Quick Example of Simulated Kinships with Partial Parentage

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 500 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.

Planned capabilities¹ 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) # nolint: undesirable_function_linter
library(nprcgenekeepr) # nolint: undesirable_function_linter
library(stringi) # nolint: undesirable_function_linter

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] 84

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	0.000000	0.00000	0.2500	0.1054093
6	A	F	0.12500	0.12500	0.150000	0.125000	0.12500	0.2500	0.0527046
7	A	G	0.12500	0.12500	0.150000	0.125000	0.12500	0.2500	0.0527046
11	A	K	0.00000	0.00000	0.025000	0.000000	0.00000	0.2500	0.0790569
12	A	L	0.12500	0.12500	0.137500	0.125000	0.12500	0.2500	0.0395285
14	A	N	0.00000	0.00000	0.050000	0.000000	0.00000	0.2500	0.1054093
21	B	E	0.00000	0.00000	0.100000	0.000000	0.25000	0.2500	0.1290994
22	B	F	0.12500	0.12500	0.175000	0.125000	0.25000	0.2500	0.0645497
23	B	G	0.12500	0.12500	0.175000	0.125000	0.25000	0.2500	0.0645497
25	B	I	0.00000	0.00000	0.050000	0.000000	0.12500	0.1250	0.0645497
26	B	J	0.00000	0.00000	0.100000	0.000000	0.25000	0.2500	0.1290994
30	B	N	0.00000	0.00000	0.100000	0.000000	0.25000	0.2500	0.1290994
36	C	E	0.00000	0.00000	0.075000	0.000000	0.12500	0.2500	0.1054093
37	C	F	0.12500	0.12500	0.162500	0.125000	0.18750	0.2500	0.0527046
38	C	G	0.12500	0.12500	0.162500	0.125000	0.18750	0.2500	0.0527046
40	C	I	0.12500	0.12500	0.150000	0.125000	0.18750	0.1875	0.0322749
41	C	J	0.00000	0.00000	0.050000	0.000000	0.12500	0.1250	0.0645497
42	C	K	0.00000	0.00000	0.012500	0.000000	0.00000	0.1250	0.0395285
43	C	L	0.25000	0.25000	0.256250	0.250000	0.25000	0.3125	0.0197642
45	C	N	0.00000	0.00000	0.075000	0.125000	0.12500	0.1250	0.0645497
50	D	E	0.00000	0.00000	0.075000	0.000000	0.12500	0.2500	0.1054093
51	D	F	0.25000	0.25000	0.287500	0.250000	0.31250	0.3750	0.0527046
52	D	G	0.25000	0.25000	0.287500	0.250000	0.31250	0.3750	0.0527046
54	D	I	0.12500	0.12500	0.150000	0.125000	0.18750	0.1875	0.0322749
55	D	J	0.00000	0.00000	0.050000	0.000000	0.12500	0.1250	0.0645497
56	D	K	0.00000	0.00000	0.012500	0.000000	0.00000	0.1250	0.0395285
57	D	L	0.12500	0.12500	0.131250	0.125000	0.12500	0.1875	0.0197642
59	D	N	0.00000	0.00000	0.075000	0.125000	0.12500	0.1250	0.0645497
64	E	F	0.25000	0.25000	0.287500	0.250000	0.31250	0.3750	0.0527046
65	E	G	0.25000	0.25000	0.287500	0.250000	0.31250	0.3750	0.0527046
66	E	H	0.00000	0.00000	0.075000	0.000000	0.12500	0.2500	0.1054093
67	E	I	0.00000	0.00000	0.043750	0.000000	0.06250	0.1875	0.0662094
68	E	J	0.00000	0.00000	0.037500	0.000000	0.12500	0.1250	0.0603807
69	E	K	0.00000	0.00000	0.037500	0.000000	0.12500	0.1250	0.0603807
70	E	L	0.00000	0.00000	0.056250	0.062500	0.06250	0.1875	0.0621518
71	E	M	0.00000	0.00000	0.025000	0.000000	0.00000	0.1250	0.0527046
72	E	N	0.00000	0.00000	0.050000	0.000000	0.12500	0.1250	0.0645497
74	E	P	0.00000	0.00000	0.012500	0.000000	0.00000	0.0625	0.0263523
75	E	Q	0.00000	0.00000	0.025000	0.000000	0.00000	0.1250	0.0527046
76	F	F	0.50000	0.50000	0.537500	0.500000	0.56250	0.6250	0.0527046
77	F	G	0.25000	0.25000	0.287500	0.250000	0.31250	0.3750	0.0527046
78	F	H	0.12500	0.12500	0.162500	0.125000	0.18750	0.2500	0.0527046
79	F	I	0.06250	0.06250	0.096875	0.093750	0.12500	0.1875	0.0402089
80	F	J	0.00000	0.00000	0.043750	0.031250	0.06250	0.1250	0.0514545
81	F	K	0.00000	0.00000	0.025000	0.000000	0.06250	0.1250	0.0437004
82	F	L	0.06250	0.06250	0.093750	0.093750	0.09375	0.1875	0.0389756
83	F	M	0.06250	0.06250	0.075000	0.062500	0.06250	0.1250	0.0263523
84	F	N	0.00000	0.06250	0.062500	0.062500	0.06250	0.1250	0.0416667
86	F	P	0.03125	0.03125	0.037500	0.031250	0.03125	0.0625	0.0131762
87	F	Q	0.06250	0.06250	0.075000	0.062500	0.06250	0.1250	0.0263523
88	G	G	0.50000	0.50000	0.537500	0.500000	0.56250	0.6250	0.0527046
89	G	H	0.12500	0.12500	0.162500	0.125000	0.18750	0.2500	0.0527046
90	G	I	0.06250	0.06250	0.096875	0.093750	0.12500	0.1875	0.0402089
91	G	J	0.00000	0.00000	0.043750	0.031250	0.06250	0.1250	0.0514545
92	G	K	0.00000	0.00000	0.025000	0.000000	0.06250	0.1250	0.0437004
93	G	L	0.06250	0.06250	0.093750	0.093750	0.09375	0.1875	0.0389756
94	G	M	0.06250	0.06250	0.075000	0.062500	0.06250	0.1250	0.0263523
95	G	N	0.00000	0.06250	0.062500	0.062500	0.06250	0.1250	0.0416667
97	G	P	0.03125	0.03125	0.037500	0.031250	0.03125	0.0625	0.0131762
98	G	Q	0.06250	0.06250	0.075000	0.062500	0.06250	0.1250	0.0263523
100	H	I	0.12500	0.12500	0.150000	0.125000	0.18750	0.1875	0.0322749
101	H	J	0.00000	0.00000	0.050000	0.000000	0.12500	0.1250	0.0645497
102	H	K	0.00000	0.00000	0.012500	0.000000	0.00000	0.1250	0.0395285
103	H	L	0.12500	0.12500	0.131250	0.125000	0.12500	0.1875	0.0197642
105	H	N	0.00000	0.00000	0.075000	0.125000	0.12500	0.1250	0.0645497
111	I	K	0.00000	0.00000	0.018750	0.000000	0.00000	0.1250	0.0421843
112	I	L	0.06250	0.06250	0.084375	0.078125	0.09375	0.1250	0.0257273
114	I	N	0.00000	0.00000	0.037500	0.000000	0.06250	0.1250	0.0527046
119	J	K	0.00000	0.00000	0.012500	0.000000	0.00000	0.1250	0.0395285
120	J	L	0.00000	0.00000	0.031250	0.000000	0.06250	0.1250	0.0441942
122	J	N	0.00000	0.00000	0.025000	0.000000	0.00000	0.1250	0.0527046
127	K	L	0.25000	0.25000	0.256250	0.250000	0.25000	0.3125	0.0197642
128	K	M	0.00000	0.00000	0.012500	0.000000	0.00000	0.1250	0.0395285
129	K	N	0.00000	0.00000	0.025000	0.000000	0.00000	0.1250	0.0527046
131	K	P	0.00000	0.00000	0.006250	0.000000	0.00000	0.0625	0.0197642
132	K	Q	0.00000	0.00000	0.012500	0.000000	0.00000	0.1250	0.0395285
133	L	L	0.50000	0.50000	0.506250	0.500000	0.50000	0.5625	0.0197642
134	L	M	0.06250	0.06250	0.068750	0.062500	0.06250	0.1250	0.0197642
135	L	N	0.00000	0.06250	0.050000	0.062500	0.06250	0.0625	0.0263523
137	L	P	0.03125	0.03125	0.034375	0.031250	0.03125	0.0625	0.0098821
138	L	Q	0.06250	0.06250	0.068750	0.062500	0.06250	0.1250	0.0197642
140	M	N	0.00000	0.00000	0.025000	0.000000	0.00000	0.1250	0.0527046
146	N	P	0.00000	0.00000	0.012500	0.000000	0.00000	0.0625	0.0263523
147	N	Q	0.00000	0.00000	0.025000	0.000000	0.00000	0.1250	0.0527046

