000 0.0626135
23 B G 0.12500 0.12500 0.1925000 0.25000 0.25000 0.25000 0.0626135
25 B I 0.00000 0.00000 0.0587500 0.00000 0.12500 0.12500 0.0627017
26 B J 0.00000 0.00000 0.1175000 0.00000 0.25000 0.25000 0.1254034
30 B N 0.00000 0.00000 0.1225000 0.00000 0.25000 0.25000 0.1256046
36 C E 0.00000 0.00000 0.1175000 0.12500 0.25000 0.25000 0.0970200
37 C F 0.12500 0.12500 0.1837500 0.18750 0.25000 0.25000 0.0485100
38 C G 0.12500 0.12500 0.1837500 0.18750 0.25000 0.25000 0.0485100
40 C I 0.12500 0.12500 0.1731250 0.18750 0.18750 0.25000 0.0395833
41 C J 0.00000 0.00000 0.0962500 0.12500 0.12500 0.25000 0.0791667
42 C K 0.00000 0.00000 0.0350000 0.00000 0.12500 0.12500 0.0564076
43 C L 0.25000 0.25000 0.2675000 0.25000 0.31250 0.31250 0.0282038
45 C N 0.00000 0.00000 0.0975000 0.12500 0.12500 0.25000 0.0786165
50 D E 0.00000 0.00000 0.1175000 0.12500 0.25000 0.25000 0.0970200
51 D F 0.25000 0.25000 0.3087500 0.31250 0.37500 0.37500 0.0485100
52 D G 0.25000 0.25000 0.3087500 0.31250 0.37500 0.37500 0.0485100
54 D I 0.12500 0.12500 0.1731250 0.18750 0.18750 0.25000 0.0395833
55 D J 0.00000 0.00000 0.0962500 0.12500 0.12500 0.25000 0.0791667
56 D K 0.00000 0.00000 0.0350000 0.00000 0.12500 0.12500 0.0564076
57 D L 0.12500 0.12500 0.1425000 0.12500 0.18750 0.18750 0.0282038
59 D N 0.00000 0.00000 0.0975000 0.12500 0.12500 0.25000 0.0786165
64 E F 0.25000 0.25000 0.3087500 0.31250 0.37500 0.37500 0.0485100
65 E G 0.25000 0.25000 0.3087500 0.31250 0.37500 0.37500 0.0485100
66 E H 0.00000 0.00000 0.1175000 0.12500 0.25000 0.25000 0.0970200
67 E I 0.00000 0.00000 0.0812500 0.06250 0.12500 0.25000 0.0792065
68 E J 0.00000 0.00000 0.0625000 0.00000 0.12500 0.25000 0.0743235
69 E K 0.00000 0.00000 0.0275000 0.00000 0.00000 0.12500 0.0520416
70 E L 0.00000 0.00000 0.0725000 0.06250 0.12500 0.18750 0.0587378
71 E M 0.00000 0.00000 0.0500000 0.00000 0.12500 0.12500 0.0615457
72 E N 0.00000 0.00000 0.0625000 0.00000 0.12500 0.25000 0.0764176
74 E P 0.00000 0.00000 0.0250000 0.00000 0.06250 0.06250 0.0307729
75 E Q 0.00000 0.00000 0.0500000 0.00000 0.12500 0.12500 0.0615457
76 F F 0.50000 0.50000 0.5587500 0.56250 0.62500 0.62500 0.0485100
77 F G 0.25000 0.25000 0.3087500 0.31250 0.37500 0.37500 0.0485100
78 F H 0.12500 0.12500 0.1837500 0.18750 0.25000 0.25000 0.0485100
79 F I 0.06250 0.06250 0.1271875 0.12500 0.15625 0.25000 0.0478909
80 F J 0.00000 0.00000 0.0793750 0.06250 0.12500 0.25000 0.0639695
81 F K 0.00000 0.00000 0.0312500 0.00000 0.06250 0.12500 0.0439704
82 F L 0.06250 0.06250 0.1075000 0.09375 0.12500 0.18750 0.0344967
83 F M 0.06250 0.06250 0.0875000 0.06250 0.12500 0.12500 0.0307729
84 F N 0.00000 0.00000 0.0800000 0.06250 0.12500 0.25000 0.0634896
86 F P 0.03125 0.03125 0.0437500 0.03125 0.06250 0.06250 0.0153864
87 F Q 0.06250 0.06250 0.0875000 0.06250 0.12500 0.12500 0.0307729
88 G G 0.50000 0.50000 0.5587500 0.56250 0.62500 0.62500 0.0485100
89 G H 0.12500 0.12500 0.1837500 0.18750 0.25000 0.25000 0.0485100
90 G I 0.06250 0.06250 0.1271875 0.12500 0.15625 0.25000 0.0478909
