Il Modello di Leslie in Python: Guida Pratica all’Algebra Lineare per la Dinamica delle Popolazioni

2. La Matrice di Leslie: Il motore del sistema

Il destino di questa popolazione è scritto in una matrice [math]L[/math] che contiene due informazioni vitali:

• Fertilità ([math]f_k[/math]): Quanti nuovi nati produce in media un individuo della classe [math]k[/math].
• Sopravvivenza ([math]s_k[/math]): Qual è la probabilità che un individuo passi alla classe d’età successiva.

La struttura standard della matrice è:

[math]
\displaystyle \begin{pmatrix}
f_1 & f_2 & f_3 \\
s_1 & 0 & 0 \\
0 & s_2 & 0
\end{pmatrix}
[/math]

La dinamica è un sistema iterativo: [math]x(t+1) = L \cdot x(t)[/math]. In pratica, stiamo dicendo che il futuro è un’elaborazione lineare del presente.

4. Esercizio Pratico e Analisi

Prendiamo una popolazione con questi parametri:

• Nessuna nascita dai giovani; gli adulti producono 4 figlie; gli anziani 2.
• Sopravvivenza dei giovani: 50%; sopravvivenza degli adulti: 60%.

La nostra matrice sarà:

[math]
\displaystyle L = \begin{pmatrix} 0 & 4 & 2 \\ 0.5 & 0 & 0 \\ 0 & 0.6 & 0 \end{pmatrix}
[/math]

Calcolando il polinomio caratteristico [math]\det(L – \lambda I) = 0[/math], otteniamo l’equazione:

[math]
\displaystyle \lambda^3 – 2\lambda – 0.6 = 0
[/math]

Risolvendo, troviamo l’autovalore dominante [math]\lambda \approx 1.55[/math].

Analisi: La popolazione cresce del 55% ogni ciclo temporale. È un tasso altissimo, tipico di specie pioniere o situazioni di assenza di predatori.

Definiamo [math]N(t)[/math] come la somma di tutti gli individui nel vettore [math]x(t)[/math].
Introduciamo un fattore di smorzamento [math]q(N)[/math]:

[math]\displaystyle
\begin{aligned}
q(N(t)) = \frac{1}{1 + a \cdot N(t)}
\end{aligned}
[/math]

Dove [math]a[/math] è un parametro che rappresenta la scarsità di risorse.
La nuova equazione di stato diventa:

[math]\displaystyle
\begin{aligned}
x(t+1) = \left[ q(N(t)) \cdot L \right] \cdot x(t)
\end{aligned}
[/math]

Nel mondo reale, i modelli deterministici sono “fotografie” di un ufficio perfettamente in ordine. Ma la natura assomiglia più a un cantiere aperto: piove quando non dovrebbe, scoppiano epidemie e le risorse fluttuano.

Per un Data Scientist, “sporcare” il modello con la stocasticità significa passare dalla previsione singola alla gestione del rischio. Non ci interessa più solo sapere cosa accadrà, ma cosa potrebbe accadere nel peggiore o nel migliore dei casi.

La Matematica dell’Incertezza

Esistono due modi principali per inserire il caso nel Modello di Leslie:

• Stocasticità Ambientale (Shocks): Eventi rari ma catastrofici (siccità, incendi, epidemie) che colpiscono l’intera popolazione contemporaneamente.
• Variazione Parametrica: Piccole fluttuazioni annuali nei tassi di sopravvivenza e fertilità (un anno più freddo, un anno con più cibo).

In termini di calcolo, la nostra equazione diventa:

[math]\displaystyle \begin{aligned} x(t+1) = \left[ \epsilon_t \cdot q(N(t)) \cdot L \right] \cdot x(t) \end{aligned} [/math]

Dove [math]\epsilon_t[/math] è una variabile casuale che rappresenta lo “stato del mondo” al tempo [math]t[/math].

Implementazione in Python: Simulazione Monte Carlo

Per analizzare un modello stocastico, non facciamo una sola simulazione, ma ne facciamo migliaia. Questo metodo è chiamato Simulazione Monte Carlo.

import numpy as np
import matplotlib.pyplot as plt

# Matrice di Leslie e parametri non lineari
L = np.array([[0, 4, 2], [0.5, 0, 0], [0, 0.6, 0]])
a = 0.001  # Competizione

def simulate_stochastic(steps, initial_pop, p_disaster=0.05, impact=0.4):
    history = []
    current_pop = initial_pop
    
    for _ in range(steps):
        total_n = np.sum(current_pop)
        damping = 1 / (1 + a * total_n)
        
        # Introduciamo l'evento casuale (Epidemia/Siccità)
        # Se esce un numero < p_disaster, accade il disastro
        shock = 1.0
        if np.random.rand() < p_disaster:
            shock = impact # La sopravvivenza/fertilità crolla al 40%
            