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	0.000000	0.0750000	0.000000	0.25000	0.25000	0.1151415
6	A	F	0.12500	0.125000	0.1625000	0.125000	0.25000	0.25000	0.0575708
7	A	G	0.12500	0.125000	0.1625000	0.125000	0.25000	0.25000	0.0575708
9	A	I	0.25000	0.250000	0.2975000	0.250000	0.37500	0.37500	0.0609790
10	A	J	0.00000	0.000000	0.0950000	0.000000	0.25000	0.25000	0.1219579
11	A	K	0.00000	0.000000	0.0800000	0.000000	0.25000	0.25000	0.1172065
12	A	L	0.12500	0.125000	0.1650000	0.125000	0.25000	0.25000	0.0586033
14	A	N	0.00000	0.000000	0.0775000	0.000000	0.25000	0.25000	0.1162058
21	B	E	0.00000	0.000000	0.1200000	0.000000	0.25000	0.25000	0.1255292
22	B	F	0.12500	0.125000	0.1850000	0.125000	0.25000	0.25000	0.0627646
23	B	G	0.12500	0.125000	0.1850000	0.125000	0.25000	0.25000	0.0627646
25	B	I	0.00000	0.000000	0.0612500	0.000000	0.12500	0.12500	0.0628023
26	B	J	0.00000	0.000000	0.1225000	0.000000	0.25000	0.25000	0.1256046
30	B	N	0.00000	0.000000	0.1475000	0.250000	0.25000	0.25000	0.1235778
36	C	E	0.00000	0.000000	0.0975000	0.125000	0.12500	0.25000	0.0933049
37	C	F	0.12500	0.125000	0.1737500	0.187500	0.18750	0.25000	0.0466525
38	C	G	0.12500	0.125000	0.1737500	0.187500	0.18750	0.25000	0.0466525
40	C	I	0.12500	0.125000	0.1793750	0.187500	0.18750	0.25000	0.0449949
41	C	J	0.00000	0.000000	0.1087500	0.125000	0.12500	0.25000	0.0899898
42	C	K	0.00000	0.000000	0.0400000	0.000000	0.12500	0.12500	0.0586033
43	C	L	0.25000	0.250000	0.2700000	0.250000	0.31250	0.31250	0.0293016
45	C	N	0.00000	0.000000	0.1125000	0.125000	0.12500	0.25000	0.0823809
50	D	E	0.00000	0.000000	0.0975000	0.125000	0.12500	0.25000	0.0933049
51	D	F	0.25000	0.250000	0.2987500	0.312500	0.31250	0.37500	0.0466525
52	D	G	0.25000	0.250000	0.2987500	0.312500	0.31250	0.37500	0.0466525
54	D	I	0.12500	0.125000	0.1793750	0.187500	0.18750	0.25000	0.0449949
55	D	J	0.00000	0.000000	0.1087500	0.125000	0.12500	0.25000	0.0899898
56	D	K	0.00000	0.000000	0.0400000	0.000000	0.12500	0.12500	0.0586033
57	D	L	0.12500	0.125000	0.1450000	0.125000	0.18750	0.18750	0.0293016
59	D	N	0.00000	0.000000	0.1125000	0.125000	0.12500	0.25000	0.0823809
64	E	F	0.25000	0.250000	0.2987500	0.312500	0.31250	0.37500	0.0466525
65	E	G	0.25000	0.250000	0.2987500	0.312500	0.31250	0.37500	0.0466525
66	E	H	0.00000	0.000000	0.0975000	0.125000	0.12500	0.25000	0.0933049
67	E	I	0.00000	0.000000	0.0718750	0.062500	0.12500	0.25000	0.0796412
68	E	J	0.00000	0.000000	0.0687500	0.000000	0.12500	0.25000	0.0782039
69	E	K	0.00000	0.000000	0.0275000	0.000000	0.00000	0.12500	0.0520416
70	E	L	0.00000	0.000000	0.0625000	0.062500	0.12500	0.18750	0.0575708
71	E	M	0.00000	0.000000	0.0375000	0.000000	0.12500	0.12500	0.0575708
72	E	N	0.00000	0.000000	0.0612500	0.000000	0.12500	0.25000	0.0743129
74	E	P	0.00000	0.000000	0.0187500	0.000000	0.06250	0.06250	0.0287854
75	E	Q	0.00000	0.000000	0.0375000	0.000000	0.12500	0.12500	0.0575708
76	F	F	0.50000	0.500000	0.5487500	0.562500	0.56250	0.62500	0.0466525
77	F	G	0.25000	0.250000	0.2987500	0.312500	0.31250	0.37500	0.0466525
78	F	H	0.12500	0.125000	0.1737500	0.187500	0.18750	0.25000	0.0466525
79	F	I	0.06250	0.093750	0.1256250	0.125000	0.15625	0.25000	0.0512201
80	F	J	0.00000	0.062500	0.0887500	0.062500	0.12500	0.25000	0.0689134
81	F	K	0.00000	0.000000	0.0337500	0.000000	0.06250	0.12500	0.0429903
