réelle définie sur un espace probabilisé (Ω, , P), et telle que P(Y I)=1. Alors :
Preuve :
Il suffit d'appliquer l'inégalité de Markov en posant Z= ϕ(Y) et a= ϕ(b). On obtient alors :
Or ϕ est croissante donc :
On pose et comme dans la première méthode, on a : P(X/n ≥ y)=P(X ≥ ny).
En passant à l'exponentielle, on obtient : On applique alors le
corollaire de Markov :
On a d'où .
Or la bonne inférieure de est atteinte en pour t>0, c'est à dire y>p. Elle
vaut donc :
On a donc bien prouvé le théorème ci-dessus. De plus, on retrouve la fonction de taux définie en 1)
à la différence qu'il s'agit ici d'une inégalité et non une approximation à l'infini. De plus, on a
calculé en 1) la probabilité d'être égal à un taux, et en 2) d'être supérieur ou égal à ce taux.
3. Application du théorème des grandes déviations
On se propose d'appliquer les résultats démontrés précédemment, afin d'étudier la vitesse à laquelle
la moyenne empirique des X
i
s'éloigne de ½. Pour cela on peut regarder par exemple P(X/n > x+p),
où X/n est la moyenne empirique des X
i
, p la probabilité associée et x un réel appartenant à ]0,1-p].
D'après la partie 2), on obtient simplement que :
E
b I tel que P Y b
φ
φφ
∀ ∈ ≥ ≤
E
b
φ
φ φ φ
∀ > ≥ ≤
E
P Y b
φ
φ φ φ
≥ ≤ ≥ ≤
1
n
i
=
=
∀ > ≥ = ≥
tX
tX tny tyn
E e
P e e
≥ ≤
1
1
1
1
1
1 1
1
1
0
car les X sont i.i.d.
(L ( ))
où L est la transformée de Laplace de X
exp(ln(L ( )))
exp(l ( ))) où l ( ) ln(L ( ))
exp( (l ( ) )
inf(exp( (l ( ) )) ca
n
tX
i
tyn
n
XX
tyn
n
X
tyn
n
XX X
tyn
X
X
t
E e
et
et
ett t
e
n t yt
n t yt
>
≤
≤
≤
≤ =
≤ −
≤ −
1
0
r vrai 0
exp( (inf(l ( ) ))).
X
t
t
n t yt
>
∀ >
≤ −
t=ln
−
−
1
l ( )
X
( ) exp( (( )ln( ) ( )ln( ) (1 ( ))ln(1 ) (1 ( ))ln(1 ( )
X
P x p n x p p x p x p x p p x p x p
≥ + ≤ + − + + + − + − − − + − +
1
X
= − +
1
X
= − +
ln( ) ln( ) (1 )ln(1 ) (1 )ln(1 )