        # Applichiamo anche una piccola variazione annuale standard (rumore bianco)
        noise = np.random.normal(1.0, 0.05) 
        
        current_pop = (damping * shock * noise * L) @ current_pop
        history.append(np.sum(current_pop))
        
    return history

# Eseguiamo 100 simulazioni diverse (Scenari possibili)
n_simulations = 100
plt.figure(figsize=(12, 6))

all_histories = []
for i in range(n_simulations):
    hist = simulate_stochastic(steps=60, initial_pop=np.array([50, 20, 10]))
    all_histories.append(hist)
    plt.plot(hist, color='gray', alpha=0.2) # Linee sottili per ogni scenario

# Calcoliamo e visualizziamo la media degli scenari
mean_history = np.mean(all_histories, axis=0)
plt.plot(mean_history, color='red', lw=3, label="Andamento Medio")

plt.title("Simulazione Monte Carlo: Impatto di Epidemie Casuali sulla Popolazione")
plt.xlabel("Anni")
plt.ylabel("Popolazione Totale")
plt.legend()
plt.grid(alpha=0.3)
plt.show()

Interpretazione del Grafico Monte Carlo

Guardando il risultato delle 100 simulazioni (le linee grigie), un analista trae conclusioni strategiche che la media (linea rossa) non può fornire:

• Rischio di Estinzione: Sebbene la media sia stabile, alcune traiettorie grigie potrebbero toccare lo zero in presenza di shock consecutivi. Questo è il dato cruciale per i piani di conservazione.

• Fascia di Incertezza: La dispersione delle linee grigie dopo l’anno 10 indica quanto sia “prevedibile” il sistema. Più l’area occupata dalle linee è vasta, maggiore è l’incertezza decisionale.

• Tempo di Recupero (Resilienza): Nota come, dopo ogni crollo improvviso (shock), la linea tenda a risalire verso l’equilibrio. La pendenza di questa risalita indica la capacità di ripresa della specie.

Perché questo approccio “spacca” in ambito Data Science?

L’approccio stocastico  sposta l’obiettivo dalla previsione puntuale (spesso errata) alla gestione dell’incertezza. In un mondo dominato dai dati, non vince chi indovina il numero esatto, ma chi sa fornire un intervallo di rischio affidabile.

Ecco come questi concetti trasformano la tua analisi in uno strumento di alto livello:

Intervalli di Confidenza: Abbandonare il “Numero Magico”

Nel modello deterministico, ottieni un unico valore: λ. Ma nella Data Science applicata, quel valore è solo una media. Introducendo la stocasticità, puoi calcolare i percentili. Dire che la popolazione sarà 500 è un’ipotesi; dire che c’è il 95% di probabilità che oscillerà tra 350 e 650 è un’analisi professionale che permette di pianificare scenari di budget o di gestione delle risorse.

 Probabilità di Estinzione: Analisi delle Code (Tail Risk)

Il grafico Monte Carlo  generato mostra che, nonostante la media (linea rossa) sia rassicurante, alcune linee grigie crollano.

• Business Intelligence: Questo rappresenta il rischio di fallimento di un progetto o di esaurimento di uno stock.

• Conservazione: Se il 10% delle tue simulazioni finisce con la popolazione sotto la soglia di sopravvivenza, quel 10% è il dato più importante del report, non la media.

Resilienza e Recovery Time

Misurare la resilienza significa osservare la capacità del sistema di “rimbalzare” dopo un evento avverso.

• Stress Test: Esattamente come le banche simulano crisi finanziarie, tu simuli un’epidemia (impact=0.4) per vedere quanto tempo impiega la curva a tornare al suo equilibrio dinamico.

• Decision Making: Se il tempo di recupero è troppo lungo, il sistema è fragile e occorrono interventi correttivi sui parametri di sopravvivenza.

Un passo avanti: Analisi della Probabilità di Estinzione

Per rendere il tuo report ancora più potente, potresti aggiungere una sezione che calcola numericamente il rischio basandosi sulle tue simulazioni:

# Calcoliamo la probabilità di estinzione (soglia < 100 individui)
final_populations = [h[-1] for h in all_histories]
extinct_sims = sum(1 for p in final_populations if p < 100)
prob_extinction = (extinct_sims / n_simulations) * 100

print(f"Probabilità di collasso della popolazione: {prob_extinction}%")

Probabilità di collasso della popolazione: 0.0%

Questo trasforma il codice in un vero motore di Risk Assessment.

Una riflessione

Questa struttura è identica a quella usata nei modelli finanziari per simulare i portafogli azionari (dove la matrice di Leslie è sostituita dai rendimenti degli asset) o nei modelli epidemiologici per prevedere l’ondata di un virus.

Il Modello di Leslie stocastico ci insegna che la matematica non serve a eliminare l’incertezza, ma a darle una forma, a misurarla e, infine, a non averne paura.