3.2.

2 Penurunan dari Distribusi Probabilitas Normal

Kami sekarang mempertimbangkan pertamaistilah ordedalam ekspansi

perturbasi (3.13), yang memuaskan(3.15). Kita tidak tahu bagaimana
memecahkan(3,15)secara langsung, jadi kami akan mencoba untuk find solusi
berikut rute yang lebih memutar. Pertama, kami melanjutkan dengan
menghitung momen-momen distribusi probabilitas. Kami memiliki

∞
〈𝑁〉 = ∫ 𝑥 𝑛 𝑃(𝑥, 𝑡)𝑑𝑥
0

∞ ∞
= ∫0 𝑥 𝑛 𝑃(0) (𝑥, 𝑡)𝑑𝑥 + 𝑁10 ∫0 𝑥 𝑛 𝑃(1) (𝑥, 𝑡)𝑑𝑥 + ⋯

1
= 〈𝑥0𝑛 〉 + 𝑁 〈𝑥1𝑛 〉 + ⋯,
0

Tempat kesetaraan terakhir denda (x), dll. Sekarang menggunakan

(3,22),

∞
〈𝑥0𝑛 〉 = ∫ 𝑥 𝑛 𝑃(0) (𝑥, 𝑡)𝑑𝑥
0

∞
= ∫0 𝑥 𝑛 𝛿(𝑥 − 𝑒 𝑏𝑡 )𝑑𝑥 = 𝑒 𝑛𝑏𝑡 (3.23)

Untuk menentukan 〈𝑥1𝑛 〉, kami menggunakan (3.15). Mengalikan

dengan 𝑥 𝑛 dan mengintegrasikan, kami memiliki

𝑑〈𝑥1𝑛 〉 ∞ ∞
= −𝑏[∫0 𝑥 𝑛 (𝑥𝑃(1) )𝑥 𝑑𝑥 − 12 ∫0 𝑥 𝑛 (𝑥𝑃(0) )𝑥𝑥 𝑑𝑥] (3.24)
𝑑𝑡

Kami mengintegrasikan dengan bagian untuk menghapus turunan dari

𝑥𝑃, dengan asumsi bahwa 𝑥𝑃 dan semua turunannya menghilang pada batas-
batas integrasi, dimana 𝑥 𝑠𝑎𝑚𝑎 𝑑𝑒𝑛𝑔𝑎𝑛 𝑛𝑜𝑙 atau dalam finity. Kami memiliki

∞ ∞
𝑛 (0)
∫ 𝑥 (𝑥𝑃 )𝑥 = − ∫ 𝑛𝑥 𝑛 𝑃 (1) 𝑑𝑥
0 0

= −𝑛〈𝑥1𝑛 〉,

dan
 1 ∞ 𝑛 𝑛
∞
∫ 𝑥 (𝑥𝑃 )𝑥𝑥 𝑑𝑥 = − 2 ∫ 𝑥 𝑛−1 (𝑥𝑃(0) )𝑥 𝑑𝑥
(0)
2 0 0

∞
𝑛(𝑛−1)
= − 2 ∫ 𝑥 𝑛−1 𝑃(0) 𝑑𝑥
0

= −𝑛(𝑛−1)
2
〈𝑥0𝑛−1 〉.

Oleh karena itu, setelah integrasi dengan bagian, (3.24) menjadi

𝑑〈𝑥1𝑛 〉 𝑛(𝑛−1)
= −𝑏 [𝑛〈𝑥1𝑛 〉 + 〈𝑥0𝑛−1 〉] (3.25)
𝑑𝑡 2

Persamaan (3.25) adalah persamaan diferensial tak homogen linier orde

pertama dan dapat diselesaikan dengan menggunakan faktor pengintegrasian (lihat
(3.3) dan diskusi sebelumnya). Memecahkan persamaan diferensial ini
menggunakan (3.23) dan kondisi awal memperoleh 〈𝑥1𝑛 〉(0) = 0, maka akan
diperoleh

𝑛(𝑛−1)
〈𝑥1𝑛 〉 = 𝑒 𝑛𝑏𝑡 (1 − 𝑒 −𝑏𝑡 ) (3.26)
2

Pembuatan penggunaan probabilitas dari distribusi disebut fungsi saat,

menghasilkan akurat berfungsi order 1⁄𝑁0 , mungkin didefenisikan sebagai

Ψ(s) = 〈esx 〉

𝑠2 2 𝑠3
= 1 + s〈x〉 + 〈𝑥 〉 + + ⋯
2! 3!

