Mục lục

1 SOME BASIC KNOWLEDGES ON PROBABILITY THEORY 2

1.1 Probability space and properties of probability . . . . . . . . . . . . . 2
1.2 Conditional probabilites . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Independence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Random variables and Distribution function . . . . . . . . . . . . . . 9
1.4.1 Random variables . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.2 Discrete random variables and Probability Distribution Tables 9
1.4.3 Distribution function . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Characteristic numbers of random variable: . . . . . . . . . . . . . . . 10
1.5.1 Expectation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.2 Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 SOME PROBLEMS IN THE THEORY OF SET EXTREMELY

SOLUTION BY PROBABILITY METHOD 16
2.1 Some inportant theorems . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Some solution method . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1 Khoảng cách Hamming-Chặn Plotkin . . . . . . . . . . . . . . 22
2.2.2 Sử dụng các nguyên lý tổ hợp . . . . . . . . . . . . . . . . . . 26

1
Chương 1

SOME BASIC KNOWLEDGES

ON PROBABILITY THEORY

This chapter presents some basic knowledge of probability theory to ap-

ply to the next chapter.

1.1 Probability space and properties of probabil-

ity

1.1 Definition

We start by introducing mathematical concept of a probability space,

which has three components (Ω,F ,P), respectively the sample space,

event space, and probability function. We cover each in turn.

• Ω: sample space. Set of outcomes of an experiment.

Example: tossing a coin twice. Ω = {HH,HT,TT,TH }

• In probability theory, the event space F is modelled as a σ -field (or

2
σ -algebra) of Ω, which is a collection of subsets of Ω with the following

properties:

(i) ∅ ∈ F

(ii) It is closed under complement:

A ∈ F ⇒ Ac ∈ F;

(iii) It is closed under taking countable unions:

∞
[
A1 , A2 , ... ∈ F ⇒ An ∈ F.
n=1
Additional properties:

(4) (1)+(2) → Ω ∈ F
T∞
(5) (3)+ De-Morgan’s Laws → n=1 An ∈F

• Finally, a probability function P assigns a number ("probability") to

each event in F . It is a function mapping F→ [0,1] satisfying:

(i) P(A) ≥ 0, for all A ∈ F .

(ii) P(Ω) = 1

(iii) Countable additivity: If A1 , A2 , ...∈ F are pairwise disjoint

i.e.,Ai ∩Aj =∅, for all i ̸= j, then

∞
[ ∞
X
P( Ai ) = P(Ai ).
i=1 i=1
1.2 Properties of Probability

For probability function P and A,B ∈ F :

3
• P(∅) = 0;

Since

P(∅) = P(Ωc ) = 1 − P(Ω) = 1 − 1.

• P(A) ≤ 1;

• P(Ac ) = 1 − P(A).

Since

1 = P(Ω) = P(A ∪Ac ) = P(A) + P(Ac )

• P(B ∩ Ac ) = P(B) − P(A∩ B)

• P(A ∪ B) = P(A) + P(B) - P(A ∩ B) (2.1)

To see this note

P(A) = P(A∩B c ) + P(A ∩ B).

P(B) = P(B ∩ Ac ) + P(A ∩ B).

and therefore
P(A∪B) = P(ABC ∪ BAC ∪ AB)

= P(ABc ) + P(BAc ) + P(AB)

= P(A) - P(AB) + P(B) - P(AB) + P(AB)

= P(A) + P(B) - P(AB).

• Subadditivity: The measure P is σ − subadditive : For events Ai , i≥ 1,

∞
[ ∞
X
P( Ai ) ≤ P(Ai ).
i=1 i=1

4
To verify this we write

∞
[
Ai = A1 + Ac1 A2 + A3 Ac1 Ac2 + ...,
i=1

and since P is σ − additive,

P( ∞ c c c
S
i=1 Ai ) = P(A1 ) + P(A1 A2 ) + P(A3 A1 A2 ) + ...

≤ P(A) + P(A2 ) + P(A3 ) + ...

by the non-decreasing property of P.

