Medir la heredabilidad
Recuerda que el coeficiente de correlación de Pearson es la razón entre la covarianza y la media geométrica de las varianzas de los dos conjuntos de datos. Esto mide la correlación entre progenitores y descendencia, pero puede que no sea la mejor estimación de la heredabilidad. Si lo pensamos bien, tiene más sentido definir la heredabilidad como la razón entre la covarianza entre progenitor y descendencia y la varianza de los progenitores únicamente. En este ejercicio, estimarás la heredabilidad y realizarás un bootstrap por pares para obtener el intervalo de confianza del 95 %.
Este ejercicio resalta un punto muy importante. La inferencia estadística (y el análisis de datos en general) no es una tarea mecánica. Tienes que pensar con cuidado en las preguntas que quieres responder con tus datos y analizarlas de forma adecuada. Si te interesa cuán heredables son los rasgos, la cantidad que definimos como heredabilidad es más apropiada que la estadística “enlatada”, el coeficiente de correlación de Pearson.
Recuerda: los datos están almacenados en bd_parent_scandens, bd_offspring_scandens, bd_parent_fortis y bd_offspring_fortis.
Este ejercicio forma parte del curso
Pensamiento estadístico en Python (Parte 2)
Instrucciones del ejercicio
- Escribe una función
heritability(parents, offspring)que calcule la heredabilidad definida como la razón entre la covarianza del rasgo en progenitores y descendencia dividida por la varianza del rasgo en los progenitores. Pista: recuerda la funciónnp.cov()que vimos en la primera parte de este curso. - Usa esta función para calcular la heredabilidad de G. scandens y G. fortis.
- Obtén 1000 réplicas bootstrap de la heredabilidad usando bootstrap por pares para G. scandens y G. fortis.
- Calcula el intervalo de confianza del 95 % para ambas usando tus réplicas bootstrap.
- Imprime los resultados.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
def heritability(parents, offspring):
"""Compute the heritability from parent and offspring samples."""
covariance_matrix = np.cov(parents, offspring)
return ____ / ____
# Compute the heritability
heritability_scandens = ____
heritability_fortis = ____
# Acquire 1000 bootstrap replicates of heritability
replicates_scandens = draw_bs_pairs(
____, ____, ____, size=____)
replicates_fortis = draw_bs_pairs(
____, ____, ____, size=____)
# Compute 95% confidence intervals
conf_int_scandens = ____
conf_int_fortis = ____
# Print results
print('G. scandens:', heritability_scandens, conf_int_scandens)
print('G. fortis:', heritability_fortis, conf_int_fortis)