82	F	L	0.06250	0.078125	0.1037500	0.093750	0.12500	0.18750	0.0334986
83	F	M	0.06250	0.062500	0.0812500	0.062500	0.12500	0.12500	0.0287854
84	F	N	0.00000	0.062500	0.0868750	0.062500	0.12500	0.25000	0.0639941
86	F	P	0.03125	0.031250	0.0406250	0.031250	0.06250	0.06250	0.0143927
87	F	Q	0.06250	0.062500	0.0812500	0.062500	0.12500	0.12500	0.0287854
88	G	G	0.50000	0.500000	0.5487500	0.562500	0.56250	0.62500	0.0466525
89	G	H	0.12500	0.125000	0.1737500	0.187500	0.18750	0.25000	0.0466525
90	G	I	0.06250	0.093750	0.1256250	0.125000	0.15625	0.25000	0.0512201
91	G	J	0.00000	0.062500	0.0887500	0.062500	0.12500	0.25000	0.0689134
92	G	K	0.00000	0.000000	0.0337500	0.000000	0.06250	0.12500	0.0429903
93	G	L	0.06250	0.078125	0.1037500	0.093750	0.12500	0.18750	0.0334986
94	G	M	0.06250	0.062500	0.0812500	0.062500	0.12500	0.12500	0.0287854
95	G	N	0.00000	0.062500	0.0868750	0.062500	0.12500	0.25000	0.0639941
97	G	P	0.03125	0.031250	0.0406250	0.031250	0.06250	0.06250	0.0143927
98	G	Q	0.06250	0.062500	0.0812500	0.062500	0.12500	0.12500	0.0287854
100	H	I	0.12500	0.125000	0.1793750	0.187500	0.18750	0.25000	0.0449949
101	H	J	0.00000	0.000000	0.1087500	0.125000	0.12500	0.25000	0.0899898
102	H	K	0.00000	0.000000	0.0400000	0.000000	0.12500	0.12500	0.0586033
103	H	L	0.12500	0.125000	0.1450000	0.125000	0.18750	0.18750	0.0293016
105	H	N	0.00000	0.000000	0.1125000	0.125000	0.12500	0.25000	0.0823809
109	I	I	0.50000	0.500000	0.5475000	0.500000	0.62500	0.62500	0.0609790
110	I	J	0.25000	0.250000	0.2975000	0.250000	0.37500	0.37500	0.0609790
111	I	K	0.00000	0.000000	0.0575000	0.000000	0.12500	0.18750	0.0719936
112	I	L	0.06250	0.093750	0.1184375	0.109375	0.12500	0.21875	0.0449236
113	I	M	0.12500	0.125000	0.1487500	0.125000	0.18750	0.18750	0.0304895
114	I	N	0.00000	0.000000	0.0731250	0.062500	0.12500	0.25000	0.0838314
116	I	P	0.06250	0.062500	0.0743750	0.062500	0.09375	0.09375	0.0152447
117	I	Q	0.12500	0.125000	0.1487500	0.125000	0.18750	0.18750	0.0304895
119	J	K	0.00000	0.000000	0.0350000	0.000000	0.12500	0.12500	0.0564076
120	J	L	0.00000	0.000000	0.0718750	0.062500	0.12500	0.18750	0.0578272
121	J	M	0.00000	0.000000	0.0475000	0.000000	0.12500	0.12500	0.0609790
122	J	N	0.00000	0.000000	0.0687500	0.000000	0.12500	0.25000	0.0840406
124	J	P	0.00000	0.000000	0.0237500	0.000000	0.06250	0.06250	0.0304895
125	J	Q	0.00000	0.000000	0.0475000	0.000000	0.12500	0.12500	0.0609790
127	K	L	0.25000	0.250000	0.2700000	0.250000	0.31250	0.31250	0.0293016
128	K	M	0.00000	0.000000	0.0400000	0.000000	0.12500	0.12500	0.0586033
129	K	N	0.00000	0.000000	0.0212500	0.000000	0.00000	0.12500	0.0471906
131	K	P	0.00000	0.000000	0.0200000	0.000000	0.06250	0.06250	0.0293016
132	K	Q	0.00000	0.000000	0.0400000	0.000000	0.12500	0.12500	0.0586033
133	L	L	0.50000	0.500000	0.5200000	0.500000	0.56250	0.56250	0.0293016
134	L	M	0.06250	0.062500	0.0825000	0.062500	0.12500	0.12500	0.0293016
135	L	N	0.00000	0.062500	0.0668750	0.062500	0.09375	0.18750	0.0480482
137	L	P	0.03125	0.031250	0.0412500	0.031250	0.06250	0.06250	0.0146508
138	L	Q	0.06250	0.062500	0.0825000	0.062500	0.12500	0.12500	0.0293016
140	M	N	0.00000	0.000000	0.0387500	0.000000	0.12500	0.12500	0.0581029
146	N	P	0.00000	0.000000	0.0193750	0.000000	0.06250	0.06250	0.0290514
147	N	Q	0.00000	0.000000	0.0387500	0.000000	0.12500	0.12500	0.0581029