• Monotonicity: if A ⊂ B, then P(A) ≤ P(B)

• P(∪ni=1 Ai ) = ni=1 P(Ai )− n1≤i<j≤n P(Ai ∩ Aj )+ n1≤i<j<k≤n P(Ai ∩ Aj ∩

P P P

Ak ) + ... + (−1)n+1 P(A1 ∩ A2 ∩ ... ∩ An ).(2.2)

We may prove (2.2) by induction using (2.1) for i=2. The terms on the

right side of (2.2) alternate in sign and give inequalities called Bonfer-

roni inequalities when we neglect remainders. Here are two examples:

∞
[ ∞
X
P( Aj ) ≤ P(Aj ).
j=1 j=1

∞
[ ∞
X X
P( Aj ) ≥ P(Aj ) − P(Ai Aj ).
j=1 j=1 1≤i<j≤n

5
1.2 Conditional probabilites

Consider a given probability space (Ω,F ,P).

Definition 2.1 If A,B ∈ F, andP(B) > 0, then the conditional proba-

bility of A given B, denoted P(A|B) is

P(A ∩ B)
P(A|B) =
P(B)

If you interpret P(A) as "the prob. that the outcome of the experiment

is in A", then P(A|B) is "the prob. that the outcomes is in A, given that

you know it is in B ".

• If A and B are disjoint, then P(A|B) = 0/P(B) = 0.

• If A ⊂ B, then P(A|B) = P(A)/P(B) < 1. Here "B is necessary for

A".

• If B ⊂ A, then P(A|B) = P(B)/P(B) = 1. Here "B is implies A".

From manipulating the conditional probability formula, you can get that

P(A∩B) = P(A|B).P(B)

= P(B|A).P(A)

⇒ P(A|B) = P(B|A). P(B)

P(A)
.
For a partition of disjoint events A1 , A2 , ...of Ω:

P(B) = ∞
P P∞
i=1 P(B ∩ A i ) = i=1 P(B|Ai )P(Ai ). Hence:

6
 P(B|Ai ).P(Ai )
P(Ai |B) = P∞
i=1 P(B|Ai )P(Ai )

which is Baye’s Rule.

Proof

According to the conditional probability formula,

P(Ai ∩B)
P(Ai |B) = P(B)
(1)

Using the multiplication rule of probability,

P(Ai ∩ B) = P(Ai )P(B|Ai ) (2)

Using total probability theorem,

P(B) = ni=1 P(Ai )P(B|Ai ) (3)

P

Putting the values from equations (2) and (3) in equation 1, we get

P(B|Ai ).P(Ai )
P(Ai |B) = P∞ .
i=1 P(B|Ai )P(Ai )

1.3 Independence

For two events A and B with positive probabilities, it may happen that

P(A|B) = P(A) and P(B|A) = P(B).

Each of the equality is equivalent to

P(AB) = P(A)P(B)

It leads to the following definition.

7
Definition 3.1 Two events A and B are independent if

P(AB) = P(A).P(B).

Proposition 3.2 Let A and B be events. Let A1 and A2 be events.

(1) If A is independent of B, then Ac is independent of B.

(2) Suppose A1 and A2 are disjoint. If A1 is independent of B and A2 is

independent of B, then A1 ∪ A2 is independent of B.

Proof (1)

We want to check that P(Ac ∩ B) = P(Ac )P(B). We can compute

P(Ac ∩ B) = P(B) - P(AB)

= P(B) - P(A) P(B) (by the independence)

= P(B) (1 - P(A))

= P(B) P(Ac )
Definition 3.3 A finite collection of events A1 , A2 , ..., An are indepen-

dent if for every I ⊂ {1, 2, ..., n} we have

P(∩i∈I Ai ) = Πi∈I P(Ai ).

8
1.4 Random variables and Distribution function

1.4.1 Random variables

Definition 4.1.1 Given a probability space (Ω,F ,P). Then the mapping

X : Ω → R,

is called a random variable if it is F /B(R) measure, i.e. X−1 (B) ∈ F

for every B ∈ B(R)

where B(R) is σ - Borel algebra on R (is the smallest σ - algebra on R

generated by open sets).