∞
s n 〈x n 〉
=∑
n!
n=0
Untuk mencari 1⁄𝑁0 , kita memiliki
sn 〈xn 〉 1 sn 〈xn
1〉
Ψ(s) = ∑∞
n=0 + ∑∞
n=0 + o(1⁄ 2 ). (3.27)
n! N0 n! N0
Sekarang, dengan menggunakan(3.23),
∞ ∞ n
s n 〈x0n 〉 (sebt )
∑ =∑
n! n!
n=0 n=0

bt
= ese ,
 dan menggunakan(3.26),
∞ ∞
s n 〈x1n 〉 1 1 n
∑ = (1 − e−bt ) ∑ (n − 1)(sebt )
n! 2 n!
n=0 n=0
∞
1 1 n−2
= (1 − e−bt )s 2 e2bt ∑ (n − 1)(sebt )
2 n!
n=0
∞
1 1 ∂2 n
= (1 − e−bt )s 2 ∑ (sebt )
2 n! ∂s 2
n=0
∞ n
1 ∂2 (sebt )
= (1 − e−bt )s 2 2 ∑
2 ∂s n!
n=0
1 ∂2 bt
= (1 − e−bt )s 2 2 (ese )
2 ∂s
1 bt
= (1 − e−bt )s 2 e2bt ese
2
Oleh karena itu,
bt 1
Ψ(s) = ese (1 + (1 − e−bt )s 2 e2bt + ⋯ ). (3.28)
2N0

Kita dapat mengenali istilah kurung dari (3.28) sebagai perluasan deret
Taylor dari fungsi eksponensial yang terpotong ke urutan pertama, yaitu

1 1
𝑒𝑥𝑝 ( (1 − e−bt )s2 e2bt ) = 1 + (1 − e−bt )s2 e2bt + O(1⁄ 2 )
2𝑁0 2𝑁0 N0

Oleh karena itu, untuk urutan pertama dalam 1⁄𝑁 , kita memiliki
0
1
Ψ(s) = 𝑒𝑥𝑝 (𝑠𝑒𝑏𝑡 + ) (1 − e−bt )s 2 e2bt + O(1⁄ 2 ). (3.29)
2𝑁0 N0
Buku-buku standar tentang teori probabilitas (misalnya, Kursus pertama
dalam probabilitas oleh Sheldon Ross, hal 365) merinci derivasi fungsi
pembangkit momen dari variabel acak normal:
1
Ψ(s) = 𝑒𝑥𝑝 (〈𝑥〉𝑠 + 𝜎2 𝑠2 ), untuk variabel acak normal; (3.30)
2
Dan membandingkan (3.30) dengan (3.29) menunjukkan kepada kita bahwa
distribusi probabilitas P(x, t) ke orde pertama dalam 1⁄𝑁 adalah normal dengan
0
rerata dan varian yang diberikan oleh
1
〈𝑥〉 = 𝑒 𝑏𝑡 , 𝜎𝑥2 = 𝑒 2𝑏𝑡 (1 − 𝑒 −𝑏𝑡 ) (3.31)
𝑁 0

Mean dan varians dari 𝑥 = 𝑁⁄𝑁 adalah setara dengan yang diturunkan
0
untuk N di (3.9), tetapi sekarang kita belajar bahwa N kira-kira normal untuk
populasi besar.
Munculnya distribusi probabilitas normal (juga disebut distribusi
probabilitas Gaussian) dalam ekspansi orde pertama sebenarnya adalah kasus
khusus dari Teorema Limit Sentral, salah satu teorema yang paling penting dan
berguna dalam probabilitas dan statistik. Kami menyatakan di sini versi sederhana
teorema ini tanpa bukti:
Central Limit Theorem: Misalkan X1,X2,X3,...,Xn variabel acak terdistribusi (iid)
dengan rata-rata〈X〉dan varian adalah independen 𝜎𝑥2 .dan identik kemudian
1
untu cukup besar n, propabilitas 𝑍 = 𝑛 ∑𝑛𝑖=1 𝑋1, adalah distribusi rata-rata baik
didekati dengan 𝑋𝑖′ 𝑠, dinotasikan sebagai Gaussian dengan mean 〈𝑋〉variabel
𝜎2
acak dan varians 𝜎 2 = 𝑥 ⁄𝑛
Salah satu teorema limit sentral dapat diterapkan secara langsung untuk
masalah kita. Anggap populasi kita terdiri dari 𝑁0 pendiri. Mi (t) keturunan dari
pendiri i pada waktu t Jika (termasuk mi(t) menunjukkan jumlah individu yang
masih hidup pendiri), maka jumlah total individu keturunan dari keturunan
tunggal dari teorema batas pusat tunggal untuk didekati oleh Gaussian Comparing
dengan hasil kami pendiri besar di pendiri (3,31), waktu dengan N0, adalah rata-rata kami
〈m〉, adalah adalah menemukan probabilitas N(t) x(t) dengan 〈x〉 〈m〉 = = = = variance =

N(t)/ Ni=1 N<m> e0 distribusi bt Jika 2, varians =

mand i(t);dan 0. σσm2dan m

maka fungsi e2BTmaksud dengan rata-rata (1 σ- menerapkan x

2eof jumlah = -btjumlah x
σ).adalah m2/ N baik
0.