A much larger simulation

set.seed(1L)
n <- 500L
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_500 <- summarizeKinshipValues(counts)
nrow(stats_500[stats_500$sd > 0.0, ])

## [1] 94

kable(stats_500[stats_500$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	0.0840000	0.00000	0.25000	0.25000	0.1182030
6	A	F	0.12500	0.12500	0.1670000	0.12500	0.25000	0.25000	0.0591015
7	A	G	0.12500	0.12500	0.1670000	0.12500	0.25000	0.25000	0.0591015
9	A	I	0.25000	0.25000	0.2937500	0.25000	0.37500	0.37500	0.0596809
10	A	J	0.00000	0.00000	0.0875000	0.00000	0.25000	0.25000	0.1193618
11	A	K	0.00000	0.00000	0.0835000	0.00000	0.25000	0.25000	0.1180280
12	A	L	0.12500	0.12500	0.1667500	0.12500	0.25000	0.25000	0.0590140
14	A	N	0.00000	0.00000	0.0815000	0.00000	0.25000	0.25000	0.1173042
21	B	E	0.00000	0.00000	0.1325000	0.25000	0.25000	0.25000	0.1248998
22	B	F	0.12500	0.12500	0.1912500	0.25000	0.25000	0.25000	0.0624499
23	B	G	0.12500	0.12500	0.1912500	0.25000	0.25000	0.25000	0.0624499
25	B	I	0.00000	0.00000	0.0590000	0.00000	0.12500	0.12500	0.0624644
26	B	J	0.00000	0.00000	0.1180000	0.00000	0.25000	0.25000	0.1249288
30	B	N	0.00000	0.00000	0.1300000	0.25000	0.25000	0.25000	0.1250250
36	C	E	0.00000	0.00000	0.1082500	0.12500	0.12500	0.25000	0.0884808
37	C	F	0.12500	0.12500	0.1791250	0.18750	0.18750	0.25000	0.0442404
38	C	G	0.12500	0.12500	0.1791250	0.18750	0.18750	0.25000	0.0442404
40	C	I	0.12500	0.12500	0.1763750	0.18750	0.18750	0.25000	0.0452149
41	C	J	0.00000	0.00000	0.1027500	0.12500	0.12500	0.25000	0.0904298
42	C	K	0.00000	0.00000	0.0417500	0.00000	0.12500	0.12500	0.0590140
43	C	L	0.25000	0.25000	0.2708750	0.25000	0.31250	0.31250	0.0295070
45	C	N	0.00000	0.00000	0.1057500	0.12500	0.12500	0.25000	0.0850745
50	D	E	0.00000	0.00000	0.1082500	0.12500	0.12500	0.25000	0.0884808
51	D	F	0.25000	0.25000	0.3041250	0.31250	0.31250	0.37500	0.0442404
52	D	G	0.25000	0.25000	0.3041250	0.31250	0.31250	0.37500	0.0442404
54	D	I	0.12500	0.12500	0.1763750	0.18750	0.18750	0.25000	0.0452149
55	D	J	0.00000	0.00000	0.1027500	0.12500	0.12500	0.25000	0.0904298
56	D	K	0.00000	0.00000	0.0417500	0.00000	0.12500	0.12500	0.0590140
57	D	L	0.12500	0.12500	0.1458750	0.12500	0.18750	0.18750	0.0295070
59	D	N	0.00000	0.00000	0.1057500	0.12500	0.12500	0.25000	0.0850745
64	E	F	0.25000	0.25000	0.3041250	0.31250	0.31250	0.37500	0.0442404
65	E	G	0.25000	0.25000	0.3041250	0.31250	0.31250	0.37500	0.0442404
66	E	H	0.00000	0.00000	0.1082500	0.12500	0.12500	0.25000	0.0884808
67	E	I	0.00000	0.00000	0.0750000	0.06250	0.12500	0.25000	0.0778395
68	E	J	0.00000	0.00000	0.0660000	0.00000	0.12500	0.25000	0.0788602
69	E	K	0.00000	0.00000	0.0270000	0.00000	0.00000	0.12500	0.0514908
70	E	L	0.00000	0.00000	0.0676250	0.06250	0.12500	0.18750	0.0542269
71	E	M	0.00000	0.00000	0.0420000	0.00000	0.12500	0.12500	0.0591015
72	E	N	0.00000	0.00000	0.0650000	0.00000	0.12500	0.25000	0.0752418
74	E	P	0.00000	0.00000	0.0210000	0.00000	0.06250	0.06250	0.0295507
75	E	Q	0.00000	0.00000	0.0420000	0.00000	0.12500	0.12500	0.0591015
76	F	F	0.50000	0.50000	0.5541250	0.56250	0.56250	0.62500	0.0442404
77	F	G	0.25000	0.25000	0.3041250	0.31250	0.31250	0.37500	0.0442404
78	F	H	0.12500	0.12500	0.1791250	0.18750	0.18750	0.25000	0.0442404
79	F	I	0.06250	0.09375	0.1256875	0.12500	0.15625	0.25000	0.0503378
80	F	J	0.00000	0.00000	0.0843750	0.06250	0.12500	0.25000	0.0722997
81	F	K	0.00000	0.00000	0.0343750	0.00000	0.06250	0.12500	0.0424089