1.4.2 Discrete random variables and Probability Distribu-

tion Tables

Definition 4.2.1 A random variable is said to be a discrete random

variable if it takes only a finite or countable infinite number of values.

Suppose X is a discrete random variable that takes the values x1 , x2 , ..., xn , ...

Symbol :

pi = P(X = xi ), i = 1, 2, 3, ...

Then the table of the following form is called the probability distribu-

tion table of X

9
 X x1 x2 ... xn ...

P p1 p2 ... pn ...
Note

(1) The necessary and sufficient conditions for the probabilities in the

probability distribution table of the discrete random variable is

P
i pi = 1 and pi > 0.

(2)The function p(x) = P(X = x) is called the probability mass (or

probability function) of discrete random variable x.

1.4.3 Distribution function

Definition 4.3.1 The distribution function of a random variable X ,

denoted F X (x), is determined by

FX (x) := P(X ≤ x), x ∈ R

We usually just write F (x) instead of F X (x). The distribution function

is called the cumulative distribution function.

1.5 Characteristic numbers of random variable:

1.5.1 Expectation

Definition 5.1.1 Assume X :(Ω,F ,P) → (P, B (R)) is a random vari-

ables. Then the Lebesgue of X with P-measure (if it exists) is called the

10
expectation of X and denoted E(X ). So

Z
E(X) = XdP.
Ω

If there exists E|X|p <∞ (p>0), the we say that X is integrable of order

p (khả tích bậc p).

In particular, if E|X| < ∞, then X is called an integrable random vari-

able. (biến ngẫu nhiên khả tích).

Properties 5.1.2

(1) If X ≥ 0 then E(X ) ≥ 0.

(2) If X = c then E(X ) = c.

(3) If E(X ) exitst, then for all c ∈ R, we have E(cX ) = cEX.

(4) If E(X ) and E(Y ) exitst, E(X ± Y ) = E(X ) ± E(Y ).

(5) If X and Y are two independent random variables, then E(XY ) =

E(X)E(Y ).

General, for n random variables X1 , X2 , ..., Xn independent then

E(X1 , X2 , ..., Xn ) = E(X1 )E(X2 )...E(Xn ).

(6) Suppose f : R → R is any function such that Y = f (X) is random

variable. Then expectation of Y is calculated as follows:

• If X is discrete random variable, we have probability distribution table

X x1 x2 ... xn ...

P p1 p2 ... pn ...
Then

11
 X
E(Y ) = f (xi )pi
i

• If X is continuous random variable have density function (hàm mật

độ) p(x) then

Z +∞
E(Y ) = f (x)p(x)dx
−∞

Definition 5.1.3 Definition of Convex function

The function f defined on the segment (a,b) is said to be convex func-

tion if for every x1 , x2 , ..., xn ∈ (a, b) and for every α1 , α2 , ..., αn ∈ (0, 1)

and α1 + α2 + ... + αn = 1, we have

f (α1 x1 + α2 x2 + ... + αn xn ) ≤ α1 f (x1 ) + α2 f (x2 ) + ... + αn f (xn ).

Note

• If the function f is continuous and has a non-negative second deriva-

tive (đạo hàm cấp hai không âm) on (a,b) then f is convex on (a,b).

The function f (x) = x2 is convex function on R.

Functions f (x) = −logx, f (x) = xlogx is convex function on (0,+∞)

Proposition 5.1.4: Jensen’s inequality

Let (Ω, F, P) a probability space, φ : R → R be a convex functions.

If X, φ(X) are integrable random variables, then

E(φ(X)) ≥ φ(E(X))

12
1.5.2 Variance

Definition 5.2.1 Assume X is a random variable. Then the number

DX := E(X − EX)2

(if exists) is called the variance of X .

The variance of the random variable X is also denoted by Var(X).

Comment 5.2.2 From Definition 5.2.1 and from the property of expec-

tations, we đeuce that the variance of the random variable X may or

may not exists and if it exists can be calculated by the formula



 (xi − EX)2 pi
P
if X discrete and P(X = xi ) = pi


V ar(X) = Z +∞
(x − EX)2 p(x)dx if X continuous have density function p.




