「营业日志 2021.2.5」反射容斥的代数推导

设 $Q(x,t)$ 是由 { 1 ‾ , 1 } \{\overline 1,1\} {1,1} 所构成的游走方案，即 $Q(x,t)={\sum }_{n,k}{a}_{n,k}{x}^n{t}^k$ 表示从 $0$ 位置走 $k$ 步，最后走到 $n$ 位置，且过程中坐标均 $\ge 0$ 的方案数。

首先这个方程应该大致长这样：

$$Q(x,t)=1+(\overline{x}+x)tQ(x,t)-\overline{x}tQ(0,t)$$

其中 $\overline{x}=x^{-1}$。

于是就有

$$K(x,t)\cdot xQ(x,t)=x-tQ(0,t)$$

此时我们代入 $x\mapsto \overline{x}$，注意到 $K(x,t)=1-(\overline{x}+x)t$ 在作用下不变，就有了第二个方程

$$K(x,t)\cdot \overline{x}Q(\overline{x},t)=\overline{x}-tQ(0,t)$$

两式做差，就有

$$\begin{array}{rl}K(x,t)\cdot (xQ(x,t)-\overline{x}Q(\overline{x},t))& =x-\overline{x}\\ xQ(x,t)-\overline{x}Q(\overline{x},t)& =\frac{x-\overline{x}}{1-(\overline{x}+x)t}\end{array}$$

接下来是一个重要观察，$xQ(x,t)$ 的系数全都在 $x$ 的正次幂，而 $\overline{x}Q(\overline{x},t)$ 的系数全在负次幂，因此 $Q(x,t)$ 的系数和

$$\frac{1-\overline{x^2}}{1-(\overline{x}+x)t}$$

的非负次项是一致的！将式子展开，我们就得到了和反射容斥相同的结果。

这样方法在高维情况具有一些扩展，参看 Counting walks with large steps in an orthant, Journal of the European Mathematical Society, Alin Bostan, Mireille Bousquet-Mélou, Stephen Melczer。