82	F	L	0.06250	0.09375	0.1067500	0.09375	0.12500	0.18750	0.0318846
83	F	M	0.06250	0.06250	0.0835000	0.06250	0.12500	0.12500	0.0295507
84	F	N	0.00000	0.00000	0.0853750	0.06250	0.12500	0.25000	0.0688770
86	F	P	0.03125	0.03125	0.0417500	0.03125	0.06250	0.06250	0.0147754
87	F	Q	0.06250	0.06250	0.0835000	0.06250	0.12500	0.12500	0.0295507
88	G	G	0.50000	0.50000	0.5541250	0.56250	0.56250	0.62500	0.0442404
89	G	H	0.12500	0.12500	0.1791250	0.18750	0.18750	0.25000	0.0442404
90	G	I	0.06250	0.09375	0.1256875	0.12500	0.15625	0.25000	0.0503378
91	G	J	0.00000	0.00000	0.0843750	0.06250	0.12500	0.25000	0.0722997
92	G	K	0.00000	0.00000	0.0343750	0.00000	0.06250	0.12500	0.0424089
93	G	L	0.06250	0.09375	0.1067500	0.09375	0.12500	0.18750	0.0318846
94	G	M	0.06250	0.06250	0.0835000	0.06250	0.12500	0.12500	0.0295507
95	G	N	0.00000	0.00000	0.0853750	0.06250	0.12500	0.25000	0.0688770
97	G	P	0.03125	0.03125	0.0417500	0.03125	0.06250	0.06250	0.0147754
98	G	Q	0.06250	0.06250	0.0835000	0.06250	0.12500	0.12500	0.0295507
100	H	I	0.12500	0.12500	0.1763750	0.18750	0.18750	0.25000	0.0452149
101	H	J	0.00000	0.00000	0.1027500	0.12500	0.12500	0.25000	0.0904298
102	H	K	0.00000	0.00000	0.0417500	0.00000	0.12500	0.12500	0.0590140
103	H	L	0.12500	0.12500	0.1458750	0.12500	0.18750	0.18750	0.0295070
105	H	N	0.00000	0.00000	0.1057500	0.12500	0.12500	0.25000	0.0850745
109	I	I	0.50000	0.50000	0.5437500	0.50000	0.62500	0.62500	0.0596809
110	I	J	0.25000	0.25000	0.2937500	0.25000	0.37500	0.37500	0.0596809
111	I	K	0.00000	0.00000	0.0553750	0.00000	0.12500	0.18750	0.0692442
112	I	L	0.06250	0.09375	0.1158750	0.12500	0.12500	0.21875	0.0421397
113	I	M	0.12500	0.12500	0.1468750	0.12500	0.18750	0.18750	0.0298405
114	I	N	0.00000	0.00000	0.0721250	0.06250	0.12500	0.25000	0.0760665
116	I	P	0.06250	0.06250	0.0734375	0.06250	0.09375	0.09375	0.0149202
117	I	Q	0.12500	0.12500	0.1468750	0.12500	0.18750	0.18750	0.0298405
119	J	K	0.00000	0.00000	0.0272500	0.00000	0.00000	0.12500	0.0516626
120	J	L	0.00000	0.00000	0.0650000	0.06250	0.12500	0.18750	0.0551971
121	J	M	0.00000	0.00000	0.0437500	0.00000	0.12500	0.12500	0.0596809
122	J	N	0.00000	0.00000	0.0627500	0.00000	0.12500	0.25000	0.0756977
124	J	P	0.00000	0.00000	0.0218750	0.00000	0.06250	0.06250	0.0298405
125	J	Q	0.00000	0.00000	0.0437500	0.00000	0.12500	0.12500	0.0596809
127	K	L	0.25000	0.25000	0.2708750	0.25000	0.31250	0.31250	0.0295070
128	K	M	0.00000	0.00000	0.0417500	0.00000	0.12500	0.12500	0.0590140
129	K	N	0.00000	0.00000	0.0237500	0.00000	0.00000	0.12500	0.0490867
131	K	P	0.00000	0.00000	0.0208750	0.00000	0.06250	0.06250	0.0295070
132	K	Q	0.00000	0.00000	0.0417500	0.00000	0.12500	0.12500	0.0590140
133	L	L	0.50000	0.50000	0.5208750	0.50000	0.56250	0.56250	0.0295070
134	L	M	0.06250	0.06250	0.0833750	0.06250	0.12500	0.12500	0.0295070
135	L	N	0.00000	0.00000	0.0647500	0.06250	0.12500	0.18750	0.0512366
137	L	P	0.03125	0.03125	0.0416875	0.03125	0.06250	0.06250	0.0147535
138	L	Q	0.06250	0.06250	0.0833750	0.06250	0.12500	0.12500	0.0295070
140	M	N	0.00000	0.00000	0.0407500	0.00000	0.12500	0.12500	0.0586521
146	N	P	0.00000	0.00000	0.0203750	0.00000	0.06250	0.06250	0.0293260
147	N	Q	0.00000	0.00000	0.0407500	0.00000	0.12500	0.12500	0.0586521

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

stats_short <- stats_10[stats_10$sd > 0.0, ]
stats_long <- stats_500[stats_500$sd > 0.0, ]