−∞
Properties 5.2.3

(1) Var(X)=E(X)2 − (E(X))2 .

(2)Var(X) ≥ 0.

(3)Var(X)=0 iff X = EX = C (almost surely convergence)

(4) Var(CX)=C2 V arX. (C constant)

(5) Chebyshev’s inequality

Assume X is any random variable. If exists VarX then for every ε > 0,

we have
V arX
P(|X − EX| ≥ ε) ≤ ε2 .

Proof

13
(1)

VarX = E(X − EX)2 = E(X 2 − 2X.EX + (EX)2 )

= E(X 2 ) − 2EX.EX + (EX)2 = EX 2 − (EX)2

(2)Because (X − EX)2 ≥ 0, V arX = E(X − EX)2 ≥ 0.

(4) We have

V ar(CX) = E(CX − ECX)2 = E(C 2 (X − EX)2 )

= C 2 E(X − EX)2 = C 2 V arX.

(5)LetY = |X − EX|2 ≥ 0.

Applying the Markov inequality to the random variable Y we get:

EY V arX
P(|X − EX| ≥ ε) = P(Y ≥ ε2 ) ≤ ε2 = ε2 .

Theorem 5.2.4

If X1 , ...Xn are pairwwise independent random variable with finite vari-

ances, then

V ar(X1 + ... + Xn ) = V ar(X1 ) + ... + V ar(Xn ).

Definition 1.5.2.4

(1) A finite set including n elements is called n − set.

(2) Let n − set S . A familyF ⊂ 2S (2S :the set of all subsets of S) is

called antichain if no set of F is contained in another.

(3) Given the set S . Let F = {(Ai , Bi ), i = 1, 2, .., k} be family of pair

of subsets of S . Then,F is called (k, l) − system if |Ai | = k, |Bi | = l,

Ai ∩ Bi = ∅ for all i and Ai ∩ Bj ̸= ∅ for all i ̸= j .

14
15
Chương 2

SOME PROBLEMS IN THE

THEORY OF SET EXTREMELY
SOLUTION BY PROBABILITY
METHOD

In this chapter we solve some problems in the theory of finite extremely

by probability method.

Bài toán trong lý thuyết tập hợp cực trị hữu hạn thường có dạng: cho

một (họ) tập F thỏa mãn một số điều kiện cho trước. Tìm max|F| hoặc

min|F| (hoặc chặn trên, dưới),với |F| ký hiệu là số phần tử của F . Khi

nào xảy ra dấu bằng. Chẳng hạn,

• Cho F là một họ giao các tập con của n−tập X. Giả sử bất kỳ hai

phần tử nào của F cũng có giao khác rỗng. Hỏi giá trị lớn nhất có thể

có của |F| là bao nhiêu?

• Cho F là một họ các tập con của n−tập X. Giả sử hai phần tử A, B

16
nào của F cũng có A ∪ B ̸= X . Hỏi giá trị lớn nhất có thể có của |F|

là bao nhiêu?

• Cho F là một họ các tập con của n−tập X. Giả sử hai phần tử A, B

nào của F cũng có A ∩ B ̸= ∅ and A ∪ B ̸= X . Hỏi giá trị lớn nhất có

thể có của |F| là bao nhiêu?

2.1 Some inportant theorems

• Erdos-Ko-Rado Theorem

họ giao Fcác tập k -tập con của một n−tập X(k ≤ n/2) có không
Một 

 n−1 
quá  phần tử.
k−1
Chứng minh

Đặt X := {0, 1, 2, .., n − 1}. Với s ∈ X , ký hiệu Bs := {s, s + 1, ..., s +

k − 1} trong đó các số mod n.

Ta nhận thấy trong số các tập Bs có không quá k tập nằm trong

F . Thật vậy, giả sử B0 ∈ F . Như vậy có đúng 2k − 2 tập khác là

Bi , −(k − 1) ≤ i ≤ k − l có giao khác rỗng với B0 . Tuy nhiên các cặp

Bi và Bi+k lại rời rạc nên ngoài B0 ra, F chỉ chứa nhiều nhất là k − 1

tập Bs .