91 G J 0.00000 0.00000 0.0793750 0.06250 0.12500 0.25000 0.0639695
92 G K 0.00000 0.00000 0.0312500 0.00000 0.06250 0.12500 0.0439704
93 G L 0.06250 0.06250 0.1075000 0.09375 0.12500 0.18750 0.0344967
94 G M 0.06250 0.06250 0.0875000 0.06250 0.12500 0.12500 0.0307729
95 G N 0.00000 0.00000 0.0800000 0.06250 0.12500 0.25000 0.0634896
97 G P 0.03125 0.03125 0.0437500 0.03125 0.06250 0.06250 0.0153864
98 G Q 0.06250 0.06250 0.0875000 0.06250 0.12500 0.12500 0.0307729
100 H I 0.12500 0.12500 0.1731250 0.18750 0.18750 0.25000 0.0395833
101 H J 0.00000 0.00000 0.0962500 0.12500 0.12500 0.25000 0.0791667
102 H K 0.00000 0.00000 0.0350000 0.00000 0.12500 0.12500 0.0564076
103 H L 0.12500 0.12500 0.1425000 0.12500 0.18750 0.18750 0.0282038
105 H N 0.00000 0.00000 0.0975000 0.12500 0.12500 0.25000 0.0786165
109 I I 0.50000 0.50000 0.5375000 0.50000 0.62500 0.62500 0.0575708
110 I J 0.25000 0.25000 0.2875000 0.25000 0.37500 0.37500 0.0575708
111 I K 0.00000 0.00000 0.0481250 0.00000 0.12500 0.18750 0.0657939
112 I L 0.06250 0.06250 0.1106250 0.09375 0.12500 0.21875 0.0383171
113 I M 0.12500 0.12500 0.1437500 0.12500 0.18750 0.18750 0.0287854
114 I N 0.00000 0.00000 0.0662500 0.06250 0.12500 0.18750 0.0651702
116 I P 0.06250 0.06250 0.0718750 0.06250 0.09375 0.09375 0.0143927
117 I Q 0.12500 0.12500 0.1437500 0.12500 0.18750 0.18750 0.0287854
119 J K 0.00000 0.00000 0.0262500 0.00000 0.00000 0.12500 0.0511700
120 J L 0.00000 0.00000 0.0612500 0.06250 0.06250 0.18750 0.0478219
121 J M 0.00000 0.00000 0.0375000 0.00000 0.12500 0.12500 0.0575708
122 J N 0.00000 0.00000 0.0600000 0.00000 0.12500 0.25000 0.0721250
124 J P 0.00000 0.00000 0.0187500 0.00000 0.06250 0.06250 0.0287854
125 J Q 0.00000 0.00000 0.0375000 0.00000 0.12500 0.12500 0.0575708
127 K L 0.25000 0.25000 0.2675000 0.25000 0.31250 0.31250 0.0282038
128 K M 0.00000 0.00000 0.0350000 0.00000 0.12500 0.12500 0.0564076
129 K N 0.00000 0.00000 0.0200000 0.00000 0.00000 0.12500 0.0460566
131 K P 0.00000 0.00000 0.0175000 0.00000 0.06250 0.06250 0.0282038
132 K Q 0.00000 0.00000 0.0350000 0.00000 0.12500 0.12500 0.0564076
133 L L 0.50000 0.50000 0.5175000 0.50000 0.56250 0.56250 0.0282038
134 L M 0.06250 0.06250 0.0800000 0.06250 0.12500 0.12500 0.0282038
135 L N 0.00000 0.00000 0.0587500 0.06250 0.06250 0.18750 0.0460052
137 L P 0.03125 0.03125 0.0400000 0.03125 0.06250 0.06250 0.0141019
138 L Q 0.06250 0.06250 0.0800000 0.06250 0.12500 0.12500 0.0282038
140 M N 0.00000 0.00000 0.0362500 0.00000 0.12500 0.12500 0.0570060
146 N P 0.00000 0.00000 0.0181250 0.00000 0.06250 0.06250 0.0285030
147 N Q 0.00000 0.00000 0.0362500 0.00000 0.12500 0.12500 0.0570060

A much larger simulation

set.seed(1L)
n <- 1000L
simKinships <- createSimKinships(ped, allSimParents, pop = ped$id, n = n)
kValues <- kinshipMatricesToKValues(simKinships)
extractKValue(kValues, id1 = "A", id2 = "F", simulation = 1L:10L)
##  [1] "sim_1"  "sim_2"  "sim_3"  "sim_4"  "sim_5"  "sim_6"  "sim_7"  "sim_8"  "sim_9" 
## [10] "sim_10"
counts <- countKinshipValues(kValues)
counts$kinshipIds[1L:3L]
