Académique Documents
Professionnel Documents
Culture Documents
Febrero de 2011
ndice
1. Introduccin 1
3. Variaciones 2
4. Permutaciones 4
5. Permutaciones circulares. 5
7. Combinaciones 8
8. Nmeros Combinatorios 9
10. Aplicaciones 12
11. Resumen 14
Referencias 15
1
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
1. Introduccin
La Combinatoria es la parte de las Matemticas que estudia las diversas formas de realizar
agrupaciones con los elementos de un conjunto, formndolas y calculando su nmero. Existen distintas
formas de realizar estas agrupaciones, segn se repitan los elementos o no, segn se puedan tomar
todos los elementos de que disponemos o no y si influye o no el orden de colocacin de los elementos.
El desarrollo de la combinatoria est fuertemente ligado con su aplicacin en la teora de la probabilidad,
pero tambin es importante en otras ciencias como la informtica, por ejemplo en la teora de la
codificacin y en el anlisis de algoritmos.
Proposicin 2.1. Principio aditivo o Regla de la suma. Sean A y B son dos sucesos que no
pueden ocurrir simultneamente. Si el suceso A ocurre de m maneras distintas y el B de n maneras
distintas, entonces el suceso A o el B se podr ocurrir de m + n maneras distintas.
Ejemplo 2.1. Supongamos que en un cine se proyectan tres pelculas diferentes por la maana y cinco
por la tarde. Si se desea ver una sola pelcula. Cuntas opciones tenemos?. Sea A el suceso: Ver una
pelcula por la maana y B el suceso: Ver una pelcula por la tarde.
Como hay tres pelculas diferentes por la maana y cinco por la tarde , el suceso A se puede presentar
de 3 maneras distintas y el B de 5. Como no ocurren simultneamente, o vas por la maana o por la
tarde . Aplicando la regla anterior, el total de opciones de ver una sola pelcula ser: 3 + 5 = 8
Observacin 2.1. la regla anterior se puede aplicar a ms de dos sucesos siempre que sean disjuntos
dos a dos, es decir, que cada par de tareas no puedan ocurrir simultneamente.
Proposicin 2.2. Principio multiplicativo o Regla del producto. Si un suceso A puede ocurrir
en m maneras e, independientemente, un segundo suceso B puede ocurrir en n maneras, entonces el
nmero de de maneras en que ambos,A y B, pueden ocurrir es m n
Ejemplo 2.2. Cuntos nmeros pares de tres cifras se pueden formar, usando las cifras 0, 1, 2, 3, 4,
5 y 6, si stas pueden repetirse?
Al formar un nmero par de tres cifras A1 A2 A3 con ayuda de las cifras dadas, en vez de A1 puede
tomarse una cifra cualquiera, salvo el 0, es decir 6 posibilidades. En vez de A2 pueden tomarse cualquier
cifra, es decir 7 posibilidades, y en vez de A3 cualquiera de las cifras 0, 2, 4, 6, es decir 4 posibilidades.
1
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
De este modo, conforme a la Regla de Multiplicar existen 674 = 168 procedimientos. As pues, con
las cifras dadas pueden formarse 168 nmeros pares de tres cifras.
3. Variaciones
Definicin 3.1. Sea un conjunto formado por m elementos distintos. Recibe el nombre de variacin
de orden n de esos m elementos (n m), a todo grupo ordenado formado por n elementos tomados de
los m, de tal manera que dos grupos se considerarn distintos si difieren en alguno de sus elementos o
bien, si teniendo los mismos, difieren en el orden en que estn colocados.
El total de esos grupos ordenados se indica por Vm,n .
Teorema 3.1. El total de variaciones de orden n que pueden formarse con los m elementos de un
conjunto dado, es:
Vm,n = m(m 1)(m 2) (m n + 1)
Demostracin. El primer elemento de la variacin podr elegirse de m formas distintas. Por tanto
el segundo elemento se podr elegir de m 1 maneras diferentes, ya que quedan m 1 elementos
para escoger. Razonando de la misma forma, existirn m 2 posibilidades de elegir el tercero , y
as sucesivamente, hasta llegar a la eleccin del nsimo, lo que podr hacerse escogiendo de entre
m (n 1) candidatos.
Como las etapas de eleccin son independientes unas de otras, aplicando la regla del producto, se
tendr
Definicin 3.2. Para un entero n 0, n factorial (que se denota n!) se define como
0! = 1
2
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
Ejemplo 3.1. Cuntos nmeros de tres cifras diferentes se pueden formar con los dgitos que com-
ponen el nmero 24756?
Resulta fcil observar el cumplimiento de las caractersticas correspondientes a las variaciones sin
repeticin.
Dos muestras difieren:
Los elementos no se repiten en la misma muestra. Comprobado que el elemento combinatorio presente
en el problema es sin duda variaciones sin repeticin podemos determinar fcilmente la cantidad de
elementos del conjunto (m=5) y la cantidad de elementos que tienen las muestras (n=3).
Designando al lugar de las centenas por la variable p, las decenas por q y las unidades por r.
El lugar p puede ser ocupado de 5 formas, q de 4 formas y r de 3 formas. El nmero de veces en que
en se pueden formar las cifras: p q r = 5 4 3 = 60.
Consideremos ahora que hay repeticin y que importa el orden en que estn situados los objetos
dentro del grupo.
Definicin 3.3. Sea un conjunto formado por m elementos distintos. Recibe el nombre de variacin
con repeticin de orden n cualquier grupo formado por n elementos, no necesariamente distintos,
tomados entre los m del conjunto original. Al poder repetir elementos puede que sea n > m. El total
de esos grupos ordenados se indica por V Rm,n .
3
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
Teorema 3.2. El total de variaciones con repeticin de orden n que pueden formarse con los m
elementos de un conjunto dado, es V Rm,n = mn
Demostracin. Como en el conjunto dado existen m elementos, el primer elemento podr elegirse de
m maneras distintas. Para elegir el segundo podrn tomarse de nuevo cualquiera de los m elementos del
conjunto, dado que puede repetirse, y as sucesivamente hasta tomar el nsimo, que podr elegirse
de entre los m. Como las etapas son independientes unas de otras, aplicando la regla del producto
tendremos
V Rm,n = m m m m = mn
Ejemplo 3.2.
Cuantos nmeros de tres cifras se pueden formar con las nueve cifras significativas del sistema
decimal?
Al tratarse de nmeros el orden importa y adems no dice nada sobre cifras distintas, luego si
pueden repetirse. Por tanto, se pueden formar 729 nmeros: V R9,3 = 93 = 729
Cuantas palabras distintas de 10 letras (con o sin sentido) se pueden escribir utilizando slo
las dos primeras letras del alfabeto?
Al tratarse de palabras el orden importa y adems como son palabras de 10 letras y slo tenemos
dos para formarlas, deben repetirse. Por tanto, se pueden formar 1024 palabras : V R2,10 =
210 = 1024
4. Permutaciones
Un caso particular de las variaciones son las permutaciones, que son agrupaciones que pueden
formarse tomando todos los elementos del conjunto a la vez.
Definicin 4.1. Sea un conjunto formado por m elementos distintos. Recibe el nombre de per-
mutacin simple de m elementos, cada uno de los distintos grupos que puede formarse de manera
que cada uno de ellos contenga los m elementos dados, difiriendo un grupo de otro nicamente en el
orden de colocacin de sus elementos. El total de esos grupos ordenados se indica por Pm .
Pm = m!
4
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
Demostracin. Es obvio que las permutaciones sin repeticiones de m elementos se pueden considerar
como variaciones de orden m de m elementos, por tanto :
Ejemplo 4.1. De cuntas formas distintas se pueden sentar cinco personas en un banco? Slo importa
el orden, ya que se sientan todas, luego se trata de una permutacin
P 5 = 5! = 120
Nota 4.1. Como hemos definido las permutaciones sin repeticin de los m elementos de un conjunto
como un caso particular de las variaciones sin repeticin, se hace necesario declarar cules son las
caractersticas que permiten diferenciarlas del resto de las variaciones sin repeticin. En este sentido
enunciaremos a ttulo de caractersticas las siguientes:
En todas las muestras del experimento aparecen los m elementos del conjunto.
5. Permutaciones circulares.
En los ejemplos anteriores hemos imaginado los elementos que forman las permutaciones colo-
cados ordenadamente en lnea recta. Hubiera sido lo mismo imaginarlos situados en una curva abierta;
pero las condiciones varan si los situamos en una curva cerrada porque el orden que se establece entre
sus elementos es relativo:
No cambia si se efecta una rotacin de modo que cada elemento ocupe el lugar del otro. A este
tipo de permutaciones se les llama permutaciones circulares o cclicas. En las permutaciones circulares
los elementos se consideran distribuidos sobre una circunferencia.
Definicin 5.1. Dado un conjunto de m elementos, recibe el nombre de permutacin circular, una
agrupacin de los m elementos de forma que una cualquiera de ellas ser distinta de otra nicamente
si vara la posicin relativa de sus elementos.
5
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
Ejemplo 5.1. De cuntas formas se pueden sentar 8 personas alrededor de una mesa?.
Se trata de una permutacin circular de 8 elementos: P c(8) = (8 1)! = 7! = 5040
Hasta ahora hemos tratado las permutaciones lineales y las circulares, estableciendo las car-
actersticas que permiten identificarlas. En ambos casos permutamos elementos distintos entre s. En
cambio, si algunos fueran iguales debemos hacer otras consideraciones.
Definicin 6.1. Sea un conjunto de m elementos, entre los que existen n1 objetos iguales y de un
mismo tipo, n2 iguales pero de otro tipo, y as sucesivamente hasta un grupo de nk objetos tambin
idnticos entre s. Las permutaciones distintas que pueden formarse en esas condiciones reciben el
nombre de permutaciones con repeticin de m elementos entre los que n1 son iguales, n2 son
tambin iguales, y as sucesivamente, hasta nk iguales. El total de esos grupos distintos se indica por
P r(m, n1 , n2 , . . . , nk ) con m = n1 + n2 + + nk
Las permutaciones con repeticin se identifican fcilmente a travs de sus caractersticas esen-
ciales:
Los grupos difieren slo en el orden entre los elementos de diferente naturaleza.
Ejemplo 6.1. El nmero 3344 tiene dos nmeros 3 y dos nmeros 4, si permutamos los cuatro dgitos
que lo componen, siempre observaremos la presencia de estos en todas las muestras, sin embargo; si
permutamos entre s los elementos de igual naturaleza, no se apreciarn diferencias entre las muestras.
Deberemos permutar los elementos de diferente naturaleza para poder distinguirlas.
6
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
En el experimento anterior, de las 24 permutaciones lineales del nmero 3344 hay 6 dgitos repetidos 4
veces cada uno, entonces el conjunto de cifras cuya diferencia est en el orden de colocacin se calcula
fcilmente mediante la operacin siguiente: 24/4=6.
La interpretacin del resultado anterior conlleva a plantear para el clculo de las permutaciones con
P4
repeticin la siguiente relacin: =6
4
Sabemos que P4 = 4! = 24, pero podemos escribir el denominador como 4 = 2! 2!, cada uno de estos
2! significa la cantidad de permutaciones de cada uno de los elementos que se repiten en el conjunto
de valores.
Teorema 6.1. El nmero de permutaciones con repeticin (P r) que se pueden hacer con m elementos,
de los cuales hay repetidos n1 , n2 , . . . nk es:
m!
P r(m, n1 , n2 , . . . , nk ) = , Siendo m = n1 + n2 + + nk
n1 ! n2 ! nk !
Ejemplo 6.2. De cuntas maneras se pueden colocar las figuras blancas (dos caballos, dos torres, dos
alfiles, el rey y la reina) en la primera fila del tablero de ajedrez?
Se trata de un experimento sobre permutaciones con repeticin de m = 8 elementos agrupados en
7
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
8!
P r(8, 2, 2, 2, 1, 1) = = 5040
2! 2! 2! 1! 1!
7. Combinaciones
Proseguimos el estudio manteniendo la condicin de que no hay repeticin pero ahora admi-
tiendo que no importa el orden en que estn situados los objetos dentro de un grupo.
Definicin 7.1. Sea un conjunto formado por m elementos distintos. Recibe el nombre de combi-
nacin simple de orden n o n-aria de esos m elementos (n m), cada grupo formado por n elemen-
tos tomados de los m, y tal que dos combinaciones se considerarn distintas si difieren en alguno de
sus elementos.
Teorema 7.1. El total de combinaciones simples de orden n que pueden formarse con los m elementos
de un conjunto dado, es
m!
Cm,n =
n!(m n)!
Demostracin.Dada una combinacin de orden n, se obtienen todas las variaciones del mismo orden
permutando de todas las maneras posibles los elementos de aqullas. se tendr entonces
Cm,n Pn = Vm,n
y por tanto
Vm,n m(m 1)(m 2) (m n + 1)
Cm,n = =
Pn n!
Multiplicando numerador y denominador por
(m n)! = (m n)(m n 1) 3 2 1
Obtenemos
m!
Cm,n =
n!(m n)!
Ejemplo 7.1. Cuantos grupos de 5 alumnos pueden formarse con los treinta alumnos de una clase.
(Un grupo es distinto de otro si se diferencia de otro por lo menos en un alumno)
8
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
No importa el orden (son grupos de alumnos). No puede haber dos alumnos iguales en un grupo
evidentemente, luego sin repeticin.
30!
C30,5 = = 142506
5!(30 5)!
Por tanto, se pueden formar 142506 grupos distintos.
8. Nmeros Combinatorios
Definicin 8.1. Sean m y n nmeros enteros tales que 0 n m. Se denomina nmero combina-
torio o coeficiente binmico, al cociente
m!
n!(m n)!
m
que se representa por y se lee m sobre n.
n
Los nmeros m y n se llaman, respectivamente, ndice superior e ndice inferior del nmero combina-
torio.
Los nmeros combinatorios presentan algunas propiedades muy interesantes que justifican el
amplio uso que se hace de ellos en algunas ramas cientficas.
Propiedades
1. Por definicin
m! m
Cm,n = =
n!(m n)! n
y teniendo en cuenta que por convenio 0! = 1 y que 1! = 1, podemos considerar los siguientes
casos particulares:
m m!
= Cm,0 = =1
0 0!(m 0)!
m m!
= Cm,m = =1
m m!(m m)!
2. Dos nmeros combinatorios son iguales si sus ndices superiores son iguales y la suma de los
inferiores es igual al ndice superior:
m m
= o bien Cm,n = Cm,mn
n mn
En efecto:
m m! m! m
= = =
n n!(m n)! [m (m n)]! (m n)! mn
Los nmeros combinatorios que tienen esta forma reciben el nombre de nmeros complemen-
tarios.
9
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
3. La suma de dos numeros combinatorios cuyos indices superiores son iguales y los inferiores difieren
en una unidad es igual a otro numero combinatorio cuyo ndice inferior es el mayor de los dos
indices inferiores y cuyo ndice superior supera en una unidad al ndice superior de los sumandos.
m m1 m1
= + o bien Cm,n = Cm1,n + Cm1,n1
n n n1
En efecto, se tiene
m1 m1 (m 1)! (m 1)! (m 1)! (m n) + (m 1)! n
+ = + = =
n n1 n! (m 1 n)! (n 1)! (m n)! n! (m n)!
(m 1)! m m! m
= =
n! (m n)! n! (m n)! n
Esta propiedades quedan reflejadas en el llamado triangulo de Tartaglia.
En el siglo XVI, el italiano Niccol Tartaglia propuso un tringulo regular de nmeros tales que:
Todas las filas del tringulo comienzan y terminan por la unidad, y son simtricas con
respecto al valor central.
Cada nmero del tringulo es igual a la suma de los dos situados encima de l (salvo los
extremos).
La suma de todos los elementos de cada fila coincide con el valor 2m , siendo m el orden de
la fila.
m=1 1 1
m=2 1 2 1
m=3 1 3 3 1
m=4 1 4 6 4 1
m=5 1 5 10 10 5 1
m=6 1 6 15 20 15 6 1
Tambin podemos escribir
1 1
m=1 0 1
2 2 2
m=2 0 1 2
3 3 3 3
m=3 0 1 2 3
4 4 4 4 4
m=4 0 1 2 3 4
5 5 5 5 5 1
m=5 0 1 2 3 5 5
6 6 6 6 6 6 6
m=6 0 1 2 3 4 5 6
10
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
aaaa, aaab, aaac, aabb, aabc, aacc, abbb, abbc, abcc, accc, bbbb, bbbc, bbcc, bccc, cccc.
Mediante conteo podemos ver que hay 15 agrupaciones diferentes. En este experimento la diferencia
entre las muestras no est en el orden sino que difieren, por lo menos, en un elemento. Es preciso
observar que los elementos pueden repetirse en una muestra.
Definicin 9.1. Sea un conjunto formado por m elementos todos ellos distintos entre s. Recibe el
nombre de combinaciones con repeticin de orden n de m elementos, cada grupo formado por n
elementos, distintos o repetidos, tomados de los m dados. El total de esos grupos ordenados se indica
por CRm,n
Teorema 9.1. El nmero de combinaciones con repeticin de orden n que pueden formarse con los de
m elementos de un conjunto dado, es
m+n1 (m + n 1)!
CRm,n = = = Cm+n1,n
n n!(m 1)!
Obsrvese que el orden n puede ser mayor que el nmero de elementos m del conjunto dado. Como se
ha visto en el ejemplo que sirve de introduccin a esta seccin.
En lo sucesivo esta frmula nos permitir el clculo de las combinaciones con repeticin.
11
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
10. Aplicaciones
1. Binomio de Newton
Teorema 10.1. Si x e y son dos variables y m un entero positivo, entonces se verifica que
m
m m m m m1 m m2 2 m m1 m m X m mk k
(x+y) = x + x y+ x y + + xy + y = x y
0 1 2 m1 m k
k=0
Observacin 10.1. Como los coeficientes del binomio de Newton son nmeros combinato-
rios cumplirn las propiedades de estos nmeros, enunciadas anteriormente, y su clculo se
podr realizar mediante la tcnica del tringulo de Tartaglia.
12
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
2. Frmula de Leibnitz
Demostracin. Dado que (x + y + z)m = [x + (y + z)]m podemos aplicar el teorema del binomio
de Newton:
m
X m
X m
m m m m m X m m
(x + y + z) = [x + (y + z)] = x (y + z) = x y z
=0 =0 =0
Los dos signos sumatorios indican dos polinomios. El producto de dos polinomios es otro poli-
nomio y el producto de los dos nmeros combinatorio es:
m m m! (m )! m!
= =
! (m )! ! (m )! ! ! !
siendo = m o bien + + = m, adems , , pueden variar independientemente
unos de otros, siempre y cuando su suma sea m.
Esa frmula puede generalizarse a cualquier nmero de variables.
Entonces
(x + y + z)4 = x4 + y 4 + z 4 +
+ 4(x3 y + x3 z + y 3 x + y 3 z + z 3 x + z 3 y)
+ 6(x2 y 2 + x2 z 2 + y 2 z 2 )
+ 12(x2 yz + y 2 xz + z 2 xy)
13
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
x1 + x2 + + xn = r, xi 0, 1in
x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 = 24
con xi 2, i, 1 i 8.
Calcular las soluciones de la ecuacin dada es equivalente a calcular las soluciones no negativas
de la ecuacin:
x01 + x02 + x03 + x04 + x05 + x06 + x07 + x08 = 8
Este ejemplo es equivalente a resolver el siguiente problema: Una tienda vende ocho tipos de
objetos. De cuntas formas distintas se pueden elegir 24 objetos de modo que haya dos de cada
tipo?.
11. Resumen
Variaciones :
m!
Vm,n = m(m 1)(m 2) (m n + 1) =
(m n)!
V Rm,n = mn
14
Matemtica Discreta (UPM). Curso 2010/11. 2o semestre Martn, E.; Mndez, A.; Ortiz, C.; Sendra, J.
Permutaciones :
Pm = m!
m!
P r(m, n1 , n2 , . . . , nk ) =
n1 ! n2 ! nk !
Combinaciones :
Referencias
[1] E. Bujalance, J.A. Bujalance, A.F. Costa, E. Martnez, Elementos de Matemtica Discreta, Sanz
y Torres, Madrid, 1993.
[3] R.L. Grimaldi, Matemtica discreta y combinatoria. Una introduccin con aplicaciones, Prentice-
Hall, Mxico, 1998.
[4] T. Veerarajan, Matemticas discretas. Con teora de grficas y combinatoria. , Mc Graw Hill,
Mxico, 2008.
15
Chapter 17
Generating Functions
Generating Functions are one of the most surprising and useful inventions in Dis
crete Math. Roughly speaking, generating functions transform problems about
sequences into problems about functions. This is great because weve got piles of
mathematical machinery for manipulating functions. Thanks to generating func
tions, we can apply all that machinery to problems about sequences. In this way,
we can use generating functions to solve all sorts of counting problems. There is a
huge chunk of mathematics concerning generating functions, so we will only get a
taste of the subject.
In this chapter, well put sequences in angle brackets to more clearly distinguish
them from the many other mathematical expressions oating around.
The ordinary generating function for g0 , g1 , g2 , g3 . . . is the power series:
G(x) = g0 + g1 x + g2 x2 + g3 x3 + .
There are a few other kinds of generating functions in common use, but ordinary
generating functions are enough to illustrate the power of the idea, so well stick
to them. So from now on generating function will mean the ordinary kind.
A generating function is a formal power series in the sense that we usually
regard x as a placeholder rather than a number. Only in rare cases will we actu
ally evaluate a generating function by letting x take a real number value, so we
generally ignore the issue of convergence.
Throughout this chapter, well indicate the correspondence between a sequence
and its generating function with a double-sided arrow as follows:
g0 , g1 , g2 , g3 , . . . g0 + g1 x + g2 x2 + g3 x3 +
For example, here are some sequences and their generating functions:
0, 0, 0, 0, . . . 0 + 0x + 0x2 + 0x3 + = 0
1, 0, 0, 0, . . . 1 + 0x + 0x2 + 0x3 + = 1
3, 2, 1, 0, . . . 3 + 2x + 1x2 + 0x3 + = 3 + 2x + x2
385
386 CHAPTER 17. GENERATING FUNCTIONS
The pattern here is simple: the ith term in the sequence (indexing from 0) is the
coefcient of xi in the generating function.
Recall that the sum of an innite geometric series is:
1
1 + z + z2 + z3 + =
1z
This equation does not hold when |z| 1, but as remarked, we dont worry about
convergence issues. This formula gives closed form generating functions for a
whole range of sequences. For example:
1
1, 1, 1, 1, . . . 1 + x + x2 + x3 + =
1x
1
1, 1, 1, 1, . . . 1 x + x2 x3 + x4 =
1+x
1
1, a, a2 , a3 , . . . 1 + ax + a2 x2 + a3 x3 + =
1 ax
1
1, 0, 1, 0, 1, 0, . . . 1 + x2 + x4 + x6 + =
1 x2
17.1.1 Scaling
Multiplying a generating function by a constant scales every term in the associated
sequence by the same constant. For example, we noted above that:
1
1, 0, 1, 0, 1, 0, . . . 1 + x2 + x4 + x6 + =
1 x2
2
= 2 + 2x2 + 2x4 + 2x6 +
1 x2
2, 0, 2, 0, 2, 0, . . .
17.1. OPERATIONS ON GENERATING FUNCTIONS 387
17.1.2 Addition
Adding generating functions corresponds to adding the two sequences term by
term. For example, adding two of our earlier examples gives:
1
1, 1, 1, 1, 1, 1, ...
1x
1
+ 1, 1, 1, 1, 1, 1, ...
1+x
1 1
2, 0, 2, 0, 2, 0, ... +
1x 1+x
Weve now derived two different expressions that both generate the sequence 2, 0, 2, 0, . . . .
They are, of course, equal:
1 1 (1 + x) + (1 x) 2
+ = =
1x 1+x (1 x)(1 + x) 1 x2
= xk (1 + x + x2 + x3 + )
xk
=
1x
Evidently, adding k leading zeros to the sequence corresponds to multiplying the
generating function by xk . This holds true in general.
Rule 13 (Right-Shift Rule). If f0 , f1 , f2 , . . . F (x), then:
0, 0, . . . , 0, f0 , f1 , f2 , . . . xk F (x)
k zeroes
17.1.4 Differentiation
What happens if we take the derivative of a generating function? As an example,
lets differentiate the now-familiar generating function for an innite sequence of
1s.
d 2 3 4 d 1
(1 + x + x + x + x + ) =
dx dx 1 x
1
1 + 2x + 3x2 + 4x3 + = (17.1)
(1 x)2
1
1, 2, 3, 4, . . .
(1 x)2
f0 , f1 , f2 , f3 , . . . F (x),
then
f1 , 2f2 , 3f3 , . . . F (x).
0 0, 1 1, 2 2, 3 3, . . . = 0, 1, 4, 9, . . .
A challenge is that differentiation not only multiplies each term by its index, but
also shifts the whole sequence left one place. However, the Right-Shift Rule 13 tells
how to cancel out this unwanted left-shift: multiply the generating function by x.
Our procedure, therefore, is to begin with the generating function for 1, 1, 1, 1, . . . ,
differentiate, multiply by x, and then differentiate and multiply by x once more.
1
1, 1, 1, 1, . . .
1x
d 1 1
1, 2, 3, 4, . . . =
dx 1 x (1 x)2
1 x
0, 1, 2, 3, . . . x =
(1 x)2 (1 x)2
d x 1+x
1, 4, 9, 16, . . . 2
=
dx (1 x) (1 x)3
1+x x(1 + x)
0, 1, 4, 9, . . . x 3
=
(1 x) (1 x)3
x(1 + x)
(17.2)
(1 x)3
390 CHAPTER 17. GENERATING FUNCTIONS
17.1.5 Products
Rule 15 ( Product Rule). If
then
c0 , c1 , c2 , . . . A(x) B(x),
where
cn ::= a0 bn + a1 bn1 + a2 bn2 + + an b0 .
To understand this rule, let
C(x) ::= A(x) B(x) = c n xn .
n=0
We can evaluate the product A(x) B(x) by using a table to identify all the
cross-terms from the product of the sums:
b0 x 0 b1 x 1 b2 x 2 b3 x 3 ...
a0 x0 a0 b0 x0 a 0 b1 x 1 a0 b2 x2 a0 b3 x3 ...
a1 x1 a1 b0 x1 a 1 b1 x 2 a1 b2 x3 ...
a2 x2 a2 b0 x2 a 2 b1 x 3 ...
a3 x3 a3 b0 x3 ...
..
. ...