Với σ là một hoán vị của X , ta đặt σ(Bs ) := {σ(s), σ(s + 1), ..., σ(s +

k − 1)}, ký hiệu L := {(σ, s)|σ(Bs ) ∈ F}. Từ nhận xét ngay trên ta có

17
|L| ≤ k(n!). Mặt khác với mỗi s và phần tử A ∈ F cố định, có đúng

k!(n−k)! hoán vị σ mà σ(Bs ) = A. Do đó |L| = n|F|k!(n−k)!. Như vậy

 
kn!  n−1 
|F| ≤ = .
nk!(n − k)!
k−1
• Sperner Theorem

Cho F là một họ các tập con một n-tập X thỏa mãn A ⊈ B với
 của 
 n 
mọi A, B ∈ F . Ta có |F| ≤  .
n
[2]
• Bất đẳng thức Lubell-Yamamoto-Meshalkin

Cho F là một họ không so sánh được các tập con của tập n phần tử X

thảo mãn A ⊈ B với mọi A, B ∈ F . Gọi ak là số các k -tập con thuộc

F . Khi đó

n
X ak
  ≤ 1.
 n 
k=0
 .
k
• De Bruijn Erdos Theorem

Cho F là một họ các tập con của một n-tập X thỏa mãn:

(i) |F| ≥ 2, và |A| ≥ 2, ∀A ∈ F .

(ii) Với 2 phần tử bất kỳ x, y ∈ X tồn tạo duy nhất A ∈ F với x, y ∈ A.

Khi đó |F| ≥ n. Problem 1 Given A is a subset of n − set S . Consider

trial choosing randomly one permutation of n − set S . Let E be the

event which A appears as the initial segment of permulation. Show that

18
 1
P (E) = |A|
,
Cn
where |A| is the number of elements of A.

Proof

Let k be the number of elements of A (0 < k < n). Then, the number

of arrangements of k elements of A which appears as the initial segment

of permutation, is k!. Then number of arrangements (n − k) remaining

elements of S is (n − k)!.

Hence,there are k!(n − k)! results of trial which E occurs. The number

of elements of sample space is n!. Therefore, we have

k!(n − k)! 1
P (E) = = n.
n! Ck
Problem 2 Let F be an antichain of n − set. Prove that

X 1
|A|
≤ 1.
A∈F Cn
Proof

Choose randomly a permulation of n − set. For each A ∈ F , EA denote

the set A appears as the initial segment of permulation. By Problem 1,

1
P (E) = |A| . We need to show that
Cn

X
P (EA ) ≤ 1.
A∈F

19
We only need to prove that the family {EA : A ∈ F} is pairwise disjoint.

Indeed, suppose that there exit A, B ∈ F, A ̸= B and EA ∩ EB ̸= ∅.

Then, A and B appear as the initial part of permulation, and so A ⊂ B

or B ⊂ A.

This contradicts hypothesis that F is an antichain.

This yields the desired conclusion.

Since Problem 2, we obtain the following corollary.

Problem 3 Let F be an antichain of n − set and ni be the number of

i − sets in F . Prove that

n
X ni
i
≤ 1.
i=1
C n

Problem 4 Let F be an antichain of n − set. Prove that

|F| ≤ Cn[n/2] .

Proof

The function f (i) = Cin is maximized at i = [n/2]. Then,

n n
X ni X ni
[n/2]
≤ i
≤ 1.
i=1 Cn i=1
C n
1
( ni=1 ni ) ≤ 1, and so
P
It yields that [n/2]
Cn

|F|
[n/2]
≤ 1.
Cn

20
The proof is completed.

Problem 5 Given the n − set S and k < n. Prove that F = {(A <

S \ A) : A ⊂ S, |A| = k} is (k, l)-system, where l = n − k .

Proof

It is clear that A ∩ (S \ A) = ∅ for all A.

For every A, B ⊂ S, A ̸= B, |A| = |B| = k, suppose that A∩(S\B) = ∅.

Then, for every x ∈ A, we have x ∈

/ S \ B , and so x ∈ B. This yields

A ⊂ B.

Since |A| = |B| = k then A = B.

This contradicts A ̸= B . Therefore, A ∩ (S \ B) ̸= ∅.