## NULL
counts$kinshipValues[1L:3L]
## NULL
counts$kinshipCounts[1L:3L]
## NULL
stats_1000 <- summarizeKinshipValues(counts)
nrow(stats_1000[stats_1000$sd > 0.0, ])
## [1] 94
kable(stats_1000[stats_1000$sd > 0.0, ], longtable = TRUE) %>%
  kable_styling(
    latex_options = c("striped", "repeat_header"),
    repeat_header_method = "replace",
    repeat_header_text = "\\textit{(continued)}"
  )
id_1 id_2 min secondQuartile mean median thirdQuartile max sd
5 A E 0.00000 0.00000 0.0855000 0.00000 0.25000 0.25000 0.1186542
6 A F 0.12500 0.12500 0.1677500 0.12500 0.25000 0.25000 0.0593271
7 A G 0.12500 0.12500 0.1677500 0.12500 0.25000 0.25000 0.0593271
9 A I 0.25000 0.25000 0.2902500 0.25000 0.37500 0.37500 0.0584346
10 A J 0.00000 0.00000 0.0805000 0.00000 0.25000 0.25000 0.1168692
11 A K 0.00000 0.00000 0.0860000 0.00000 0.25000 0.25000 0.1188197
12 A L 0.12500 0.12500 0.1680000 0.12500 0.25000 0.25000 0.0594098
14 A N 0.00000 0.00000 0.0842500 0.00000 0.25000 0.25000 0.1182304
21 B E 0.00000 0.00000 0.1297500 0.25000 0.25000 0.25000 0.1249722
22 B F 0.12500 0.12500 0.1898750 0.25000 0.25000 0.25000 0.0624861
23 B G 0.12500 0.12500 0.1898750 0.25000 0.25000 0.25000 0.0624861
25 B I 0.00000 0.00000 0.0623750 0.00000 0.12500 0.12500 0.0625311
26 B J 0.00000 0.00000 0.1247500 0.00000 0.25000 0.25000 0.1250623
30 B N 0.00000 0.00000 0.1247500 0.00000 0.25000 0.25000 0.1250623
36 C E 0.00000 0.00000 0.1076250 0.12500 0.12500 0.25000 0.0873362
37 C F 0.12500 0.12500 0.1788125 0.18750 0.18750 0.25000 0.0436681
38 C G 0.12500 0.12500 0.1788125 0.18750 0.18750 0.25000 0.0436681
40 C I 0.12500 0.12500 0.1763125 0.18750 0.18750 0.25000 0.0426388
41 C J 0.00000 0.00000 0.1026250 0.12500 0.12500 0.25000 0.0852775
42 C K 0.00000 0.00000 0.0430000 0.00000 0.12500 0.12500 0.0594098
43 C L 0.25000 0.25000 0.2715000 0.25000 0.31250 0.31250 0.0297049
45 C N 0.00000 0.00000 0.1045000 0.12500 0.12500 0.25000 0.0867455
50 D E 0.00000 0.00000 0.1076250 0.12500 0.12500 0.25000 0.0873362
51 D F 0.25000 0.25000 0.3038125 0.31250 0.31250 0.37500 0.0436681
52 D G 0.25000 0.25000 0.3038125 0.31250 0.31250 0.37500 0.0436681
54 D I 0.12500 0.12500 0.1763125 0.18750 0.18750 0.25000 0.0426388
55 D J 0.00000 0.00000 0.1026250 0.12500 0.12500 0.25000 0.0852775
56 D K 0.00000 0.00000 0.0430000 0.00000 0.12500 0.12500 0.0594098
57 D L 0.12500 0.12500 0.1465000 0.12500 0.18750 0.18750 0.0297049
59 D N 0.00000 0.00000 0.1045000 0.12500 0.12500 0.25000 0.0867455
64 E F 0.25000 0.25000 0.3038125 0.31250 0.31250 0.37500 0.0436681
65 E G 0.25000 0.25000 0.3038125 0.31250 0.31250 0.37500 0.0436681
66 E H 0.00000 0.00000 0.1076250 0.12500 0.12500 0.25000 0.0873362
67 E I 0.00000 0.00000 0.0723750 0.06250 0.12500 0.25000 0.0752726
68 E J 0.00000 0.00000 0.0592500 0.00000 0.12500 0.25000 0.0751754
69 E K 0.00000 0.00000 0.0290000 0.00000 0.00000 0.12500 0.0527900
70 E L 0.00000 0.00000 0.0683125 0.06250 0.12500 0.18750 0.0553799
71 E M 0.00000 0.00000 0.0427500 0.00000 0.12500 0.12500 0.0593271
72 E N 0.00000 0.00000 0.0563750 0.00000 0.12500 0.25000 0.0728804
