∞
〈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
∞
〈𝑥0𝑛 〉 = ∫ 𝑥 𝑛 𝑃(0) (𝑥, 𝑡)𝑑𝑥
0
∞
= ∫0 𝑥 𝑛 𝛿(𝑥 − 𝑒 𝑏𝑡 )𝑑𝑥 = 𝑒 𝑛𝑏𝑡 (3.23)
𝑑〈𝑥1𝑛 〉 ∞ ∞
= −𝑏[∫0 𝑥 𝑛 (𝑥𝑃(1) )𝑥 𝑑𝑥 − 12 ∫0 𝑥 𝑛 (𝑥𝑃(0) )𝑥𝑥 𝑑𝑥] (3.24)
𝑑𝑡
∞ ∞
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 〉.
𝑑〈𝑥1𝑛 〉 𝑛(𝑛−1)
= −𝑏 [𝑛〈𝑥1𝑛 〉 + 〈𝑥0𝑛−1 〉] (3.25)
𝑑𝑡 2
𝑛(𝑛−1)
〈𝑥1𝑛 〉 = 𝑒 𝑛𝑏𝑡 (1 − 𝑒 −𝑏𝑡 ) (3.26)
2
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 =