Hence, F is an (k, l)-system.

Problem 6 Let F = {(Ai , Bi ) : i = 1, 2, ..., h} is an (k, l)-system.

Prove that

k
h ≤ Ck+l

Proof

Đặt E = ∪hi=1 (Ai ∪ Bi ) và giả sử E có n phần tử. Xét không gian biến

cố sơ cấp là các hoán vị σ của E . Với mỗi i, 1 ≤ i ≤ h, gọi Ei là biến cố

mà mọi phần tử Ai đều đứng trước mọi phần tử của Bi . Khi đó số biến

cố thuận lợi cho Ei là Cnk+1 × (n − k − l)! × k! × l!. Do đó

Cnk+l × (n − k − l)! × k! × l! 1
P(Ei ) = = k .
n! Ck+l

21
Ta có các biến cố Ei là đôi một xung khắc. Thật vậy, không mất tính

tổng quát ta giả sử có hoán vị σ ∈ E1 ∩E2 ̸= ∅ sao cho phần tử cuối cùng

của A1 không xuất hiện sau phần tử cuối cùng của A2 . Khi đó do mọi

phần tử của A2 đều đứng trước mọi phần tử của B2 nên A1 ∩ B2 ̸= ∅.

Dẫn đến mâu thuẫn. Như vậy, tất cả các biến cố Ei đôi một xung khắc

nhau. Từ đó

h
X
1≥ P(∪hi=1 Ei ) = k
P(Ei ) = hCk+l .
i=1

2.2 Some solution method

2.2.1 Khoảng cách Hamming-Chặn Plotkin

Cho n là số nguyên dương, ký hiệu

[0, 1]n = {x1 x2 ...xn |xi ∈ {0, 1}, i = 1, 2, ..., n}

là tập tất cả các xâu nhị phân độ dài n.

Định nghĩa 2.2.1.1 Cho hai xâu nhị phân x = x1 ...xn và y = y1 ...yn .

Khi đó khoảng cách giữa hai xâu x và y được định nghĩa là

d(x, y)= số vị trí i mà xi ̸= yi

Khoảng cách này gọi là khoảng cách Hamming thỏa tất cả các điều kiện

của một khoảng cách

• d(x, y) = 0, ∀x ∈ [0, 1]n

• d(x, y) > 0, ∀x ̸= y ∈ [0, 1]n

22
• d(x, y) = d(y, x), ∀x, y ∈ [0, 1]n

• d(x, z) ≤ d(x, y) + d(y, z), ∀x, y, z ∈ [0, 1]n

Định nghĩa 2.2.1.2 Cho d là số nguyên dương. Gọi C là tập hợp tất

cả các xâu nhị phân trong [0,1] sao cho

d(x, y) ≥ d, ∀x ̸= y ∈ C

Định lý 2.2.1.3 (PLOTKIN)

Cho n, d là các số nguyên dương. Đặt M = |C|. Khi đó

(1) Nếu d chẵn, 2d > n thì

d
M ≤ 2[ ]
2d − n
(2) Nếu d lẻ, 2d + 1 > n thì

d+1
M ≤ 2[ ]
2d + 1 − n
Ví dụ 2.2.1.4 Trong một cuộc thi có n thí sinh và p giám khảo, ở đó

n, p là các số nguyên dương, p > 2, Mỗi giám khảo đánh giá từng thí

sinh và cho kết luận thí sinh đó đỗ hay trượt. Giả sử k là số thỏa mãn

điều kiện: với hai giám khảo tùy ý, số thí sinh mà họ cho kết

quả giống nhau nhiều nhất là k . Chứng minh rằng

k p−2
≤
n 2(p − 1)