## Align the short and long summaries by animal pair: the sd > 0 sets can
## differ in size between simulation lengths, so join on the ID pair rather
## than by row position.
merged <- merge(stats_short, stats_long, by = c("id_1", "id_2"),
                suffixes = c("_short", "_long"))

comprison <- data.frame(
  id_1 = merged$id_1,
  id_2 = merged$id_2,
  meanKin_short = merged$mean_short,
  meanKin_long = merged$mean_long,
  meanKinDelta = abs(merged$mean_short - merged$mean_long),
  sdKin_short = merged$sd_short,
  sdKin_long = merged$sd_long,
  sdKinDelta = abs(merged$sd_short - merged$sd_long)
)

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 500 (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 500 (long)
id_1	id_2	meanKin_short	meanKin_long	meanKinDelta	sdKin_short	sdKin_long	sdKinDelta
A	E	0.0500	0.0840	0.0340	0.1054	0.1182	0.0128
A	F	0.1500	0.1670	0.0170	0.0527	0.0591	0.0064
A	G	0.1500	0.1670	0.0170	0.0527	0.0591	0.0064
A	K	0.0250	0.0835	0.0585	0.0791	0.1180	0.0390
A	L	0.1375	0.1667	0.0292	0.0395	0.0590	0.0195
A	N	0.0500	0.0815	0.0315	0.1054	0.1173	0.0119
B	E	0.1000	0.1325	0.0325	0.1291	0.1249	0.0042
B	F	0.1750	0.1912	0.0162	0.0645	0.0624	0.0021
B	G	0.1750	0.1912	0.0162	0.0645	0.0624	0.0021
B	I	0.0500	0.0590	0.0090	0.0645	0.0625	0.0021
B	J	0.1000	0.1180	0.0180	0.1291	0.1249	0.0042
B	N	0.1000	0.1300	0.0300	0.1291	0.1250	0.0041
C	E	0.0750	0.1082	0.0332	0.1054	0.0885	0.0169
C	F	0.1625	0.1791	0.0166	0.0527	0.0442	0.0085
C	G	0.1625	0.1791	0.0166	0.0527	0.0442	0.0085
C	I	0.1500	0.1764	0.0264	0.0323	0.0452	0.0129
C	J	0.0500	0.1027	0.0527	0.0645	0.0904	0.0259
C	K	0.0125	0.0417	0.0292	0.0395	0.0590	0.0195
C	L	0.2562	0.2709	0.0146	0.0198	0.0295	0.0097
C	N	0.0750	0.1057	0.0307	0.0645	0.0851	0.0205
D	E	0.0750	0.1082	0.0332	0.1054	0.0885	0.0169
D	F	0.2875	0.3041	0.0166	0.0527	0.0442	0.0085
D	G	0.2875	0.3041	0.0166	0.0527	0.0442	0.0085
D	I	0.1500	0.1764	0.0264	0.0323	0.0452	0.0129
D	J	0.0500	0.1027	0.0527	0.0645	0.0904	0.0259
D	K	0.0125	0.0417	0.0292	0.0395	0.0590	0.0195
D	L	0.1312	0.1459	0.0146	0.0198	0.0295	0.0097
D	N	0.0750	0.1057	0.0307	0.0645	0.0851	0.0205
E	F	0.2875	0.3041	0.0166	0.0527	0.0442	0.0085
E	G	0.2875	0.3041	0.0166	0.0527	0.0442	0.0085
E	H	0.0750	0.1082	0.0332	0.1054	0.0885	0.0169
E	I	0.0437	0.0750	0.0313	0.0662	0.0778	0.0116
E	J	0.0375	0.0660	0.0285	0.0604	0.0789	0.0185
E	K	0.0375	0.0270	0.0105	0.0604	0.0515	0.0089
E	L	0.0562	0.0676	0.0114	0.0622	0.0542	0.0079
E	M	0.0250	0.0420	0.0170	0.0527	0.0591	0.0064
E	N	0.0500	0.0650	0.0150	0.0645	0.0752	0.0107
E	P	0.0125	0.0210	0.0085	0.0264	0.0296	0.0032
E	Q	0.0250	0.0420	0.0170	0.0527	0.0591	0.0064
F	F	0.5375	0.5541	0.0166	0.0527	0.0442	0.0085
F	G	0.2875	0.3041	0.0166	0.0527	0.0442	0.0085
F	H	0.1625	0.1791	0.0166	0.0527	0.0442	0.0085
F	I	0.0969	0.1257	0.0288	0.0402	0.0503	0.0101
F	J	0.0437	0.0844	0.0406	0.0515	0.0723	0.0208
F	K	0.0250	0.0344	0.0094	0.0437	0.0424	0.0013
F	L	0.0938	0.1068	0.0130	0.0390	0.0319	0.0071
F	M	0.0750	0.0835	0.0085	0.0264	0.0296	0.0032
F	N	0.0625	0.0854	0.0229	0.0417	0.0689	0.0272
F	P	0.0375	0.0418	0.0043	0.0132	0.0148	0.0016
F	Q	0.0750	0.0835	0.0085	0.0264	0.0296	0.0032
G	G	0.5375	0.5541	0.0166	0.0527	0.0442	0.0085
G	H	0.1625	0.1791	0.0166	0.0527	0.0442	0.0085
G	I	0.0969	0.1257	0.0288	0.0402	0.0503	0.0101
G	J	0.0437	0.0844	0.0406	0.0515	0.0723	0.0208
G	K	0.0250	0.0344	0.0094	0.0437	0.0424	0.0013
G	L	0.0938	0.1068	0.0130	0.0390	0.0319	0.0071
G	M	0.0750	0.0835	0.0085	0.0264	0.0296	0.0032
G	N	0.0625	0.0854	0.0229	0.0417	0.0689	0.0272
G	P	0.0375	0.0418	0.0043	0.0132	0.0148	0.0016
G	Q	0.0750	0.0835	0.0085	0.0264	0.0296	0.0032
H	I	0.1500	0.1764	0.0264	0.0323	0.0452	0.0129
H	J	0.0500	0.1027	0.0527	0.0645	0.0904	0.0259
H	K	0.0125	0.0417	0.0292	0.0395	0.0590	0.0195
H	L	0.1312	0.1459	0.0146	0.0198	0.0295	0.0097
H	N	0.0750	0.1057	0.0307	0.0645	0.0851	0.0205
I	K	0.0187	0.0554	0.0366	0.0422	0.0692	0.0271
I	L	0.0844	0.1159	0.0315	0.0257	0.0421	0.0164
I	N	0.0375	0.0721	0.0346	0.0527	0.0761	0.0234
J	K	0.0125	0.0272	0.0147	0.0395	0.0517	0.0121
J	L	0.0312	0.0650	0.0338	0.0442	0.0552	0.0110
J	N	0.0250	0.0628	0.0378	0.0527	0.0757	0.0230
K	L	0.2562	0.2709	0.0146	0.0198	0.0295	0.0097
K	M	0.0125	0.0417	0.0292	0.0395	0.0590	0.0195
K	N	0.0250	0.0238	0.0012	0.0527	0.0491	0.0036
K	P	0.0063	0.0209	0.0146	0.0198	0.0295	0.0097
K	Q	0.0125	0.0417	0.0292	0.0395	0.0590	0.0195
L	L	0.5062	0.5209	0.0146	0.0198	0.0295	0.0097
L	M	0.0688	0.0834	0.0146	0.0198	0.0295	0.0097
L	N	0.0500	0.0647	0.0147	0.0264	0.0512	0.0249
L	P	0.0344	0.0417	0.0073	0.0099	0.0148	0.0049
L	Q	0.0688	0.0834	0.0146	0.0198	0.0295	0.0097
M	N	0.0250	0.0408	0.0158	0.0527	0.0587	0.0059
N	P	0.0125	0.0204	0.0079	0.0264	0.0293	0.0030
N	Q	0.0250	0.0408	0.0158	0.0527	0.0587	0.0059

