{
  "id": "degrees-of-freedom",
  "title": "自由度",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "自由度描述系统受约束后仍可独立变化的数量，广泛用于数学、统计推断和力学。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "DOF",
    "df"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/degrees-of-freedom/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/degrees-of-freedom/",
      "json": "https://aiwiki.page/en/degrees-of-freedom.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "自由度是指在考虑系统所受约束后，描述系统变化所需的独立量的数目。在数学中，它通常指容许解空间的维数；在统计学中，它通常描述参数估计后剩余的独立变异。在力学中，它指确定系统构型所需的独立坐标数。这些含义都可以从维数的角度理解，不过统计学中的“有效自由度”将这一概念推广到了整数计数之外。(ocw.mit.edu)"
    },
    {
      "heading": "数学解释",
      "text": "在线性代数中，自由度可以通过向量空间的维数来精确定义。考虑一个有解的线性方程组\n\n\\[Ax=b,\\]\n\n其中，\\(x\\) 有 \\(n\\) 个分量，矩阵 \\(A\\) 的秩为 \\(r\\)。其解可写成 \\(x=x_0+v\\)，其中 \\(x_0\\) 是一个特解，且 \\(Av=0\\)。根据秩—零化度定理，解有 \\(n-r\\) 个独立的变化方向。因此，无论写出了多少个方程，解集都有 \\(n-r\\) 个自由度：冗余方程不会增加独立的约束。(ocw.mit.edu)\n\n例如，满足约束 \\(x_1+x_2+x_3=10\\) 的三个实数有两个自由度。一旦选定其中两个，第三个就随之确定。再加入一个原方程的两倍所构成的方程，并不会减少自由度。这里的“独立”是指坐标可以独立指定，不一定意味着观测量之间具有统计独立性。解释统计残差时，这一区别很重要：残差可能满足线性约束，却并非相互独立的随机变量。(ocw.mit.edu)"
    },
    {
      "heading": "样本方差与一个自由度的损失",
      "text": "统计学中的一个重要例子是根据 \\(n\\) 个观测值估计方差。这些观测值与样本均值之差满足\n\n\\[\\sum_{i=1}^{n}(x_i-\\bar{x})=0.\\]\n\n因此，只有 \\(n-1\\) 个离差可以独立指定。估计均值给残差向量施加了一个约束，留下 \\(n-1\\) 个自由度。(ocw.mit.edu)\n\n对于具有有限方差 \\(\\sigma^2\\) 的独立同分布观测值，样本方差\n\n\\[s^2=\\frac{1}{n-1}\\sum_{i=1}^{n}(x_i-\\bar{x})^2\\]\n\n是无偏的，即其期望值等于 \\(\\sigma^2\\)。以 \\(n-1\\) 而不是 \\(n\\) 作为分母，称为贝塞尔校正。这一无偏性结论不要求数据服从正态分布。该校正针对的是方差；对校正后的方差取平方根，通常并不能得到总体标准差的无偏估计量。(arxiv.org)"
    },
    {
      "heading": "推断中的自由度",
      "text": "自由度也是推断所用概率分布的参数。从正态分布中独立抽样时，\n\n\\[T=\\frac{\\bar{x}-\\mu}{s/\\sqrt n}\\]\n\n服从自由度为 \\(n-1\\) 的学生t分布。这一分布考虑了估计总体标准差所引入的不确定性。其分位数决定了常规均值置信区间的宽度。(iso.org)\n\n将高斯随机变异投影到一个子空间后，其平方和也会涉及卡方分布。该分布的自由度对应于这个子空间的维数。因此，自由度将几何约束与统计假设检验所用的参照分布联系起来，而不仅仅是样本量的标记。(arxiv.org)\n\n对于有 \\(r\\) 行、\\(c\\) 列的二维列联表，皮尔逊独立性检验通常采用 \\((r-1)(c-1)\\) 个自由度。当各行、各列的合计数固定时，只要指定左上角 \\((r-1)\\times(c-1)\\) 区块中的数值，其余单元格的数值就随之确定。卡方参照分布是一种近似，其适用程度取决于抽样条件和各单元格的期望频数。(itl.nist.gov)"
    },
    {
      "heading": "回归与残差变异",
      "text": "在用普通最小二乘法拟合的线性回归中，秩为 \\(r\\) 的固定设计矩阵 \\(X\\) 对应 \\(r\\) 个模型自由度。响应变量的拟合值是其在 \\(X\\) 的列空间上的正交投影；残差位于该列空间的正交补中，具有 \\(n-r\\) 个自由度。对于具有 \\(p\\) 个系数的满秩模型，残差自由度就是 \\(n-p\\)。需要估计的截距也算作一个系数。(arxiv.org)\n\n因此，包含截距和斜率的直线模型具有 \\(n-2\\) 个残差自由度。将其残差平方和除以 \\(n-2\\)，便得到通常所用的残差均方。更一般地，当线性均值模型正确，且误差具有相同方差、彼此不相关时，将残差平方和除以 \\(n-r\\) 可得到误差方差的无偏估计。精确的卡方推断还要求误差服从高斯分布。(online.stat.psu.edu)"
    },
    {
      "heading": "有效自由度",
