# 統計学における自由度について解説！不偏分散・t分布・カイ二乗分布の自由度とは？

> 当サイト【スタビジ】の本記事では、自由度について解説してきます。自由度とは「自由に決めることのできるパラメータの数」と定義されており、主に検定などでよく使われている概念です！今回は自由度の定義とよく使われる例について解説します！

- URL: https://toukei-lab.com/dof
- 公開: 2023.06.27 / 更新: 2023.08.26
- サイト: スタビジ（https://toukei-lab.com）

:::talk{who="umatan"}
当サイト【スタビジ】の本記事では、自由度について解説してきます。自由度とは「自由に決めることのできるパラメータの数」と定義されており、主に検定などでよく使われている概念です！今回は自由度の定義とよく使われる例について解説します！
:::

こんにちは！

データサイエンティストのウマたん([@statistics1012](https://twitter.com/statistics1012?lang=ja))です！

今回は自由度について解説していきます！自由度とは<mark>「自由に決めることのできるパラメータの数」</mark>と定義されています。しかし統計学を学び始めた初心者の方が理解するのに難しい概念の一つであり、自由度を決めることでどういったメリットがあるのかいまいち分からないところがあるかもしれません。

例えば標本分散になぜ$n-1$が使われるのか、あるいは分布で使われる自由度はなぜそうなるのか理解が難しいところがあります。

:::talk{who="robotan" side="left"}
自由度はよく見るけど、自由度ってなんだっけ…？となることがある…
:::

:::talk{who="umatan" side="right"}
この記事は学び始めた方だけでなく、ある程度統計を勉強して復習したい人にピッタリだと思うよ！
:::

この記事では、自由度の定義とその例について解説します！

:::point
**・自由度について解説！**\
**・自由度の例について解説！**
:::

以下のYoutube動画でも解説していますのであわせてチェックしてみてください！

::youtube{#nMo66D2elt4}

## 自由度について解説！

![Analytics](/wp-content/uploads/2020/12/Analytics-amico-min-e1630472567815-1024x706.png)

早速、自由度の解説をしていきましょう！

自由度とは<mark>「自由に決めることのできるパラメータの数」</mark>と定義されていますが、この「自由に決める」という箇所が難しいところです。

ここで標本平均について考えていきましょう！

例えばサンプルサイズ4のデータを持っており、[標本平均](/median-mean-mode)は4であるとわかりました。したがって以下のような式が成り立ちますね！

$\frac{a+b+c+d}{4}=4$

そこでa=1、b=2、c=3と仮定したとき、dは必然的に10となります！したがって<mark>「４つの値のうち、3つの値を自由に決めれば、必然的に残り１つの値が決定される」</mark>ことがわかりますね！

したがって自由度の定義である「自由に決めることのできるパラメータの数」は３です！このように基本的には「<mark>サンプルサイズnから1を引いた値」</mark>が自由度になることが多いです。

## 自由度の例について解説！　～不偏分散～

![Stories](/wp-content/uploads/2021/08/Google-sitemap-amico-min-1024x1024.png)

自由度の例として不偏分散を取り上げましょう！

不偏分散は<mark>「偏差の2乗の合計を$n-1$で割った値」</mark>ですが、$n-1$で割る理由は何故でしょうか？今回は自由度の観点から確認していきましょう！

またこちらの記事では[標本分散と不偏分散](/variance)について解説しているのでぜひ見てくださいね！

<https://toukei-lab.com/variance>

いきなり不偏分散からではなく、標本分散から見ていきましょう！標本分散の式は以下の通りです！

$σ^{2} = \frac{1}{n}(x_{i}-\bar{x})^{2}$

そして標本平均$\bar{x}$は以下の通りになりますね！

$\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_{i}$

このとき標本平均$\bar{x}$は先程の解説から、自由度（自由に決めることができるパラメータ）は$n-1$ですね！

そして標本分散の方も$x_{i}(i=1,2,…,n-1)$で自由に決めることで、$x_{n}$は自動的に値が決まってしまうことが考えられますね！

したがってこの標本平均の式は<mark> $x_{i}$1個分の情報量がなくなっているので、それにあわせて$n-1$で割ることで、正確に分散が推定できる</mark>と考えられます！これが不偏分散の正体となります。

:::talk{who="robotan" side="left"}
不偏分散の解説では統計量の不偏性で説明することがほとんどだけど、こんな考え方で説明できるんだね！
:::