Notice that all terms involving the same power of x lie on a /-sloped diagonal.
Collecting these terms together, we nd that the coefcient of xn in the product is
the sum of all the terms on the (n + 1)st diagonal, namely,
This expression (17.3) may be familiar from a signal processing course; the se
quence c0 , c1 , c2 , . . . is called the convolution of sequences a0 , a1 , a2 , . . . and b0 , b1 , b2 , . . . .
The Fibonacci numbers may seem like a fairly nasty bunch, but the generating
function is simple!
Were going to derive this generating function and then use it to nd a closed
form for the nth Fibonacci number. The techniques well use are applicable to a
large class of recurrence equations.
f0 = 0
f1 = 1
fn = fn1 + fn2 (for n 2)
We can expand the nal clause into an innite sequence of equations. Thus, the
Fibonacci numbers are dened by:
f0 =0
f1 =1
f2 =f1 + f0
f3 =f2 + f1
f4 =f3 + f2
..
.
Now the overall plan is to dene a function F (x) that generates the sequence on
the left side of the equality symbols, which are the Fibonacci numbers. Then we
derive a function that generates the sequence on the right side. Finally, we equate
the two and solve for F (x). Lets try this. First, we dene:
F (x) = f0 + f1 x + f2 x2 + f3 x3 + f4 x4 +
0, 1, f1 + f0 , f2 + f1 , f3 + f2 , . . .
One approach is to break this into a sum of three sequences for which we know
generating functions and then apply the Addition Rule:
0, 1, 0, 0, 0, ... x
0, f0 , f1 , f2 , f3 , ... xF (x)
+ 0, 0, f0 , f1 , f2 , ... x2 F (x)
0, 1 + f0 , f1 + f0 , f2 + f1 , f3 + f2 , . . . x + xF (x) + x2 F (x)
This sequence is almost identical to the right sides of the Fibonacci equations. The
one blemish is that the second term is 1 + f0 instead of simply 1. However, this
amounts to nothing, since f0 = 0 anyway.
392 CHAPTER 17. GENERATING FUNCTIONS
Now if we equate F (x) with the new function x + xF (x) + x2 F (x), then were
implicitly writing down all of the equations that dene the Fibonacci numbers in
one fell swoop:
F (x) = f0 + f1 x+ f2 x2 + f3 x3 +
x + xF (x) + x2 F (x) = 0 + (1 + f0 ) x + (f1 + f0 ) x2 + (f2 + f1 ) x3 +
Solving for F (x) gives the generating function for the Fibonacci sequence:
so
x
F (x) = .
1 x x2
Sure enough, this is the simple generating function we claimed at the outset.
1 x x2 = (1 1 x)(1 2 x)
where 1 = 12 (1 + 5) and 2 = 12 (1 5). Next, we nd A1 and A2 which satisfy:
x A1 A2
2
= +
1xx 1 1 x 1 2 x
1 1
A1 = =
1 2 5
1 1
A2 = =
1 2 5
17.2. THE FIBONACCI SEQUENCE 393
Substituting into the equation above gives the partial fractions expansion of
F (x):
x 1 1 1
=
1 x x2 5 1 1 x 1 2 x
Each term in the partial fractions expansion has a simple power series given by the
geometric sum formula:
1
= 1 + 1 x + 12 x2 +
1 1 x
1
= 1 + 2 x + 22 x2 +
1 2 x
Substituting in these series gives a power series for the generating function:
1 1 1
F (x) =
5 1 1 x 1 2 x
1
= (1 + 1 x + 12 x2 + ) (1 + 2 x + 22 x2 + ) ,
5
so
1n 2n
fn =
5
n n
1 1+ 5 1 5
=
5 2 2
This formula may be scary and astonishing its not even obvious that its
value is an integer but its very useful. For example, it provides (via the re
peated squaring method) a much more efcient way to compute Fibonacci num
bers than crunching through the recurrence, and it also clearly reveals the expo
nential growth of these numbers.
17.2.3 Problems
Class Problems
Problem 17.1.
The famous mathematician, Fibonacci, has decided to start a rabbit farm to ll up
his time while hes not making new sequences to torment future college students.
Fibonacci starts his farm on month zero (being a mathematician), and at the start
of month one he receives his rst pair of rabbits. Each pair of rabbits takes a month
to mature, and after that breeds to produce one new pair of rabbits each month.
Fibonacci decides that in order never to run out of rabbits or money, every time a
batch of new rabbits is born, hell sell a number of newborn pairs equal to the total
number of pairs he had three months earlier. Fibonacci is convinced that this way
hell never run out of stock.
394 CHAPTER 17. GENERATING FUNCTIONS
(a) Dene the number, rn , of pairs of rabbits Fibonacci has in month n, using a
recurrence relation. That is, dene rn in terms of various ri where i < n.
R(x) ::= r0 + r1 x + r2 x2 + .
(d) Finally, use the partial fraction decomposition to come up with a closed form
expression for the number of pairs of rabbits Fibonacci has on his farm on month
n.
Problem 17.2.
Less well-known than the Towers of Hanoi but no less fascinating are the Tow
ers of Sheboygan. As in Hanoi, the puzzle in Sheboygan involves 3 posts and n
disks of different sizes. Initially, all the disks are on post #1:
(b) Let S(x) be the generating function for the sequence s0 , s1 , s2 , . . . . Show that
S(x) is a quotient of polynomials.
17.2. THE FIBONACCI SEQUENCE 395
(d) A better (indeed optimal, but we wont prove this) procedure to solve the
Towers of Sheboygan puzzle can be dened in terms of two mutually recursive
procedures, procedure P1 (n) for moving a stack of n disks 1 pole forward, and
P2 (n) for moving a stack of n disks 2 poles forward. This is trivial for n = 0. For
n > 0, dene:
P1 (n): Apply P2 (n 1) to move the top n 1 disks two poles forward to the third
pole. Then move the remaining big disk once to land on the second pole. Then
apply P2 (n 1) again to move the stack of n 1 disks two poles forward from the
third pole to land on top of the big disk.
P2 (n): Apply P2 (n 1) to move the top n 1 disks two poles forward to land
on the third pole. Then move the remaining big disk to the second pole. Then
apply P1 (n 1) to move the stack of n 1 disks one pole forward to land on the
rst pole. Now move the big disk 1 pole forward again to land on the third pole.
Finally, apply P2 (n 1) again to move the stack of n 1 disks two poles forward
to land on the big disk.
Let tn be the number of moves needed to solve the Sheboygan puzzle using proce
dure P1 (n). Show that
tn = 2tn1 + 2tn2 + 3, (17.4)
for n > 1.
Hint: Let sn be the number of moves used by procedure P2 (n). Express each of tn
and sn as linear combinations of tn1 and sn1 and solve for tn .
tn = an + b n + c.
Homework Problems
Problem 17.3.
Taking derivatives of generating functions is another useful operation. This is done
termwise, that is, if
F (x) = f0 + f1 x + f2 x2 + f3 x3 + ,
then
F (x) ::= f1 + 2f2 x + 3f3 x2 + .
For example,
1 1
= = 1 + 2x + 3x2 +
(1 x)2 (1 x)
396 CHAPTER 17. GENERATING FUNCTIONS
so
x
H(x) ::= = 0 + 1x + 2x2 + 3x3 +
(1 x)2
is the generating function for the sequence of nonegative integers. Therefore
1+x
= H (x) = 1 + 22 x + 32 x2 + 42 x3 + ,
(1 x)3
so
x2 + x
= xH (x) = 0 + 1x + 22 x2 + 32 x3 + + n2 xn +
(1 x)3
is the generating function for the nonegative integer squares.
(a) Prove that for all k N, the generating function for the nonnegative integer
kth powers is a quotient of polynomials in x. That is, for all k N there are
polynomials Rk (x) and Sk (x) such that
Rk (x)
[xn ] = nk . (17.5)
Sk (x)
(b) Conclude that if f (n) is a function on the nonnegative integers dened recur
sively in the form
f (n) = af (n 1) + bf (n 2) + cf (n 3) + p(n)n
Problem 17.4.
Generating functions provide an interesting way to count the number of strings of
matched parentheses. To do this, well use the description of these strings given
in Denition 11.1.2 as the set, GoodCount, of strings of parentheses with a good
count. Let cn be the number of strings in GoodCount with exactly n left parenthe
ses, and let C(x) be the generating function for these numbers:
C(x) ::= c0 + c1 x + c2 x2 + .
17.2. THE FIBONACCI SEQUENCE 397
(a) The wrap of a string, s, is the string, (s), that starts with a left parenthesis
followed by the characters of s, and then ends with a right parenthesis. Explain
why the generating function for the wraps of strings with a good count is xC(x).
Hint: The wrap of a string with good count also has a good count that starts and
ends with 0 and remains positive everywhere else.
(b) Explain why, for every string, s, with a good count, there is a unique sequence
of strings s1 , . . . , sk that are wraps of strings with good counts and s = s1 sk .
For example, the string r ::= (())()(()()) GoodCount equals s1 s2 s3 where s1 =
(()), s2 = (), s3 = (()()), and this is the only way to express r as a sequence of
wraps of strings with good counts.
so
1
C= , (17.7)
1 xC
and hence
1 1 4x
C= . (17.8)
2x
D(x) = d0 + d1 x + d2 x2 + ,
we have
dn+1
cn = . (17.9)
2
(d) Use (17.12), (17.13), and the value of c0 to conclude that
D(x) = 1 1 4x.
Exam Problems
Problem 17.5.
Dene the sequence r0 , r1 , r2 , . . . recursively by the rule that r0 = r1 = 0 and
tinct items from a set of size k. For example, the coefcient of x2 is k2 , the number
of ways to choose 2 items from a set with k elements. Similarly, the coefcient of
xk+1 is the number of ways to choose k + 1 items from a size k set, which is zero.
(Watch out for this reversal of the roles that k and n played in earlier examples;
were led to this reversal because weve been using n to refer to the power of x in
a power series.)
Now here is the main trick: the generating function for choosing elements from a
union of disjoint sets is the product of the generating functions for choosing from each set.
Well justify this in a moment, but lets rst look at an example. According to this
principle, the generating function for the number of ways to select n elements from
the {a1 , a2 } is:
(1 + x) (1 + x) = (1 + x)2 = 1 + 2x + x2
gen func for gen func for gen func for
{a1 , a2 }
Sure enough, for the set {a1 , a2 }, we have 1 way to select zero elements, 2 ways to
select one element, 1 way to select two elements, and 0 ways to select more than
two elements.
Repeated application of this rule gives the generating function for selecting n
items from a k-element set {a1 , a2 , . . . , ak }:
(1 + x) (1 + x) (1 + x) = (1 + x)k
gen func for gen func for gen func for gen func for
selecting an a1 selecting an a2 selecting an ak selecting from
{a1 , a2 , . . . , ak }
This is the same generating function that we obtained by using the Binomial Theo
rem. But this time around we translated directly from the counting problem to the
generating function.
We can extend these ideas to a general principle:
Rule 16 (Convolution Rule). Let A(x) be the generating function for selecting items
from set A, and let B(x) be the generating function for selecting items from set B. If A
and B are disjoint, then the generating function for selecting items from the union A B
is the product A(x) B(x).
This rule is rather ambiguous: what exactly are the rules governing the selec
tion of items from a set? Remarkably, the Convolution Rule remains valid under
many interpretations of selection. For example, we could insist that distinct items
be selected or we might allow the same item to be picked a limited number of
times or any number of times. Informally, the only restrictions are that (1) the or
der in which items are selected is disregarded and (2) restrictions on the selection
of items from sets A and B also apply in selecting items from A B. (Formally,
there must be a bijection between n-element selections from A B and ordered
pairs of selections from A and B containing a total of n elements.)
To count the number of ways to select n items from A B, we observe that we
can select n items by choosing j items from A and n j items from B, where j is
any number from 0 to n. This can be done in aj bnj ways. Summing over all the
possible values of j gives a total of
a0 bn + a1 bn1 + a2 bn2 + + an b0
400 CHAPTER 17. GENERATING FUNCTIONS
ways to select n items from A B. By the Product Rule, this is precisely the coef
cient of xn in the series for A(x)B(x).
1, 1, 1, 1, . . . 1 + x + x2 + x3 +
1
=
1x
The Convolution Rule says that the generating function for selecting items from
a union of disjoint sets is the product of the generating functions for selecting items
from each set:
1 1 1 1
=
1x 1x 1x (1 x)k
gen func for gen func for gen func for gen func for
choosing a1 s choosing a2 s choosing ak s repeated choice from
{a1 , a2 , . . . , ak }
Therefore, the generating function for choosing items from a k-element set with
repetition allowed is 1/(1 x)k .
Now the Bookkeeper Rule tells us that the number of ways to choose n items
with repetition from an k element set is
n+k1
,
n
This theorem says that the nth coefcient of 1/(1 x)k is equal to its nth deriva
tive evaluated at 0 and divided by n!. Computing the nth derivative turns out not
to be very difcult (Problem 17.7).
17.3.4 Problems
Practice Problems
Problem 17.6.
You would like to buy a bouquet of owers. You nd an online service that will
make bouquets of lilies, roses and tulips, subject to the following constraints:
Class Problems
Problem 17.7.
Let A(x) = n=0 an xn . Then its easy to check that
A(n) (0)
an = ,
n!
where A(n) is the nth derivative of A. Use this fact (which you may assume) instead
of the Convolution Counting Principle, to prove that
1 n+k1 n
k
= x .
(1 x) n=0
k1
Problem 17.8.
We are interested in generating functions for the number of different ways to com
pose a bag of n donuts subject to various restrictions. For each of the restrictions
in (a)-(e) below, nd a closed form for the corresponding generating function.
(a) All the donuts are chocolate and there are at least 3.
(b) All the donuts are glazed and there are at most 2.
(c) All the donuts are coconut and there are exactly 2 or there are none.
(d) All the donuts are plain and their number is a multiple of 4.
(f) Find a closed form for the number of ways to select n donuts subject to the
constraints of the previous part.
(b) Explain why S(x)/(1 x) is the generating function for the sums of squares.
n
That is, the coefcient of xn in the series for S(x)/(1 x) is k=1 k 2 .
Homework Problems
Problem 17.10.
We will use generating functions to determine how many ways there are to use
pennies, nickels, dimes, quarters, and half-dollars to give n cents change.
(a) Write the sequence Pn for the number of ways to use only pennies to change
n cents. Write the generating function for that sequence.
(b) Write the sequence Nn for the number of ways to use only nickels to change n
cents. Write the generating function for that sequence.
17.4. AN IMPOSSIBLE COUNTING PROBLEM 403
(c) Write the generating function for the number of ways to use only nickels and
pennies to change n cents.
(d) Write the generating function for the number of ways to use pennies, nickels,
dimes, quarters, and half-dollars to give n cents change.
(e) Explain how to use this function to nd out how many ways are there to
change 50 cents; you do not have to provide the answer or actually carry out the
process.
Exam Problems
Problem 17.11.
The working days in the next year can be numbered 1, 2, 3, . . . , 300. Id like to
avoid as many as possible.
On days that are a multiple of 5, Ill refuse to come out from under the blan
kets.
In total, how many work days will I avoid in the coming year?
Problem 17.12.
Dene the sequence r0 , r1 , r2 , . . . recursively by the rule that r0 = r1 = 0 and
Problem 17.13.
Find the coefcients of x10 y 5 in (19x + 4y)15
Apples 6 4 4 2 2 0 0
Bananas 0 0 0 0 0 5 5
Oranges 0 2 1 4 3 1 0
Pears 0 0 1 0 1 0 1
These constraints are so complicated that the problem seems hopeless! But lets
see what generating functions reveal.
Lets rst construct a generating function for choosing apples. We can choose a
set of 0 apples in one way, a set of 1 apple in zero ways (since the number of apples
must be even), a set of 2 apples in one way, a set of 3 apples in zero ways, and so
forth. So we have:
1
A(x) = 1 + x2 + x4 + x6 + =
1 x2
Similarly, the generating function for choosing bananas is:
1
B(x) = 1 + x5 + x10 + x15 + =
1 x5
Now, we can choose a set of 0 oranges in one way, a set of 1 orange in one way,
and so on. However, we can not choose more than four oranges, so we have the
generating function:
1 x5
O(x) = 1 + x + x2 + x3 + x4 =
1x
Here were using the geometric sum formula. Finally, we can choose only zero or
one pear, so we have:
P (x) = 1 + x
The Convolution Rule says that the generating function for choosing from among
all four kinds of fruit is:
1 1 1 x5
A(x)B(x)O(x)P (x) = (1 + x)
1 x 1 x5 1 x
2
1
=
(1 x)2
= 1 + 2x + 3x2 + 4x3 +
Almost everything cancels! Were left with 1/(1 x)2 , which we found a power
series for earlier: the coefcient of xn is simply n + 1. Thus, the number of ways to
form a bag of n fruits is just n + 1. This is consistent with the example we worked
out, since there were 7 different fruit bags containing 6 fruits. Amazing!
17.4. AN IMPOSSIBLE COUNTING PROBLEM 405
17.4.1 Problems
Homework Problems
Problem 17.14.
Miss McGillicuddy never goes outside without a collection of pets. In particular:
Let Pn denote the number of different collections of n pets that can accompany
her, where we regard chihuahuas and labradors leashed up in different orders as
different collections, even if there are the same number chihuahuas and labradors
leashed in the line.
For example, P6 = 4 since there are 4 possible collections of 6 pets:
2 songbirds, 2 cats, 2 chihuahuas leashed in line
2 songbirds, 2 cats, 2 labradors leashed in line
2 songbirds, 2 cats, a labrador leashed behind a chihuahua
2 songbirds, 2 cats, a chihuahua leashed behind a labrador
And P7 = 16 since there are 16 possible collections of 7 pets:
2 songbirds, 3 cats, 2 chihuahuas leashed in line
2 songbirds, 3 cats, 2 labradors leashed in line
2 songbirds, 3 cats, a labrador leashed behind a chihuahua
2 songbirds, 3 cats, a chihuahua leashed behind a labrador
4 collections consisting of 2 songbirds, 2 cats, 1 alligator, and a line of 2 dogs
8 collections consisting of 2 songbirds, 2 cats, and a line of 3 dogs.
(a) Let
P (x) ::= P0 + P1 x + P2 x2 + P3 x3 +
be the generating function for the number of Miss McGillicuddys pet collections.
Verify that
4x6
P (x) = .
(1 x)2 (1 2x)
Problem 17.15.
Generating functions provide an interesting way to count the number of strings of
matched parentheses. To do this, well use the description of these strings given
in Denition 11.1.2 as the set, GoodCount, of strings of parentheses with a good
count. Let cn be the number of strings in GoodCount with exactly n left parenthe
ses, and let C(x) be the generating function for these numbers:
C(x) ::= c0 + c1 x + c2 x2 + .
(a) The wrap of a string, s, is the string, (s), that starts with a left parenthesis
followed by the characters of s, and then ends with a right parenthesis. Explain
why the generating function for the wraps of strings with a good count is xC(x).
Hint: The wrap of a string with good count also has a good count that starts and
ends with 0 and remains positive everywhere else.
(b) Explain why, for every string, s, with a good count, there is a unique sequence
of strings s1 , . . . , sk that are wraps of strings with good counts and s = s1 sk .
For example, the string r ::= (())()(()()) GoodCount equals s1 s2 s3 where s1 =
(()), s2 = (), s3 = (()()), and this is the only way to express r as a sequence of
wraps of strings with good counts.
(c) Conclude that
C = 1 + xC + (xC)2 + + (xC)n + , (17.10)
so
1
C= , (17.11)
1 xC
and hence
1 1 4x
C= . (17.12)
2x
D(x) = d0 + d1 x + d2 x2 + ,
we have
dn+1
cn = . (17.13)
2
(d) Use (17.12), (17.13), and the value of c0 to conclude that
D(x) = 1 1 4x.
Exam Problems
Problem 17.16.
T-Pain is planning an epic boat trip and he needs to decide what to bring with him.
He doesnt have very much room in his suitcase for towels, so he can bring
at most 2.
In order for the boat trip to be truly epic, he has to bring at least 1 nautical
themed pashmina afghan.
(a) Let gn be the the number of different ways for T-Pain to bring n items (burgers,
pairs of ip ops, towels, and/or afghans) on his boat trip. Express the generating
function G(x) ::= n=0 gn xn as a quotient of polynomials.
(b) Find a closed formula in n for the number of ways T-Pain can bring exactly n
items with him.
408 CHAPTER 17. GENERATING FUNCTIONS
MIT OpenCourseWare
http://ocw.mit.edu
For information about citing these materials or our Terms of Use, visit: http://ocw.mit.edu/terms.
Captulo 3
Las estructuras b
asicas de la
Combinatoria
103
104 Captulo 3. Las estructuras ba
sicas de la Combinatoria
n!
n(n 1) (n k + 1) = ,
(n k)!
como vimos en la subseccion 2.2.1. Consideremos ahora una cualquiera de ellas: en sus k
posiciones tiene smbolos distintos, as que podremos reordenarla de k! maneras distintas.
La observacion clave es que cada una de estas k! posibles reordenaciones da lugar, si nos
olvidamos del orden de presentaci on de los smbolos, a un u
nico conjunto de tama
no k.
Por tanto, podemos relacionar cada k! listas (en las que s es relevante el orden) con un
solo conjunto (en el que el orden no es relevante). Esta aplicaci on k! a 1 entre el conjunto de
las k-listas sin repeticion formadas con smbolos {1, . . . , n} y la coleccion de k-subconjuntos
de {1, . . . , n} nos permite concluir que, para cada n 1,
n!
si 0 k n;
C(n, k) = k! (n k)!
0 si k > n.
con el convenio habitual de que 0! = 1. Observese que de este analisis combinatorio se deduce
n!
que la fracci
on k! (nk)! es un entero, algo que no es sencillo comprobar algebraicamente.
Es tradicional designar al cociente de factoriales de la f
ormula anterior con el siguiente
smbolo: ! "
n n!
=
k k! (n k)!
(se lee n sobre k). Estos n
umeros son conocidos como coeficientes binomicos1 y estan, en
principio, denidos para cada entero positivo n y para cada 0 k n. El lector podr
a com-
probar que ! " ! "
n n
=1 y =1
n 0
(utilizando de nuevo que 0! = 1). Unos valores que son consistentes con la interpretacion
combinatoria que aqu estamos considerando: por un lado, C(n, n) = 1, porque el u nico
conjunto con n elementos que se puede extraer de un conjunto de n elementos es el propio
conjunto; y, por otro, C(n, 0) = 1, puesto que solo hay un conjunto de tamano cero que
podemos extraer del conjunto {1, . . . , n}, el conjunto vaco .
En lo que sigue, para evitar una proliferaci on innecesaria de smbolos, y salvo alguna
reaparici
on espor
adica de la notacion C(n, k), diremos que, dado n 1, el n umero de sub-
conjuntos de tama no k que podemos extraer del conjunto {1, . . . , n}, esto es, el numero de
maneras
n en que podemos seleccionar k s
mbolos de entre una coleccion de n, viene dado
por k , con el convenio adicional de que este coeciente binomico es 0 para los valores de k
que quedan fuera del rango 0 k n.
1
As llamados porque se obtienen en el desarrollo del binomio de Newton (vease la subsecci
on 3.1.2).
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 105
(versi
on preliminar 26 de septiembre de 2010)
106 Captulo 3. Las estructuras ba
sicas de la Combinatoria
A. Simetra
La propiedad que nos disponemos a demostrar es la siguiente:
! " ! "
n n
= para n 1 y 0 k n,
k nk
La raz
on por la que hablamos de propiedad de simetra resultar a evidente cuando, unas
p
aginas mas adelante, dispongamos los coecientes bin omicos en el habitual tri
angulo.
La prueba algebraica es muy sencilla:
! " ! "
n n! n! n
= = = .
k k!(n k)! (n k)! (n (n k))! nk
Pero es mas interesante conrmar esta propiedad utilizando argumentos combinatorios. Lla-
memos
subconjuntos de tama no k subconjuntos de tama no n k
1 = y 2 = .
extrados de {1, . . . , n} extrados de {1, . . . , n}
A cada subconjunto B de tama no k (es decir, incluido en 1 ) le podemos asociar el sub-
conjunto de tama no n k (que estara incluido en 2 ) formado por todos los elementos de
{1, . . . , n} que no est
an en B, esto es, {1, . . . , n} \ B.
Construimos as una aplicaci on entre los conjuntos 1 y 2 que, como podr a comprobar
sin dicultad el lector, es biyectiva. De lo que se deduce que ambos conjuntos han de tener
el mismo tama no. Es decir, que las cantidades
! " ! "
n n
|1 | = y |2 | =
k nk
han de ser iguales.
La prueba algebraica, manipulando los factoriales que aparecen en la suma, es una tarea muy
laboriosa. Sin embargo, es sencillo construir una prueba por inducci
on, y animamos al lector
a completarla (ejercicio 3.1.1). Veremos tambien una demostracion alternativa, utilizando el
teorema del binomio, en la subsecci on 3.1.2.
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 107
La prueba combinatoria es trasparente. Sabemos que nk cuenta, para cada 0 k n,
el n
umero de subconjuntos de tama no k que podemos extraer del conjunto A = {1, . . . , n}.
Llamemos al conjunto de todos los posibles subconjuntos de A. Sabemos (recuerdese el
no 2n . Denamos ademas
ejemplo 2.2.2) que el conjunto tiene tama
0 = {subconjuntos de A de tama
no 0}
1 = {subconjuntos de A de tama
no 1}
..
.
n = {subconjuntos de A de tama
no n}.
Conviene insistir en la identificaci on entre subconjuntos y listas de ceros y unos del ejem-
plo 2.2.2. All vimos que dar un subconjunto del conjunto {1, . . . , n} es exactamente lo mismo
que construir una lista de longitud n con ceros y unos. El diccionario entre ambas cuestiones
es: si en la posicion j-esima de la lista aparece un 1, el elemento j esta en el subconjunto; y
si aparece un 0, no estara.