74 E P 0.00000 0.00000 0.0213750 0.00000 0.06250 0.06250 0.0296636
75 E Q 0.00000 0.00000 0.0427500 0.00000 0.12500 0.12500 0.0593271
76 F F 0.50000 0.50000 0.5538125 0.56250 0.56250 0.62500 0.0436681
77 F G 0.25000 0.25000 0.3038125 0.31250 0.31250 0.37500 0.0436681
78 F H 0.12500 0.12500 0.1788125 0.18750 0.18750 0.25000 0.0436681
79 F I 0.06250 0.06250 0.1243437 0.12500 0.15625 0.25000 0.0469043
80 F J 0.00000 0.00000 0.0809375 0.06250 0.12500 0.25000 0.0678680
81 F K 0.00000 0.00000 0.0360000 0.00000 0.06250 0.12500 0.0441377
82 F L 0.06250 0.06250 0.1074062 0.09375 0.12500 0.18750 0.0327921
83 F M 0.06250 0.06250 0.0838750 0.06250 0.12500 0.12500 0.0296636
84 F N 0.00000 0.00000 0.0804375 0.06250 0.12500 0.25000 0.0667250
86 F P 0.03125 0.03125 0.0419375 0.03125 0.06250 0.06250 0.0148318
87 F Q 0.06250 0.06250 0.0838750 0.06250 0.12500 0.12500 0.0296636
88 G G 0.50000 0.50000 0.5538125 0.56250 0.56250 0.62500 0.0436681
89 G H 0.12500 0.12500 0.1788125 0.18750 0.18750 0.25000 0.0436681
90 G I 0.06250 0.06250 0.1243437 0.12500 0.15625 0.25000 0.0469043
91 G J 0.00000 0.00000 0.0809375 0.06250 0.12500 0.25000 0.0678680
92 G K 0.00000 0.00000 0.0360000 0.00000 0.06250 0.12500 0.0441377
93 G L 0.06250 0.06250 0.1074062 0.09375 0.12500 0.18750 0.0327921
94 G M 0.06250 0.06250 0.0838750 0.06250 0.12500 0.12500 0.0296636
95 G N 0.00000 0.00000 0.0804375 0.06250 0.12500 0.25000 0.0667250
97 G P 0.03125 0.03125 0.0419375 0.03125 0.06250 0.06250 0.0148318
98 G Q 0.06250 0.06250 0.0838750 0.06250 0.12500 0.12500 0.0296636
100 H I 0.12500 0.12500 0.1763125 0.18750 0.18750 0.25000 0.0426388
101 H J 0.00000 0.00000 0.1026250 0.12500 0.12500 0.25000 0.0852775
102 H K 0.00000 0.00000 0.0430000 0.00000 0.12500 0.12500 0.0594098
103 H L 0.12500 0.12500 0.1465000 0.12500 0.18750 0.18750 0.0297049
105 H N 0.00000 0.00000 0.1045000 0.12500 0.12500 0.25000 0.0867455
109 I I 0.50000 0.50000 0.5402500 0.50000 0.62500 0.62500 0.0584346
110 I J 0.25000 0.25000 0.2902500 0.25000 0.37500 0.37500 0.0584346
111 I K 0.00000 0.00000 0.0555625 0.00000 0.12500 0.18750 0.0686899
112 I L 0.06250 0.06250 0.1159375 0.09375 0.12500 0.21875 0.0409078
113 I M 0.12500 0.12500 0.1451250 0.12500 0.18750 0.18750 0.0292173
114 I N 0.00000 0.00000 0.0713750 0.06250 0.12500 0.25000 0.0740365
116 I P 0.06250 0.06250 0.0725625 0.06250 0.09375 0.09375 0.0146086
117 I Q 0.12500 0.12500 0.1451250 0.12500 0.18750 0.18750 0.0292173
119 J K 0.00000 0.00000 0.0251250 0.00000 0.00000 0.12500 0.0501186
120 J L 0.00000 0.00000 0.0638750 0.06250 0.12500 0.18750 0.0518488
121 J M 0.00000 0.00000 0.0402500 0.00000 0.12500 0.12500 0.0584346
122 J N 0.00000 0.00000 0.0585000 0.00000 0.12500 0.25000 0.0749307
124 J P 0.00000 0.00000 0.0201250 0.00000 0.06250 0.06250 0.0292173
125 J Q 0.00000 0.00000 0.0402500 0.00000 0.12500 0.12500 0.0584346
127 K L 0.25000 0.25000 0.2715000 0.25000 0.31250 0.31250 0.0297049
128 K M 0.00000 0.00000 0.0430000 0.00000 0.12500 0.12500 0.0594098
129 K N 0.00000 0.00000 0.0291250 0.00000 0.00000 0.12500 0.0528692