23
Chứng minh: Giả sử n thí sinh là S1 , S2 , .., Sn . Mỗi giám khảo cho tương

ứng với một xâu nhị phân độ dài n: x1 x2 ...xn với xi = 1 nếu thí

sinh Si đỗ và xi = 0 nếu thí sinh Si rớt. Theo điều kiện bài toán

thì d = n − k . Xét hai trường hợp

(1) Nếu 2(n − k) ≤ n thì

k 1 p−2
≥ >
n k 2(p − 1)
(2) Nếu 2(n − k) > n xét hai khả năng xảy ra

• Nếu n − k chẵn, thì

 n−k n−k 2(n − k)

p≤2 ]≤2 = .
2(n − k) − n 2(n − k) − n n − 2k
Do đó

k p−2
p(n − 2k) ≤ 2n − 2k → ≥
n 2(p − 1)
• Nếu n − k -lẻ, thì

 n−k+1 n−k+1 2(n − k + 1)

p≤2 ]≤2 = .
2(n − k) + 1 − n 2(n − k) + 1 − n n − 2k + 1
Do đó

k p−2 n+1 p−2

p(n − 2k + 1) ≤ 2n − 2k + 2 → ≥ × >
n 2(p − 1) n 2(p − 1)
Bài toán được chứng minh hoàn toàn.

24
 Example 2.2.1.4 In a constest have n contestant và p judge, where

n, p are positive integers, p > 2, each judge evaluates each contestant

and gives the conclusion that the contestant passed or failed. Assume k

is a number satisfying the condition: for two arbitrary judges, the

number of contestant with the most similar results is k . Prove

that

k p−2
≤
n 2(p − 1)
Proof: Suppose n candidates are S1 , S2 , .., Sn . Each examiner gives a

binary string of length n: x1 x2 ...xn with xi = 1 If contestant Si

passes and xi = 0 if contestant Si failed. According to the problem

condition then d = n − k . Consider two cases

(1) If 2(n − k) ≤ n the

k 1 p−2
≥ >
n k 2(p − 1)
(2) If 2(n − k) > n consider two possibilities

• If n − k even, then

 n−k n−k 2(n − k)

p≤2 ]≤2 = .
2(n − k) − n 2(n − k) − n n − 2k
Therefore

25
 k p−2
p(n − 2k) ≤ 2n − 2k → ≥
n 2(p − 1)
• If n − k -odd, then

 n−k+1 n−k+1 2(n − k + 1)

p≤2 ]≤2 = .
2(n − k) + 1 − n 2(n − k) + 1 − n n − 2k + 1
Therefore

k p−2 n+1 p−2

p(n − 2k + 1) ≤ 2n − 2k + 2 → ≥ × >
n 2(p − 1) n 2(p − 1)
The problem is completely proven.

2.2.2 Sử dụng các nguyên lý tổ hợp

Ví dụ 2.2.2.1 Cho n tập hợp A1 , A2 , ..., An thỏa mãn


|Ai | = 30 ∀i = 1, 2, ....n






 |Ai ∩ Aj | = 1 ∀i ̸= j



 Ai ∩ Aj ∩ ... ∩ An = ∅


Chứng minh n < 872

(1) Giả sử n ≤ 872. Xét tập hợp A1 ,|A1 | = 30. Do

|Ai ∩ A1 | = 1, ∀i = 2, 3, .., n

26
Theo nguyên lý Dirichlet, tồn tại phần tử a ∈ A1 thuộc vào ít nhất là

n 872
[ ]+ ≥ + 1 = 30
30 30
tập hợp. Không mất tính tổng quát, gọi các tập hợp đó là A2 , A3 , ...A3 1.

(2) Vì A1 ∩ A2 ∩ ... ∩ An = ∅, nên tồn tại một tập B trong số các tập

A3 2, ..., An không chứa phần tử a.

(3) Xét 31 tập hợp A2 , A3 , ..., A3 1 và B với a ∈ Aj , ∀j = 2, 3, ..., 30 và

a∈
/ B.

• |Aj ∩ B| = 1, ∀j = 2, 3, ..., 31 các tập Aj đều chứa a, còn B không

chứa a, nên {xj } = Aj ∩ B thì xj ∈ B\{a}.

• Có 31 phần tử x2 , .., x31 trong tập B\{a}, mỗi phần tử trong chúng

thuộc vào ít nhất một tập hợp trong 30 tập Aj , j ∈ {2, ..., 31}, nên

tồn tại một phần tử xt với t ∈ {2, 3, ..., 29} thuộc vào hai tập hợp

Ar , As (r, s ∈ {2, 3, ..., 31})

• Khi đó {a, xt } ⊂ Ar ∩ As , mâu thuẫn với giả thiết |Ar ∩ As | = 1.