En su momento esto nos permitio determinar que hay 2n subconjuntos posibles. Ahora
podemos ser un poco mas nos: si solo nos interesamos por los subconjuntos de tama
no k, el
mismo argumento nos permite reinterpretar, combinatoriamente, los coecientes bin omicos:
! "
n listas de longitud n formadas con ceros
=# .
k o unos que tienen exactamente k unos
C. Regla de recurrencia
La u
ltima propiedad por la que nos vamos a interesar es una regla de recurrencia para
los coecientes binomicos, que nos permitira calcularlos de manera muy eciente. La citada
regla dice as: dado n 2 y para cada 1 k n 1,
! " ! " ! "
n n1 n1
= +
k k k1
(versi
on preliminar 26 de septiembre de 2010)
108 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Por supuesto, la eleccion del elemento n, el u ltimo, para este proceso es totalmente arbitraria
(podamos haber
elegido, por ejemplo, el primero). El conjunto de la izquierda, ya lo sabemos,
no nk , y la regla de la suma nos permite escribir que
tiene tama
! " Subconjuntos de tamano k Subconjuntos de tamano k
n
=# extrados de {1, . . . , n} +# extrados de {1, . . . , n}
k que contienen al elemento n que no contienen al elemento n
Subconjuntos de tama no k 1 Subconjuntos de tama no k
=# +#
extrados de {1, . . . , n 1} extrados de {1, . . . , n 1}
! " ! "
n1 n1
= + .
k1 k
La pen ultima igualdad es la clave del argumento, y est a basada en un par de biyecciones.
Para el primer termino argumentamos as: para construir todos los subconjuntos de tama no k
con los elementos {1, . . . , n} que contengan al elemento n, basta decidir quienes son sus k 1
acompa nantes, es decir, basta elegir k 1 elementos del conjunto {1, . . . , n 1}. Para el
segundo termino, como los subconjuntos que estamos considerando en este caso no contienen
a n, tendremos que escoger los k elementos de entre los del conjunto {1, . . . , n 1}.
La combinacion de esta regla de recurrencia y lo que por razones
que se entenderan en un momento llamaremos los valores frontera,
! " ! "
n n
=1 y = 1, para cada n 1,
0 n
nos permite calcular y codicar los valores de todos los coecientes
bin
omicos. Para ello, es costumbre utilizar el llamado triangulo de
3
Pascal-Tartaglia : un tri angulo formado por casillas que van etique-
tadas con dos parametros, n y k. El par ametro n etiqueta los pisos
del tri
angulo, empezando en n = 0, mientras que el par ametro k, por
su parte, marcara la coordenada de las sucesivas diagonales, de nuevo
Figura 3.1: Tartaglia
de k = 0 en adelante. En la casilla de coordenadas n y k situamos el
umero C(n, k), o indistintamente nk .
n
3
A veces s olo tri
angulo de Tartaglia, a veces s olo tri
angulo de Pascal. Niccolo Fontana (1499-1557) es
mas conocido como Tartaglia (tartamudo; o tartaja, m as catizo y un punto despectivo). Parece ser que
de peque no fue gravemente herido en la cara por las tropas francesas que ocupaban Brescia, su localidad
natal, y que de aquel episodio conserv o una gran cicatriz en el rostro y ciertas dicultades para hablar.
Tradujo y public o numerosas obras matem asicas, como los Elementos de Euclides y algunos tratados
aticas cl
de Arqumedes. Consigui o, entre otros logros, obtener una f ormula para la resoluci
on de la ecuaci
on c
ubica
(vease la nota al pie de la p
agina 20).
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 109
Para que todo cuadre, es conveniente decidir que C(0, 0) = 1; una denici on consistente
con la formula de los factoriales, aunque sin aparente signicado combinatorio4 . Los valores
en los bordes (las fronteras) del tri
angulo son siempre 1. Y las casillas interiores se rellenan
siguiendo la ecuacion de recurrencia, cuya interpretaci on graca aparece debajo de estas
lneas, a la izquierda: cada coeciente binomico se obtiene sumando los valores de los dos
inmediatamente superiores. Con esta regla, y los valores en los bordes, podemos completar
el tri
angulo, tal como hacemos a continuaci on (hasta n = 7):
s +
C(n, k)
k=0
k=1
k=2
n=0 1 k=3
n=1 1 1 k=4
n=2 1 2 1 k=5
n=3 1 3 3 1
n=4 1 4 6 4 1 k=6
n=5 1 5 10 10 5 1 k=7
n=6 1 6 15 20 15 6 1
n=7 1 7 21 35 35 21 7 1
(versi
on preliminar 26 de septiembre de 2010)
110 Captulo 3. Las estructuras ba
sicas de la Combinatoria
La regla de recurrencia anterior permite escribir nk (cuyo ndice superior es n) en termi-
nos de la suma de dos coecientes binomicos cuyos ndices superiores son n 1. Si repetimos
el procedimiento, pero para los dos nuevos coecientes binomicos, llegamos a
! " ! " ! " %! " ! "& %! " ! "&
n n1 n1 n2 n2 n2 n2
= + = + + +
k k k1 k k1 k1 k2
! " ! " ! " ! "! " ! "! " ! "! "
n2 n2 n2 2 n2 2 n2 2 n2
= +2 + = + + .
k k1 k2 0 k 1 k1 2 k2
Ahora nk se escribe como suma de coecientes binomicos de ndice superior n2. N otese que
los n
umeros que los acompa nan pueden ser escritos, a su vez, como coecientes binomicos.
Podramos iterar el proceso, pero los calculos seran demasiado
n engorrosos, y vale la pena
argumentar en general, combinatoriamente. Queremos escribir k en terminos de coecientes
binomicos cuyo ndice superior sea, por ejemplo, n l. Primero declaramos del primer tipo
a l elementos de entre {1, . . . , n}, por ejemplo los l primeros, marcando los restantes n l
como del segundo tipo. Ahora clasicamos los k-subconjuntos dependiendo del n umero j
(con 0 j k) de elementos del primer tipo que contengan, en la siguiente partici on:
k
k-subconjuntos extrados k-subconjuntos extrados de {1, . . . , n}
= .
de {1, . . . , n} con j elementos del primer tipo
j=0
Observese que, como solo hay l elementos del primer tipo, los conjuntos de la colecci on de la
derecha que corresponden a valores j > l son vacos.
Calculamos el tama no del conjunto con etiqueta j seleccionando primero que j elementos
an en nuestro subconjunto (hay jl posibilidades); y luego seleccionando
del primer tipo est
nl
los k j elementos del segundo tipo que contiene el subconjunto (hay kj posibilidades).
Aplicando las reglas de la suma y del producto llegamos a la f ormula de Vandermonde10 :
! " k ! "! "
n l nl
=
k j kj
j=0
El caso l = 1 es la f
ormula de recursion habitual. La suma anterior se extiende, en realidad,
hasta el mnimo de l y k. Esta imprecision en los lmites de sumaci
on no supone problema
alguno si seguimos aplicando el convenio (que ser a de uso general en lo que sigue) de que
los coecientes binomicos son nulos si, por ejemplo, el ndice de abajo es mayor que el de
arriba, o si aparecen ndices negativos. En muchas ocasiones aprovecharemos este convenio
para ser voluntariamente poco cuidadosos con los lmites de sumaci on. Por ejemplo, en la
ormula anterior de Vandermonde podramos haber escrito que la suma se extiende hasta .
f
10
El nombre del matem atico y m
usico frances Alexandre-Theophile Vander- 1 1 1
monde (1735-1796) ha quedado asociado al determinante de Vandermonde, a1 a2 an
'
que exhibimos a la derecha, y cuyo valor es 1i<jn (aj ai ). Vease, por a21 a22 a2n
ejemplo, c omo aparece este determinante en la demostraci on del teorema 4.36. .. .. .. ..
.
Aunque parece ser que, pese a que Vandermonde fue uno de los pioneros de . . .
a n1
an1 n1
an
la teora de los determinantes, jam
as considero el que lleva su nombre. 1 2
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 111
D. C
alculo y tama
no de los coeficientes bin
omicos
Como ya hemos visto, los coecientes binomicos siguen la siguiente formula:
! "
n n! n(n 1) (n k + 1)
= =
k k!(n k)! k(k 1) 3 2 1
(n
otese que hay tantos factores en el numerador como en el denominador). Una f ormula que,
en principio, parece ser la mejor manera de calcularlos. Ahora bien, si el lector recuerda la
discusion de las subsecciones 2.4.3 y 2.4.4, convendra con nosotros en que n! es un n umero
asombrosamente grande. Si, por ejemplo, quisieramos calcular un modesto 50 30 con la f
ormula
anterior, necesitaramos evaluar los factoriales de 50, 30 y 20, para luego dividirlos. Una tarea
que puede poner en apuros a cualquier ordenador. Sin embargo, la aplicaci on reiterada de la
regla de recurrencia permite calcularlos de una manera quiz as mas eciente, pues solo requiere
un cierto numero de sumas. Por esta razon, muchos paquetes matematicos de calculo emplean
este segundo procedimiento para evaluar los coecientes bin omicos.
Pero la formula contiene mucha informaci on. Con ella, y con la ayuda de la f ormula de
Stirling, podemos estimar el orden de magnitud de un coeciente bin omico cualquiera. Fije-
mos un valor de n, un piso en el triangulo de Tartaglia, y miremos los coecientes binomicos
cuyo ndice superior es n. Por ejemplo, los correspondientes a n = 7 son 1, 7, 21, 35, 35, 21, 7, 1 .
Como ya sabemos, por la propiedad A
de esta misma subseccion, la lista es simetri-
ca con respecto al elemento central (o cen-
trales, si, como en el ejemplo, n es impar).
Notese que los valores van creciendo, de iz-
quierda a derecha, hasta llegar al centro (o
centros), a partir del cual empiezan a decre-
cer. Este comportamiento es general:
! " ! " ! "
n n n
max = =
k=0,...,n k n/2 n/2
Observese que los dos coecientes binomicos escritos a la derecha son el mismo si n es par.
Vea el lector el ejercicio 3.1.2 para una posible demostraci on. A la derecha mostramos la
gr
aca con los valores de los sucesivos coecientes binomicos para n = 20.
Interesa conocer el orden de magnitud del coeciente bin omico que ocupa la posicion
central (o centrales) de una la del triangulo de Pascal-Tartaglia, que como hemos visto
antes, es el mayor de toda la la. Por comodidad de calculo, analizaremos el coeciente 2n
n .
2n
Para empezar, la suma de todos los coecientes j vale 22n = 4n , as que cada uno de
ellos, y en particular 2n n
n , ha de ser menor que 4 . Pero adem as, como 2nn es el mayor de
todos ellos,
2n ! " 2n ! " ! "
n 2n 2n 2n
4 = < = (2n + 1) .
j n n
j=0 j=0
(versi
on preliminar 26 de septiembre de 2010)
112 Captulo 3. Las estructuras ba
sicas de la Combinatoria
una expresi on que es v alida para cualquier n umero real x. Un ejercicio interesante, que
proponemos al lector como ejercicio 3.1.19, consiste en probar la validez del teorema por
induccion en n.
Atenci
n
on!, nuestra denicion del coeciente bin omi-
(1 + x)
co k era puramente combinatoria: n umero de mane-
(1 + x)I
ras de escoger k elementos de entre un conjunto de n
(1 + x)Y
hay que escoger
elementos. Y aqu reaparecen, de repente, como coe- n factores 9
k veces la x
cientes del polinomio que se obtiene al desarrollar
+
(1 + x)n . Pero en realidad es justamente la denici on (1 + x)
(1 + x)
combinatoria la que lo justica. Vease el esquema de
la derecha, en el que hemos escrito los n factores en columna. Nos preguntamos cuantas veces
aparecer a el termino xk al multiplicarlos todos, pues ese sera el coeciente de xk . Pero para
que aparezca xk habr a que tomar k veces la x (y nk veces el 1, claro). Es decir, hay que
elegir las k las en las que tomamos la x. Es decir, nk .
Por cierto que este es un primer ejemplo de una funci on generatriz: la funci on (1 + x)n
genera, al ser desarrollada en potencias de x, la sucesion de n umeros
! "
n !
n " ! " ! " ! "
n n n
= , , ,..., , 0, 0, 0 . . . ;
k k=0 0 1 2 n
sobre estas cuestiones insistiremos, y mucho, en el captulo 11.
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 113
que en principio, por el argumento utilizado, sera v olo para y = 0. Pero como para
alida s
n n
y = 0 dice simplemente que x = x , concluimos que es valida para todo y.
Es inmediato obtener, a partir del teorema del binomio, unas cuantas identidades in-
teresantes. Por ejemplo, si en la u
ltima expresion tomamos x = y = 1, recuperamos la ya
conocida
n ! "
n n
2 = .
k
k=0
n ! "
n
k
0= (1)
k
k=0
El truco, que utilizaremos profusamente en el captulo 11, consiste en derivar con respecto
a x la f
ormula del binomio. As se obtiene que
n ! "
n ! "
n1 n k1 n
n(1 + x) = kx ; y, evaluando en x = 1, que k = n 2n1
k k
k=1 k=0
Usaremos esta argucia muchas veces en el captulo 11, y muy en particular, en el contexto
probabilstico para calcular medias de variables aleatorias que toman valores en los enteros no
negativos (vease la seccion 12.1). Pero como eso queda todava lejos, adelantamos un ejemplo
combinatorio.
11
Note el lector que, si n fuera impar, la identidad sera consecuencia de la simetra los coecientes bin
omicos,
que se iran cancelando por parejas. En el caso de n par ya no es as, pues hay un n umero impar de sumandos.
(versi
on preliminar 26 de septiembre de 2010)
114 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Ejemplo 3.1.2 Queremos corroborar la intuici on que nos dice que el tama
no medio de
los subconjuntos que se pueden extraer del conjunto {1, . . . , n} es n/2.
Llamemos a la coleccion de todos los subconjuntos de {1, . . . , n}. Sabemos que || = 2n .
El tama
no medio al que nos referimos es la media aritmetica de los tama nos de todos los
subconjuntos, es decir,
1
|| ,
2n
1 !
n
n
"
1 n
= n k = n n 2n1 = ,
2 k 2 2
k=0
12
Sir Isaac Newton (1642-1727) es, quiz as, el cientco m
as famoso de todos los tiempos (solo Einstein
rivaliza con el en fama y gloria): el padre de la ley de la gravitaci on y el inventor del C alculo diferencial e
integral (al tiempo que Leibniz). En sus Philophiae naturalis principia mathematica, o simplemente Principia,
de 1687, que son considerados como el m as importante libro cientco jam as escrito, estableci
o los principios
basicos de la Mec anica, la Din
amica de Fluidos, el movimiento ondulatorio, dedujo las leyes de Kepler del
movimiento de planetas y cometas. . . En un arranque de humildad (lo que por cierto no era muy frecuente
en el), Newton dijo una vez que si el haba visto un poco m as lejos era porque estaba subido a hombros de
gigantes, en reconocimiento al trabajo anterior de otros cientcos. Pues oiga, no: para gigante, Newton.
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 115
Cuidado!, la expresi
on es la misma, pero mientras que en el caso en el que sea un
entero positivo la suma es nita (un polinomio), en el caso general tendremos una serie de
potencias innita. Por esto hemos sido cuidadosos de incluir, en el enunciado del teorema,
los valores de x para los que la serie converge con seguridad. El lector podr a encontrar la
demostracion de este resultado, junto con diversas aplicaciones, en la subseccion 11.3.4.
El multinomio de Newton
Vamos ahora a escribir el binomio de Newton de una manera alternativa:
n ! "
n n k nk n! a b
(x + y) = x y = x y ,
k a! b!
k=0 a,b0, a+b=n
que sale de observar simplemente que, para cada k, los exponentes de x e y suman siempre n.
A la vista de esta expresion, quiz
as el lector podra aventurar que la f
ormula del trinomio
debera ser
n! ! n "
n a b c
(x + y + z) = x y z = xa y b z c .
a! b! c! a, b, c
a,b,c0, a+b+c=n a,b,c0
que permite escribir la suma triple de manera mas sencilla: se suman en todos los a, b, c 0,
pero los terminos son nulos a menos que a+b+c = n. A este n umero se le conoce, por razones
obvias, como un coeficientes multin omico. El caso general del multinomio de Newton sera
! "
n
(x1 + x2 + + xk ) = n
x1 a1 x2 a2 xk ak ,
a1 , a2 , . . . , ak
a1 ,...,ak 0
donde, de nuevo,
! "
n
n!
a1 a2 !ak ! si a1 + a2 + + ak = n;
=
a1 , a2 , . . . , ak 0 en caso contrario.
Las expresiones anteriores son correctas: el lector puede animarse a probar la u ltima
expresion general por inducci on en k, partiendo de la f
ormula del binomio habitual, que es
el caso k = 2 (vease el ejercicio 3.1.19).
Pero quiz
as el lector proteste por la s
ubita irrupci
on de estos n
umeros, que han aparecido
como cados del
n cielo. Tenga paciencia, pues de la misma manera en que los coecientes
omicos k aparecan en el desarrollo del binomio por razones combinatorias, tambien
bin
estos coecientes multinomicos tienen su razon de ser combinatoria. En la subsecci on 3.1.6
volveremos a ellos.
(versi
on preliminar 26 de septiembre de 2010)
116 Captulo 3. Las estructuras ba
sicas de la Combinatoria
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 117
{1, x1 .veces
. . , 1, 2, x2 .veces
. . , 2, . . . , n, xn.veces
. . , n} , {1x1 , 2x2 , . . . , nxn } .
Los xj son enteros no negativos, y su suma ha de valer k (que es el tama no total del multi-
conjunto). As que el n
umero de multiconjuntos coincide con el n umero de soluciones de
x1 + x2 + + xn = k
# soluciones de
x1 0 , . . . , xn 0
El mismo tipo de problema, salvo que los papeles de n y k estan cambiados con respecto a
los anteriores.
Una vez convencidos de que vale la pena dar soluci on a la cuestion sobre soluciones de
ecuaciones diofanticas, pues de esa manera daramos soluci on, de una tacada, a estas tres
cuestiones, nos ponemos con ello.
Pero empezamos el an alisis recurriendo al lenguaje de las composiciones. Revise el lector
el argumento que utilizamos en la subseccion 2.2.3, y que entonces nos permitio deducir que
umero total de composiciones de n era 2n1 : una composici
el n on se obtiene colocando los n
unos en la y decidiendo, en cada hueco entre ellos (hay n 1) si se para (y se suma todo
lo que se haya ido acumulando) o se sigue adelante. Es decir, es lo mismo que una lista de
longitud n 1 formada con dos smbolos. Si ahora la composici on ha de tener k sumandos,
querra decir que en la lista anterior ha de aparecer exactamente k 1 veces el separador
que representa el para y suma (por que k 1?). De manera que nos basta con escoger en
que k 1 huecos (de los n 1 posibles) van estos separadores. Las biyecciones implcitas en
este argumento nos permiten deducir que
composiciones de lon- formas de elegir k 1 posiciones (para los separadores)
# =#
gitud k del n
umero n de entre n 1 (los huecos a nuestra disposicion)
! "
subconjuntos distintos de tama no k 1 n1
=# = .
extrados del conjunto {1, . . . , n 1} k1
Y de forma inmediata, vista la traducci
on a ecuaciones diofanticas, que
! "
x1 + x2 + + xk = n n1
# soluciones de =
x1 1, . . . , xk 1 k1
(versi
on preliminar 26 de septiembre de 2010)
118 Captulo 3. Las estructuras ba
sicas de la Combinatoria
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 119
(versi
on preliminar 26 de septiembre de 2010)
120 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Ahora sabemos cuantos sumandos aparecen en el c alculo de cada j . Por ejemplo, 1 consta
de
n n sumandos (las
nposibles formas de escoger 1 elemento de un conjunto de n, esto es,
1 ); 2 consta de 2 sumandos
(las posibles formas de escoger 2 elementos de entre n), etc.
En general, j tendr a nj terminos. Conocer este dato sera muy u til porque, como veremos
mas adelante (veanse los ejemplos 3.1.4 y 3.1.5), muchas veces todas las intersecciones de j
conjuntos, para cada valor de j, son del mismo tama no; y esta simetra nos permitir
a obtener
f
ormulas mas o menos sencillas.
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 121
A. Demostraci
on del principio de inclusi
on/exclusi
on
Vamos a utilizar un argumento de doble conteo. Llamamos A = nj=1 Aj y denotamos los
elementos de A por 1 , 2 , . . . 1 2 3 4
Construimos una tabla en cuyas colum- A1 1 1 1 1
nas situamos los elementos j de A. Etique- A2 1 1 1 0
tando las las aparecen primero los conjuntos A 3 1 1 0 1
.. .. .. .. ..
A1 , . . . , An , luego las intersecciones dos a dos, . . . . .
A1 A2 , A1 A3 , . . . An1 An ; despues, las in- An 1 0 0 1
tersecciones tres a tres, cuatro a cuatro. . . as, A1 A2 1 0 1 0
A1 A3 1 1 0 1
hasta llegar a la interseccion de todos los Aj .
.. .. .. .. ..
Los registros de la matriz van a ser 0, 1 y . . . . .
An1 An 1 1
1. Consideremos la columna etiquetada por 0 0
A1 A2 A3 1 1 0 0
un cierto elemento j : si j no pertenece al .. .. .. .. ..
conjunto que etiquete la la, pondremos un 0. . . . . .
En el caso de pertenencia al conjunto, distin- A n2 A n1 A n 1 0 0 1
.. .. .. .. ..
guiremos si se trata de una interseccion de un . . . . .
numero impar de conjuntos (en cuyo caso pon- .
..
.
..
.
..
.
..
.
..
dremos un +1) o de una intersecci on de un n+1
A1 An (1) 0 0 0
numero par (escribiremos un 1). Por ejem-
plo, pondramos un 1 en las casillas correspondientes si j estuviera en A3 , en A2 A5 A6 ,
o en A2 A3 A7 A8 A9 , mientras que pondramos un 1 si perteneciera, por ejemplo, a
A1 A3 , a A2 A3 A5 An , etc. La tabla tendra un aspecto parecido al que se muestra a la
derecha. Ahora sumaremos las entradas de la matriz, primero por las y luego por columnas.
La suma por las nos va a dar la suma alternada en signos del principio de inclu-
sion/exclusi on (hemos dise nado la matriz expresamente para esto). La la etiquetada con
A1 contiene |A1 | unos, la de A2 , |A2 | unos, etc. Cada la etiquetada con Ai Aj contiene
|Ai Aj | signos 1. Y as sucesivamente. En total, la suma por las nos da
m
() |Ai | |Ai Aj | + .
i=1 i<j
La suma por columnas requiere un an alisis mas cuidadoso. Fijemos un A, que es-
a en, digamos, k de los Aj , para cierto 1 k n. En su columna tendremos exactamente
tar
k unos en las las etiquetadas por los conjuntos A1 , . . . , An . Pero si esta en k de los Aj , es-
a en exactamente k2 de las intersecciones dos a dos: ah encontraremos k2 signos 1.
tar
Tambien estara en k3 de las tres a tres, etc. El u ltimo signo no nulo estar a en las las de las
intersecciones k a k: sera un (1)k+1 , justo en la la etiquetada por la intersecci on de todos
los Aj en los que este ; mas all a, todo ceros. En total, la suma de la columna de valdr a
! " ! " ! " ! " k ! " k ! "
k k k k k k
+ + (1)k+1 = (1)j+1 =1 (1)j .
1 2 3 k j j
j=1 j=0
(versi
on preliminar 26 de septiembre de 2010)
122 Captulo 3. Las estructuras ba
sicas de la Combinatoria
exige calcular los valores de los sucesivos j , lo que en general es una tarea muy engorrosa.
Notese que hay un total de 2n sumandos, 2n intersecciones por calcular.
Nos gustara saber el error que se cometera si, por ejemplo, nos limitaramos a calcular
los primeros j . Por ejemplo, el lector podr
a comprobar (vease el ejercicio 3.1.21), que
n
|A1 An | |Aj | = 1 .
j=1
As que si nos quedamos simplemente con el primer termino (las sumas de los tama nos
individuales), acotamos la suma completa por arriba. En el mismo ejercicio se pide comprobar
que |A1 An | 1 2 . Bueno, no va mal. Pero, en estas estimaciones, en cuanto nos
equivocamos? El siguiente resultado responde a esta pregunta:
Lema 3.2 Para cada 2 t n,
n
t1 n
j+1
(1) j
j+1
(1) j = (1)j+1 j t .
j=1 j=1 j=t
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 123
Del lema anterior obtenemos inmediatamente toda una cadena de desigualdades, las lla-
madas desigualdades de Bonferroni. Partimos de la ya conocida
|A1 An | 1
que nos dice que |A1 An | 1 0. Ahora, el caso t = 2 del lema reza as (n
otese como
nos libramos del valor absoluto en el segundo paso):
|A1 An |1 2 = 1 |A1 An | 2 = |A1 An | 1 2 ,
= |A1 An | 1 2 + 3 ,
que es la tercera desigualdad. Y as, sucesivamente. As que cada vez que anadimos un j (con
su signo), nos acercamos cada vez m as al valor real, y estas aproximaciones se van alternando:
una por exceso, la siguiente por defecto. S olo al nal, al sumar todos los j con sus signos
correspondientes, recuperamos el valor exacto de |A1 An |. Recordemos, ademas, que
sabemos acotar el error que se comete en cada una de ellas. Por ejemplo, en la u ltima que
hemos escrito el error estara acotado por 4 , el primer termino despreciado.
C. Algunas aplicaciones
Hay dos aplicaciones especialmente interesantes del principio de inclusi
on/exclusi
on, como
son la de obtener una f
ormula para el n umero de aplicaciones sobreyectivas y la de calcular el
numero de los llamados desbarajustes, un tipo especial de permutaciones. Los dos ejemplos
siguientes contienen los analisis respectivos.
Ejemplo 3.1.4 Contemos cu antas aplicaciones sobreyectivas podemos dar entre los
conjuntos X = {1, . . . , n} e Y = {1, . . . , k}.
Recuerdese, del ejemplo 2.2.5, que podemos identicar aplicaciones de X Y con n-listas
formadas con los smbolos {1, . . . , k}. Las aplicaciones sobreyectivas son las que no se saltan
ningun elemento de Y. M as formalmente, aquellas para las que, para todo y Y, existe al
menos un x X tal que f (x) = y. Alternativamente, son las n-listas en las que aparecen
todos los k smbolos. En el argumento que sigue iremos alternando estos dos puntos de vista.
Vamos a pasar al complementario: las aplicaciones que no sean sobreyectivas, o bien se
saltar
an el elemento 1, o bien el 2, etc., as hasta el k. As que, si denimos los conjuntos
Aj = {aplicaciones X Y que se saltan el elemento j} , para cada j = 1, . . . , k ,
el numero de aplicaciones sobreyectivas resulta ser kn |A1 A2 Ak |.
Calculemos, en primer lugar, el tama no de cada uno de los Aj . Una aplicaci on que
este en Aj no toma el valor j como imagen. Y en terminos de listas, eso supone construir
n-listas en las que utilicemos cualquiera de los smbolos de Y menos el smbolo j. As que
|Aj | = (k 1)n , para cada j = 1, . . . , k.