:::talk{who="umatan" side="right"}
その通り！僕たちがよく使っている自由度の決め方や統計量の自由度について理解が深まったかな？
:::

## t分布やカイ二乗分布の自由度について解説！

![Data Trends](/wp-content/uploads/2020/12/Data-Trends-amico-min-e1615808046774-1024x913.png)

次に[統計的検定](/%e6%a4%9c%e5%ae%9a)の[t検定](/t-test)や[カイ二乗検定](/chisq-test)で用いられるt分布・カイ二乗分布の自由度について説明します！

まずはt検定！

t検定では統計量tを求めて、その統計量がt分布においてどのくらいの確率で起きうる値なのかを算出して統計的な違いを確認していきます。

ちなみにt検定には以下のようなパターンがあります。

:::box
**・1標本の場合のt検定**\
**・2標本の場合のt検定（[標本分散](/variance)が等しい）**\
**・2標本の場合のt検定（[標本分散](/variance)が等しくない）**
:::

それでは1標本の場合のt検定はどのようなアプローチになるのでしょうか？

1標本の場合のt検定の統計量tは以下のように求めます。この時の$s$は標本の標準偏差を意味しています！

$t = \frac{\bar{x}-μ}{\frac{s}{\sqrt{n}}}$

そして、この統計量tは自由度がn-1のt分布に従うことが分かっています。

先ほどの不偏分散と同じ要領で1標本において標本平均は自由に取れる値がn-1になるので、統計量tも自由度n-1のt分布に従うことになるんです！

一方で、2標本の場合の統計量tはどうなるでしょう？

統計量は以下のようになります。

$$
t = \frac{\bar{x} – \bar{y}}{\sqrt{\frac{1}{m}+\frac{1}{n}}\hat{σ}} ～t(m + n – 2)
$$

2標本の場合は各標本のサンプルサイズを足したものから2を引いた(m + n – 2)の自由度に従うことになるのです！

これも同じ要領であることが分かりますね。

t検定に関しては以下の記事で詳しく解説していますのでチェックしてみてください！

<https://toukei-lab.com/t-test>

続いてカイ二乗検定です。

カイ二乗検定は一見難しそうな検定なのですが、<mark>概念自体は非常に簡単。</mark>

具体的な例を挙げて見ていきましょう！

あるメールABの効果を確かめるためにランダムに振り分けたセグメントに配信を行いました。結果は以下の通り。

<table class="table">
<tbody>
<tr>
<td></td>
<td>クリックしなかった数</td>
<td>クリックした数</td>
<td>配信数</td>
</tr>
<tr>
<td>メールA</td>
<td>1000</td>
<td>60</td>
<td>1060</td>
</tr>
<tr>
<td>メールB</td>
<td>400</td>
<td>40</td>
<td>440</td>
</tr>
<tr>
<td>合計</td>
<td>1400</td>
<td>100</td>
<td>1500</td>
</tr>
</tbody>
</table>

※クリック数はメールからURLをクリックしてWebサイトへ遷移した数と定義します。

この時メールAとメールBでどちらの方が良いと言えるでしょうか？それとも、違いがあるとは言えないのでしょうか？

この時メールAとメールBでどちらの方が良いと言えるでしょうか？それとも、違いがあるとは言えないのでしょうか？

ここで**カイ二乗検定の出番**になります。

次にカイ二乗分布の統計量は以下の通りになっています！

$\chi^{2} = \frac{(n-1)s^{2}}{σ^{2}}$

この統計量をカイ二乗分布に適用させてどのくらいの確率で起きうるのかを見ていくのです。

そしてこの時の自由度は、(2-1)✕(2-1)=1になります。

イメージとしては、以下のようにメールAのクリックしなかった数が分かると、自ずと他の値も自動的に決まることが分かると思います。

<table class="table">
<tbody>
<tr>
<td></td>
<td>クリックしなかった数</td>
<td>クリックした数</td>
<td>配信数</td>
</tr>
<tr>
<td>メールA</td>
<td>1000</td>
<td></td>
<td>1060</td>
</tr>
<tr>
<td>メールB</td>
<td></td>
<td></td>
<td>440</td>
</tr>
<tr>
<td>合計</td>
<td>1400</td>
<td>100</td>
<td>1500</td>
</tr>
</tbody>
</table>