131 K P 0.00000 0.00000 0.0215000 0.00000 0.06250 0.06250 0.0297049
132 K Q 0.00000 0.00000 0.0430000 0.00000 0.12500 0.12500 0.0594098
133 L L 0.50000 0.50000 0.5215000 0.50000 0.56250 0.56250 0.0297049
134 L M 0.06250 0.06250 0.0840000 0.06250 0.12500 0.12500 0.0297049
135 L N 0.00000 0.00000 0.0668125 0.06250 0.12500 0.18750 0.0540901
137 L P 0.03125 0.03125 0.0420000 0.03125 0.06250 0.06250 0.0148525
138 L Q 0.06250 0.06250 0.0840000 0.06250 0.12500 0.12500 0.0297049
140 M N 0.00000 0.00000 0.0421250 0.00000 0.12500 0.12500 0.0591152
146 N P 0.00000 0.00000 0.0210625 0.00000 0.06250 0.06250 0.0295576
147 N Q 0.00000 0.00000 0.0421250 0.00000 0.12500 0.12500 0.0591152

Comparing the values and variation found for the various kinship values:

stats_short <- stats_10[stats_10$sd > 0.0, ]
stats_long <- stats_1000[stats_1000$sd > 0.0, ]

if (any(stats_short$id_1 != stats_long$id_1) ||
  any(stats_short$id_2 != stats_long$id_2)) {
  cat("At least one row represents a different animal pair")
}

comprison <- data.frame(
  id_1 = stats_short$id_1,
  id_2 = stats_short$id_2,
  meanKin_short = stats_short$mean,
  meanKin_long = stats_long$mean,
  meanKinDelta = abs(stats_short$mean - stats_long$mean),
  sdKin_short = stats_short$sd,
  sdKin_long = stats_long$sd,
  sdKinDelta = abs(stats_short$sd - stats_long$sd)
)

kable(comprison,
  longtable = TRUE,
  digits = c(0L, 0L, 4L, 4L, 4L, 4L, 4L, 4L),
  caption = stri_c(
    "Comparision of estimated kinships between simulations ",
    "of 10 (short) and 1000 (long)"
  )
) %>%
  kable_styling(
    latex_options = c("striped", "repeat_header"),
    repeat_header_method = "replace",
    repeat_header_text = "\\textit{(continued)}",
    font_size = 10L
  )
Comparision of estimated kinships between simulations of 10 (short) and 1000 (long)
id_1 id_2 meanKin_short meanKin_long meanKinDelta sdKin_short sdKin_long sdKinDelta
A E 0.0500 0.0855 0.0355 0.1054 0.1187 0.0132
A F 0.1500 0.1677 0.0177 0.0527 0.0593 0.0066
A G 0.1500 0.1677 0.0177 0.0527 0.0593 0.0066
A I 0.3000 0.2902 0.0098 0.0645 0.0584 0.0061
A J 0.1000 0.0805 0.0195 0.1291 0.1169 0.0122
A K 0.0500 0.0860 0.0360 0.1054 0.1188 0.0134
A L 0.1500 0.1680 0.0180 0.0527 0.0594 0.0067
A N 0.0750 0.0843 0.0093 0.1208 0.1182 0.0025
B E 0.0750 0.1297 0.0547 0.1208 0.1250 0.0042
B F 0.1625 0.1899 0.0274 0.0604 0.0625 0.0021
B G 0.1625 0.1899 0.0274 0.0604 0.0625 0.0021
B I 0.0875 0.0624 0.0251 0.0604 0.0625 0.0022
B J 0.1750 0.1248 0.0502 0.1208 0.1251 0.0043
B N 0.1000 0.1248 0.0248 0.1291 0.1251 0.0040
C E 0.0625 0.1076 0.0451 0.0884 0.0873 0.0011
C F 0.1562 0.1788 0.0226 0.0442 0.0437 0.0005
C G 0.1562 0.1788 0.0226 0.0442 0.0437 0.0005
C I 0.1938 0.1763 0.0174 0.0198 0.0426 0.0229
C J 0.1375 0.1026 0.0349 0.0395 0.0853 0.0457
C K 0.0250 0.0430 0.0180 0.0527 0.0594 0.0067
C L 0.2625 0.2715 0.0090 0.0264 0.0297 0.0034
C N 0.0875 0.1045 0.0170 0.0604 0.0867 0.0264
D E 0.0625 0.1076 0.0451 0.0884 0.0873 0.0011
D F 0.2812 0.3038 0.0226 0.0442 0.0437 0.0005
D G 0.2812 0.3038 0.0226 0.0442 0.0437 0.0005