(versi
on preliminar 26 de septiembre de 2010)
124 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Sucede algo analogo con las intersecciones: si una aplicacion esta en Ai Aj , entonces no
tomara como imagen ni al smbolo i ni al j. Es decir, la lista correspondiente se formar
a con
cualesquiera de los otros k 2 smbolos. Por tanto,
|Ai Aj | = (k 2)n , para cada i = j.
El mismo argumento sirve para las intersecciones tres a tres, cuatro a cuatro, etc. Como el
n
umero de sumandos en cada suma de la expresion del principio de inclusi
on/exclusion viene
omico, concluimos que, si |X | = n e |Y| = k,
dado por un coeciente bin
/ 0
# aplicaciones sobreyectivas X Y = kn |A1 A2 Ak |
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 125
Esto es,
n
(1)j Dn (1)j
n
Dn = n! , o bien = .
j! n! j!
j=0 j=0
La f ormula, como puede comprobar el lector, es bastante mas sencilla que la del caso
de las aplicaciones sobreyectivas. Pero mas a un, la cantidad nj=0 (1)j /j!, que en principio
depende de n, es, a todos los efectos numericos y si n es grande, casi indistinguible15 de 1/e.
Atenci on!, porque la conclusi on es sorprendente: por un lado, la probabilidad Dn /n!
de obtener un desbarajuste es pr acticamente independiente de n (si n es sucientemente
grande). Pero m as a
un, es una probabilidad grande, mayor que un tercio. Quiz as mas de
lo que hubieramos apostado al principio.
Y que explicaci on16 tiene este extra no fen
omeno? Llamemos Bj a los complementarios
de los Aj en el conjunto de las permutaciones. Es decir, Bj contiene a las permutaciones de
{1, . . . , n} en las que el smbolo j no esta en la posici
on j. Observese que
(n 1)! 1
P rob(Bj ) = 1 P rob(Aj ) = 1 =1 .
n! n
15
Como ya comentamos en la subsecci on 2.4.2. Por ejemplo, las primeras cifras decimales de 1/e son
0.3678794412, mientras que al sumar hasta j = 10 obtenemos 0.3678794643. El lector interesado podr a en-
contrar un argumento preciso en el ejercicio 3.1.27.
16
La que aqu sugerimos requiere cierta familiaridad con conceptos de probabilidad. Quiz as el lector quiera
consultar antes el captulo 7. Veanse, por ejemplo, el ejercicio 7.3.7 y el ejemplo 7.5.12.
(versi
on preliminar 26 de septiembre de 2010)
126 Captulo 3. Las estructuras ba
sicas de la Combinatoria
No toca aqu precisar el signicado exacto de independientes, pues de eso nos ocuparemos
en el captulo 7. Pero, de manera intuitiva, quiere decir que, por ejemplo, el que el smbolo j
este fuera de su posici
on no inuye en que el smbolo k este fuera de su posicion. Es este el
caso? No, desde luego, si consideramos permutaciones de dos elementos {1, 2}, porque si el 1
esta fuera de su posicion, entonces el 2 ha de estar necesariamente descolocado. Si tenemos
tres smbolos, el que el smbolo 1 no este en su posicion inuye en que, por ejemplo, el 2 no
este en la segunda posicion, aunque algo menos. Pero cuando n se hace cada vez mas grande,
esta inuencia se va diluyendo. Es decir, los Bj son (aproximadamente) independientes, lo
que explica que la probabilidad de obtener un desbarajuste sea 1/e. El lector interesado
puede encontrar un argumento riguroso de esta armaci on en el ejercicio 3.1.28.
Como extension de este analisis sobre desbarajustes, en el ejercicio 3.1.29 se cuenta el
n
umero de permutaciones que jan 1, 2, etc. smbolos.
Como ya hemos comentado en alguna ocasion, y como esta comprobando repetidamente
el lector, un buen n umero de cuestiones combinatorias tienen que ver con listas con restric-
ciones. Habitualmente, estas restricciones impiden contar el n umero de listas con una simple
aplicacion de la regla del producto, y hace falta aplicar otro tipo de tecnicas.
Los dos ejemplos anteriores son una buena ilustraci on. En el de las aplicaciones sobreyec-
tivas, se trata de contar listas de longitud n formadas con los smbolos {1, . . . , k} en las que
aparecen todos los smbolos posibles. En los desbarajustes, se trata de n-listas sin repeticion
con los smbolos {1, . . . , n} (permutaciones) en las que ning un smbolo aparece en su posici on
natural. En ambos casos, se trata de un buen n umero (k en el primer caso, n en el segundo)
de condiciones simultaneas (interseccion de condiciones), que tras pasar al complementario,
se convierten en una uni on de condiciones (las complementarias de las originales). Ah es
donde entra en escena el principio de inclusi on/exclusi on.
Otro tipo de restricciones, muy frecuentes, son aquellas en las
no se pueden repetir smbolos en ciertas posiciones. Ya nos hemos
encontrado con alg un caso, como el del ejemplo del ejemplo 2.2.7.
Queramos entonces contar las 4-listas en las que podemos situar los
smbolos {1, . . . , n}, con la restriccion de que posiciones consecuti- Pos. 1 Pos. 2
vas deben llevar smbolos distintos y, ademas, no podemos colocar
el mismo smbolo en las posiciones primera y cuarta. A la derecha
exhibimos un par de representaciones gr acas del problema: arriba,
la lista con sus prohibiciones; abajo, una traducci on que utilizaremos Pos. 4 Pos. 3
mas adelante: cada posicion de la lista etiqueta un vertice y cada
prohibici on se corresponde con un arco o arista. Esto es lenguaje de grafos, que desarrolla-
remos en el captulo 9. S olo lo usamos aqu para representar de manera sencilla, sin mas
aparato te orico. Pero observe el lector como el esquema con vertices y arcos representa la
informaci on de manera m as clara que el dibujo de la lista con prohibiciones.
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 127
n posibilidades n posibilidades
n posibilidades
Compruebe el lector que el resto de las intersecciones dos a dos tienen tambien tama no n2 .
Una sencilla inspecci on muestra que las intersecciones tres a tres son tambien todas de igual
tamano; por ejemplo, |A1 A2 A3 | = n, porque que en la primera y segunda posiciones
aparezca el mismo smbolo, en la segunda y tercera tambien, y lo mismo en la tercera y cuarta,
hace que el mismo smbolo deba aparecer en las cuatro posiciones (y hay n posibilidades
para elegir este smbolo). Por supuesto, la interseccion de los cuatro conjuntos tiene tambien
tamano n, as que podemos concluir que
4 !4 " ! " ! " ! " ! "
4 4 2 4 4
|A| = |X| Ai = n
4 3
n + n n+ n = n(n 1)(n2 3n + 3) .
0 1 2 3 4
i=1
(versi
on preliminar 26 de septiembre de 2010)
128 Captulo 3. Las estructuras ba
sicas de la Combinatoria
una restriccion m as que antes. Compruebe el lector que todos los Aj tienen tama no n3 , y
que todas las intersecciones dos a dos tienen tama no n2 .
5 Pero cuidado!, la simetra se rompe al llegar a las intersecciones tres a tres, de las que hay
3 = 10. La mayor parte de ellas tienen tama no n. Por ejemplo, la interseccion A1 A2 A3 ,
porque estar en A1 exige tener el mismo smbolo en las dos primeras posiciones; estar en A2
hace que la tercera lleve ese smbolo com un; y estar en A3 exige que ese smbolo aparezca
tambien en la cuarta posici on. Solo hay que decidir, pues, el smbolo com un a toda la lista.
Sin embargo, hay dos intersecciones que tienen tama 2
no n . Veamos, por ejemplo, el caso
|A1 A2 A4 |. Por estar en A1 y en A2 , las tres primeras posiciones han de llevar el mismo
smbolo; pero estar en A4 no a nade informacion, pues exige que la primera y tercera posiciones
lleven el mismo smbolo. As que hay que elegir un smbolo para las tres primeras posiciones,
y otro para la cuarta (n2 posibilidades). Lo mismo ocurre para la intersecci on A3 A4 A5 .
Note el lector que estos dos casos se corresponden con conguraciones en las que las aristas
correspondientes abarcan u nicamente tres vertices en triangulo (vease el dibujo).
Si el lector se esmera analizando todos los casos, comprobara que las intersecciones cuatro
a cuatro y la intersecci on cinco a cinco tienen todas el mismo tama no, n, as que
! "
5 4
# listas = |X | |A1 A2 A3 A4 A5 | = n [1 2 + 3 4 5 ]
0
! " ! " ! " %! " & ! " ! "
5 4 5 3 5 2 5 5 5
= n n + n 2 n 2n +2
n n.
0 1 2 3 4 5
Si simplicamos esta expresi on, obtenemos n(n1)(n2)2 . Pero espere!, eso mismo habramos
obtenido si nos hubieramos lanzado, de manera algo osada, a contar las listas directamente,
en plan regla del producto: n posibilidades para la primera posicion, n 1 para la segunda,
n 2 para la tercera (recuerdese la arista diagonal en la representaci on con grafos) y otra
vez n 2 (porque en las posiciones 1 y 3 van smbolos distintos) para la cuarta posici on.
O sea que a veces se puede aplicar la regla del producto, otras veces hay que argu-
mentar con el principio de inclusi on/exclusi
on, pero incluso en este caso a veces todas las
intersecciones tienen el mismo tama no y otra veces no, en funci
on de como se combinen las
restricciones. . . Y esto hay que hacerlo para listas con muchas posiciones y un buen n umero
de restricciones? No, oiga, no, protestara el lector: pongan algo de orden en estos calculos!
Y esto es justamente lo que haremos, ya con el lenguaje de los grafos, en la seccion 10.3.3,
cuando desarrollemos lo que daremos en llamar el polinomio crom atico de un grafo.
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 129
al numero de caminos distintos que podemos trazar desde el nodo (0, 0) a un nodo cualquiera
de coordenadas (n, k). Distintos, por supuesto, signicar a que las sucesiones de pasos de que
constan se diferencian en alguno de ellos. Para jar ideas, en la descripci on de los caminos
utilizaremos la nomenclatura de paso a la derecha y paso a la izquierda adoptando el
punto de vista de un caminante que circulara por la red (as que es la orientaci on contraria
a la del lector que lee estas paginas).
Esta formulaci on, que como veremos es muy rica y elegante, se de-
be al matematico h ungaro P olya17 , quien es tambien responsable de
las teoras que hay detras del estudio de la combinatoria con simetras
(vease el captulo 17) y del paseo aleatorio (vease el captulo 19, en el
que nos volveremos a encontrar con estas guras).
Para algunos de los valores posibles de los par ametros n y k es sen-
cillo calcular el correspondiente n umero Cam(n, k). Por ejemplo, para
cualquier n 0, Cam(n, 0) = 1, porque s olo hay un camino que lleve
del (0, 0) al (n, 0) (el que consiste en dar siempre pasos a la derecha).
De la misma manera, Cam(n, n) = 1 (dar s olo pasos a la izquierda).
Figura 3.3: Polya El objetivo es encontrar, si es que la hay, una f
ormula cerrada para
Cam(n, k) en terminos de n y k.
El lector, quizas inspirado por el aspecto de la gura18 , estara ya sospechando que estos
numeros guardan relaci on con los coecientes binomicos. Para comprobarlo, enunciemos una
serie de propiedades que verican estos n umeros, que nos resultar an sin duda familiares.
17
George Polya (1887-1985) es uno de los miembros m as destacados de la magnca escuela matem atica
hungara del siglo XX. Su actividad se desarroll o en diversos lugares, primero en su Budapest natal (hasta
1912), luego en G ottingen (1913) y Z urich, desde 1914 hasta 1940 (en 1924 estuvo en Inglaterra, trabajando
con Hardy y Littlewood; el libro Inequalities es uno de los frutos de esta colaboraci on). La siguiente etapa de
esta suerte de paseo aleatorio vital (una estupenda biografa suya se titula justamente The random walks of
George P olya, Gerard Alexanderson, MAA, 2000) fue la Universidad de Stanford en Estados Unidos, a donde
emigr o en 1940, y en la que permanecera hasta el nal de sus das. P olya trabaj
o en diversos campos de
las Matem aticas: Teora de N
umeros, Combinatoria, An alisis real y complejo, Probabilidad, etc.; algunas de
estas aportaciones las iremos recogiendo en estas p aginas. Pero, adem as de por esta actividad investigadora,
Polya es famoso por sus reexiones sobre la actividad matem atica y la did
actica de las matem aticas: libros
como How to solve it (1945), Mathematics and plausible reasoning (1954) o Mathematical Discovery (1962)
han sido autenticos exitos editoriales.
18
O mas simplemente, por el ttulo de esta subseccion.
(versi
on preliminar 26 de septiembre de 2010)
130 Captulo 3. Las estructuras ba
sicas de la Combinatoria
A. Traslaci
on
Esta primera propiedad ser autil en an
ali- (0, 0) (0, 0)
Cam(n, k) = # caminos (0, 0) (n, k) = # caminos (a, b) (a + n, b + k) .
B. Reflexi
on
Consideremos un camino de (0, 0) a (n, k). Si (0, 0) (0, 0)
lo reejamos con respecto al eje vertical que pasa
por el (0, 0), obtenemos un camino de (0, 0) a
(n, nk). Esta reexion es una biyeccion entre el
conjunto de caminos que unen (0, 0) con (n, k) y
el conjunto de los que conectan (0, 0) con (n, n (n, k) (n, n k)
C. Recursi
on (0, 0)
La propiedad anterior nos recuerda, desde
luego, a las propiedades de simetra de los coe-
cientes binomicos. Cumpliran tambien la misma
regla de recurrencia? Clasiquemos los caminos
hasta (n, k) dependiendo del vertice inmediata-
mente superior por el que pasen. Esto es una (n1, k1) (n1, k)
particion de nuestro conjunto total de caminos: (n, k)
caminos caminos (0, 0) (n 1, k 1) caminos (0, 0) (n 1, k)
= .
(0, 0) (n, k) y luego izquierda y luego derecha
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 131
D. Barrera horizontal
kl
Vamos a clasicar los caminos hasta (n, k) seg un k
el nodo de la barrera horizontal de un nivel anterior
n l por el que pasan (vease el dibujo). Los nodos nl
E. Barrera diagonal
Ahora, para un cierto nodo de la red, que por co- k1
modidad tomaremos de coordenadas (n + 1, k + 1),
k
consideramos la barrera diagonal que incluye a los no-
dos de segundo ndice k (vease el dibujo). Es decir, los n+1
nodos de coordenadas (j, k), con j = k, . . . , n. Como 6
antes, pretendemos clasicar los caminos de (0, 0) a nodo (n+1, k+1)
Pero esto no es una particion, pues hay caminos que estan en m as de uno de los conjuntos de
la derecha. Imagine el lector un camino que llegue a un nodo intermedio de la barrera y luego
baje un rato por ella. Para resolver esta dicultad, y contar una u nica vez cada camino, los
clasicamos dependiendo de cual sea el ultimo nodo de la barrera por el que se pase:
n
caminos caminos (0, 0) (n + 1, k + 1) tales que (j, k)
=
(0, 0) (n, k) es el u
ltimo nodo de la barrera por el que pasan
j=k
(versi
on preliminar 26 de septiembre de 2010)
132 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Atenci
on!, esta u
ltima f
ormula es nueva y u
til. Ya sabemos sumar los coecientes binomi-
cos cuando variamos el ndice inferior. Aqu tenemos la suma analoga cuando variamos el
superior. Mostramos juntas ambas f ormulas, para que lector aprecie la diferencia: si k n,
n ! "
n ! "
! "
k k j n+1
=2 y = .
j k k+1
j=0 j=0
rr
a decir un paso a la izquierda (recordemos, izquier- n+1
da para el habitante de la red), y un 1, un paso a
la derecha. As que una lista (x1 , . . . , x2n ) formada
con +1 y 1 (la mitad de cada) es un camino en 2n+1
el que se dan n pasos a la izquierda y otros tantos (2n+1, n+1)
a la derecha. Empezamos en el punto (1, 1). De los
2n pasos, n han de ser hacia la izquierda; as que necesariamente acabamos en el punto de
coordenadas (2n + 1, n + 1). Adem as, en cada momento, al menos se han dado tantos pasos a
la izquierda como a la derecha, as que nunca podremos tocar la lnea vertical. Las listas que
interesan se corresponden, pues, con caminos como el que exhibimos en el dibujo anterior.
El n
umero total decaminos
posibles desde (1, 1)
(1, 0). (1, 1)
hasta (2n+1, n+1) es 2n n ; pero s
olo queremos con- .......
tar aquellos que no tocan la lnea vertical. Aqu lle- .... n+1
..
19
ga la idea brillante : un argumento de reexi on.
Vamos a evaluar el tama no del complementario,
los caminos que s tocan la vertical: supongamos 2n + 1
(2n + 1, n + 1)
que tenemos uno de ellos, como el que aparece en
el dibujo de la derecha, y consideremos la primera
vez que alcanza la barrera. Reejando este primer tramo, a cada camino que toca la lnea le
hacemos corresponder uno desde (1, 0) a (2n + 1, n + 1).
Pero al reves tambien, pues un camino de (1, 0) a (2n + 1, n + 1) esta obligados a cruzar la
lnea vertical. El lector podra comprobar que justo el considerar la primera vez que tocan
la barrera es lo que hace que sea una biyeccion entre los dos tipos de caminos. Ahora, de
19
Idea que, por consiguiente, no es original de los autores.
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 133
(versi
on preliminar 26 de septiembre de 2010)
134 Captulo 3. Las estructuras ba
sicas de la Combinatoria
bastara decidir a que caja va cada bola; o cual es el smbolo de cada posici
on de la lista. Lo
que, por la regla del producto, se puede hacer de kn maneras. Es otra manera de entender las
listas (en este caso, de longitud n y k smbolos) o las aplicaciones X Y si es que |X | = k
e |Y| = n (revise el lector el ejemplo 2.2.5 y cambie all los papeles de n y k).
Nuestro problema requiere un an alisis diferente. Vemos primero un ejemplo sencillo, que
nos da la pista para el argumento general. Digamos que hay que repartir n bolas numeradas
en 3 cajas numeradas, con a1 bolas en la primera caja, a2 en la segunda y a3 en la tercera,
donde a1 + a2 + a3 = n. Contamos cuantas distribuciones hay con el siguiente proceso:
1. Elegimos cu ales (recordemos que las bolas
son distinguibles) son las a1 bolas que van
a la caja 1. Esto se puede hacer de an1 formas distintas.
2. Elegimos las bolas de la segunda caja de entre las n a1 bolas que quedan; tenemos
na1
a2 maneras de hacerlo.
3. Las de caja 3 quedan ya determinadas (las restantes), as que no habr a que decidir nada
en este paso. Aunque tambien podramos argumentar como na1 a2 pasos
en los dos anteriores
a3
y observar que las bolas de la caja 3 se pueden elegir de a3 = a3 = 1 forma.
La regla del producto nos dice entonces que el n umero de posibles distribuciones es
! "! "! "
n n a1 a3 n! (n a1 )! (n a1 a2 )! n!
= = .
a1 a2 a3 a1 !(n a1 )! a2 !(n a1 a2 )! a3 !0! a1 ! a2 ! a3 !
El lector podra comprobar que el mismo argumento se puede aplicar al caso general, para
obtener que el n
umero de distribuciones de n bolas distinguibles en k cajas numeradas con a1
bolas en la primera caja, a2 en la segunda, etc., donde a1 + a2 + + ak = n, viene dado por
el coeciente multinomico
! "
n n!
= .
a1 , a2 , . . . , ak a1 ! a2 ! . . . ak !
Note el lector que el caso k = 2 es algo especial, pues si a1 + a2 = n, entonces a2 = n a1 ,
as que ! " ! "
n n! n! n
= = = ,
a1 , a2 a1 ! a2 ! a1 ! (n a1 )! a1
y recuperamos el coeciente binomico habitual. Una cierta ambig uedad de notaci
on que
conamos en que no cause confusi on.
Ejemplo 3.1.7 Se pretende repartir los 25 empleados de una empresa en 4 grupos de trabajo:
el de relaci
on con los clientes debe constar de 4 personas; el de desarrollo de proyectos, de 6
personas; 7 personas iran al grupo de contabilidad, mientras que las 8 restantes trabajaran
en tareas de organizacion interna. De cuantas maneras se pueden estructurar estos grupos?
El objetivo es repartir 25 bolas numeradas (las personas) en 4 cajas numeradas (los grupos
de trabajo), con 4 en la primera, 6 en la segunda, 7 en la tercera y 8 en la cuarta. Respuesta:
! "
25 25!
= = 4417238826000 formas distintas
6, 4, 7, 8 4! 6! 7! 8!
casi cuatro billones y medio, una cantidad por cierto enorme.
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 135
Tendramos que contar cuantas veces aparece cada termino xa11 xakk en el desarrollo de
(x1 + + xk )n . Si el lector se construye un esquema como el que apareca al principio de
la subseccion 3.1.2 dedicada al teorema del binomio, poniendo en columna los n factores
(x1 + + xk ), se convencera que para que aparezca xa11 xakk hay que escoger a1 veces
el x1 , a2 veces el x2 , etc. Lo que nos lleva al coeciente multinomico correspondiente.
Cerramos esta subseccion insistiendo en la interpretaci on en terminos de listas, no tanto
por el resultado, que ya es conocido, sino por una manera de argumentar que es u til en muchas
ocasiones. Queremos contar cuantas n-listas podemos formar con los smbolos {1, . . . , k} de
manera que haya a1 unos, a2 doses, etc., donde a1 + +ak = n. Ya sabemos que la respuesta
esta en el coeciente multinomico correspondiente.
Pero argumentemos de la siguiente manera: hagamos que los smbolos sean distingui-
bles. Como que distinguibles?, pero de que manera vamos a poder distinguir, por ejemplo,
dos unos entre s?, protestara el lector, alarmado ante este nuevo articio. Pues justamente
etiquetando de cierta manera cada smbolo. Para ello consideramos el nuevo conjunto de
smbolos siguiente:
11 , 12 , . . . , 1a1 , 21 , . . . , 2a2 , . . . , k1 , . . . , kak .
Hemos considerado tantos clones del smbolo 1 como nos indica el valor de a1 , tantos del
2 como indique a2 , etc. Ahora, en total hay n smbolos distinguibles, que podemos disponer
en una n-lista de n! maneras distintas. Pero, para contrarrestar la diferenciaci on cticia
y auxiliar que hemos introducido, por ejemplo, entre los unos, deberemos dividir por un
factor a1 ! (construya el lector explcitamente la aplicacion a1 ! a 1 que hay detr as de este
comentario). Lo mismo deberemos hacer con los doses, con los treses, etc. As llegamos, de
nuevo, al resultado ! "
n! n
= .
a1 ! a2 ! ak ! a1 , a2 , . . . , ak
No le extra nar
a al lector, a la vista de este argumento, que en algunos textos se utilice el
nombre de (n umero de) permutaciones con repetici on para describir esta cantidad.
Ejemplo 3.1.8 Cu
antas listas de longitud 8 formadas por 2 aes, 3 bes y 3 ces hay?
Las listas estan formadas por los smbolos a, a, b, b, b, c, c, c, pero por supuesto no todas las 8!
permutaciones posibles dan lugar a listas distintas. Aplicamos de nuevo el truco citado antes:
hacemos distinguibles los smbolos, a1 , a2 , b1 , b2 , b3 , c1 , c2 , c3 , y formamos las 8! permutaciones
posibles. Obtenemos as, por ejemplo, listas como
a1 a2 b1 b2 b3 c3 c2 c1 y a2 a1 b1 b2 b3 c3 c2 c1
que, al borrar los subndices de las aes, dan lugar a la misma, (a, a, b, b, b, c, c, c). Solucionamos
esta proliferaci
on espuria de listas dividiendo por los factoriales correspondientes:
! "
8! 8 87654
= = = 560 .
2! 3! 3! 3, 2, 3 223
(versi
on preliminar 26 de septiembre de 2010)
136 Captulo 3. Las estructuras ba
sicas de la Combinatoria
3.1
EJERCICIOS DE LA SECCION
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 137
3.1.7 (a) Cu umeros entre 0 y 9999 tienen la suma de sus cifras igual a 7? (b) Y 7?
antos n
3.1.8 Para su uso en este ejercicio, describimos brevemente la baraja espanola: consta de 40 cartas,
que est
an agrupadas en cuatro palos (oros, copas, espadas y bastos). Cada palo cuenta con diez cartas:
as, dos, tres, cuatro, cinco, seis, siete, sota, caballo y rey.
(a) Cual es la probabilidad de que en un mazo bien barajado de cartas de una baraja espa nola las
dos primeros cartas no formen pareja (no sean, por ejemplo, dos ases, o dos sotas, o dos. . . )?
(b) En cu
antas manos distintas de 5 cartas de baraja espa
nola aparecen los 4 palos? (Nota: con-
sideremos que una mano de 5 cartas es un subconjunto de 5 cartas).
(c) Cuantas manos de cinco cartas de la baraja espa nola son exactamente un tro (por ejemplo, tres
sotas y las otras dos cartas que no sean sotas y que, ademas, sean distintas entre s)? Y exactamente
dobles parejas?
(d) Estamos jugando a la pocha20 y tenemos la siguiente partida:
sobre el mazo de cartas esta el 2 de espadas (espadas es, por tanto,
la pinta). El jugador A, que es mano (esto es, el primero en
jugar), tiene un 7 de espadas. Lo u nico que nos interesa saber es
que, con las reglas del juego, s olo hay en la baraja 5 cartas que
superen el valor de su carta (sota, caballo, rey, tres y as de espadas).
Cual es la probabilidad de que A pierda la jugada?
3.1.9 Si n bolas numeradas se distribuyen al azar en n cajas numeradas, cu
al es la probabilidad
(a) de que ninguna caja quede vaca?;
(b) y de que exactamente una caja quede vaca?
3.1.10 (a) El tama no medio de los subconjuntos de {1, . . . , n}, como vimos en el ejemplo 3.1.2,
es n/2. Obtengase una prueba alternativa de este resultado utilizando la siguiente observaci on: por
no k hay uno (el subconjunto B = {1, . . . , n} \ A) que tiene tama
cada subconjunto A de tama no n k.
(b) La longitud de una composici
on de un numero natural n es el n
umero de sumandos. Pruebese
que si un numero n tiene M composiciones de longitud k, entonces tambien tiene M composiciones
de longitud n k + 1. Ded umero n es n+1
uzcase que la longitud media de las composiciones del n 2 .
