第 39 章 全正矩阵¶
前置：行列式 (Ch03) · 正定矩阵 (Ch16) · 矩阵分析 (Ch14)
本章脉络：全非负 (TN) 与全正 (TP) 矩阵定义（所有子式非负/正） \(\to\) 典型实例（Vandermonde, Cauchy, Pascal 矩阵） \(\to\) 核心结构：双对角分解 (Bidiagonal Factorization) \(\to\) 谱性质：特征值的实性、正性与互异性 \(\to\) 变号减小性质 (Variation-Diminishing Property) \(\to\) 振荡矩阵 (Oscillatory Matrices) \(\to\) 应用：样条函数逼近、统计学（对数凹密度）、组合数学
延伸：全正性是比正定性更苛刻的约束；它要求矩阵的每一个“细节”（子式）都具备正性，揭示了算子在保持数据单调性和平滑性方面的极高天赋，是连接连续分析与离散组合的桥梁
如果说正定矩阵要求二次型为正，那么全正矩阵（Totally Positive Matrix）则要求得更多：它的每一个子式（不仅仅是主子式）都必须是非负的。这种极端的结构约束赋予了全正矩阵一系列令人惊叹的性质，如特征值全为正且互不相同，以及能够减小向量的变号次数。本章将深入这一兼具代数美感与组合深度的领域。
39.1 定义与经典实例¶
定义 39.1 (全非负与全正矩阵)
矩阵 \(A \in M_{m \times n}(\mathbb{R})\) 称为： 1. 全非负 (TN)：若 \(A\) 的所有子式（任何阶数的子矩阵的行列式）均 \(\ge 0\)。 2. 全正 (TP)：若 \(A\) 的所有子式均 \(> 0\)。
例 39.1 (典型全正矩阵)
- Vandermonde 矩阵：当节点 \(0 < x_1 < x_2 < \cdots < x_n\) 时，其全正性源于多项式的单调性。
- Cauchy 矩阵：条目 \(a_{ij} = 1/(x_i + y_j)\) 在特定节点下是 TP 阵。
- Pascal 矩阵：由组合数构成的矩阵是全非负的。
39.2 核心性质：变号减小 (VDP)¶
定理 39.1 (变号减小性质)
设 \(A\) 为全非负矩阵。若向量 \(\mathbf{y} = A\mathbf{x}\)，则 \(\mathbf{y}\) 的分量变号次数不会超过 \(\mathbf{x}\) 的分量变号次数： $\(V(A\mathbf{x}) \le V(\mathbf{x})\)$ 物理意义：全非负矩阵作为线性算子，具有极强的“平滑”作用，能够抑制信号的震荡。
39.3 谱性质与双对角分解¶
定理 39.2 (TP 矩阵的谱)
若 \(A\) 是 \(n \times n\) 全正矩阵，则其特征值 \(\lambda_1, \lambda_2, \ldots, \lambda_n\) 满足： $\(\lambda_1 > \lambda_2 > \cdots > \lambda_n > 0\)$ 结论：特征值全为正实数且严格互异。
技术：双对角分解
每一个非奇异的 TN 矩阵都可以分解为一系列简单的非负双对角矩阵的乘积。这证明了全正性可以通过相邻元素的局部正性组合来生成。
练习题¶
1. [判定] 判定 \(\begin{pmatrix} 1 & 1 \\ 1 & 2 \end{pmatrix}\) 是否为全正矩阵。
参考答案
检查所有子式： 1. \(1 \times 1\) 子式：\(1, 1, 1, 2\)。全为正。 2. \(2 \times 2\) 子式：\(\det = 1 \cdot 2 - 1 \cdot 1 = 1 > 0\)。 结论：由于所有子式均为正，它是全正 (TP) 矩阵。
2. [反例] 若一个矩阵是对称正定的，它一定是全正的吗？
参考答案
结论：不一定。 反例：\(A = \begin{pmatrix} 2 & 1.5 \\ 1.5 & 2 \end{pmatrix}\)。 虽然正定，但考虑其 \(2 \times 2\) 子式均满足要求。然而若矩阵维数更高，例如存在负元素，则虽然主子式为正（正定），但包含该负元素的 \(1 \times 1\) 子式为负，违反全正性。全正性要求所有子式为正，包括非主子式。
3. [VDP] 向量 \(\mathbf{x} = (1, -1, 1)^T\) 的变号次数是多少？
参考答案
计数： 1. 从 1 到 -1：第 1 次变号。 2. 从 -1 到 1：第 2 次变号。 结论：变号次数 \(V(\mathbf{x}) = 2\)。
4. [性质] 证明：若 \(A\) 是 TP 矩阵，则其转置 \(A^T\) 也是 TP 矩阵。
参考答案
证明： 1. \(A^T\) 的子式是 \(A\) 的对应子矩阵转置后的行列式。 2. 矩阵转置不改变行列式的值。 3. 既然 \(A\) 的所有子式为正， \(A^T\) 的所有子式也必为正。
5. [特征值] 若 \(A\) 是 \(3 \times 3\) 全正矩阵，其特征值可能为 \(\{4, 4, 1\}\) 吗？
参考答案
结论：不可能。 理由：根据 TP 矩阵的谱性质，特征值必须是严格互异的单根。重根的存在意味着矩阵在某种程度上具有简并性，这与全正性的严格约束矛盾。
6. [Pascal] 写出 \(2 \times 2\) 的下三角 Pascal 矩阵并验证 TN 性。
参考答案
构造： \(L = \begin{pmatrix} 1 & 0 \\ 1 & 1 \end{pmatrix}\)。 子式检查：\(1, 0, 1, 1 \ge 0\) 且 \(\det=1 \ge 0\)。 结论：它是全非负 (TN) 矩阵。
7. [乘积] 两个 TN 矩阵的乘积还是 TN 矩阵吗？
参考答案
结论：是的。 证明要点：利用 Binet-Cauchy 公式。乘积矩阵的 \(k\) 阶子式等于因子矩阵 \(k\) 阶子式的某种加权组合。由于所有因子子式均非负，加权和也必非负。
8. [振荡矩阵] 什么是振荡矩阵？它与 TN 矩阵有什么关系？
参考答案
定义：一个 TN 矩阵 \(A\) 称为振荡矩阵，如果存在某个正整数 \(k\) 使得 \(A^k\) 是全正的 (TP)。 判定：不可约的 TN 矩阵且对角元严格为正，通常就是振荡矩阵。
9. [应用] 为什么样条插值（Splines）中使用全正矩阵？
参考答案
核心理由： 全正矩阵的变号减小性质（VDP）保证了插值曲线不会在数据点之间产生不必要的震荡。它确保了函数的局部单调性能被代数算子完美保持。
10. [极限] 随着矩阵阶数 \(n \to \infty\)，全正矩阵的条件数通常表现如何？
参考答案
数值特征： 全正矩阵通常是极度病态的。 由于特征值之间存在严格的衰减链 \(\lambda_1 > \lambda_2 > \cdots\)，对于许多经典实例（如 Hilbert 阵），最小特征值会迅速趋于 0，导致条件数爆炸。
本章小结¶
全正矩阵是线性代数中最具“秩序感”的一类算子：
- 全局的正性：它要求每一个局部的行列式细节都指向正方向，这种苛刻的约束导致了全局谱结构的极端稳定。
- 平滑的守卫：变号减小性质证明了全正矩阵在本质上是“抗震荡”的，是样条理论和逼近论的数学基石。
- 组合的美学：通过双对角分解，全正矩阵将复杂的行列式关系简化为简单的相邻元素交互，架起了连续分析与离散组合数学之间的桥梁。