D I 0.1938 0.1763 0.0174 0.0198 0.0426 0.0229
D J 0.1375 0.1026 0.0349 0.0395 0.0853 0.0457
D K 0.0250 0.0430 0.0180 0.0527 0.0594 0.0067
D L 0.1375 0.1465 0.0090 0.0264 0.0297 0.0034
D N 0.0875 0.1045 0.0170 0.0604 0.0867 0.0264
E F 0.2812 0.3038 0.0226 0.0442 0.0437 0.0005
E G 0.2812 0.3038 0.0226 0.0442 0.0437 0.0005
E H 0.0625 0.1076 0.0451 0.0884 0.0873 0.0011
E I 0.0562 0.0724 0.0161 0.0748 0.0753 0.0004
E J 0.0625 0.0593 0.0032 0.0659 0.0752 0.0093
E K 0.0125 0.0290 0.0165 0.0395 0.0528 0.0133
E L 0.0375 0.0683 0.0308 0.0437 0.0554 0.0117
E M 0.0250 0.0427 0.0177 0.0527 0.0593 0.0066
E N 0.0500 0.0564 0.0064 0.0645 0.0729 0.0083
E P 0.0125 0.0214 0.0089 0.0264 0.0297 0.0033
E Q 0.0250 0.0427 0.0177 0.0527 0.0593 0.0066
F F 0.5312 0.5538 0.0226 0.0442 0.0437 0.0005
F G 0.2812 0.3038 0.0226 0.0442 0.0437 0.0005
F H 0.1562 0.1788 0.0226 0.0442 0.0437 0.0005
F I 0.1250 0.1243 0.0007 0.0361 0.0469 0.0108
F J 0.1000 0.0809 0.0191 0.0323 0.0679 0.0356
F K 0.0187 0.0360 0.0172 0.0302 0.0441 0.0139
F L 0.0875 0.1074 0.0199 0.0198 0.0328 0.0130
F M 0.0750 0.0839 0.0089 0.0264 0.0297 0.0033
F N 0.0688 0.0804 0.0117 0.0461 0.0667 0.0206
F P 0.0375 0.0419 0.0044 0.0132 0.0148 0.0017
F Q 0.0750 0.0839 0.0089 0.0264 0.0297 0.0033
G G 0.5312 0.5538 0.0226 0.0442 0.0437 0.0005
G H 0.1562 0.1788 0.0226 0.0442 0.0437 0.0005
G I 0.1250 0.1243 0.0007 0.0361 0.0469 0.0108
G J 0.1000 0.0809 0.0191 0.0323 0.0679 0.0356
G K 0.0187 0.0360 0.0172 0.0302 0.0441 0.0139
G L 0.0875 0.1074 0.0199 0.0198 0.0328 0.0130
G M 0.0750 0.0839 0.0089 0.0264 0.0297 0.0033
G N 0.0688 0.0804 0.0117 0.0461 0.0667 0.0206
G P 0.0375 0.0419 0.0044 0.0132 0.0148 0.0017
G Q 0.0750 0.0839 0.0089 0.0264 0.0297 0.0033
H I 0.1938 0.1763 0.0174 0.0198 0.0426 0.0229
H J 0.1375 0.1026 0.0349 0.0395 0.0853 0.0457
H K 0.0250 0.0430 0.0180 0.0527 0.0594 0.0067
H L 0.1375 0.1465 0.0090 0.0264 0.0297 0.0034
H N 0.0875 0.1045 0.0170 0.0604 0.0867 0.0264
I I 0.5500 0.5402 0.0098 0.0645 0.0584 0.0061
I J 0.3000 0.2902 0.0098 0.0645 0.0584 0.0061
I K 0.0375 0.0556 0.0181 0.0672 0.0687 0.0015
I L 0.1156 0.1159 0.0003 0.0331 0.0409 0.0078
I M 0.1500 0.1451 0.0049 0.0323 0.0292 0.0031
I N 0.0688 0.0714 0.0026 0.0688 0.0740 0.0053
I P 0.0750 0.0726 0.0024 0.0161 0.0146 0.0015
I Q 0.1500 0.1451 0.0049 0.0323 0.0292 0.0031
J K 0.0250 0.0251 0.0001 0.0527 0.0501 0.0026
J L 0.0813 0.0639 0.0174 0.0302 0.0518 0.0217
J M 0.0500 0.0402 0.0098 0.0645 0.0584 0.0061
J N 0.0625 0.0585 0.0040 0.0884 0.0749 0.0135
J P 0.0250 0.0201 0.0049 0.0323 0.0292 0.0031
J Q 0.0500 0.0402 0.0098 0.0645 0.0584 0.0061
K L 0.2625 0.2715 0.0090 0.0264 0.0297 0.0034
K M 0.0250 0.0430 0.0180 0.0527 0.0594 0.0067
K N 0.0125 0.0291 0.0166 0.0395 0.0529 0.0133
K P 0.0125 0.0215 0.0090 0.0264 0.0297 0.0034
K Q 0.0250 0.0430 0.0180 0.0527 0.0594 0.0067
L L 0.5125 0.5215 0.0090 0.0264 0.0297 0.0034
L M 0.0750 0.0840 0.0090 0.0264 0.0297 0.0034
L N 0.0500 0.0668 0.0168 0.0264 0.0541 0.0277
L P 0.0375 0.0420 0.0045 0.0132 0.0149 0.0017
L Q 0.0750 0.0840 0.0090 0.0264 0.0297 0.0034
