Het gemiddelde doet er niet toe. Kies de gemiddelden maar eens anders, maakt niks uit voor de varianties
Dus ik snap niet waarom jij "verwacht eigenlijk met zo'n model dat de spreiding in intelligentie enorm toeneemt"
Ik weet niet welk programma je gebruikt, maar hieronder heb je een voorbeeld in R (code kun je hier invullen
http://www.r-fiddle.org/#/)
Verander de 50-50 naar hartelust....
# Simulatie
library(MASS) # load package MASS om multivariaat normaal verdeelde data te creëren
# Setup
n<-250 # aantal individuen
gem_genotype<-50 # gemiddelde voor genotype
gem_omgeving<-50 # gemiddelde voor omgeving
sd_genotype<-15 # genotypische spreiding (SD)
sd_omgeving<-15 # omgevingsspreiding (SD)
gen_omg_cor<-.5 # genotype-omgevingscorrelatie
# simuleer data
dat1<-mvrnorm(n,c(gem_genotype,gem_omgeving),matrix(c(1,gen_omg_cor,gen_omg_cor,1),2,2)%*%diag(c(sd_genotype,sd_omgeving)^2),emp=TRUE)
colnames(dat1)<-c("genotype","omgeving")
# Als je de gemiddelden verandert
dat2<-dat1+100
# of slechts van 1 van beide, bijv. alleen die van de omgeving
dat3<-cbind(dat1,dat2)[,c(1,4)]
# Dan zullen de fenotypische waarden uiteraard verschillen
sum1<-rowSums(dat1)
sum2<-rowSums(dat2)
sum3<-rowSums(dat3)
# En daarom ook de geobserveerde gemiddelden
(mean(sum1))
(mean(sum2))
(mean(sum3))
# Maar de geobserveerde variantie blijft gelijk
(var(sum1))
(var(sum2))
(var(sum3))
# Dus ook de erfelijkheidscoefficienten
# Of je nu de covariantieterm weglaat
(erfelijkheid1a<-var(dat1[,1])/var(sum1))
(erfelijkheid2a<-var(dat2[,1])/var(sum2))
(erfelijkheid3a<-var(dat3[,1])/var(sum3))
# Of includeert
(erfelijkheid1b<-(var(dat1[,1])+2*cov(dat1[,1],dat1[,2]))/var(sum1))
(erfelijkheid2b<-(var(dat2[,1])+2*cov(dat2[,1],dat2[,2]))/var(sum2))
(erfelijkheid3b<-(var(dat3[,1])+2*cov(dat3[,1],dat3[,2]))/var(sum3))
# Kortom variantie neemt in dit model niet toe als de gemiddelden toenemen
# Erfelijkheid heeft niets van doen met (binnen-groeps-)gemiddelden