そのため自由度は1なのです。

もしこの分割表が3✕2だったら自由度は(3-1)✕(2-1)で2となります！

カイ二乗検定に関してはこちらの記事に書いてありますので、ぜひ見てくださいね！

<https://toukei-lab.com/chisq-test>

## 自由度　まとめ

![Happy](/wp-content/uploads/2020/08/Celebration-amico-min-e1618926172675-1024x932.png)\
本記事では自由度についてまとめました！

今回は[標本平均](/median-mean-mode)と[標本分散](/variance)を例に挙げましたが、[標本](/sample)の考え方や自由度が大きくなることでデータの分布が[正規分布](/gauss)に近づく[中心極限定理](/clt)という概念もありますので、ぜひチェックしてみてくださいね！

<https://toukei-lab.com/sample>

<https://toukei-lab.com/clt>

このようなデータサイエンスの力を身に付けるためにはスタビジの記事やスクールを活用すると良いでしょう。

そして僕の経験を詰め込んだデータサイエンス特化のスクール[「スタアカ（スタビジアカデミー）」](https://toukei-lab.com/achademy/)を運営していますので，興味のある方はぜひチェックしてみてください！

### AIデータサイエンス特化スクール「スタアカ」

![スタアカ（スタビジアカデミー）のトップページ](/wp-content/uploads/2026/10/achademy-top.jpg)

<table class="table">
<tbody>
<tr>
<th>【価格】</th>
<td>ライトプラン：1,280円/月（全コースが受講し放題）<br>
プレミアムプラン：129,800円（通常149,800円・買い切り）</td>
</tr>
<tr>
<th>【オススメ度】</th>
<td><span class="stars" role="img" aria-label="5点中5点" data-value="5"></span></td>
</tr>
<tr>
<th>【サポート体制】</th>
<td><span class="stars" role="img" aria-label="5点中4点" data-value="4"></span></td>
</tr>
<tr>
<th>【受講形式】</th>
<td>オンライン形式</td>
</tr>
<tr>
<th>【学習範囲】</th>
<td>統計学・機械学習・ディープラーニングを網羅的に学ぶ<br>
生成AI（LLM・RAG・プロンプトエンジニアリング）を学ぶ<br>
SQLとPythonを組み合わせて実データを使った様々なワークを行う<br>
実践的なビジネスフレームワークを学ぶ<br>
マーケティングの実行プラン策定</td>
</tr>
</tbody>
</table>

データサイエンティストとしての自分の経験をふまえてエッセンスを詰め込んだのがこちらのスタビジアカデミー、略して「[スタアカ](https://toukei-lab.com/achademy/)」！！

当メディアが運営するスクールです。

月額1,280円のライトプランで、統計学から機械学習・生成AIまで全コースが受講し放題です！

<mark>プレミアムプランでは、24時間以内の質問対応と現役データサイエンティストとの1on1（30分×4回）を実施します！</mark>

カリキュラム自体は、他のスクールと比較して圧倒的に良い自信があるのでぜひ受講してみてください！

他のスクールのカリキュラムはPythonでの機械学習実装だけに焦点が当たっているものが多く、実務に即した内容になっていないものが多いです。

<mark>そんな課題感に対して、実務で使うことの多いSQLや機械学習のビジネス導入プロセスの理解などもあわせて学べるボリューム満点のコース</mark>になっています！

Pythonが初めての人でも学べるようなカリキュラムにしておりますので是非チェックしてみてください！

ウォルマートのデータを使って商品の予測分析をしたり、実務で使うことの多いGoogleプロダクトのBigQueryを使って投球分析をしたり、データサイエンティストに必要なビジネス・マーケティングの基礎を学んでマーケティングプランを作ってもらったりする盛りだくさんの内容になってます！

:::box
**・BigQuery上でSQL、Google Colab上でPythonを使い野球の投球分析**\
**・世界最大手小売企業のウォルマートの実データを用いた需要予測**\
**・ビジネス・マーケティングの基礎を学んで実際の企業を題材にしたマーケティングプランの策定**\
**・生成AIのAPIを使ってチャットボットやAIエージェントを作る**
:::

::button[スタアカの受講はこちら]{href="https://toukei-lab.com/achademy/" note="＼今すぐ試す／"}

データサイエンスに関する記事はこちら！

<https://toukei-lab.com/statistics-freshman>

<https://toukei-lab.com/datascience-book>

データサイエンスを勉強できるスクールやサイトは、ぜひこちらを参考にしてみてください！

<https://toukei-lab.com/datascientist-school>