      "text": "在机器学习和统计平滑中，参数个数可能无法充分反映一种方法对数据的适应程度。对于线性拟合规则 \\(\\hat y=Sy\\)，若 \\(S\\) 固定且不依赖于观测到的响应值，常用的有效自由度定义为\n\n\\[\\operatorname{df}_{\\mathrm{eff}}=\\operatorname{tr}(S),\\]\n\n其中，\\(\\operatorname{tr}\\) 表示矩阵的迹。对于普通最小二乘法，这一定义给出的结果就是模型的秩。采用正则化时，例如在岭回归中，通过收缩各变化方向上的分量，可以得到非整数的有效自由度。这一数值并不必然等于精确的残差空间维数，也不一定是参照分布的参数。(arxiv.org)\n\n对于误差相互独立且方差相等的更一般的拟合方法，一个相关定义是\n\n\\[\\operatorname{df}_{\\mathrm{eff}} =\\frac{1}{\\sigma^2}\\sum_i\\operatorname{Cov}(y_i,\\hat y_i).\\]\n\n它通过协方差衡量方法对数据的适应程度，并与训练误差的乐观偏差有关。自适应模型选择可能使其与保留的系数个数相差很大；它不一定具有通常维数的性质。(arxiv.org)"
    },
    {
      "heading": "力学中的用法",
      "text": "在经典力学和机器人学中，自由度是独立构型坐标的数目。自由刚体在平面内有三个自由度——两个平移自由度和一个转动自由度；在三维空间中有六个自由度——三个平移自由度和三个转动自由度。关节及其他独立约束会缩小允许的构型范围。这些是构型自由度，而不是统计观测值或拟合系数的个数。(modernrobotics.northwestern.edu)"
    }
  ],
  "links": [
    "mathematics",
    "statistics",
    "linear-algebra",
    "vector-space",
    "dimension-vector-space",
    "system-of-linear-equations",
    "matrix",
    "matrix-rank",
    "rank-nullity-theorem",
    "statistical-independence",
    "variance",
    "expected-value",
    "bessels-correction",
    "probability-distribution",
    "normal-distribution",
    "students-t-distribution",
    "confidence-interval",
    "chi-squared-distribution",
    "statistical-hypothesis-testing",
    "contingency-table",
    "ordinary-least-squares",
    "linear-regression",
    "machine-learning",
    "matrix-trace",
    "regularization",
    "ridge-regression",
    "covariance",
    "classical-mechanics"
  ],
  "sources": [
    {
      "title": "ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-summer-2020/…",
      "url": "https://ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-summer-2020/8e58e55c81809d673d9a29ac6422fc8d_MIT18_085Summer20_lec_w1.pdf"
    },
    {
      "title": "arxiv.org/html/1312.7851v3",
      "url": "https://arxiv.org/html/1312.7851v3"
    },
    {
      "title": "iso.org/sites/JCGM/GUM/JCGM100/C045315e-html/C045315e_FILES/MAIN_C045315e/AG_e.…",
      "url": "https://www.iso.org/sites/JCGM/GUM/JCGM100/C045315e-html/C045315e_FILES/MAIN_C045315e/AG_e.html"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section4/prc45.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section4/prc45.htm"
    },
    {
      "title": "online.stat.psu.edu/stat501/Lesson02",
      "url": "https://online.stat.psu.edu/stat501/Lesson02"
    },
    {
      "title": "modernrobotics.northwestern.edu/nu-gm-book-resource/2-1-degrees-of-freedom-of-a…",
      "url": "https://modernrobotics.northwestern.edu/nu-gm-book-resource/2-1-degrees-of-freedom-of-a-rigid-body/"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}