某种动物的一种遗传特性由染色体中的基因对控制，该基因对可能含有两种基因：4与a，三种基因对（AA,Aa与aa）所表现出的遗传特性不一致.据观察，这三种基因对在该动物中所占的比例在遗传过程中基本保持不变，试用数学模型代码解释这一现象.

在这个遗传问题中，我们可以使用简单的概率模型来描述这种现象。假设每个个体有一个基因对，可以用二进制表示，其中"4"代表显性基因，"a"代表隐性基因。我们可以定义一个函数来计算每种基因对的概率：

import numpy as np

# 定义基因对及其对应的遗传特性
genotypes = {"AA": "显性", "Aa": "中间类型", "aa": "隐性"}

# 假设初始比例为：AA:Aa:aa = p1:p2:q (p1 + p2 + q = 1)
p1, p2, q = [0.5] * 3  # 假定等概率，可以根据实际数据调整

def probability_of_genotype(genotype):
    if genotype == "AA":
        return p1
    elif genotype == "Aa":
        return p2
    else:  # aa
        return q

def simulate_population(next_generation_size, current_population):
    new_population = []
    for _ in range(next_generation_size):
        parent1, parent2 = np.random.choice(current_population, size=2, replace=True)
        child_genotype = genotypes[parent1[0]] + parent1[1] + parent2[0] + parent2[1]
        new_population.append(child_genotype)
    return new_population

# 初始化一个小规模的随机种群，例如100个个体
initial_population = [np.random.choice(list(genotypes.keys()), size=2) for _ in range(100)]

# 迭代模拟一代又一代，观察基因对比例是否变化
for _ in range(100):  # 模拟足够长的时间来稳定遗传特征
    initial_population = simulate_population(100, initial_population)  # 生成新的一代
    updated_proportions = [probability_of_genotype(genotype) for genotype in set(initial_population)]
    
    # 如果比例接近恒定，则可以认为已达到平衡状态
    if np.abs(np.array(updated_proportions) - np.array([p1, p2, q])) < 0.01:
        break

print(f"经过迭代，基因对的比例约为 {updated_proportions}")

这个模型通过随机选择父母并模拟繁殖过程来观察基因对比例的变化。如果在足够长时间内基因对比例保持稳定，那么就可以说这种现象可以用遗传稳定的数学模型来解释。