M N 0.0375 0.0421 0.0046 0.0604 0.0591 0.0013
N P 0.0187 0.0211 0.0023 0.0302 0.0296 0.0006
N Q 0.0375 0.0421 0.0046 0.0604 0.0591 0.0013 
stats_short <- stats_100[stats_100$sd > 0.0, ]
stats_long <- stats_1000[stats_1000$sd > 0.0, ]

if (any(stats_short$id_1 != stats_long$id_1) ||
  any(stats_short$id_2 != stats_long$id_2)) {
  cat("At least one row represents a different animal pair")
}

comprison <- data.frame(
  id_1 = stats_short$id_1,
  id_2 = stats_short$id_2,
  meanKin_short = stats_short$mean,
  meanKin_long = stats_long$mean,
  meanKinDelta = abs(stats_short$mean - stats_long$mean),
  sdKin_short = stats_short$sd,
  sdKin_long = stats_long$sd,
  sdKinDelta = abs(stats_short$sd - stats_long$sd)
)

kable(comprison,
  longtable = TRUE,
  digits = c(0L, 0L, 4L, 4L, 4L, 4L, 4L, 4L),
  caption = stri_c(
    "Comparision of estimated kinships between simulations ",
    "of 100 (short) and 1000 (long)"
  )
) %>%
  kable_styling(
    latex_options = c("striped", "repeat_header"),
    repeat_header_method = "replace",
    repeat_header_text = "\\textit{(continued)}",
    font_size = 10L
  )
Comparision of estimated kinships between simulations of 100 (short) and 1000 (long)
id_1 id_2 meanKin_short meanKin_long meanKinDelta sdKin_short sdKin_long sdKinDelta
A E 0.1000 0.0855 0.0145 0.1231 0.1187 0.0044
A F 0.1750 0.1677 0.0073 0.0615 0.0593 0.0022
A G 0.1750 0.1677 0.0073 0.0615 0.0593 0.0022
A I 0.2875 0.2902 0.0027 0.0576 0.0584 0.0009
A J 0.0750 0.0805 0.0055 0.1151 0.1169 0.0017
A K 0.0700 0.0860 0.0160 0.1128 0.1188 0.0060
A L 0.1600 0.1680 0.0080 0.0564 0.0594 0.0030
A N 0.0725 0.0843 0.0118 0.1140 0.1182 0.0042
B E 0.1350 0.1297 0.0053 0.1252 0.1250 0.0003
B F 0.1925 0.1899 0.0026 0.0626 0.0625 0.0001
B G 0.1925 0.1899 0.0026 0.0626 0.0625 0.0001
B I 0.0588 0.0624 0.0036 0.0627 0.0625 0.0002
B J 0.1175 0.1248 0.0073 0.1254 0.1251 0.0003
B N 0.1225 0.1248 0.0023 0.1256 0.1251 0.0005
C E 0.1175 0.1076 0.0099 0.0970 0.0873 0.0097
C F 0.1837 0.1788 0.0049 0.0485 0.0437 0.0048
C G 0.1837 0.1788 0.0049 0.0485 0.0437 0.0048
C I 0.1731 0.1763 0.0032 0.0396 0.0426 0.0031
C J 0.0963 0.1026 0.0064 0.0792 0.0853 0.0061
C K 0.0350 0.0430 0.0080 0.0564 0.0594 0.0030
C L 0.2675 0.2715 0.0040 0.0282 0.0297 0.0015
C N 0.0975 0.1045 0.0070 0.0786 0.0867 0.0081
D E 0.1175 0.1076 0.0099 0.0970 0.0873 0.0097
D F 0.3087 0.3038 0.0049 0.0485 0.0437 0.0048
D G 0.3087 0.3038 0.0049 0.0485 0.0437 0.0048
D I 0.1731 0.1763 0.0032 0.0396 0.0426 0.0031
D J 0.0963 0.1026 0.0064 0.0792 0.0853 0.0061
D K 0.0350 0.0430 0.0080 0.0564 0.0594 0.0030
D L 0.1425 0.1465 0.0040 0.0282 0.0297 0.0015
D N 0.0975 0.1045 0.0070 0.0786 0.0867 0.0081
E F 0.3087 0.3038 0.0049 0.0485 0.0437 0.0048
E G 0.3087 0.3038 0.0049 0.0485 0.0437 0.0048
E H 0.1175 0.1076 0.0099 0.0970 0.0873 0.0097
E I 0.0813 0.0724 0.0089 0.0792 0.0753 0.0039
E J 0.0625 0.0593 0.0032 0.0743 0.0752 0.0009
E K 0.0275 0.0290 0.0015 0.0520 0.0528 0.0007
E L 0.0725 0.0683 0.0042 0.0587 0.0554 0.0034
E M 0.0500 0.0427 0.0073 0.0615 0.0593 0.0022