3.1.11 Se tienen dos listas de smbolos, (a1 , a2 , . . . , an ) y (b1 , b2 , . . . , bm ), todos distintos. Se quiere
formar una u nica lista con todos los n + m smbolos respetando el orden dado de las as y el orden
dado de las bs. Por ejemplo, si n = 2 y m = 3 la lista (b1 , a1 , b2 , a2 , b3 ) es v alida, pero no as la lista
(a1 , b3 , b2 , a2 , b1 )). De cu
antas maneras se puede hacer esto?
3.1.12 Se distribuyen n bolas identicas en m cajas numeradas. (a) De cu
antas formas distintas se
puede hacer esto de manera que cada caja reciba al menos una bola y a lo sumo dos? (b) Y si la
u
nica restricci
on es que haya a lo sumo dos en cada caja?
3.1.13 Consideremos el conjunto de smbolos X = {1, 2, 3, . . . , 50}. Diremos que un subconjunto A
de X est
a separado si la diferencia entre cualesquiera dos de sus elementos es al menos tres unida-
des. Por ejemplo, {10, 15, 17, 40} no est
a separado, mientras que {10, 15, 18, 40} s lo est
a. Cu
antos
subconjuntos separados distintos de cinco elementos se pueden formar con los elementos de X ?
3.1.14 Tenemos n cerillas, que usamos para representar las letras I y V : la I requiere una cerilla,
la V dos. Cu
antas palabras distintas de longitud k se pueden formar?
3.1.15 (a) Compruebese que el numero de listas
de longitud
n con ceros y unos, en las que hay
exactamente r unos, y sin unos consecutivos, es nr+1
r .
20
Concesi
on local al, sin duda, juego m
as popular entre los alumnos de los autores.
(versi
on preliminar 26 de septiembre de 2010)
138 Captulo 3. Las estructuras ba
sicas de la Combinatoria
(f ) Pruebese (y comp
arese con la f
ormula de Vandermonde de la p
agina 110) la siguiente expresi
on:
! " nl
! "! "
n j nj 1
=
k kl l1
j=kl
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 139
3.1.20 Sea S = {s1 , s1 , s2 , s2 , . . . , sm , sm } un multiconjunto que contiene dos copias de los distintos
smbolos s1 , s2 , . . . , sm . De cu
antas maneras distintas se puede formar una lista ordenada de los
elementos de S con la condici on de que los smbolos contiguos sean distintos?
3.1.21 Pruebese por inducci
on que
n
n
(a) |A1 An | |Aj | ; (b) |A1 An | |Aj | |Ai Aj | .
j=1 j=1 i<j
3.1.23 Consideremos los conjuntos A = {1, 2}, B = {1, 3}, C = {1, 4}, D = {1, 5}, E = {1, 6}
y F = {1, 7}. Compruebese que, con la nomenclatura habitual del principio de inclusi
on/exclusi
on,
1 < 2 < 3 , mientras que 3 = 4 > 5 > 6 .
3.1.24 Desigualdad de Bonferroni. En este ejercicio vamos a proponer una demostraci on del
lema 3.2. Consideramos unos conjuntos A1 , . . . , An y llamamos A = nj=1 Aj . Llamemos tambien
t
St = (1)j+1 j , para cada t = 1, . . . , n.
j=1
Los n
umeros j son los habituales del principio de inclusi on, que nos dice que Sn = |A|. El
on/exlusi
lema que deseamos demostrar dice que |Sn St | t+1 para cada t = 1, . . . , n 1.
(a) Empezamos con una estimaci on para sumas incompletas y alternadas en signo de coeficientes
bin
omicos. Pruebese, por inducci
on (en k), que
t
! " ! "
k k1
(1)j+1 = (1)t1
j=0
j t
(versi
on preliminar 26 de septiembre de 2010)
140 Captulo 3. Las estructuras ba
sicas de la Combinatoria
y ded
uzcase, empleando ahora el apartado (b), que
n ! "
elementos de A en k
|Sn St | # .
exactamente k de los Aj t+1
k=t+1
(d) Compruebese finalmente, argumentando u nicamente sobre las filas de la matriz correspondientes a
las intersecciones t + 1 a t + 1, que el miembro de la derecha de la u on coincide con t+1 .
ltima expresi
3.1.25 Una generalizaci on del principio de inclusi on/exclusi on. Estamos de nuevo en la
situaci on del ejercicio anterior, con los conjuntos A1 , . . . , An y A = nj=1 . Tenemos la sucesi on
de n umeros 1 , 2 , . . . , n . Definimos 0 = A. Definimos la sucesi on de n umeros (Ej )nj=0 de la
siguiente manera: Ek cuenta el n umero de elementos de A que est
an en exactamente k de los conjuntos
A1 , . . . , An (observese que E0 = 0). Del u ltimo apartado del ejercicio anterior se deduce que
n ! "
k
j = Ek ,
j
k=1
Consideremos, por u
ltimo,
P = p() y Q= p()
\i Ai
Pruebese que
n
Q=P Pi + Pi,j + + (1)n P1,...,n .
i=1 i<j
(versi
on preliminar 26 de septiembre de 2010)
3.1. Subconjuntos. Coeficientes bin
omicos 141
Ded
uzcase que, si n > 1, Dn es el entero m
as cercano a n!/e.
3.1.28 Llamamos Bj al conjunto de permutaciones de {1, . . . , n} en las que el smbolo j no est
a en
la posici
on j. Pruebese que
P rob(Bi Bj )
1
P rob(Bi ) P rob(Bj ) n
3.1.29 a) Sea Dn (k) el numero de permutaciones de {1, 2, . . . , n} que fijan exactamente k elementos.
umero de desbarajustes de {1, 2, . . . , n}. Pruebese que
As, Dn (0) coincide con Dn , el n
! " nk
n 1 (1)j
Dn (k) = Dnk = ,
k k! j=0 j!
n! n! n! n!
Dn (1) , Dn (2) , Dn (3) , Dn (4) ...
e 2! e 3! e 4! e
Quiz
as el lector quiera comprobar la similitud con la situaci
on del ejemplo 2.3.2.
3.1.30 Pruebese la siguiente regla de recurrencia para un coeficiente multin
omico:
! " ! " ! " ! "
n n1 n1 n1
= + + , donde a + b + c = n.
a, b, c a 1, b, c a, b 1, c a, b, c 1
(versi
on preliminar 26 de septiembre de 2010)
142 Captulo 3. Las estructuras ba
sicas de la Combinatoria
3.2. Permutaciones
Las permutaciones de un conjunto X con n elementos, que ya presentamos en la subsec-
cion 2.2.1, son objetos combinatorios con una estructura lo sucientemente rica como para
merecer la atencion que les vamos a dispensar en las siguientes paginas. Como siempre, para
simplicar la notacion, el conjunto de referencia sera X = {1, 2, . . . , n}.
Una permutaci on del conjunto X = {1, . . . , n} es una lista de longitud n sin repetici
on
formada con los smbolos de X. O tambien, como vimos en ejemplo 2.2.5, una aplicaci on
biyectiva de X en X . Esto es, una (re)ordenaci on de los elementos de X. Como bien sabe-
mos, hay n! permutaciones distintas de X. Algunas de estas permutaciones, como veremos
mas adelante, tienen propiedades especiales y para ellas reservaremos nombres especcos
(desbarajustes, permutaciones cclicas, trasposiciones, involuciones, etc.).
Observe el lector las dos siguientes formas de representar una permutacion:
! "
1 2 3 4 ... n
(2, 7, 5, 1, . . . , 6) y .
2 7 5 1 ... 6
A la izquierda representamos la permutacion, simplemente, como una lista. La representacion
de la derecha es mas adecuada para la interpretaci on como aplicacion biyectiva: observese
como nos permite reconocer que la imagen del 1 es el 2, la del 2, el 7, etc. De ahora en
adelante, convendremos en que ambos esquemas representan a la misma permutacion; es
decir, identificaremos, por ejemplo, la lista (2, 7, 5, 1, . . . , 6) con la aplicaci
on biyectiva que
lleva el 1 en el 2, el 2 en el 7, el 3 en el 5, etc. Como en todo lo que sigue nos centraremos en
la interpretacion como aplicacion biyectiva, utilizaremos generalmente la segunda notaci on.
A. Composici
on de permutaciones
Consideremos las dos siguientes permutaciones del conjunto X = {1, 2, 3, 4, 5}:
! " ! "
1 2 3 4 5 1 2 3 4 5
f = (1, 3, 2, 5, 4) = g = (5, 2, 3, 1, 4) = .
1 3 2 5 4 5 2 3 1 4
La permutaci on g es una aplicacion biyectiva de X en X que lleva, por ejemplo, el elemento 1
en el 5; esto es, g(1) = 5. Tambien f es biyectiva de X en X, y por ejemplo lleva el 5 en
el 4, esto es, f (5) = 4. Lo que nos induce a pensar que sera posible aplicar primero g sobre
el elemento 1, y luego f , pero ahora sobre el 5, para acabar nalmente en el 4.
Vamos a formalizar esta nocion de aplicacion sucesiva de dos permutaciones. Partimos
de dos permutaciones del conjunto X = {1, . . . , n}, digamos f y g. La composici on de f
con g, que escribiremos como f g (observese el orden en que lo escribimos) se dene como
(f g)(x) = f (g(x)), para cada x X = {1, . . . , n};
es decir, la accion sucesiva de g primero y f despues. Observe el lector que es una buena
denicion: si x X, entonces g(x) es un elemento de X y por tanto f (g(x)) esta bien denido.
En otras palabras, la composici on de f con g es una aplicacion del conjunto X en s mismo.
Pero adem as, y esto es lo importante, la aplicacion (f g) que hemos denido antes resulta
ser una aplicaci on biyectiva de X en X. Esto es, una nueva permutaci on.
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 143
Como f es una aplicacion biyectiva, se cumplir a que g(a) = g(b). Y como a su vez g es
biyectiva, deducimos nalmente que a y b deben ser iguales.
on sucesiva de g (primero) y f (despues), la composicion f g (perdone el
As que la acci
lector la insistencia: se dio cuenta en que orden las escribimos?; ah!, por si acaso), es una
aplicacion inyectiva de X en X y, por tanto, una aplicaci on biyectiva de X en s mismo.
Este tipo de estructura (un conjunto y una operaci on entre pares de elementos del con-
junto cuyo resultado es siempre un elemento del mismo conjunto) tiene un nombre especial
en Matematicas:
el conjunto de las permutaciones, dotado de la operaci
on de composici
on, tiene
una estructura de grupo.
Al conjunto de las permutaciones de {1, . . . , n}, entendido como grupo con la operaci
on de
composicion nos referiremos como el grupo sim etrico Sn . Decimos que Sn es un grupo
porque se verican las siguientes propiedades21 :
Si f, g Sn , entonces f g Sn (el conjunto Sn es cerrado para la operaci on de
composicion).
Se verica la propiedad asociativa: si f, g, h Sn , entonces (f g) h = f (g h).
La identidad id, es decir, la permutacion que deja jos todos los elementos, es el ele-
mento neutro de Sn :
id f = f id = f para cualquier f Sn .
(versi
on preliminar 26 de septiembre de 2010)
144 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Mas adelante (vease la subseccion 3.2.1) descubriremos otra manera efectiva de calcular
la inversa de una permutaci on. Recordamos de nuevo que, pese a que la composicion de
permutaciones no es en general conmutativa, en el caso del inverso no hay que tener cuidado
de denirlo por la izquierda o por la derecha: es u
nico.
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 145
(versi
on preliminar 26 de septiembre de 2010)
146 Captulo 3. Las estructuras ba
sicas de la Combinatoria
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 147
Comprobemos que esto es un resultado general, analizando con mas detalle cual es la
estructura de un ciclo. Sea f un ciclo de longitud k en Sn . Fijara n k elementos y mo-
a cclicamente los restantes. Digamos que estos elementos son (a1 , . . . , ak ):
ver
f = n (a1 a2 . . . ak1 ak ) .
Compruebe el lector que ocurre lo mismo para los restantes elementos del ciclo (quizas ar-
gumentando que, en realidad, el ciclo es el mismo sea cual sea el primer elemento de el que
escribamos, mientras que preservemos el orden). Como f ja los elementos que no estan en el
a f k . Deducimos as que f k es la permutaci
ciclo, tambien lo har on identidad. Como adem
as k
es el primer entero no negativo para el que sucede esto, el orden del ciclo f es justamente k,
su longitud como ciclo.
A. Descomposici
on en ciclos
No hemos introducido los ciclos por capricho. Resulta que cualquier permutaci on se puede
escribir como composicion de ellos (y de manera u nica!). Esta forma de escribirlos, esta
composicion (o m as bien, descomposicion), es especialmente informativa y u til, porque nos
dice cuales son los subconjuntos de {1, . . . , n} en los que la permutacion actua de forma
independiente.
Consideremos la siguiente permutacion f de un conjunto con 7 elementos:
! "
1 2 3 4 5 6 7
f=
3 5 1 2 6 4 7
f f
Observamos que los elementos {1, 3} se mueven cclicamente con f : 1 3 1. De la
f f f f f
misma forma, 2 5 6 4 2, mientras que 7 7. Pues bien, la permutaci
on f
se puede escribir como la composici
on de los siguientes ciclos:
f = 7 (1 3) 7 (2 5 6 4) 7 (7) .
(versi
on preliminar 26 de septiembre de 2010)
148 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Hagamos el argumento en general, dise nando de paso un algoritmo para obtener la des-
composicion en ciclos de una permutaci on f Sn . Empezamos con un cierto elemento de
{1, . . . , n}, por ejemplo el 1, y escribimos la lista
Esta lista es, en principio, tan larga como queramos, pero como solo hay n elementos en
{1, . . . , n}, el principio del palomar asegura que contendr
a dos n
umeros repetidos. Esto es,
existiran dos enteros positivos s > t para los que
f s (1) = f t(1) .
Lo que supone que f st(1) coincide con id(1) = 1. As que en la lista anterior, no solo hay
repeticiones, sino que ademas aparece alg un 1 (adem as del primero). El primer paso del
algoritmo consistira, entonces, en ir construyendo la lista anterior hasta encontrar el primer
(nuevo) 1; al terminar, habremos detectado el ciclo en el que est a encuadrado el elemento 1:
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 149
interpretado como una lista, o quizas como un ciclo. Visto como una lista, sera la permutaci
on
de la izquierda; visto como ciclo, la de la derecha:
! " ! "
1 2 1 2
; .
1 2 2 1
f = 9 (1 2 4) 9 (3 8 7) 9 (5) 9 (6 9)
f 1
= 9 (4 2 1) 9 (7 8 3) 9 (5) 9 (9 6)
Al n y al cabo, si el elemento 3 va al 8 a traves de f , el 8 ha de ir al 3 a traves de f 1 .
No es ya tan u
til, en general, para describir la composici
on de dos permutaciones, porque se
pueden mezclar los ciclos de una con los ciclos de la otra.
f = 5 (2 1) 5 (3 5 4) .
Si partimos del orden natural, (1, . . . , 5), cuando apliquemos f 2 , los elementos {1, 2} habran
vuelto a sus posiciones originales; no as los restantes. Con f 3 son {3, 4, 5} los que vuelven al
orden original; pero los dos primeros se han descolocado. Un momento de reexi on nos lleva a
convencernos de que sera necesario aplicar 6 veces f para recuperar la conguraci on original.
Si f tuviera dos ciclos de longitudes 2 y 4, un argumento an alogo nos dira que f 4 = id y
que, por tanto, su orden sera 4.
En general, si una permutaci on f se escribe como composicion de ciclos, cuyas longitudes
son l1 , . . . , lm (podra haber varios ciclos de cada una de las longitudes), su orden sera
(versi
on preliminar 26 de septiembre de 2010)
150 Captulo 3. Las estructuras ba
sicas de la Combinatoria
C. El n
umero de permutaciones con una determinada estructura de ciclos
Una cuestion combinatoria muy interesante es la de contar el n umero de permutaciones
cuya descomposici on en ciclos re
une una serie de propiedades dada. La estructura a la que
se reere el ttulo de este epgrafe puede ser muy diversa: que el n umero total de ciclos
este jo, que no haya determinado tipo de ciclos, que el n umero de ciclos de cada tipo posible
este determinado . . .
En la subsecci on 3.3.2 veremos, por ejemplo, como contar cuantas permutaciones de
{1, . . . , n} tienen un cierto n
umero, digamos k, de ciclos. Ya calculamos, en el ejemplo 3.1.5,
cuantos desbarajustes (permutaciones que no jan elemento alguno, es decir, sin ciclos de
orden 1) hay.
Pero ya podemos calcular, por ejemplo, cu antas permutaciones cclicas hay. Recordemos
que son las permutaciones que mueven cclicamente todos los elementos (observese que, como
no jan elemento alguno, son un caso particular de desbarajustes). El argumento es sencillo
y directo: para determinar el ciclo que incluye a todos los elementos basta ordenarlos (n!
maneras posibles). Pero hay que tener en cuenta que, dada una de estas ordenaciones, la
eleccion de que elemento va primero no es relevante. Como hay n posibles maneras de elegir
ese primer elemento, la respuesta nal es que
n!
#{permutaciones cclicas en Sn } = = (n 1)! .
n
Visto desde otro punto de vista, como tenemos la libertad de elegir cu al es el primer elemento
olo hay que ordenar los n 1 elementos restantes.
de la lista, s
Un argumento an alogo nos permite contar cu antas permutaciones son ciclos de orden k:
elegimos primero los k elementos
n del ciclo, para luego determinar el orden dentro del ciclo.
Esto se puede hacer de k (k 1)! maneras. Las trasposiciones, otro tipo de permutaciones
que tendr an un papel destacado en lo que sigue, son las permutaciones que intercambian dos
elementos y jan los restantes. Es decir, n las que son, simplemente, un ciclo de orden 2. La
observacion anterior nos dice que hay 2 trasposiciones distintas.
Un planteamiento m as general consistira en prescribir cuantos ciclos de cada posible
longitud deben tener las permutaciones que nos interesan. Esto es, dar una lista de enteros
no negativos (b1 , . . . , bn ) donde, para cada j = 1, . . . , n, el n
umero bj es el numero de ciclos
de longitud j. Observese que se tendra que
n
n
bj = #total de ciclos , y ademas que j bj = n ,
j=1 j=1
porque cada uno de los elementos de {1, . . . , n} esta en alg un ciclo. Por ejemplo, las permu-
taciones cclicas son las que tienen bn = 1 y bj = 0 para el resto.
La pregunta que nos interesa responder es la siguiente: dada una lista de numeros no
negativos (b1 , b2 , . . . , bn ) tales que nj=1 j bj = n, cuantas permutaciones de Sn tienen b1
ciclos de longitud 1, b2 ciclos de longitud 2, etc.?
Argumentemos como sigue: empezamos escogiendo una ordenacion cualquiera de los ele-
mentos {1, . . . , n} (hay n! posibles). Ahora marcamos los ciclos en un orden determinado: los
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 151
b1 primeros elementos de la lista estan en los ciclos de orden 1, los 2b2 siguientes, en los de
orden 2, y as sucesivamente:
() () ( ) ( ) ( ) ( )
b1 b2 b3
Hemos construido as n! descomposiciones en ciclos con la estructura pedida. Pero entre ellas
habra, sin duda, descomposiciones repetidas. Por ejemplo, dentro de cada uno de los ciclos
que hemos marcado podemos rotar circularmente los elementos (elegir el que va primero)
sin cambiar de que ciclo se trata. Observese que cada porcion de tama
no j tiene j posibles
rotaciones. As que el n
umero total de rotaciones de los trozos que dan lugar a la misma
descomposicion en ciclos es
b1 veces b2 veces bn veces
1 1 2 2 n n = 1b1 2b2 nbn .
Pero adem as, y esta es ya la u
ltima cuestion que hay que considerar, podemos permutar, por
ejemplo, los ciclos de longitud 1 entre s (pero no con los dem as!); y, en general, los trozos
de longitud j entre ellos mismos (lo que se puede hacer de bj ! maneras). Reuniendo todas
estas observaciones, llegamos a la respuesta buscada:
permutaciones de Sn con b1 , . . . , bn ciclos n!
# = b1 b2
de longitudes 1, . . . , n, respectivamente 1 2 n n b1 !b2 ! bn !
b
El lector podra comprobar que con esta f ormula recuperamos los resultados para los casos
vistos anteriormente: permutaciones cclicas (bn = 1 y b1 = b2 = = bn1 = 0), ciclos de
orden k (bk = 1, b1 = n k y el resto de los bj = 0) o trasposiciones (b2 = 1, b1 = n 2 y
el resto de los bj = 0). N otese tambien que, si una permutacion es un desbarajuste (no ja
elemento alguno), entonces solo sabemos que b1 = 0, pero no tenemos informaci on sobre el
valor de los restantes bj . Por eso no se puede aplicar la f
ormula anterior y tuvimos que hacer
un analisis especco en el ejemplo 3.1.5.
(versi
on preliminar 26 de septiembre de 2010)
152 Captulo 3. Las estructuras ba
sicas de la Combinatoria
El mismo resultado se puede obtener aplicando sucesivamente las trasposiciones que inter-
cambian el 1 y el 2 y el 1 y el 5:
1 2 5
5 (1 2)
2 1 5
5 (1 5)
2 5 1
As que podramos escribir que el ciclo es la composicion sucesiva de estas dos trasposiciones:
5 (1 2 5) = 5 (1 5) 5 (1 2) .
Cuidado!, ahora los ciclos de cada trasposici on no son disjuntos, as que es importante
se
nalar el orden en que se aplican (pruebese a componer las trasposiciones al reves). El lector
podra comprobar tambien que esa misma permutacion f se puede escribir como
5 (1 2 5) = 5 (1 2) 5 (1 5) 5 (2 5) 5 (1 2) .
Es decir, la escritura en terminos de trasposiciones no es u
nica; y adem
as importa el orden
en que se aplican (porque no tienen por que ser disjuntas).
Es posible expresar un ciclo cualquiera como composici on de transposiciones? Si el ciclo
es de orden 1, entonces se puede escribir como composicion (dos veces) de la misma trasposi-
cion. Los ciclos de orden 2 ya son, ellos mismos, trasposiciones. Analicemos entonces el caso
de un ciclo de longitud 3, digamos f = n (a1 a2 a3 ). Notese que la accion
f (a1 ) = a2 , f (a2 ) = a3 y f (a3 ) = a1 .
se consigue tambien trasponiendo, sucesivamente, el primer elemento con los restantes (en el
orden en que aparecen en el ciclo), como se sugera en el ejemplo 3.2.2; esto es,
f = n (a1 a3 ) n (a1 a2 ) .
f3 f2
Notese el orden: primero trasponemos a1 con a2 (lo que llamamos f2 ) y luego a1 con a3 ,
a comprobar que, efectivamente, f = f3 f2 y obtener la descomposicion
con f3 . El lector podr
analoga en el caso de un ciclo ciclo de longitud 4,
f = n (a1 a2 a3 a4 ) = n (a1 a4 ) n (a1 a3 ) n (a1 a2 ) ;
y, en general, para un ciclo de cualquier longitud (vease el ejercicio 3.2.5):
f = n (a1 a2 . . . ak1 ak ) = n (a1 ak ) n (a1 ak1 ) n (a1 a3 ) n (a1 a2 ) ,
Y si partieramos de una permutaci on general? Podramos, por ejemplo, descomponerla
primero en ciclos, para luego proceder a descomponer cada uno de ellos en transposiciones
siguiendo la regla anterior. As que tambien es posible descomponer una permutaci on general
en trasposiciones. Aunque, como ya hemos visto, esta descomposicion no es u nica, y adem as
las distintas trasposiciones utilizadas en la descomposicion no ser
an, en general, disjuntas.
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 153
Entonces, para que consideramos este tipo de descomposiciones? Las piezas utilizadas
en la descomposici on son muy simples, siempre ciclos de orden 2, pero esto no parece sucien-
te. Y no lo sera si no fuera porque, ademas, y como comprobaremos en un momento, dada
una cierta permutaci on, sea cual sea la descomposicion en transposiciones que tomemos, el
n
umero de trasposiciones utilizadas tiene una paridad determinada. Esto es, o bien se emplea
siempre un n umero par de transposiciones, o bien un n umero impar.
Sea g Sn una permutaci on con j ciclos de cada longitud j. Tendra, en total, nj=1 j
ciclos. Sea una trasposici on que, digamos, intercambia los elementos a y b. Ahora nos
preguntamos por el n umero de ciclos que tiene la permutacion g. Distinguimos dos casos,
dependiendo de si a y b pertenecen al mismo ciclo de g o no (n otese que no actua sobre los
elementos que pertenezcan a ciclos en los que no esten ni a ni b):
Caso 1: si a y b pertenecen al mismo ciclo de g, entonces
g = n (a x2 . . . xr2 b xr . . . xl ) (resto de ciclos de g) .
(podemos suponer que a es el primer elemento de ese ciclo). En este caso, la accion sucesiva
de g y sobre los elementos del ciclo viene dada por
a x2 . . . xr2 b xr . . . xl
g
x2 x3 . . . b xr xr+1 . . . a
x2 x3 . . . a xr xr+1 . . . b
La conclusi
on es que se forman dos ciclos a partir del original:
g = n (a x2 . . . xr2 ) n (b xr . . . xl ) (resto de ciclos de g) .
Caso 2: Si a y b estan en ciclos distintos,
g = n (a a2 . . . al ) n (b b2 . . . bs ) (resto de ciclos de g) ,
entonces
a a2 . . . al b b2 . . . bs
g
a2 a3 . . . a b2 b3 . . . b
a2 a3 . . . b b2 b3 . . . a
Y ahora tenemos un u
nico ciclo a partir de los dos de partida:
g = n (a a2 . . . al b b2 . . . bs ) (resto de ciclos de g) .
En resumen, si es una trasposicion,
# ciclos de ( g) = # ciclos de g 1 .
Esta observaci
on es el ingrediente fundamental de la demostraci
on del siguiente resultado:
Teorema 3.3 Dada una permutaci on g Sn , si g se puede escribir como composici
on de s
y t trasposiciones, entonces, o bien s y t son pares, o bien s y t son impares.
(versi
on preliminar 26 de septiembre de 2010)
154 Captulo 3. Las estructuras ba
sicas de la Combinatoria
g = s s1 2 1 .
s1 = + y # ciclos de g = (n 1) + .
s = n + 2 # ciclos de g .
