結論

不偏分散とは、手元の標本(一部のデータ)から母集団全体の分散を見積もるための分散で、偏差の二乗の合計を n ではなく n−1 で割って求めます。n で割ると、標本の平均がデータの真ん中に寄るぶん、平均すると母分散の (n−1)/n 倍に小さく出るため、その偏りを n−1 で割って打ち消します。

この記事でわかること

  • 不偏分散・標本分散・母分散の違いと、手計算の5ステップ
  • n−1で割る理由を、式・全通りの数え上げ・1万回のシミュレーションで確認
  • NumPy・pandas・statistics・SciPy・scikit-learn の既定の割り方の違い

2026年11月16日更新|Python 3.13・NumPy 2.5・pandas 3.0・SciPy 1.18 で実行確認

この記事で実際に動かしたもの:Python で手計算の検算、分数での全通りの数え上げ、乱数による1万回のシミュレーション、5つのライブラリの既定値の比較、エラーと桁落ちの再現。

分散を求めるとき、最初に決めるのは「このデータは全体か、一部か」です。次の図の順にたどると、n で割るか n−1 で割るかが決まります。

flowchart TD
    A[分散を求めたいデータ] --> B{全体か一部か}
    B -->|全体を全部持っている| C[n で割る<br>母分散]
    B -->|一部の標本| D{母平均が<br>分かっている?}
    D -->|分かっている| E[母平均を使い<br>n で割る]
    D -->|分からない| F[標本平均を使い<br>n−1 で割る<br>不偏分散]

よく調べられることの答えを先にまとめます。

知りたいこと 答え 詳しい節
不偏分散とは 標本から母分散を見積もる分散。偏差平方和を n−1 で割る 不偏分散とは
標本分散との違い 割る数が n か n−1 か。n で割ると平均して小さく出る 標本分散・母分散との違い
不偏分散の求め方 平均→偏差→二乗→合計→ n−1 で割る 不偏分散の求め方
なぜ n−1 で割るのか 標本平均を使うと、合計が平均して σ² 1個分小さくなるため n−1 で割る理由
自由度 n−1 とは 偏差の合計は必ず0なので、自由に決まる偏差は n−1 個 自由度 n−1 とは
Python での求め方 np.var(a, ddof=1)・statistics.variance(x)・s.var() Pythonで不偏分散を求める
標準偏差との関係 不偏分散の平方根。ただしそれ自体は不偏にならない 不偏分散と標準偏差
n で割ってよい場面 データが全体のとき・母平均が分かっているとき 判断表

確認環境:Ubuntu 24.04.5 LTS 上の Python 3.13.18 で、NumPy 2.5.3・pandas 3.0.5・SciPy 1.18.1・scikit-learn 1.9.1 を使って計算しました。手計算の検算、分数(fractions.Fraction)による全通りの数え上げ、NumPy の乱数(default_rng(0))で標本を1万組取り出すシミュレーション、各ライブラリの既定の割り方、1個だけのデータ・欠損値・大きな値の桁落ちで出るエラーや警告は、すべてこの環境で実行した出力をそのまま載せています。関数の既定値と説明は、NumPy 2.5・pandas 3.1.1・SciPy 1.18.0・scikit-learn 1.9.1 の公式ドキュメントと Python 3 の statistics モジュールの公式ドキュメントで確かめました(手元の pandas 3.0.5 でも同じ既定値で動くことを確かめています)。不偏性の式の流れと、標準偏差が不偏にならない点は、統計の解説と英語版 Wikipedia の該当項目(出典に記載)で照らし合わせました。例のデータはすべて架空です。図は Mermaid で描画を確かめています(確認日 2026年11月16日)。

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「不偏分散とは|意味・nではなくn−1で割る理由とPythonでの求め方」

不偏分散とは(意味を1行で)

この節では、不偏分散が何を表し、何のために使うのかが分かります。

不偏分散は「手元の一部のデータから、全体のばらつき(母分散)を当てにいくための分散」です。英語では unbiased variance、または unbiased sample variance と呼ばれます。「不偏」は「偏りがない」という意味で、何度も標本を取り直して計算したとき、その平均がちょうど母分散に一致する、という性質を指します。

  • 母集団:調べたい対象の全体。例:あるサービスに届くすべての日の問い合わせ件数。
  • 標本:母集団から取り出して実際に観測した一部。例:ある5日間の問い合わせ件数。
  • 母分散(σ²):母集団そのもののばらつき。全体が見えないので、ふつうは分からない。
  • 不偏分散(s² や u² と書かれる):標本から計算する、母分散の見積もり。

式は次のとおりです。x̄ は標本の平均、n はデータの個数です。

不偏分散 s² = { (x₁ − x̄)² + (x₂ − x̄)² + … + (xₙ − x̄)² } ÷ (n − 1)

Python の statistics モジュールの公式ドキュメントも、variance() を「ベッセルの補正をした標本分散 s²(N−1 の自由度の分散)」と説明し、データが代表的(独立で同じ分布から取ったもの)なら母分散の不偏な推定になる、と書いています。この n−1 で割る補正をベッセルの補正(Bessel's correction)と呼びます。

1目的は「全体の見積もり」

手元のデータのばらつきを記録したいだけなら n で割る。全体を当てにいくときに n−1 で割る。

2違いは割る数だけ

平均・偏差・二乗・合計までは標本分散と同じ。最後に n−1 で割るか n で割るかだけが違う。

3データが多いほど差は縮む

差の比は (n−1)/n。n=5 なら2割、n=100 なら1%。少ないデータほど効いてくる。

不偏分散と標本分散・母分散の違い

この節では、名前が似ている3つの分散が、何で割り、何を表すのかが一覧で分かります。

3つの違いは「平均に何を使うか」と「何で割るか」です。母分散は母平均 μ を使って N で割り、標本分散は標本平均 x̄ を使って n で割り、不偏分散は標本平均 x̄ を使って n−1 で割ります。