stats_short <- stats_100[stats_100$sd > 0.0, ]
stats_long <- stats_500[stats_500$sd > 0.0, ]

## Align the short and long summaries by animal pair: the sd > 0 sets can
## differ in size between simulation lengths, so join on the ID pair rather
## than by row position.
merged <- merge(stats_short, stats_long, by = c("id_1", "id_2"),
                suffixes = c("_short", "_long"))

comprison <- data.frame(
  id_1 = merged$id_1,
  id_2 = merged$id_2,
  meanKin_short = merged$mean_short,
  meanKin_long = merged$mean_long,
  meanKinDelta = abs(merged$mean_short - merged$mean_long),
  sdKin_short = merged$sd_short,
  sdKin_long = merged$sd_long,
  sdKinDelta = abs(merged$sd_short - merged$sd_long)
)

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 500 (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 500 (long)
id_1	id_2	meanKin_short	meanKin_long	meanKinDelta	sdKin_short	sdKin_long	sdKinDelta
A	E	0.0750	0.0840	0.0090	0.1151	0.1182	0.0031
A	F	0.1625	0.1670	0.0045	0.0576	0.0591	0.0015
A	G	0.1625	0.1670	0.0045	0.0576	0.0591	0.0015
A	I	0.2975	0.2938	0.0037	0.0610	0.0597	0.0013
A	J	0.0950	0.0875	0.0075	0.1220	0.1194	0.0026
A	K	0.0800	0.0835	0.0035	0.1172	0.1180	0.0008
A	L	0.1650	0.1667	0.0017	0.0586	0.0590	0.0004
A	N	0.0775	0.0815	0.0040	0.1162	0.1173	0.0011
B	E	0.1200	0.1325	0.0125	0.1255	0.1249	0.0006
B	F	0.1850	0.1912	0.0062	0.0628	0.0624	0.0003
B	G	0.1850	0.1912	0.0062	0.0628	0.0624	0.0003
B	I	0.0613	0.0590	0.0022	0.0628	0.0625	0.0003
B	J	0.1225	0.1180	0.0045	0.1256	0.1249	0.0007
B	N	0.1475	0.1300	0.0175	0.1236	0.1250	0.0014
C	E	0.0975	0.1082	0.0107	0.0933	0.0885	0.0048
C	F	0.1737	0.1791	0.0054	0.0467	0.0442	0.0024
C	G	0.1737	0.1791	0.0054	0.0467	0.0442	0.0024
C	I	0.1794	0.1764	0.0030	0.0450	0.0452	0.0002
C	J	0.1087	0.1027	0.0060	0.0900	0.0904	0.0004
C	K	0.0400	0.0417	0.0017	0.0586	0.0590	0.0004
C	L	0.2700	0.2709	0.0009	0.0293	0.0295	0.0002
C	N	0.1125	0.1057	0.0068	0.0824	0.0851	0.0027
D	E	0.0975	0.1082	0.0107	0.0933	0.0885	0.0048
D	F	0.2987	0.3041	0.0054	0.0467	0.0442	0.0024
D	G	0.2987	0.3041	0.0054	0.0467	0.0442	0.0024
D	I	0.1794	0.1764	0.0030	0.0450	0.0452	0.0002
D	J	0.1087	0.1027	0.0060	0.0900	0.0904	0.0004
D	K	0.0400	0.0417	0.0017	0.0586	0.0590	0.0004
D	L	0.1450	0.1459	0.0009	0.0293	0.0295	0.0002
D	N	0.1125	0.1057	0.0068	0.0824	0.0851	0.0027
E	F	0.2987	0.3041	0.0054	0.0467	0.0442	0.0024
E	G	0.2987	0.3041	0.0054	0.0467	0.0442	0.0024
E	H	0.0975	0.1082	0.0107	0.0933	0.0885	0.0048
E	I	0.0719	0.0750	0.0031	0.0796	0.0778	0.0018
E	J	0.0687	0.0660	0.0028	0.0782	0.0789	0.0007
E	K	0.0275	0.0270	0.0005	0.0520	0.0515	0.0006
E	L	0.0625	0.0676	0.0051	0.0576	0.0542	0.0033
E	M	0.0375	0.0420	0.0045	0.0576	0.0591	0.0015
E	N	0.0613	0.0650	0.0037	0.0743	0.0752	0.0009
E	P	0.0187	0.0210	0.0023	0.0288	0.0296	0.0008
E	Q	0.0375	0.0420	0.0045	0.0576	0.0591	0.0015
F	F	0.5488	0.5541	0.0054	0.0467	0.0442	0.0024
F	G	0.2987	0.3041	0.0054	0.0467	0.0442	0.0024
F	H	0.1737	0.1791	0.0054	0.0467	0.0442	0.0024
F	I	0.1256	0.1257	0.0001	0.0512	0.0503	0.0009
F	J	0.0887	0.0844	0.0044	0.0689	0.0723	0.0034
F	K	0.0338	0.0344	0.0006	0.0430	0.0424	0.0006
