WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Modélisation spatiale hiérarchique bayésienne de l'apparentement génétique et de l'héritabilité en milieu naturel à  l'aide de marqueurs moléculaires

( Télécharger le fichier original )
par Ciré Elimane SALL
Université Montpellier II - Doctorat 2009
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

1.2.2 Propriétés statistiques

L'estimateur de l'apparentement de Milligan (2003) a, comme tout estimateur du maximum de vraisemblance, de bonnes propriétés statistiques à savoir la consistance, l'efficacité et la normalité asymptotiques (en terme de nombre de locus) dans les conditions de régularité standard (Tassi, 1985, chapitre 8). Ceci explique pourquoi la méthode du maximum de vraisemblance est largement utilisée en inférence statistique paramétrique. Cependant à taille finie, l'estimation de l'apparentement par maximum de vraisemblance de Milligan est biaisée. D'une manière générale les méthodes d'estimation par maximum de vraisemblance présentent un écart quadratique moyen plus faible que celui des estimateurs obtenus par la méthode des moments mais lorsque les données disponibles ne sont pas importantes, ce qui est le cas si peu de marqueurs à différents loci sont disponibles, les estimateurs du maximum de vraisemblance peuvent être fortement biaisés (Thomas, 2005).

1.2.3 Limites du modèle de Milligan

L'estimateur de l'apparentement par maximum de vraisemblance de Milligan peut présenter un biais lorsque les données moléculaires ne sont pas abondantes. Mais son biais se rapproche de celui des estimateurs des moments lorsque nous disposons d'un nombre important de locus multi-alléliques (20 ou plus d'après Thomas (2005)). D'une manière générale, les méthodes d'estimation par maximum de vraisemblance donnent des estimateurs ayant une erreur quadratique moyenne plus faible que celle des estimateurs obtenus par la méthode des moments mais lorsque les données disponibles, c'est à dire le nombre de locus marqueurs, ne sont pas abondantes, les méthodes basées sur la vraisemblance fournissent des estimateurs assez biaisés (Thomas, 2005). Ainsi, il faudrait disposer de beaucoup de locus marqueurs poly-

morphes pour s'assurer de la possibilité d'avoir un estimateur consistant de l'apparentement. Parmi les principaux inconvénients ou limites du modèle de Milligan pour l'apparentement, nous pouvons relever qu'il ne considère que les génotypes d'un seul couple d'individus, que les fréquences alléliques dans la population sont supposées connues et qu'il ne prend pas en compte la disponibilité éventuelle d'une information exogène.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Un démenti, si pauvre qu'il soit, rassure les sots et déroute les incrédules"   Talleyrand