2t
Si ahora escribimos g como composicion de t trasposiciones, g = 2t1
22
21 y
procedemos de manera analoga, llegamos a que
# ciclos de g ,
t = n + 22
signo(g) = (1)t ,
donde t es el n
umero de trasposiciones en una descomposicion (en trasposiciones) cualquiera
de g. El lector interesado podr a consultar algunas otras cuestiones relevantes sobre este
concepto de signatura de una permutaci on en los ejercicios 3.2.63.2.9. Terminamos con una
simpatica e ingeniosa aplicaci
on de esta noci
on.
Ejemplo 3.2.3 El puzzle 14-15 de Sam Loyd.
A nales del siglo XIX, Samuel Loyd24 dise no el siguiente pasatiempo, por 1 2 3 4
cuya resolucion ofreca una importante recompensa. Cubriendo 15 de las 5 6 7 8
16 casillas de un tablero 4 4 tenemos chas cuadradas rotuladas con los 9 10 11 12
umeros del 1 al 15, en la disposicion que se muestra en la gura. Observese
n
13 15 14
que los numeros 14 y 15 no estan en el orden natural. La casilla inferior
derecha esta libre. Las piezas solo se pueden mover si una casilla adyacente esta libre. Por
ejemplo, en el primer paso podramos bajar la pieza con el 12 o mover hacia la derecha la
pieza con el 14. El objetivo del juego es conseguir una conguraci on identica a la inicial, s
olo
que con las chas 14 y 15 intercambiadas entre s.
24
Aunque parece ser que no fue el quien realmente lo invent
o. En todo caso, fue quien lo populariz
o.
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 155
Es posible que el lector se haya entretenido en alguna ocasion jugando con este pasatiem-
po, o con otras versiones que de el a un se comercializan por ah. El pasatiempo de Loyd se
convirti o en todo un exito en su tiempo. Y es que, pese a su aparente sencillez, nadie era
capaz de conseguir recolocar las chas 14 y 15. Y no era por falta de habilidad, ni de empe no,
ni. . . es que, directamente no se puede, es imposible 25 .
Nuestro analisis comienza traduciendo la cuestion al lenguaje de las permutaciones, le-
yendo los smbolos que aparecen al recorrer las casillas del tablero: de izquierda a derecha los
smbolos de la primera la, luego (tambien de izquierda a derecha) los de la segunda la, etc.
As, cualquier conguraci
on del tablero se puede interpretar como una lista de 16 po-
siciones, en las que van los smbolos del 1 al 15, adem
as de un smbolo especial (la casilla
vaca), que nombraremos como . Esto es, una permutacion del conjunto {1, 2, . . . , 15, }. En
concreto, la conguraci on inicial es
Observese que gnal se puede obtener a partir de ginicial trasponiendo directamente los smbo-
los 14 y 15. Una trasposici on es obviamente una permutaci on impar, y al componer una
permutaci on con una trasposici on cambiamos la signatura de la permutaci on de partida
(veanse los detalles en el ejercicio 3.2.7). Este es el primer ingrediente de nuestro argumento:
las permutaciones ginicial y gnal tienen distinta paridad.
Ah!, pero no hagamos trampas. Vease el tablero en su conguracion inicial: la trans-
posicion directa de los smbolos 14 y 15 no esta permitida. En realidad, los movimientos
permitidos, tanto en la primera jugada como en las posteriores, son transposiciones de la ca-
silla con el smbolo con otras casillas. Cada una de estas trasposiciones son permutaciones
impares. Pero si consiguieramos demostrar que cualquier secuencia de movimientos permi-
tidos que llevara la conguraci on inicial en la nal consta, necesariamente, de un numero
par de trasposiciones, entonces sabramos que es imposible resolver el puzzle. Porque esta
secuencia de un n umero par de trasposiciones nunca podra llevar una permutaci on par en
una impar.
El ingenioso argumento que nos convencer a de ello pasa por pintar de 1 2 3 4
blanco y negro las casillas del tablero, como si de uno de ajedrez se tratara 5 6 7 8
(vease la gura de la derecha). Observese que, al principio, est a visible
9 10 11 12
(no ocupada por cha alguna) una casilla negra. Cualquier movimiento
13 15 14
inicial har
a que quede visible una casilla blanca. Y luego, al hacer cualquier
movimiento, se vera una negra. Y as, sucesivamente. As que, si lo que pretendemos es acabar
con una casilla negra visible, sera necesario que el n umero de movimientos empleado sea
necesariamente un n umero par. Feliz observaci on que concluye el argumento.
25
Ah!, el imposible matematico. El argumento que aqu empleamos, tan habitual en otros contextos, es la
presencia de un invariante. El objeto de partida tiene una cierta caracterstica, en este caso el signo, y todas
las posibles transformaciones conservan esta caracterstica.
(versi
on preliminar 26 de septiembre de 2010)
156 Captulo 3. Las estructuras ba
sicas de la Combinatoria
3.2.3. La er
otica del poder y sus permutaciones
No se alarme el lector. Esta es la subseccion 3.2.3, en la p
agina 156 del captulo 3 de un
libro de Matem atica Discreta. La subseccion anterior hablaba de desbarajustes. Eso pase,
pero el poder, la er otica?, nos preguntar a el lector, no del todo sosegado. Bueno, no lo
negaremos: hablaremos algo de poder, y bastante menos de erotica26 .
Erase una pandilla de amigos, cinco: A, B, C, D y E. Las decisiones para elegir entre
dos pelculas, dos destinos de vacaciones, dos. . . se tomaban por mayora. Se hablaba, eso s,
se discuta, y luego se votaba. Con buen rollo. Pero B vena d andose cuenta de que al nal
la opinion de A prevaleca casi siempre que A y B, los lderes de la pandilla, discrepaban.
B observ o que en realidad E esperaba a ver lo que pensaba A y votaba siempre, siempre,
en ese mismo sentido. As que en realidad no eran cinco personas con 1 voto cada una, sino
cuatro personas: A con dos votos y B, C y D con 1. C y D, gente de mente independiente
(valga la aliteraci
on), votaban seg un sus propias opiniones. Para que A ganara, s olo necesitaba
convencer a C o a D, mientras que B necesitaba convencer a los dos. A tena ventaja, eso
estaba claro, pero cuanta? En esta subseccion vamos a presentar un marco general para
abordar estos an alisis con un enfoque combinatorio, contando alianzas.
Planteemos la cuestion en terminos mas generales: tenemos un conjunto de personas (un
consejo de administraci on de una empresa, un tribunal judicial, el Congreso o el Senado. . . )
que votan y toman decisiones por mayora. La mayora a la que nos referimos podra ser
absoluta (la mitad m as uno de los votos), de dos tercios, etc. Ademas, cada persona podra
tener distinto n umero de votos (por ejemplo, alguien en quien otros votantes hubieran dele-
gado el voto, un miembro de un consejo de administraci on de una empresa representando a
un grupo de accionistas o un presidente con poderes especiales). Incluso cabe la posibilidad
de que alguno de los votantes tuviera derecho de veto (como en el Consejo de Seguridad de
la ONU) o la posibilidad de deshacer empates (prerrogativa habitual de los presidentes de
tribunales). Digamos que son n votantes, y que el votante 1 dispone de v1 votos, el 2 tiene
v2 votos, etc.
Queremos medir, cuanticar, el poder que, en ese sistema, tiene un votante cualquiera.
Una posibilidad inmediata y tentadora es emplear como medida simplemente el n umero de
votos que tiene esa persona. O, mas bien, su proporcion de votos sobre el total. Pero es facil
convencerse de que este no suele ser un buen indicador. Imaginemos, por ejemplo, que hay
u
nicamente dos votantes, uno con 51 votos y otro con 49, y que las decisiones se toman
por mayora absoluta. El segundo votante, pese a tener una proporci on muy alta (casi la
mitad!) de votos, no tiene inuencia alguna en las decisiones. O, en el otro sentido, si hay tres
votantes, a, que cuenta con 50 votos, b con 49 y c con 1, aunque b cuenta con una proporci on
de votos mucho mayor que c, su poder decisorio es exactamente el mismo.
Este ejemplo, y el de los cinco amigos, nos dan una pista clara: el poder de un votante
depende de lo f
acil que tenga aliarse para ganar. Precisemos primero este u ltimo eslogan,
para luego matizar el sentido tecnico de facil.
Decimos que una coalicion (un subconjunto) de votantes es ganadora si re une los votos
sucientes como para ganar la votaci
on. Si los votantes que no est
an en una cierta coalici
on
26
Era, pero no lo propague, porque la er
otica vende.
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 157
pueden ganar, entonces diremos que esa coalicion es perdedora. Finalmente, si una coalicion
no es ni ganadora ni perdedora, entonces se dice que es bloqueadora. Un caso especial, al
que reservamos un nombre rotundo, es aquel en el que un unico votante forma, por s mismo,
una coalici
on ganadora: diremos que ese votante es un dictador. Veamos algunos ejemplos.
Ejemplo 3.2.4 Tenemos n personas, cada una con 1 voto, y las decisiones se toman por
mayora absoluta.
Una coalici on es ganadora si reune, al menos, a n/2 + 1 de los votantes. Observese que,
si n es par, cualquier coalici
on de n/2 personas es bloqueadora, mientras que no puede haber
coaliciones bloqueadoras si n es impar.
Supongamos que el n umero de votantes es par, n = 2k, que las decisiones se toman por
mayora absoluta, pero que, adem as, en caso de empate hay un votante (el presidente) que
decide. En este caso, cualquier coalicion de k personas entre las que se encuentre el presidente
es ganadora; y si no esta el presidente, es perdedora.
Ejemplo 3.2.5 Hay cuatro votantes, a, b, c y d. En un caso, disponen de 2, 1, 1 y 1 votos,
respectivamente (es el ejemplo de los amigos con el que abramos la subsecci
on). En el otro
tienen 10, 9, 6 y 4 votos, respectivamente.
La mayora absoluta exige, en el primer caso, 3 votos, y 15 en el segundo. En las dos siguientes
tablas exhibimos, para cada caso, las 24 1 = 15 posibles coaliciones (excluimos al ), junto
con los votos que suponen, y se nalamos, en negrita, las que son adem as ganadoras:
Caso 1 (mayora con 3 votos) Caso 2 (mayora con 15 votos)
{a} {b} {c} {d} {a, b} {a} {b} {c} {d} {a, b}
2 1 1 1 3 10 9 6 4 19
{a, c} {a, d} {b, c} {b, d} {c, d} {a, c} {a, d} {b, c} {b, d} {c, d}
3 3 2 2 2 16 14 15 13 10
{a, b, c} {a, b, d} {a, c, d} {b, c, d} {a, b, c, d} {a, b, c} {a, b, d} {a, c, d} {b, c, d} {a, b, c, d}
4 4 4 3 5 25 23 20 19 29
Observese el papel del votante d en ambos sistemas. En el caso 1, esta incluido en cinco
coaliciones ganadoras, aunque solo es realmente imprescindible (en el sentido de que su
retirada hara que la coalici
on dejara de ser ganadora) en la coalici on {a, d}. En el caso 2,
el votante d participa en cuatro coaliciones ganadoras, aunque en ninguna de ellas es im-
prescindible. Notese como, en este segundo caso, el votante c, que tiene un n umero de votos
muy similar a d (6 frente a 4) y que participa en seis coaliciones ganadoras, es, sin embargo,
imprescindible en cuatro de ellas ({a, c}, {b, c}, {a, c, d} y {b, c, d}).
Es hora ya de cuanticar, de medir el poder que un determinado votante tiene en un
sistema. Esto no es un mero entretenimiento. Si tuvieramos un tal procedimiento, un patr on
bien establecido, entonces, por ejemplo, podramos comparar entre dos sistemas de asignacion
de votos. Quizas recuerde el lector las discusiones en torno a los porcentajes de votos que deba
tener cada pas en el proceso de ampliacion de la Uni on Europea. Se deca, por ejemplo, que
Alemania tena tal poder de decisi on, y que, con la ampliacion y la consecuente redistribuci
on
de votos, pasaba a tener tal o cual inuencia. Cualquier discusi on de este tipo debe tener, en
su base, un procedimiento de medida de ese poder.
(versi
on preliminar 26 de septiembre de 2010)
158 Captulo 3. Las estructuras ba
sicas de la Combinatoria
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 159
Ejemplo 3.2.6 La uni on hace la fuerza. Tenemos n votantes, cada uno con 1 voto.
Queremos comparar los ndices de poder en esta situacion con la siguiente: cuando b de los
votantes se alan para votar siempre en la misma direcci
on.
Veamos la primera situacion. La mayora esta en q = n/2 + 1. Podemos argumentar sim-
plemente que, por simetra (el papel de cada votante es intercambiable), todos los votantes
han de tener el mismo poder, y que, por tanto,
1
ISS (v) = , para cada votante v.
n
De otra manera, cada votante es pivote en las listas en que ocupe justamente la posici on en
la que se sumen los n/2 + 1 votos necesarios. De estas listas hay (n 1)!, como corresponde
a ordenar el resto de los votantes en las demas posiciones. As obtenemos de nuevo que
ISS (v) = (n1)!
n! = n1 para cada votante v.
Que ocurre si b de los votantes forman una alianza? Ahora tenemos n b + 1 votantes,
uno con b votos y el resto con 1 voto. La mayora sigue estando en q = n/2 + 1. Analicemos
primero el caso b < q. En el siguiente esquema marcamos las posiciones de las permutaciones
(que son de longitud n + b 1) en las que el votante con b votos es pivote:
NO NO SI SI NO NO
qb+1 q nb+1
qb
En las primeras q b posiciones, la coalicion no es pivote, porque al sumar sus b votos no
se consigue todava mayora. Mas alla de la posici
on q, la mayora ya se ha completado con
otros votantes. La proporcion de permutaciones de n b + 1 smbolos en las que uno de los
smbolos ocupa una posicion entre la q b + 1 y la q resulta ser, justamente, la proporci on
de estas posiciones reservadas frente al total. Esto es,
q (q b + 1) + 1 b
ISS (b) = = .
nb+1 nb+1
En el esquema inicial, la suma de los ndices de
poder de los b votantes es b/n. Pero al aliarse, el
conjunto tiene ndice b/(n b + 1). Supongamos,
por ejemplo, que hay 100 votantes inicialmente.
En el graco de la derecha comparamos el valor
de la suma de los ndices individuales y el ndice
de la alianza en funci on del tama no b de la alian-
za, donde b = 1, . . . , 50. Por ejemplo, si b = 12,
estos 12 votantes pasaran de tener una suma de
ndices 12/100, esto es, del 12 %, a 12/89, es decir
un 13, 48 %. Si la alianza fuera m as numerosa, por
ejemplo de 44 votantes, pasaramos de un 44 % a 44/57, esto es, un 77, 19 %.
El caso b q es especial, pues la alianza re une, por si sola, sucientes votos como para
imponer sus criterios. Es decir, es una alianza dictatorial. Y, como el lector sospechara, el
ndice de Shapley-Shubik de un dictador es 1.
(versi
on preliminar 26 de septiembre de 2010)
160 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Quiz as el lector crtico pueda estar algo descontento con esta forma de medir el ndice de
poder, basada en permutaciones. Y quiz as le parecera mas natural un sistema que, a cada
votante a le asignara un ndice en funci on del numero de coaliciones ganadoras en las que a
fuera imprescindible (en lugar del n umero de permutaciones en las que a es pivote). Vamos,
una versi on con conjuntos, en lugar de con listas.
En realidad, el ndice de Shapley-Shubik tambien se pue-
x1 . . . xj1 a xj+1 xn
de escribir en terminos de coaliciones. Digamos que hay n
j
votantes y que a es pivote de una permutaci on como la que
aparece a la derecha. Esto quiere decir que {x1 , . . . , xj1 } no es coalicion ganadora, pero
{x1 , . . . , xj1 , a} s lo es. Pero observemos que, al permutar entre s los primeros j 1 ele-
mentos o los u ltimos n j, obtenemos una permutaci on distinta de la que a es pivote, que se
corresponde con la misma coalici on ganadora en la que a es imprescindible, {x1 , . . . , xj1 , a}.
Como hay (j 1)!(n j)! formas de permutar entre s los dos bloques de elementos,
De manera que podemos tambien calcular el ndice de Shapley-Shubik del votante a evaluando
el n
umero de coaliciones ganadoras en las que a es imprescindible, y luego haciendo la suma
ponderada anterior.
unmente utilizado es el llamado ndice de Banzhaf 28 , que directamente
Otro ndice com
cuenta el numero de coaliciones ganadoras en las que un votante es imprescindible:
IB (a) = #{coaliciones ganadoras en las que a es imprescindible} .
Es habitual considerar una versi
on normalizada de este ndice, dividiendo por la suma de los
ndices de Banzhaf de todos los votantes:
I (a) n
1 / coaliciones ganadoras de j votantes 0
I3B (a) = B = # ,
IB (v) IB (v) en las que a es imprescindible
votantes v j=1 votantes v
que cumple que 0 I3B (a) 1 para cada votante a y que a I3B (a) = 1. Como queda claro en
la escritura de la derecha, es un ndice de estructura an
aloga al de Shapley-Shubik, cambiando
los factores de ponderacion (que ahora son jos).
En el sistema con tres votantes, a con 50 votos, b con 49 y c con 1, los ndices de Shapley-
Shubik son 4/6, 1/6 y 1/6, respectivamente, mientras que los ndices de Banzhaf son 3/5, 1/5
y 1/5. Animamos al lector a que calcule (y compare) los ndices de Banzhaf y de Shapley-
Shubik de los ejemplos propuestos en esta subsecci on.
28
Este ndice, introducido por el abogado estadounidense John F. Banzhaf III en 1965, cuantica un sistema
de asignacion de votos propuesto un par de decadas antes por el psiquiatra, genetista y matem atico Lionel
S. Penrose, Por cierto, son hijos de Lionel Penrose el matem atico Oliver Penrose, el conocidsimo fsico-
matem atico Sir Roger Penrose y Jonathan Penrose, gran maestro de ajedrez. Cielos!, de que se hablara a
la hora de la cena en la casa de los Penrose?
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 161
3.2
EJERCICIOS DE LA SECCION
f = fk fk1 f3 f2 ,
3.2.8 Llamemos, para n 2, An al conjunto de permutaciones de Sn que son pares. Ded uzcase,
del ejercicio 3.2.7 que An es un (sub)grupo de permutaciones, conocido como el grupo alternado.
Compruebese que |An | = n!/2, es decir, que la mitad de las permutaciones son pares.
3.2.9 Pruebese que si g Sn es la composici
on de m ciclos disjuntos de longitudes l1 , l2 , . . . , lm ,
O, de otra manera, agrupando los ciclos por longitudes: si g tiene j ciclos de longitud j, j = 1, . . . , n,
signo(g) = (1)2 +4 +6 + .
! " 1 2 3
1 2 3 1 1 0 0
g1 =
1 3 2 2 0 0 1
3 0 1 0
(versi
on preliminar 26 de septiembre de 2010)
162 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Observese que este procedimiento establece una aplicaci on biyectiva entre el conjunto de las permu-
taciones de {1, . . . , n} y el de las matrices n n con ceros y unos con un u nico 1 por columna y un
nico 1 por fila (o el de los tableros n n tales que. . . ).
u
(a) Descrbanse las matrices asociadas a los desbarajustes y a las trasposiciones.
(b) Sean g1 y g2 dos permutaciones y sean M1 y M2 las matrices correspondientes. Compruebese que
on g1 g2 viene dada por el producto de matrices M1 M2 .
la matriz asociada a la composici
3.2.11 En este ejercicio describiremos un algoritmo gr afico para generar todas las 1 2 3 4
permutaciones cclicas (para cada valor de n). Se parte de una cuadrcula infinita, 1
2
con los cuadrados etiquetados con los enteros positivos, como la que mostramos a la 3
derecha. 4
El primer paso es colocar una ficha en el cuadrado 1 2 3 4 1 2 3 4
superior izquierdo. En el segundo se sit uan dos fichas 1 1
seg
un indica el dibujo. Y ahora interpretamos la zona 2 2
recuadrada como una permutaci on del conjunto {1, 2}: 3 3
el 1 va al 2, y el 2 al 1, as que es el ciclo 2 (1 2).
4 4
(a) Construyanse con este procedimiento las 3! = 6 permutaciones cclicas de {1, 2, 3, 4}.
(b) Convenzase el lector de que este procedimiento produce siempre matrices de permutaciones (esto
es, en el paso k, una matriz k k con una u nica ficha por fila y columna).
(c) Llamemos configuraci on factible a una disposici
on de fichas en el tablero construida con este
procedimiento. Pruebese que una configuracion es factible si y s
olo si la configuracion representa
a una permutaci on cclica.
(d) Compruebese que la equivalencia anterior nos permite recuperar el ya conocido resultado (vease
la p
agina 150) de que el n umero de permutaciones cclicas de {1, . . . , n} es (n 1)!.
3.2.12 Hay 100 votantes, cada uno con un voto. En caso de empate, el presidente decide. (a) Cu
al
es el poder de cada uno de los votantes? (b) Y si el presidente tiene derecho de veto?
3.2.13 El Consejo de Seguridad de la ONU consta de 15 miembros. Cada pas cuenta con 1 voto y
son necesarios 9 para aprobar las resoluciones importantes. Pero los 5 miembros permanentes (EEUU,
Reino Unido, Francia, Rusia y China) tienen derecho de veto. Calc ulense los ndices de poder de los
miembros del Consejo de Seguridad.
3.2.14 Tenemos un sistema con n votantes. Observese que el ndice de Shapley-Shubik se puede
escribir como
1 1
ISS (a) = ! ",
n n1
IIa
|I| 1
donde Ia es la colecci
on de coaliciones ganadoras en las que a es imprescindible.
(versi
on preliminar 26 de septiembre de 2010)
3.2. Permutaciones 163
(c) Una familia S de subconjuntos se dice que es familia de Sperner si ning un A S est
a contenido
un otro B S (sobre estas familias de Sperner hablaremos en el captulo 18). Compruebese que
en alg
la familia J de coaliciones ganadoras minimales del apartado anterior es de Sperner.
(d) Sea S la colecci
on de subconjuntos de tamano 3 del conjunto {1, 2, . . . , 7}. Observese que S es una
familia de Sperner. Compruebese que, sin embargo, no hay ninguna asignaci on de votos a {1, 2, . . . , 7}
para la que S sea el conjunto de coaliciones ganadoras minimales.
(versi
on preliminar 26 de septiembre de 2010)
164 Captulo 3. Las estructuras ba
sicas de la Combinatoria
on de X :
1. los bloques, efectivamente, conforman una partici
X = A1 Ak y Ai Aj = para cada i = j.
Es fundamental se nalar que, por un lado, el orden de los elementos dentro de cada bloque es
irrelevante (por eso hablamos de subconjuntos); y, por otro, que el orden de presentaci on de
los bloques tambien es irrelevante. Pese a que nombramos los bloques como A1 , . . . , Ak , no
debe suponer el lector que estemos dando un orden entre ellos.
Por ejemplo, si X fuera el conjunto {1, 2, 3}, tendramos una u
nica partici
on con un bloque
(el propio conjunto {1, 2, 3}), tres particiones con dos bloques,
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 165
S(n, k) = 0 si k > n.
n
B(n) = S(n, k)
k=1
(versi
on preliminar 26 de septiembre de 2010)
166 Captulo 3. Las estructuras ba
sicas de la Combinatoria
A {1, . . . , n} \ A y {1, . . . , n} \ A A
Estas dos conguraciones, vistas como particiones en bloques (esto es, sin orden entre los
bloques) son en realidad la misma. As que la respuesta correcta es
2n 2
S(n, 2) = = 2n1 1 .
2
Nos gusta, es mas sencillo argumentar cuando podemos referirnos a un bloque en concreto.
Arriba impusimos un orden cticio entre bloques, que luego supimos compensar, y que nos
permiti o hablar de bloque 1 y bloque 2. Un analisis alternativo, que emplearemos varias veces
mas adelante, es el siguiente. Vamos a referirnos al bloque que contiene a un elemento parti-
cular, por ejemplo el elemento n. No es primer bloque ni segundo bloque, sino simplemente
el bloque que contiene a n. Pero ahora que tenemos un bloque distinguido, el argumento
es sencillo: solo tenemos que decidir que elementos acompa nan a n en su bloque; o quizas
que es lo que va en el otro bloque. La respuesta es directa: hay 2n1 1 posibilidades, todos
los posibles subconjuntos (con n 1 smbolos!, que n ya esta colocado), excepto el vaco.
31
on del principio del palomar: como hay n smbolos y n 1 bloques, necesariamente uno de
Sencilla aplicaci
los bloques ha de llevar al menos dos smbolos. Y si queremos que todos los bloques sean no vacos, entonces
s
olo queda la posibilidad de que un bloque lleve dos smbolos, y el resto uno.
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 167
Quizas el lector quiera intentar el analisis de casos mas complicados (3 bloques, o quizas
n2 o n3 bloques), como proponemos en el ejercicio 3.3.1. Observar a, por un lado, que cada
caso requiere un argumento combinatorio ad hoc, y que adem as el aspecto de las formulas que
se obtienen no permite albergar
muchas esperanzas de llegar a una formula general sencilla.
Por ejemplo, S(n, 2) = n2 , mientras que S(n, n 1) = 2n1 1. Esta tal f ormula general
existe, aunque, como vera el lector, es bastante complicada. La obtendremos en el apartado B
de esta subseccion, aunque antes analizaremos un procedimiento de c alculo alternativo.
liz
abamos para codicar los coecien- k=2
tes binomicos. Las coordenadas de ca- n = 1 S(1, 1) k = 3
da casilla son (piso) n y (diagonal) k,
n=2 S(2, 1) S(2, 2) k = 4
que ahora recorren unos rangos lige-
ramente distintos al caso de los coe- n = 3 S(3, 1) S(3, 2) S(3, 3) k = 5
cientes bin omicos. Notese que, si co- n = 4 S(4, 1) S(4, 2) S(4, 3) S(4, 4) k = 6
nocieramos todos los valores de S(n, k)
n=5 S(5, 1) S(5, 2) S(5, 3) S(5, 4) S(5, 5)
para un cierto piso n, el numero de Bell k=7
B(n) correspondiente se obtendra, sim- n = 6 S(6, 1) S(6, 2) S(6, 3) S(6, 4) S(6, 5) S(6, 6)
plemente, sumandolos. Sabemos ya que n = 7 S(7, 1) S(7, 2) S(7, 3) S(7, 4) S(7, 5) S(7, 6) S(7, 7)
S(n, n) = S(n, 1) = 1 para todo n, .. .. .. .. .. .. ..
as que tenemos los valores de la fron- . . . . . . .
tera del triangulo.