Vậy điều giả sử là sai. Bài toán được chứng minh.

Ví dụ 2.2.2.2 Cho A1 , A2 , ..., Ak là các tập con của X = {1, 2, .., 10}

sao cho


|Ai | ≥ 5 ∀i = 1, 2, ..., k



 |Ai ∩ Aj | ≤ 2 ∀1 ≤ i < j ≤ k


Tìm giá trị lớn nhất có thể có của k .

27
Chứng minh: Với mỗi i ∈ X , đặt

ni = |{j ∈ {1, 2, ..., k|i ∈ Aj }}|

tức đếm số tập hợp trong A1 , A2 , .., Ak chứa phần tử i. Khi đó

10
X k
X
ni = |Ak | ≥ 5k = 35.
i=1 j=1

Do đó phải tồn tại chỉ số i0 sao cho ni0 ≤ 4, vì nếu tất cả ni ≤ 3 thì
P10
i=1 ni ≤ 3 × 10 = 30, mâu thuẫn với đánh giá trên. Tức là tồn tại một

phần tử i0 trong X thuộc ít nhất 4 tập hợp trong k tập A1 , A2 , ..., Ak .

Không mất tính tổng quát, giả sử i0 thuộc vào 4 tập hợp A1 , A2 , A3 , A4 .

Khi đó với mọi 1 ≤ i < j < t ≤ 4 thì

|Aj ∩ Aj ∩ At | ≥ |A1 ∩ A2 ∩ A3 ∩ A4 | ≥ 1.

Theo nguyên lý IE (inclusion - exclusion principle) thì

10 = |X| ≥ |A1 ∪ A2 ∪ A3 ∪ A4 |

= 4i=1 |Ai | − i≤i<j≤4 |Ai ∩ Aj | + i≤i<j<t≤4 |Ai ∩ Aj ∩ At | − |A1 ∩

P P P

A2 ∩ A3 ∩ A
4 |   
 4   4 
≥ 4 × 5 −   × 2 + (  − 1) × 1 = 11
2 3
mâu thuẫn. Do đó diều giả sử là sai. Suy ra k ≤ 6. Vậy k = 6.

Ví dụ 2.2.2..5 Cho 2005 tập hợp, mỗi tập hợp có 44 phần tử. Biết rằng

hai tập hợp bất kỳ đều có đúng một phần tử chung. Chứng minh rằng

28
tồn tại một phần tử thuộc tất cả 2005 tập hợp đã cho.

Giải: Ta có 2005 tập hợp, mỗi tập có 44 phần tử nên có tối đa là 2005×44

phần tử. Với x là một phần tử bất kỳ trong chúng, đặt

nX = {số tập hợp trong 2005 tập hợp mà chứa phần tử x}∈ R

Vì {nX }X ⊂ R là hữu hạn nên tồn tại phần tử lớn nhất trong chúng,

mà ta giả sử luôn là x. Tức x là phần tử thuộc nhiều tập hợp nhất, gọi

các tập hợp này là A1 , A2 , ..., Ak . Nếu k = 2005 tập hợp, không chứa x.

Theo giả thiết bài toán

x1 = B ∩ A1 ̸= x,

x2 = B ∩ A2 ̸= x,

dễ thấy x1 ̸= x2 vì nếu không thì x1 = x2 ∈ A1 ∩ A2 , trong khi đó

theo điều kiện bài toán thì A1 ∩ A2 = x duy nhất. Tương tự B sẽ chứa

các phần tử xi , i = 1, .., k . Tuy nhiên B chỉ chứa đúng 44 phần tử nên

k ≤ 44. Vì vậy B có giao khác rỗng với nhiều nhất là

42 = 1936 < 2004

tập hợp, mâu thuẫn với giả thiết B có giao khác rỗng với 2004 tập hợp

còn lại.

Vậy điều giả sử là sai, tức k = 2005. Bài toán được giải xong.

29