E N 0.0625 0.0564 0.0061 0.0764 0.0729 0.0035
E P 0.0250 0.0214 0.0036 0.0308 0.0297 0.0011
E Q 0.0500 0.0427 0.0073 0.0615 0.0593 0.0022
F F 0.5588 0.5538 0.0049 0.0485 0.0437 0.0048
F G 0.3087 0.3038 0.0049 0.0485 0.0437 0.0048
F H 0.1837 0.1788 0.0049 0.0485 0.0437 0.0048
F I 0.1272 0.1243 0.0028 0.0479 0.0469 0.0010
F J 0.0794 0.0809 0.0016 0.0640 0.0679 0.0039
F K 0.0312 0.0360 0.0047 0.0440 0.0441 0.0002
F L 0.1075 0.1074 0.0001 0.0345 0.0328 0.0017
F M 0.0875 0.0839 0.0036 0.0308 0.0297 0.0011
F N 0.0800 0.0804 0.0004 0.0635 0.0667 0.0032
F P 0.0438 0.0419 0.0018 0.0154 0.0148 0.0006
F Q 0.0875 0.0839 0.0036 0.0308 0.0297 0.0011
G G 0.5588 0.5538 0.0049 0.0485 0.0437 0.0048
G H 0.1837 0.1788 0.0049 0.0485 0.0437 0.0048
G I 0.1272 0.1243 0.0028 0.0479 0.0469 0.0010
G J 0.0794 0.0809 0.0016 0.0640 0.0679 0.0039
G K 0.0312 0.0360 0.0047 0.0440 0.0441 0.0002
G L 0.1075 0.1074 0.0001 0.0345 0.0328 0.0017
G M 0.0875 0.0839 0.0036 0.0308 0.0297 0.0011
G N 0.0800 0.0804 0.0004 0.0635 0.0667 0.0032
G P 0.0438 0.0419 0.0018 0.0154 0.0148 0.0006
G Q 0.0875 0.0839 0.0036 0.0308 0.0297 0.0011
H I 0.1731 0.1763 0.0032 0.0396 0.0426 0.0031
H J 0.0963 0.1026 0.0064 0.0792 0.0853 0.0061
H K 0.0350 0.0430 0.0080 0.0564 0.0594 0.0030
H L 0.1425 0.1465 0.0040 0.0282 0.0297 0.0015
H N 0.0975 0.1045 0.0070 0.0786 0.0867 0.0081
I I 0.5375 0.5402 0.0027 0.0576 0.0584 0.0009
I J 0.2875 0.2902 0.0027 0.0576 0.0584 0.0009
I K 0.0481 0.0556 0.0074 0.0658 0.0687 0.0029
I L 0.1106 0.1159 0.0053 0.0383 0.0409 0.0026
I M 0.1437 0.1451 0.0014 0.0288 0.0292 0.0004
I N 0.0662 0.0714 0.0051 0.0652 0.0740 0.0089
I P 0.0719 0.0726 0.0007 0.0144 0.0146 0.0002
I Q 0.1437 0.1451 0.0014 0.0288 0.0292 0.0004
J K 0.0262 0.0251 0.0011 0.0512 0.0501 0.0011
J L 0.0612 0.0639 0.0026 0.0478 0.0518 0.0040
J M 0.0375 0.0402 0.0027 0.0576 0.0584 0.0009
J N 0.0600 0.0585 0.0015 0.0721 0.0749 0.0028
J P 0.0187 0.0201 0.0014 0.0288 0.0292 0.0004
J Q 0.0375 0.0402 0.0027 0.0576 0.0584 0.0009
K L 0.2675 0.2715 0.0040 0.0282 0.0297 0.0015
K M 0.0350 0.0430 0.0080 0.0564 0.0594 0.0030
K N 0.0200 0.0291 0.0091 0.0461 0.0529 0.0068
K P 0.0175 0.0215 0.0040 0.0282 0.0297 0.0015
K Q 0.0350 0.0430 0.0080 0.0564 0.0594 0.0030
L L 0.5175 0.5215 0.0040 0.0282 0.0297 0.0015
L M 0.0800 0.0840 0.0040 0.0282 0.0297 0.0015
L N 0.0587 0.0668 0.0081 0.0460 0.0541 0.0081
L P 0.0400 0.0420 0.0020 0.0141 0.0149 0.0008
L Q 0.0800 0.0840 0.0040 0.0282 0.0297 0.0015
M N 0.0363 0.0421 0.0059 0.0570 0.0591 0.0021
N P 0.0181 0.0211 0.0029 0.0285 0.0296 0.0011
N Q 0.0363 0.0421 0.0059 0.0570 0.0591 0.0021

  1. Add ability to use timestamped transactional location data to identify potential parents for animals with a missing parent.↩︎

  2. This example is not realistic and particularly unrealistic with regard to potential dams. While it is possible for two animals to be switched near the time of birth so that dam and sire are not know with certainty and still have a limited number of potential parents. This is not a common occurrence in colonies of which we are aware.↩︎