F	L	0.1037	0.1068	0.0030	0.0335	0.0319	0.0016
F	M	0.0812	0.0835	0.0023	0.0288	0.0296	0.0008
F	N	0.0869	0.0854	0.0015	0.0640	0.0689	0.0049
F	P	0.0406	0.0418	0.0011	0.0144	0.0148	0.0004
F	Q	0.0812	0.0835	0.0023	0.0288	0.0296	0.0008
G	G	0.5488	0.5541	0.0054	0.0467	0.0442	0.0024
G	H	0.1737	0.1791	0.0054	0.0467	0.0442	0.0024
G	I	0.1256	0.1257	0.0001	0.0512	0.0503	0.0009
G	J	0.0887	0.0844	0.0044	0.0689	0.0723	0.0034
G	K	0.0338	0.0344	0.0006	0.0430	0.0424	0.0006
G	L	0.1037	0.1068	0.0030	0.0335	0.0319	0.0016
G	M	0.0812	0.0835	0.0023	0.0288	0.0296	0.0008
G	N	0.0869	0.0854	0.0015	0.0640	0.0689	0.0049
G	P	0.0406	0.0418	0.0011	0.0144	0.0148	0.0004
G	Q	0.0812	0.0835	0.0023	0.0288	0.0296	0.0008
H	I	0.1794	0.1764	0.0030	0.0450	0.0452	0.0002
H	J	0.1087	0.1027	0.0060	0.0900	0.0904	0.0004
H	K	0.0400	0.0417	0.0017	0.0586	0.0590	0.0004
H	L	0.1450	0.1459	0.0009	0.0293	0.0295	0.0002
H	N	0.1125	0.1057	0.0068	0.0824	0.0851	0.0027
I	I	0.5475	0.5438	0.0037	0.0610	0.0597	0.0013
I	J	0.2975	0.2938	0.0037	0.0610	0.0597	0.0013
I	K	0.0575	0.0554	0.0021	0.0720	0.0692	0.0027
I	L	0.1184	0.1159	0.0026	0.0449	0.0421	0.0028
I	M	0.1488	0.1469	0.0019	0.0305	0.0298	0.0006
I	N	0.0731	0.0721	0.0010	0.0838	0.0761	0.0078
I	P	0.0744	0.0734	0.0009	0.0152	0.0149	0.0003
I	Q	0.1488	0.1469	0.0019	0.0305	0.0298	0.0006
J	K	0.0350	0.0272	0.0078	0.0564	0.0517	0.0047
J	L	0.0719	0.0650	0.0069	0.0578	0.0552	0.0026
J	M	0.0475	0.0438	0.0037	0.0610	0.0597	0.0013
J	N	0.0687	0.0628	0.0060	0.0840	0.0757	0.0083
J	P	0.0238	0.0219	0.0019	0.0305	0.0298	0.0006
J	Q	0.0475	0.0438	0.0037	0.0610	0.0597	0.0013
K	L	0.2700	0.2709	0.0009	0.0293	0.0295	0.0002
K	M	0.0400	0.0417	0.0017	0.0586	0.0590	0.0004
K	N	0.0213	0.0238	0.0025	0.0472	0.0491	0.0019
K	P	0.0200	0.0209	0.0009	0.0293	0.0295	0.0002
K	Q	0.0400	0.0417	0.0017	0.0586	0.0590	0.0004
L	L	0.5200	0.5209	0.0009	0.0293	0.0295	0.0002
L	M	0.0825	0.0834	0.0009	0.0293	0.0295	0.0002
L	N	0.0669	0.0647	0.0021	0.0480	0.0512	0.0032
L	P	0.0412	0.0417	0.0004	0.0147	0.0148	0.0001
L	Q	0.0825	0.0834	0.0009	0.0293	0.0295	0.0002
M	N	0.0388	0.0408	0.0020	0.0581	0.0587	0.0005
N	P	0.0194	0.0204	0.0010	0.0291	0.0293	0.0003
N	Q	0.0388	0.0408	0.0020	0.0581	0.0587	0.0005

A planned capability will use timestamped transactional location data to identify potential parents for animals with a missing parent.↩︎
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.↩︎

Quick Example of Simulated Kinships with Partial Parentage

nprcgenekeepr: an R Package for the Genetic Management of Colonies

R. Mark Sharp, Ph.D.

8/29/2021

Introduction

Anticipation of further uses of this kinship estimation method

Identification of potential parents

Creation of example pedigree²

Small Example

Quick Example of Simulated Kinships with Partial Parentage

nprcgenekeepr: an R Package for the Genetic Management of Colonies

R. Mark Sharp, Ph.D.

8/29/2021

Introduction

Anticipation of further uses of this kinship estimation method

Identification of potential parents

Creation of example pedigree2

Small Example

Creation of example pedigree²