Inspirados por los coecientes binomicos, querramos expresar S(n, k) (que estar a en una
casilla del piso n) en terminos de numeros de Stirling de primer ndice n 1 (casillas del piso
anterior). Esto exigira relacionar particiones de conjuntos con n smbolos con particiones de
conjuntos n 1 smbolos. Para ello, analizaremos que puede ocurrir con un bloque especial,
por ejemplo el que contiene al elemento n. Caben dos posibilidades excluyentes:
Caso 1 El bloque que contiene a n no contiene ning
un otro elemento. Una partici
on de estas
tendr
a el siguiente aspecto:
n
k 1 bloques
Insistimos en que en el esquema anterior no se est a suponiendo orden alguno entre bloques:
simplemente identicamos el bloque que contiene a n, que en este caso no contiene nada mas.
Pero ahora, como n va en un bloque (y por su cuenta), s olo queda construir una partici on
del conjunto {1, . . . , n 1} en k 1 bloques no vacos, para que en total tengamos k bloques.
Mas formalmente, hay una biyecci on entre el conjunto de las particiones de {1, . . . , n} en
k bloques en las que n va solo en un bloque y el conjunto de las particiones de {1, . . . , n 1}
en k 1 bloques no vacos. El diccionario, la biyecci on, es simplemente quitar el bloque {n}
o anadir el bloque {n}. De manera que hay S(n 1, k 1) particiones de este primer tipo.
(versi
on preliminar 26 de septiembre de 2010)
168 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Caso 2: El bloque que contiene a n tiene, ademas, otros elementos. Podremos contar con la
misma receta? Veamos un ejemplo: sea X = {1, 2, 3, 4} y k = 2. Nos interesan las particiones
en las que que el bloque con el 4 contiene, ademas, otros elementos. Dos distintas seran
{1, 2} {3, 4} y {3} {1, 2, 4} .
Ahora no podemos hablar de quitar el bloque {4}, pero a un podramos intentar una regla
del tipo quitar el elemento 4. Pero no, no funciona, porque, por ejemplo,
&
{1, 2} {3, 4} {1, 2} {3}
dan lugar a la misma particion!
{3} {1, 2, 4} {1, 2} {3}
A
un as, no descartemos completamente el argumento. Pensemos en el proceso al reves,
a on con dos bloques {1, 2} {3}, podemos situar el 4 en cualquiera
nadir 4. Dada la partici
de ellos
{1, 2} {3} {1, 2, 4} {3} y {1, 2} {3, 4}
para dar lugar a una partici on de {1, 2, 3, 4} en dos bloques, con el 4 acompa nado.
Hagamos el argumento en general: tenemos las S(n 1, k) particiones del conjunto
{1, . . . , n 1} en k bloques. Para cada una de ellas, a nadimos el elemento n en alguno
de los bloques. Tendremos k posibilidades para colocarlo:
{. . . , n} { } { }
{ } {. . . , n} { }
{ } { } { } ..
.
k bloques { } { } {. . . , n}
Dejamos al lector meticuloso que se convenza de que, al recorrer todas las particiones de
{1, . . . , n 1} en k bloques vamos generando todas las particiones de {1, . . . , n} en k bloques
en las que n esta acompa nado, sin repetir ninguna. Como por cada partici on del primer tipo
obtenemos k del segundo, concluimos que hay k S(n 1, k) particiones en este Caso 2.
Ya tenemos la regla de recursi
on que busc
abamos:
que, junto a los valores frontera, codica toda la informacion sobre los n
umeros S(n, k).
Podremos as construir el an
alogo al tri
angulo de Pascal, en el que podemos leer, ademas,
sumando por las, los valores de los n
umeros de Bell B(n):
k=1
k=2 B(n)
n=1 1 k=3 1
n=2 1 1 k=4 2
n=3 1 3 1 k=5 5
n=4 1 7 6 1 k=6 15
n=5 1 15 25 10 1 52
k=7
n=6 1 31 90 65 15 1 203
n=7 1 63 301 350 140 21 1 877
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 169
B. Una f
ormula para los n
umeros de Stirling de segunda especie. Relaci
on con el
n
umero de aplicaciones sobreyectivas
Ya sabemos cuantas aplicaciones sobreyectivas hay entre un conjunto con n elemen-
tos y otro con k. Una f ormula complicada, que obtuvimos aplicando el principio de inclu-
sion/exclusion en el ejemplo 3.1.4. Vamos ahora a relacionar, con un argumento combinatorio,
ese numero de aplicaciones sobreyectivas con S(n, k). Esto nos dar a, por un lado, una formu-
la explcita para los S(n, k). Alternativamente, dado que sabemos calcular ecazmente los
numeros de Stirling, va la regla de recurrencia, hallaremos una buena manera de calcular
tambien el n umero de aplicaciones sobreyectivas entre dos conjuntos.
Sean dos conjuntos X e Y con tama nos respectivos n y k. Supongamos, como es habitual,
que X = {1, . . . , n} e Y = {1, . . . , k}. Observese primero que una aplicacion cualquiera de X
a Y dene una partici on del conjunto X : en cada bloque de la partici on estaran los elementos
de X que tengan imagen com un. Pero si adem as la aplicacion es sobreyectiva (es decir, todo
elemento y Y tiene un conjunto de preim agenes no vaco), entonces sabemos de cuantos
bloques consta la partici on: exactamente k, tantos como elementos tenga Y.
Precisemos esta idea, construyendo las aplicaciones sobreyecti-
X f - Y vas de X en Y con el siguiente procedimiento: primero partimos
el conjunto X en k bloques no vacos. Esto, como bien sabemos,
se puede hacer de S(n, k) maneras distintas. Ahora que tene-
mos X partido en k bloques no vacos, asignamos a cada uno de
estos bloques un elemento de Y. En terminos de la aplicaci on,
estaremos decidiendo cual es el elemento imagen com un a todos
los del bloque. Este u ltimo paso se puede hacer, por supuesto,
de k! maneras. El dibujo de la izquierda describe el proceso, en
el que primero construimos los bloques, y luego les asignamos imagen. Deducimos as que
Recuerdese que el valor de S(n, k) se puede obtener mediante la regla de recursion citada
antes. Y si ahora recuperamos el resultado del ejemplo 3.1.4, llegamos a la formula
! " ! "
1 (1)k
k1 k
j k k
S(n, k) = (1) (k j)n o bien S(n, k) = (1)m
mn
k! j k! m
j=0 m=1
(versi
on preliminar 26 de septiembre de 2010)
170 Captulo 3. Las estructuras ba
sicas de la Combinatoria
como ya vimos en el ejemplo 3.3.2. Y si recordamos los calculos que hicimos para S(n, n) y
S(n, n 1), deducimos los valores de las siguientes dos imponentes sumas:
! "
(1)n
n
m n
S(n, n) = (1) mn = 1 ;
n! m=1 m
! " ! "
(1)n1
n1
n1 n
S(n, n 1) = (1)m mn = .
(n 1)! m 2
m=1
Animamos al lector (no, es broma) a que intente la prueba algebraicas de estas identidades.
Ejemplo 3.3.3 Una identidad para los n
umeros de Stirling de segunda especie.
Sabemos que, si |X | = n y |Y| = k, hay un total de kn aplicaciones X Y distintas. Una
manera alternativa de contar este n
umero de aplicaciones es la siguiente:
1. primero decidimos cu antos elementos de Y van a tener preimagen. Este n umero sera un
cierto j, con 1 j k. Ahora, para cada j,
2. decidimos que elementos de Y tienen preimagenes (lo podremos hacer de kj maneras);
3. y una vez que hemos decidido a que j elementos llega la aplicacion, s
olo resta construir
una aplicacion sobreyectiva a estos j elementos.
Aplicando las reglas de la suma y del producto, llegamos a que
k ! "
n k
k = j! S(n, j) .
j
j=1
Observese que la presencia de los coecientes binomicos permite poner, como lmite superior
de sumacion, n, mn(n, k), o incluso +.
Ahora observemos que, para n jo, podemos reescribir la identidad anterior como
n
n
k = k(k 1) (k j + 1) S(n, j) para todo k 1.
j=1
Arriba hemos escrito dos polinomios de grado n que coinciden en todos los enteros. Como
veremos con mas detalle en la seccion 4.6, esto supone que los polinomios han de ser el mismo:
n
n
x = x(x 1) (x j + 1) S(n, j) para todo x R.
j=1
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 171
3.3.2. Descomposici
on de permutaciones en ciclos
En la subsecci on 3.2.1 vimos que una permutaci on se puede escribir, de manera u nica,
como producto de ciclos. Unica, con las salvedades habituales: el orden en el que presentamos
los ciclos, y el elemento que aparece primero dentro de cada ciclo.
En principio, el numero de ciclos que puede tener una permutaci on es cualquier n
umero
entre 1 (las permutaciones cclicas) y n (por ejemplo, la permutacion identidad). Y la pregunta
natural es: cu antas permutaciones tienen un n umero determinado de ciclos? Llamemos
A estos n
umeros se les suele llamar n umeros de Stirling (sin signo) de primera especie.
Por razones hist
oricas (vease la discusion de la p
agina 172), los n
umeros de Stirling de
primera especie s(n, k) se denen de forma ligeramente diferente: s(n, k) cumple que
de manera que pueden tomar tanto valores positivos como negativos. En lo que sigue, y por
simplicar, nos centraremos en la familia de n umeros s(n, k). Aunque todas las expresiones
que obtendremos tendr an sencilla traduccion a los n
umeros z(n, k) sin mas que eliminar los
posibles signos: z(n, k) = |s(n, k)|.
Comenzamos el analisis jando el rango de los par ametros n y k. En principio, tiene
sentido considerar n 1 y k 1. Pero como no puede haber permutaciones con m as ciclos
que elementos, diremos que, dado n 1,
s(n, k) = 0 si k > n.
El otro caso extremo sera considerar k = 1. Como ya vimos en la p agina 150, hay (n 1)!
permutaciones de {1, . . . , n} que son, ellas mismas, un ciclo (las llamadas permutaciones
cclicas). As que
s(n, 1) = (1)n1 (n 1)! para cada n 1.
(versi
on preliminar 26 de septiembre de 2010)
172 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Caso 2 En caso contrario, n forma parte de un ciclo junto con otros elementos. Quitar n
y pasar a permutaciones de {1, . . . , n 1} no cambia el n
umero de ciclos. Pero observese lo
que ocurre en el siguiente ejemplo, en el que quitamos el 4:
n=2 1 1 k=4
O, en terminos de los s(n, k), k=5
n=3 2 3 1
n=4 6 11 6 1 k=6
s(n, k) = (n 1) s(n 1, k) + s(n 1, k 1)
n=5 24 50 35 10 1
Con esta regla y los valores frontera, podemos re- n = 6 120 274 225 85 15 1
B. Relaci
on entre los n
umeros de Stirling de primera y segunda especie
Antes de que el lector se aventure en la lectura de este apartado, queremos advertirle de
que requiere cierta familiaridad con los conceptos de espacio vectorial y base.
Las familias de n umeros S(n, k) y s(n, k) no tenan, cuando surgieron como conceptos
matematicos, el sabor combinatorio que aqu les estamos dando. Stirling estaba interesado
en otras cuestiones, de tipo mas algebraico, y que por su interes pasamos a esbozar, dejando
para los ejercicios algunos detalles de su desarrollo.
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 173
n
n
() n
x = S(n, k) x(x 1) (x k + 1) ; () x(x 1) (x n + 1) = s(n, k)xk .
k=0 k=0
p(x) = 1 + 2x + 3x3 ,
cuyos coecientes en la base B1 son, por supuesto, (1, 2, 0, 3, 0, 0, . . . ). Tras unas ciertas ma-
nipulaciones algebraicas, el lector podr
a llegar a que
que nos dice que los coecientes de p(x) en la base B2 son (1, 5, 9, 3, 0, 0, . . . ).
Si el polinomio esta escrito en la base B2 , pasarlo a la base B1 es relativamente sencillo:
basta multiplicar todos los factores e ir agrupando los terminos de igual grado. El otro camino
es algo mas laborioso.
Observe el lector que las identidades () y () constituyen, precisamente, un diccionario
para pasar de una base a la otra. La de la izquierda (en la que intervienen los S(n, k))
cambia de la base estandar B1 a la base B2 de los factoriales decrecientes, mientras que la de
la derecha (la de los s(n, k)) hace el cambio inverso. Aunque no sabemos bien que tena en
mente Stirling cuando decidi o bautizarlos como de primera y de segunda especie. El lector
hallar
a mas informacion y ocasion de aprender sobre este papel de los n umeros de Stirling
como coecientes del cambio de base en los polinomios en el ejercicio 3.3.9.
(versi
on preliminar 26 de septiembre de 2010)
174 Captulo 3. Las estructuras ba
sicas de la Combinatoria
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 175
(versi
on preliminar 26 de septiembre de 2010)
176 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Note el lector que, pese a su aparatoso aspecto, la identidad anterior es una regla de
recurrencia que permite calcular el valor de pk (n) si conocemos ciertos valores del n
umero de
ametros mas bajos (particiones de n k y n
particiones con par umero de sumandos hasta k).
Para completar el analisis, necesitaremos los siguientes valores frontera:
k = 1 supone partir n en un u nico sumando. Solo hay una manera de hacerlo, claro,
luego p1 (n) = 1, para cada n.
El caso k = n exige partir n en n sumandos. De nuevo hay una u
nica manera de hacerlo,
sumar n unos. Luego pn (n) = 1.
Ahora ya podemos ir generando todos los valores de pk (n), disponiendolos como en la gura
(sumando por las obtenemos los correspondientes p(n)):
k=1 k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9 k=10 k=11 k=12 k=13 k=14
n=1 1 p(1) = 1
n=2 1 1 p(2) = 2
n=3 1 1 1 p(3) = 3
n=4 1 2 1 1 p(4) = 5
n=5 1 2 2 1 1 p(5) = 7
n=6 1 3 3 2 1 1 p(6) = 11
n=7 1 3 4 3 2 1 1 p(7) = 15
n=8 1 4 5 5 3 2 1 1 p(8) = 22
n=9 1 4 7 6 5 3 2 1 1 p(9) = 30
n = 10 1 5 8 9 7 5 3 2 1 1 p(10) = 42
n = 11 1 5 10 11 10 7 5 3 2 1 1 p(11) = 56
n = 12 1 6 12 15 13 11 7 5 3 2 1 1 p(12) = 77
n = 13 1 6 14 18 18 14 11 7 5 3 2 1 1 p(13) = 101
n = 14 1 7 16 23 23 20 15 11 7 5 3 2 1 1 p(14) = 135
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 177
Ejemplo 3.3.4 Analicemos las p3 (10) = 8 particiones del entero 10 con tres partes.
A la derecha mostramos las 8 particiones posibles. En las cuatro 1+1+8 2+2+6
primeras, las que tienen unos, podemos quitar estos sumandos 1 1+2+7 2+3+5
a cada una de ellas para obtener particiones de 9 con u
nicamente 1+3+6 2+4+4
dos partes (una menos que la de partida). Para las cuatro de la 1 + 4 + 5 3+3+4
derecha, las que no tienen unos, podemos quitar, en cada una de ellas, un 1 a cada uno de los
sumandos, para obtener particiones del entero 10 3 = 7 que siguen teniendo tres partes.
El argumento del ejemplo anterior prueba que p3 (10) = p2 (9) + p3 (7). Un resultado que
podemos generalizar:
Teorema 3.6 (segunda regla de recurrencia) Dado n 1 y un entero k entre 1 y n,
pk (n) = pk1 (n 1) + pk (n k)
k1
= pk (n k) + pj (n 1) (k 1) = pk (n k) + pk1 (n 1) ,
j=1
donde hemos utilizado, en dos ocasiones, la regla de recurrencia del teorema 3.5. Animamos
al lector a que se entretenga probando el resultado directamente a partir de los diagramas
de Ferrers, distinguiendo entre las particiones de n con k partes que contengan unos y las
que no los contengan.
Veamos una u ltima aplicaci on de estos diagramas de Ferrers. Partimos de la simple ob-
servacion de que si en el diagrama de una partici on de n intercambiamos las por columnas,
obtenemos de nuevo una partici on de n, porque no alteramos el n umero de smbolos (en
ocasiones, por cierto, la particion que obtenemos con este procedimiento puede coincidir con
la de partida, vease el ejercicio 3.3.10).
Hagamoslo, por ejemplo, para la parti-
cion de n = 18 codicada como [1 2 32 4 5],
que tiene seis partes y cuya parte mayor es
un 5. Si ahora intercambiamos las por co-
lumnas, obtenemos una partici on de 18 con
cinco partes y cuya parte mayor es 6. En concreto, la particion [1 2 4 5 6]. A la derecha repre-
sentamos los diagramas de Ferrers de ambas particiones.
(versi
on preliminar 26 de septiembre de 2010)
178 Captulo 3. Las estructuras ba
sicas de la Combinatoria
B. Estimaciones de tama
no
Ya tenemos un procedimiento ecaz para calcular los valores de pk (n), y por ende, los
de p(n). Ahora nos preguntamos por el tama no de uno cualquiera de estos n umeros, en
especial cuando n es muy grande. La estimacion asint
otica de estas cantidades es un problema
extremadamente sutil, sobre el que volveremos en la seccion 13.2, ya con el lenguaje de las
funciones generatrices, y al que aqu haremos una primera aproximaci on.
Como primer intento, volvemos a la comparaci on (vease el principio de la seccion) entre
particiones y composiciones de n. Fijados n y k, al menos hay tantas composiciones como
particiones (recordemos que en las composiciones cuenta el orden). Por ejemplo, para n = 3
y k = 2, hay una particion (1 + 2) y dos composiciones (1 + 2 y 2 + 1). En general,
! "
n1
pk (n) #{composiciones de n con k sumandos} = .
k1
Estimacion que podemos mejorar con un argumento m as no. N
otese que, por ejemplo,
a la partici
on 2 + 3 le corresponden tantas composiciones (dos) como permutaciones de los
sumandos, porque todos los sumandos son distintos. Precisemos esta idea. Observese que
cada particion de n con exactamente k partes se corresponde con una solucion de
x1 + x2 + + xk = n
()
1 x1 x2 xk
Escribimos ordenados (por ejemplo de menor a mayor) los k terminos para evitar, justamente,
escribir la misma particion varias veces. Quizas el lector recuerde ahora, algo esperanzado con
la posibilidad de ahorrarse nuevos c alculos, las tecnicas y resultados del an
alisis de ecuaciones
diof anticas que hicimos en la subseccion 3.1.3. Sentimos decepcionarle: el tipo de restricciones
sobre las variables que all tenamos (xj aj , donde los n umeros aj son fijos) no son como
las que afrontamos ahora, y el an alisis de la cuestion no sera tan simple como entonces. A un
as, sigamos adelante. Si ahora hacemos el cambio de variables
2i = xi + (i 1) ,
x para cada 1 i k ,
los n i mantienen el mismo orden que tenan los xi , pero son ahora todos distintos
umeros x
(los hemos separado).
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 179
As que pk (n), el n
umero de soluciones del problema (), es tambien el n
umero de soluciones de
21 + x
x 22 + + x
2k = n + k(k 1)/2
()
1x 21 < x 22 < < x
2k
Por ejemplo, del entero 6 hay tantas particiones con tres sumandos como soluciones tenga
x1 + x2 + x3 = 6
1 x1 x2 x3
Debajo de estas lneas, a la izquierda, mostramos tres de estas particiones. A su derecha
2i (al valor de x3 hay que sumarle 2, al de x2 le
escribimos su traduccion en terminos de las x
sumamos 1 y dejamos x1 tal como esta):
x1 x2 x3 21
x 22
x 23
x
6=1 + 1 + 4 9=1 + 2 + 6
6=1 + 2 + 3 9=1 + 3 + 5
6=2 + 2 + 2 9=2 + 3 + 4
2i son todos distintos, cada permutacion de una lista soluci
Pero ahora, como los x on (2 2k )
xi , . . . , x
genera una composicion distinta de n + k(k 1)/2 con tama no k. En el ejemplo, la partici on
de 9 dada por 1 + 2 + 6 da lugar a las 3! = 6 composiciones de 9 siguientes:
1 + 2 + 6, 1 + 6 + 2, 2 + 1 + 6, 2 + 6 + 1, 6 + 1 + 2, 6 + 2 + 1.
Pero por supuesto no estan todas (por ejemplo, la composicion de 9 dada por 3 + 3 + 3 no la
podemos obtener de esta manera), as que
! " ! "
n + k(k1) 1 1 n + k(k1) 1
k! pk (n) 2 = pk (n) 2 .
k1 k! k1
Dejamos que el lector compruebe, para lo que quiz
as le sera u
til revisar el ejercicio 3.1.3, que
esta estimacion mejora la inicial, pk (n) n1
k1 , esencialmente en un factor 1/k! extra.
Para completar este primer analisis del tama no de pk (n), buscaremos ahora cotas por
debajo. Lo vamos a hacer con el argumento m as simple posible: dada una partici on de n,
podemos permutar sus k sumandos para obtener composiciones (aunque, por supuesto, no
todas ellas seran distintas). Por ejemplo, la particion 5 = 1 + 2 + 2, que tiene tres sumandos,
dara lugar, en principio, a 3! = 6 posibles ordenaciones de los sumandos de las que, en
realidad, s
olo hay tres composiciones distintas, 1 + 2 + 2, 2 + 1 + 2 y 2 + 2 + 1. No es una
estimacion muy precisa, pero va justo en el sentido que queremos:
! " ! "
n1 1 n1
k! pk (n) = pk (n) .
k1 k! k 1
(versi
on preliminar 26 de septiembre de 2010)
180 Captulo 3. Las estructuras ba
sicas de la Combinatoria
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 181
=2
Regla 2. Supongamos que () > (). Quitamos ahora los u ltimos smbolos de las
mayores partes y los colocamos como un nuevo sumando (que sera el mas peque
no):
0
=2
-
=3
(versi
on preliminar 26 de septiembre de 2010)
182 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Como = = 5, deberamos aplicar la primera regla. Pero no, la regla no est a denida en
este caso, pues no podemos quitar las 5 aspas del ultimo sumando y a nadrselos a los restantes
sumandos (nos faltara uno!). Esta situaci
on se presentara siempre que tengamos = = m
y haya un solapamiento como el que indica el dibujo anterior. Pero ese solapamiento se
produce porque hay exactamente m partes, que son m, m+1, . . . , 2m1. As que n deber a ser
de la forma
m1
m1
(m 1) m m
n= (m + j) = m2 + j = m2 + = (3m 1) ,
2 2
j=0 j=1
nada f
acil de demostrar con diagrama de Ferrers. Dejemos, pues, las particiones en este punto,
hasta disponer de las herramientas necesarias para seguir con su tratamiento.
(versi
on preliminar 26 de septiembre de 2010)
3.3. Particiones y descomposiciones 183
3.3
EJERCICIOS DE LA SECCION
3.3.4 Consideremos ahora el n umero de particiones del conjunto {1, . . . , n} en bloques no vacos,
de manera que los bloques van numerados (el orden dentro de los bloques sigue siendo irrelevante). A
umero lo llamaremos n-esimo n
este n umero de Bell ordenado, B(n). 2 Compruebese que
n
2
B(n) = S(n, k) k! .
k=1
2
Pruebese que, si definimos B(0) = 1, estos n
umeros verifican la siguiente relaci
on de recurrencia:
n
n ! " !n"
n1
2
B(n) = 2 2
B(n j) para cada n 1, o, lo que es lo mismo, B(n) = 2
B(k) .
j=1
j k
k=0
3.3.5 Una cierta competici on consta de n equipos. Al final del torneo, los equipos quedan clasificados
en funci
on de los resultados de los partidos. Cu
antas posibles clasificaciones finales hay si se permite
que dos o mas equipos acaben empatados?
3.3.6 Pruebese que
(a) z(n, k) = |s(n, k)| = n! para cada n 1; (b) s(n, k) = 0 para cada n 2.
k1 k1 k1
(versi
on preliminar 26 de septiembre de 2010)
184 Captulo 3. Las estructuras ba
sicas de la Combinatoria
3.3.10 Si una partici on coincide con su conjugada, se dice, por supuesto, que es autoconjugada.
(a) Compruebese que, para los valores de n = 1, . . . , 16, hay el siguiente n
umero de particiones auto-
conjugadas: 1, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 4, 5.
(b) Pruebese que p(n|autoconjugadas) = p(n|con partes distintas e impares).
on del teorema 3.8 probando que si n = m(3m 1)/2, entonces
3.3.11 Completese la demostraci
ppar (n) pimpar (n) = (1)m .
(versi
on preliminar 26 de septiembre de 2010)
3.4. Distribuciones de bolas en cajas 185
A. Bolas id
enticas, cajas numeradas
Tenemos n bolas identicas, que queremos distribuir en k cajas numeradas. Veanse, en el
dibujo, las n bolas, dispuestas a ser introducidas en las cajas.
-
C1 C2 Ck C1 C2 Ck
A la derecha ya se ha hecho esa distribucion. Observese que, para determinar una de
estas distribuciones, basta decidir cu
antas bolas van en la caja 1, cu
antas en la 2, etc., puesto
que, como las bolas son indistinguibles, no tiene sentido preguntarse por que bolas van en
cada caja. As que una distribuci on de estas se puede codicar como una lista de n umeros
(x1 , . . . , xk ) cuya suma vale
x1 + + xk = n .
En principio, la unica restriccion sobre los xj es que sean enteros no negativos.
Esta cuestion sobre el n
umero de soluciones de ciertas ecuaciones diofanticas ya la anali-
zamos con detalle en la subseccion 3.1.3, en la que el lector encontrar a los argumentos que
justican las respuestas de este apartado. Los casos mas relevantes son:
si no permitimos que queden cajas vacas (esto es, si exigimos que xj 1). Observe-
se que si n < k, no hay ninguna distribuci on posible. Pero si n k, el numero de
distribuciones posibles es
! "
n1
para n k 1.
k1
En el caso general, en que permitimos que alguna caja pudiera quedar vaca, las res-
tricciones son xj 0. Entonces k puede tomar cualquier valor y la respuesta es
! "
n+k1
n 1 , k 1.
k1
(versi
on preliminar 26 de septiembre de 2010)
186 Captulo 3. Las estructuras ba
sicas de la Combinatoria
Otro tipo de restricciones para los xj (cotas por arriba y por debajo) fueron estudiadas en
la subseccion 3.1.3, y remitimos a ella al lector que pudiera estar interesado (vease tambien
el ejercicio 3.4.1).
n
- 4
n 1
1 2 3 4 2 3 7
C1 C2 Ck C1 C2 Ck
Este es tambien una cuestion que ya hemos tratado ampliamente. Teniendo en cuenta
los ingredientes del problema, la mejor manera de codicar una distribuci on de estas es
mediante una lista de n posiciones, en cada una de las cuales puede ir, en principio, un
elemento cualquiera del conjunto {1, . . . , k}. En la posici
on j informamos de a que caja (un
numero entre 1 y k) ha ido la bola j.
En otros terminos, que tambien hemos considerado, son las aplicaciones de un conjunto
con n elementos en uno con k elementos. Los casos mas relevantes son:
si pueden quedar cajas vacas (esto es, si la lista es sin restricciones, o si queremos
contar todas las posibles aplicaciones), entonces k puede tomar cualquier valor y la
respuesta es
kn .
Si no permitimos cajas vacas (es decir, si en la lista deben aparecer todos los smbolos
de {1, . . . , k}, o bien si queremos contar las aplicaciones sobreyectivas), entonces n ha
de ser k y la respuesta es
k! S(n, k) ,
donde los S(n, k) son los n umeros de Stirling de segunda especie, a los que dedicamos la
subseccion 3.3.1 (all podr
a encontrar el lector f
ormulas explcitas para ellos, as como
la regla de recursi
on que permite calcularlos).
Supongamos ahora que nos interesa contar el n umero de distribuciones de n bolas
numeradas en cajas numeradas, de manera que ninguna de estas quede vaca, pero
cuando no jamos a priori el n umero de cajas. La respuesta es, entonces,
n
k! S(n, k) ,
k=1
una cantidad que recibe el nombre de n-esimo n umero de Bell ordenado, y que deno-
tamos por B(n). De estos n
umeros ya hablamos en el ejercicio 3.3.4.
Si exigimos que las bolas vayan en cajas distintas (lo que solo es posible si n k),
entonces la respuesta es
k(k 1) (k n + 1) .
(versi
on preliminar 26 de septiembre de 2010)
3.4. Distribuciones de bolas en cajas 187
D. Bolas y cajas id
enticas
Tenemos n bolas y k cajas. Ahora no po-
demos distinguir entre las bolas ni entre las -
cajas. Vease en el dibujo una distribuci
on para
n = 9 y k = 6. Estas distribuciones se corres-
ponden con las particiones del entero n (revsese la subseccion 3.3.3). De nuevo suponemos
que las cajas no son vacas (vease den nuevo la nota al pie). Entonces, necesariamente n debe
ser k y la respuesta es el n umero de particiones de n con exactamente k partes,
pk (n) .
Si, como antes, no jamos el n
umero de cajas (el numero de partes de la particion), entonces
la respuesta es el n
umero total de particiones del entero n:
n
p(n) = pj (n) .
j=1
Conviene recordar que para estos n umeros pk (n) y p(n) no disponemos de unas f
ormulas
explcitas, aunque s reglas de recurrencia (recuerdese la subseccion 3.3.3).
33
Reexione, sin embargo, el lector sobre lo que ocurrira si permitieramos bloques vacos, que valores podra
tomar k y cual sera la respuesta en ese caso.
(versi
on preliminar 26 de septiembre de 2010)
188 Captulo 3. Las estructuras ba
sicas de la Combinatoria
3.4
EJERCICIOS DE LA SECCION
f (n, k) = k(k + 1) (k + n 1)
Ded
uzcase que, si permitimos tubos vacos, la respuesta es
mn(n,k)
! "
n! n 1
.
j=1
j! j 1
3.4.5 Compruebese, finalmente, que si las bolas no est an numeradas (da igual si los tubos lo est
an
o no), los tubos son, simplemente, cajas (y se aplican los resultados correspondientes).
(versi
on preliminar 26 de septiembre de 2010)
7. N ETWORK F LOW I
capacity
4 15 15 10
10
s 5 8 10 t
15
4 6 15 10
16
3
Minimum cut problem
Def. Its capacity is the sum of the capacities of the edges from A to B.
cap( A, B) = c(e)
e out of A
10
s 5 t
15
capacity = 10 + 5 + 15 = 30
4
Minimum cut problem
Def. Its capacity is the sum of the capacities of the edges from A to B.
cap( A, B) = c(e)
e out of A
10
s 8 t
16
capacity = 10 + 8 + 16 = 34
5
Minimum cut problem
Def. Its capacity is the sum of the capacities of the edges from A to B.
cap( A, B) = c(e)
e out of A
10
s 8 t
10
capacity = 10 + 8 + 10 = 28
6
Maximum flow problem
flow capacity
inflow at v = 5 + 5 + 0 = 10
5/9 outflow at v = 10 + 0 = 10
5 5
10 0/4 /1 0 / 15 /
10
/ 5
10
s 5/5 5/8 v 10 / 10 t
10
/ 0 0 / 15 10
15 0/4 /6 /
10
10 / 16
7
Maximum flow problem
5/9
5 5
10 0/4 /1 0 / 15 /
10
/ 5
10
s 5/5 5/8 10 / 10 t
10
/ 0 0 / 15 10
15 0/4 /6 /
10
value = 5 + 10 + 10 = 25
10 / 16
8
Maximum flow problem
8/9
2 8
10 0/4 /1 0 / 15 /
10
/ 5
10
s 5/5 8/8 10 / 10 t
13
/ 3 0 / 15 10
15 0/4 /6 /
10
value = 8 + 10 + 10 = 28
13 / 16
9
7. N ETWORK F LOW I
Greedy algorithm.
Start with f (e) = 0 for all edge e E.
Find an st path P where each edge has f (e) < c(e).
Augment flow along path P.
Repeat until you get stuck.
flow capacity
network G 0/4
0
0 /
10 0/2 /8 0/6 10
/
0 value of flow
s 0 / 10 0/9 0 / 10 t 0
11
Towards a max-flow algorithm
Greedy algorithm.
Start with f (e) = 0 for all edge e E.
Find an st path P where each edge has f (e) < c(e).
Augment flow along path P.
Repeat until you get stuck.
network G 0/4
8
0
0 /
8 10 0/2 /8 0/6 10
/
0
8
s 0 / 10 0/9
0 / 10 t 0 +8=8
12
Towards a max-flow algorithm
Greedy algorithm.
Start with f (e) = 0 for all edge e E.
Find an st path P where each edge has f (e) < c(e).
Augment flow along path P.
Repeat until you get stuck.
network G 0/4
0
0 2
0/2 8 0/6 /
10 / 1 /8 10
8
2 2
s 0 / 10
0/9
8 / 10 t 8 + 2 = 10
13
Towards a max-flow algorithm
Greedy algorithm.
Start with f (e) = 0 for all edge e E.
Find an st path P where each edge has f (e) < c(e).
Augment flow along path P.
Repeat until you get stuck.
network G 0/4
6
0
10 2/2 8
/8 6
0/6 /
/ 10
10
6 8
s 0 / 10
2/9
10 / 10 t 10 + 6 = 16
14
Towards a max-flow algorithm
Greedy algorithm.
Start with f (e) = 0 for all edge e E.
Find an st path P where each edge has f (e) < c(e).
Augment flow along path P.
Repeat until you get stuck.
network G 0/4
6
10 2/2 8
/8 6/6 /
/ 10
10
s 6 / 10 8/9 10 / 10 t 16
15
Towards a max-flow algorithm
Greedy algorithm.
Start with f (e) = 0 for all edge e E.
Find an st path P where each edge has f (e) < c(e).
Augment flow along path P.
Repeat until you get stuck.
network G 3/4
9
10 0/2 7
/8 6/6 /
/ 10
10
s 9 / 10 9/9 10 / 10 t 19
16
Residual graph
Residual edge.
"Undo" flow sent.
e = (u, v) and eR = (v, u). residual graph Gf residual
Residual capacity: capacity
u 11 v
c(e) f (e) if e E 6
c f (e) =
f (e) if e R E
AUGMENT (f, c, P)
________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
18
Ford-Fulkerson algorithm
FORD-FULKERSON (G, s, t, c)
_________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
19
Ford-Fulkerson algorithm demo
0/4
0
0 /
10 0/2 /8 0/6 10
/
0 value of flow
s 0 / 10 0/9 0 / 10 t 0
residual graph Gf
4
residual capacity
8 10
2 6
10
s 10 9 10 t
20
Ford-Fulkerson algorithm demo
network G
0/4
8
0
0 /
8 10 0/2 /8 0/6 10
/
0
8
s 0 / 10 0/9
0 / 10 t 0 +8=8
residual graph Gf
4
8 10
2 6
10
s 10 9 10 t
21
Ford-Fulkerson algorithm demo
network G
0/4
0
0 2
0/2 8 0/6 /
10 / 1 /8 10
8
2 2
s 0 / 10
0/9
8 / 10 t 8 + 2 = 10
residual graph Gf
4
8 10
2 8 6
2
s 10 9 2 t
8 22
Ford-Fulkerson algorithm demo
network G
0/4
6
0
10 2/2 8
/8 6
0/6 /
/ 10
10
6 8
s
0 / 10
2/9 10 / 10 t 10 + 6 = 16
residual graph Gf
4
8 10
2 6
10
s 10 7 10 t
2 23
Ford-Fulkerson algorithm demo
network G
2
0/4
8
6
10 0
2/2 8
/8 6/6 /
/ 10
10
8
s
6 / 10 8/9 10 / 10 t 16 + 2 = 18
residual graph Gf
4
8 4
2 6
10
s 4 1 10 t
6 8 24
Ford-Fulkerson algorithm demo
network G
3
2/4
9
7
8
10 0/2
8
/8 6/6 /
/ 10
10
9 9
s
8 / 10
8/9 10 / 10 t 18 + 1 = 19
2
residual graph Gf
2
8 2
2 6
10
s 2 1 10 t
8 8 25
Ford-Fulkerson algorithm demo
network G
3/4
9
10 0/2 7
/8 6/6 /
/ 10 max flow
min cut
10
s 9 / 10 9/9 10 / 10 t 19
3
residual graph Gf
1
s 1 9 10 t
9 26
7. N ETWORK F LOW I
Flow value lemma. Let f be any flow and let (A, B) be any cut. Then, the net
flow across (A, B) equals the value of f.
f (e) f (e) = v( f )
e out of A e in to A
5/9
5 5
10 0/4 /1 0 / 15 /
10
/ 5
10
10
/ 0 0 / 15 10
15 0/4 /6 /
10
10 / 16
28
Relationship between flows and cuts
Flow value lemma. Let f be any flow and let (A, B) be any cut. Then, the net
flow across (A, B) equals the value of f.
f (e) f (e) = v( f )
e out of A e in to A
5/9
5 5
10 0/4 /1 0 / 15 /
10
/ 5
10
10
/ 0 0 / 15 10
15 0/4 /6 /
10
10 / 16
29
Relationship between flows and cuts
Flow value lemma. Let f be any flow and let (A, B) be any cut. Then, the net
flow across (A, B) equals the value of f.
f (e) f (e) = v( f )
e out of A e in to A
5/9
edges from B to A
5 5
10 0/4 /1 0 / 15 /
10
/ 5
10
10
/ 0 0 / 15 10
15 0/4 /6 /
10
10 / 16
30
Relationship between flows and cuts
Flow value lemma. Let f be any flow and let (A, B) be any cut. Then, the net
flow across (A, B) equals the value of f.
f (e) f (e) = v( f )
e out of A e in to A
Pf. v( f ) = f (e)
v( f ) = of ssf (e)
ee out
out of
e out of s
= f (e) f (e).
= ee out
out of
to AAf (e).
of AAf (e) ee in
in to
e out of A e in to A
31
Relationship between flows and cuts
Weak duality. Let f be any flow and (A, B) be any cut. Then, v( f ) cap(A, B).
Pf. v(
v( ff )) =
=
ff (e)
(e)
ff (e)
(e)
v(
v( ff )) =
= e out f (e)
of Af (e) e in to Aff (e)
(e)
ee out
out of
of A
A ee in
in to
to A
A
e out of A e in to A
f (e)
f (e)
flow-value
e out of Aff (e)
(e)
ee out of A
lemma e out
out of
of A
A
c(e)
c(e)
e out c(e)
c(e)
of A
ee out
out of
of A
A
e out of A
= cap(A,
cap(A, B)
=
=
= cap(A, B)
cap(A, B)
B)
8/9
2 8
/1 /
10 0/4 5 0 / 15 10
/ 10
10
s 5/5 7/8 9 / 10 t s 5 t
12
/ 2
15 0/4 /6 0 / 15 10 15
/
10
12 / 16
Pf. The following three conditions are equivalent for any flow f :
i. There exists a cut (A, B) such that cap(A, B) = val(f ).
ii. f is a max-flow.
iii. There is no augmenting path with respect to f.
[i ii ]
Suppose that (A, B) is a cut such that cap(A, B) = val(f ).
Then, for any flow f ', val(f ') cap(A, B) = val(f ).
Thus, f is a max-flow.
weak duality by assumption
33
Max-flow min-cut theorem
Pf. The following three conditions are equivalent for any flow f :
i. There exists a cut (A, B) such that cap(A, B) = val(f ).
ii. f is a max-flow.
iii. There is no augmenting path with respect to f.
34
Max-flow min-cut theorem
[ iii i]
Let f be a flow with no augmenting paths.
Let A be set of nodes reachable from s in residual graph Gf.
By definition of cut A, s A.
By definition of flow f, t A. edge e = (v, w) with v B, w A
must have f(e) = 0
original network G
v( f ) = f (e) f (e)
v( f ) = e outof Af (e) e into Af (e) A B
v( f ) = e outof Af (e) e into Af (e)
flow-value
= e outof Ac(e) e in to A
= e outof Ac(e) t
lemma = e outof Ac(e)
= cap(A,
e out of A B)
= cap(A, B)
= cap(A, B)
s
35
7. N ETWORK F LOW I
37
Bad case for Ford-Fulkerson
swvt
svwt v C t
swvt
C 1 C
s C w
38
Choosing good augmenting paths
39
Choosing good augmenting paths
JACK EDMONDS
RICHARD M. K A R P
ABSTRACT. This paper presents new algorithms for t h e m a x i m u m flow problem, the Hitchcock
t r a n s p o r t a t i o n problem, and t h e general m i n i m u m - c o s t flow problem. U p p e r bounds on the
numbers of steps in these algorithms are derived, and are shown to compale favorably with
upper bounds on t h e numbers of steps required by earlier algorithms.
First, the paper states the m a x i m u m flow problem, gives the F o r d - F u l k e r s o n labeling method
for its solution, and points out t h a t an improper choice of flow a u g m e n t i n g p a t h s can lead to
s s
0
0
10
10
11
11
2
2
0
0
12
12
17
17
2
2
t t
Gf Gf (), = 100 41
Capacity-scaling algorithm
CAPACITY-SCALING(G, s, t, c)
__________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
WHILE ( 1)
Gf () -residual graph.
WHILE (there exists an augmenting path P in Gf ())
f AUGMENT (f, c, P).
Update Gf ().
/ 2.
RETURN f.
__________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
42
Capacity-scaling algorithm: proof of correctness
Integrality invariant. All flow and residual capacity values are integral.
43
Capacity-scaling algorithm: analysis of running time
Theorem. The scaling max-flow algorithm finds a max flow in O(m log C)
augmentations. It can be implemented to run in O(m2 log C) time.
Pf. Follows from LEMMA 1 and LEMMA 3.
44
Capacity-scaling algorithm: analysis of running time
val(
v( ff )) = f (e) f (e) A B
v( f ) = e outof A f (e) e in to A f (e)
v( f ) =
e out
of A f (e) e in
(c(e) ) to A f (e)
v( f ) = e outof A f (e) e in to A f (e)
of A(c(e) ) e in t
e out
e out of A e in to A
to A
e outof A(c(e) ) e in to A
= c(e)
e outof A(c(e) ) e in to A
= e outof Ac(e) e outof Ae intoeAinto A
e out of A
= e outof Ac(e) e outof A e into A
= cap(A, B)
c(e) -
m of A e into A s
e outof A e out
cap(A,
e out of A
B) - m
e out of A e in to A
cap(A, B) - m
cap(A, B) - m
edge e = (v, w) with v A, w B
must have f(e) c(e)
45
7. N ETWORK F LOW I
SHORTEST-AUGMENTING-PATH(G, s, t, c)
_________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
FOREACH e E : f (e) 0.
Gf residual graph.
WHILE (there exists an augmenting path in Gf )
P BREADTH-FIRST-SEARCH (Gf, s, t).
f AUGMENT (f, c, P).
Update Gf.
RETURN f.
_________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
47
Shortest augmenting path: overview of analysis
L1. Throughout the algorithm, length of the shortest path never decreases.
L2. After at most m shortest path augmentations, the length of the shortest
augmenting path strictly increases.
48
Shortest augmenting path: analysis
Def. Given a digraph G = (V, E) with source s, its level graph is defined by:
(v) = number of edges in shortest path from s to v.
LG = (V, EG) is the subgraph of G that contains only those edges (v,w) E
with (w) = (v) + 1.
graph G
s t
level graph LG
s t
= 0 = 1 = 2 = 3
49
Shortest augmenting path: analysis
Def. Given a digraph G = (V, E) with source s, its level graph is defined by:
(v) = number of edges in shortest path from s to v.
LG = (V, EG) is the subgraph of G that contains only those edges (v,w) E
with (w) = (v) + 1.
level graph LG
s t
= 0 = 1 = 2 = 3
50
Shortest augmenting path: analysis
L1. Throughout the algorithm, length of the shortest path never decreases.
Let f and f ' be flow before and after a shortest path augmentation.
Let L and L' be level graphs of Gf and Gf ' .
Only back edges added to Gf '
(any path with a back edge is longer than previous length)
level graph L
s t
= 0 = 1 = 2 = 3
s t
51
Shortest augmenting path: analysis
L2. After at most m shortest path augmentations, the length of the shortest
augmenting path strictly increases.
The bottleneck edge(s) is deleted from L after each augmentation.
No new edge added to L until length of shortest path strictly increases.
level graph L
s t
= 0 = 1 = 2 = 3
s t
52
Shortest augmenting path: review of analysis
L1. Throughout the algorithm, length of the shortest path never decreases.
L2. After at most m shortest path augmentations, the length of the shortest
augmenting path strictly increases.
53
Shortest augmenting path: improving the running time
The most significant application is (2); an O(mn log n)-time algorithm is obtained to find a
maximum flow in a network of n vertices and m edges, beating by a factor of log n the fastest
algorithm previously known for sparse graphs.
1. INTR~DIJCTI~N 54
s t
level graph LG
56
Blocking-flow algorithm
advance
s t
level graph LG
57
Blocking-flow algorithm
augment
s t
level graph LG
58
Blocking-flow algorithm
advance
s t
level graph LG
59
Blocking-flow algorithm
retreat
s t
level graph LG
60
Blocking-flow algorithm
advance
s t
level graph LG
61
Blocking-flow algorithm
augment
s t
level graph LG
62
Blocking-flow algorithm
advance
s t
level graph LG
63
Blocking-flow algorithm
retreat
s t
level graph LG
64
Blocking-flow algorithm
retreat
s t
level graph LG
65
Blocking-flow algorithm
end of phase
s t
level graph LG
66
Blocking-flow algorithm
INITIALIZE(G, s, t, f, c) ADVANCE(v)
_______________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________ ________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
LG level-graph of Gf. IF (v = t)
P . AUGMENT(P).
GOTO ADVANCE(s). Remove saturated edges from LG.
P .
_______________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
GOTO ADVANCE(s).
_______________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
67
Blocking-flow algorithm: analysis
68
Choosing good augmenting paths: summary
69
Maximum flow algorithms: theory
? ? O(m) ?
max-flow algorithms for sparse digraphs with m edges, integer capacities between 1 and C
70
Maximum flow algorithms: practice
ANDREW V. GOLDBERG
Massachusetts Institute of Technology, Cambridge, Massachusetts
AND
ROBERT E. TARJAN
Princeton University, Princeton, New Jersey, and AT&T Bell Laboratories, Murray Hill, New Jersey
Abstract. All previously known efftcient maximum-flow algorithms work by finding augmenting paths,
either one path at a time (as in the original Ford and Fulkerson algorithm) or all shortest-length
augmenting paths at once (using the layered network approach of Dinic). An alternative method based
on the preflow concept of Karzanov is introduced. A preflow is like a flow, except that the total amount
flowing into a vertex is allowed to exceed the total amount flowing out. The method maintains a preflow
in the original network and pushes local flow excess toward the sink along what are estimated to be
shortest paths. The algorithm and its analysis are simple and intuitive, yet the algorithm runs as fast as
any other known method on dense.graphs, achieving an O(n)) time bound on an n-vertex graph. By
incorporating the dynamic tree data structure of Sleator and Tarjan, we obtain a version of the algorithm
running in O(nm log(n/m)) time on an n-vertex, m-edge graph. This is as fast as any known method
for any graph density and faster on graphs of moderate density. The algorithm also admits efticient
distributed and parallel implementations. A parallel implementation running in O(nlog n) time using
n processors and O(m) space is obtained. This time bound matches that of the Shiloach-Vishkin
algorithm, which also uses n processors but requires O(n) space.
Categories and Subject Descriptors: F.2.2 [Analysis of Algorithms and Problem Complexity]: Non-
numerical Algorithms and Problems; G.2.2 [Discrete Mathematics]: Graph Theory-graph algorithms; 71
network problems
General Terms: Algorithms, Design, Theory, Verification
Maximum flow algorithms: practice
On I m p l e m e n t i n g P u s h - R e l a b e l M e t h o d
for the M a x i m u m Flow P r o b l e m
EUROPEAN
JOURNAL
OF OPERATIONAL
Boris V. Cherkassky 1 and Andrew V. Goldberg 2 RESEARCH
ELSEVIER European Journal of Operational Research 97 (1997) 509-542
1 Central Institute for Economics and Mathematics,
Krasikova St. 32, 117418, Moscow, Russia
cher@eemi.msk.su
2 Computer Science Department, Stanford University Theory and Methodology
Stanford, CA 94305, USA
goldberg~cs. stanford, edu Computational investigations of maximum flow algorithms
Ravindra K . A h u j a a, M u r a l i K o d i a l a m b, A j a y K . M i s h r a c, J a m e s B . O r l i n d,.
A b s t r a c t . We study efficient implementations of the push-relabel method a Department t~'lndustrial and Management Engineering. Indian Institute of Technology. Kanpur, 208 016, India
for the maximum flow problem. The resulting codes are faster than the b AT& T Bell Laboratories, Holmdel, NJ 07733, USA
c KA'F-ZGraduate School of Business, University of Pittsburgh, Pittsburgh, PA 15260, USA
previous codes, and much faster on some problem families. The speedup d Sloun School of Management, Massachusetts Institute of Technology. Cambridge. MA 02139. USA
is due to the combination of heuristics used in our implementations. We
also exhibit a family of problems for which the running time of all known Received 30 August 1995; accepted 27 June 1996
methods seem to have a roughly quadratic growth rate.
Abstract
1 Introduction The maximum flow algorithm is distinguished by the long line of successive contributions researchers have made in
obtaining algorithms with incrementally better worst-case complexity. Some, but not all, of these theoretical improvements
The rnaximum flow problem is a classical combinatorial problem that comes up have produced improvements in practice. The purpose of this paper is to test some of the major algorithmic ideas developed
in a wide variety of applications. In this paper we study implementations of the in the recent years and to assess their utility on the empirical front. However, our study differs from previous studies in
several ways. Whereas previous studies focus primarily on CPU time analysis, our analysis goes further and provides 72
push-rdabel [13, 17] method for the problem.
detailed insight into algorithmic behavior. It not only observes how algorithms behave but also tries to explain why
The basic methods for the maximum flow problem include the network sim- algorithms behave that way. We have limited our study to the best previous maximum flow algorithms and some of the
plex method of Dantzig [6, 7], the augmenting path method of Ford and F~lker- recent algorithms that are likely to be efficient in practice. Our study encompasses ten maximum flow algorithms and five
Maximum flow algorithms: practice
In IEEE Transactions on PAMI, Vol. 26, No. 9, pp. 1124-1137, Sept. 2004 p.1
After [15, 31, 19, 8, 25, 5] minimum cut/maximum flow algorithms on graphs emerged as Tanmay Verma IIIT-Delhi
an increasingly useful tool for exact or approximate energy minimization in low-level vision. tanmay08054@iiitd.ac.in Delhi, India
The combinatorial optimization literature provides many min-cut/max-flow algorithms with
Dhruv Batra TTI-Chicago
dbatra@ttic.edu Chicago, USA
different polynomial time complexity. Their practical efficiency, however, has to date been
studied mainly outside the scope of computer vision. The goal of this paper is to provide an
new algorithm that we have recently developed. The algorithms we study include both Algorithms for finding the maximum amount of flow possible in a network (or max-
Goldberg-Tarjan style push-relabel methods and algorithms based on Ford-Fulkerson flow) play a central role in computer vision problems. We present an empirical compari-
son of different max-flow algorithms on modern problems. Our problem instances arise
style augmenting paths. We benchmark these algorithms on a number of typical graphs
from energy minimization problems in Object Category Segmentation, Image Deconvo-
in the contexts of image restoration, stereo, and segmentation. In many cases our new lution, Super Resolution, Texture Restoration, Character Completion and 3D Segmen-
algorithm works several times faster than any of the other methods making near real-time tation. We compare 14 different implementations and find that the most popularly used
implementation of Kolmogorov [5] is no longer the fastest algorithm available, especially
performance possible. An implementation of our max-flow/min-cut algorithm is available
for dense graphs.
upon request for research purposes.
Key words. Dinics algorithm, maximum flow, connectivity, vertex connectivity, edge connec- 75
tivity
flow. Let be a
Unit-capacity simple networks
1 1
76
Unit-capacity simple networks
77
Unit-capacity simple networks
advance
level graph LG
78
Unit-capacity simple networks
augment
level graph LG
79
Unit-capacity simple networks
advance
level graph LG
80
Unit-capacity simple networks
retreat
level graph LG
81
Unit-capacity simple networks
advance
level graph LG
82
Unit-capacity simple networks
augment
level graph LG
83
Unit-capacity simple networks
end of phase
level graph LG
84
Unit-capacity simple networks: analysis
85
Unit-capacity simple networks: analysis
V0 V1 Vh Vn1/2
86
Unit-capacity simple networks: analysis
V0 V1 Vh Vn1/2
87