母分散 標本分散 不偏分散
使うデータ 母集団の全部 標本(一部) 標本(一部)
使う平均 母平均 μ 標本平均 x̄ 標本平均 x̄
割る数 N(全体の個数) n n−1
平均すると σ² そのもの (n−1)/n × σ²(小さめ) σ²(偏りなし)
Python の例 statistics.pvariance np.var(a) np.var(a, ddof=1)

n で割る(標本分散)

手元のデータそのもののばらつき

母分散の見積もりとしては平均して小さく出る

NumPy・scikit-learn の既定

n−1 で割る(不偏分散)

全体のばらつきの見積もり

何度も取り直した平均が母分散に一致する

pandas・statistics.variance・SciPy の describe の既定

呼び方が本によって違う点に注意

「標本分散」という言葉は、本や分野によって n で割ったものを指すことも、n−1 で割ったものを指すこともあります。NumPy の公式ドキュメントも、n−1 で割った量を「統計では sample variance と呼ばれることがある」と書き、n で割った量を「population variance と呼ばれることがある」と書いています。言葉ではなく、何で割っているかで確かめるのが確実です。

不偏分散の求め方(手計算の5ステップ)

この節では、5個のデータを例に、不偏分散を手で計算する順番が分かります。

例は架空のデータで、あるサービスに届いた5日分の問い合わせ件数 12, 15, 9, 14, 10 です。この5日を「全期間からの標本」とみなして、全期間のばらつきを見積もります。

1

平均を出す

(12 + 15 + 9 + 14 + 10) ÷ 5 = 60 ÷ 5 = 12

標本平均 x̄

2

各データから平均を引く(偏差)

0、3、−3、2、−2。合計は必ず0になる。

偏差

3

偏差を二乗する

0、9、9、4、4。マイナスが消え、離れているものほど大きくなる。

偏差の二乗

4

合計する(偏差平方和)

0 + 9 + 9 + 4 + 4 = 26

偏差平方和

5

n−1 で割る

26 ÷ (5 − 1) = 6.5。これが不偏分散。n で割ると 26 ÷ 5 = 5.2(標本分散)。

不偏分散

データ x 偏差 x − 12 偏差の二乗
1200
1539
9−39
1424
10−24
合計026

平方根をとると、不偏分散から求めた標準偏差は √6.5 ≒ 2.550、標本分散から求めた標準偏差は √5.2 ≒ 2.280 です。同じデータでも、割る数で1割ほど値が変わります。この数字は、あとの「Pythonで不偏分散を求める」の節で、ライブラリの出力と一致することを確かめます。

n−1で割る理由(標本平均を使うと小さく出る)

この節では、なぜ n で割ると小さく出るのかを、式を使わずに理解できます。

原因は、ばらつきを測る基準に「母平均」ではなく「標本平均」を使っていることです。標本平均は、手元のデータのちょうど真ん中に来るように計算されます。そのため、データから標本平均までの距離の二乗の合計は、ほかのどの点から測った合計よりも小さくなります。本当の基準である母平均から測れば、合計はもっと大きかったはずです。

手元の例で確かめます。5日分のデータ 12, 15, 9, 14, 10 の偏差平方和を、基準の点を変えて計算すると次のようになりました。

基準の点 二乗の合計 標本平均12との差
1131+5
12(標本平均)26(最小)0
1331+5
1446+20

合計は「26 + 5 × (基準 − 12)²」で増えていきます。もし本当の母平均が 13 なら、母平均から測った合計は 31 で、標本平均から測った 26 は 5 だけ小さく見積もっていることになります。この「標本平均が母平均からずれたぶん、合計が小さくなる」量が、平均すると母分散 σ² のちょうど1個分になります。そこで、n 個分ではなく n−1 個分で割ると、平均して σ² に戻ります。

よくある誤解と、正しい理解

誤解n−1 は「データが少ないときに少し大きめにする、経験的なおまじない」
↔
正しくは標本平均を使うと合計が平均して σ² 1個分減る、という計算から出てくる数。母平均が分かっていれば n で割る

見分ける問い:「平均に、標本から計算した値を使ったか」

n−1で割る理由を式で確かめる(期待値の計算)

この節では、不偏分散の期待値がちょうど母分散 σ² になることを、3行の式で確かめられます。

前提は、x₁〜xₙ が同じ分布から独立に取り出されていて、平均が μ、分散が σ² であることです。正規分布でなくても成り立ちます。E[ ] は「何度も取り直したときの平均(期待値)」を表します。

ステップ1:偏差平方和を、母平均 μ を挟んで分ける。

Σ(xᵢ − x̄)² = Σ(xᵢ − μ)² − n(x̄ − μ)²

これは、上の節で見た「合計は (基準 − 標本平均)² × n だけ増える」をそのまま式にしたものです。基準を μ にすると、標本平均から測った合計は、μ から測った合計より n(x̄ − μ)² だけ小さくなります。

ステップ2:それぞれの期待値を出す。

  • E[Σ(xᵢ − μ)²] = nσ²:(xᵢ − μ)² の期待値は分散の定義そのもの σ² で、それが n 個あるため。
  • E[n(x̄ − μ)²] = n × σ²/n = σ²:標本平均の分散は σ²/n(データが独立なので、n 個の平均をとると分散が 1/n になる)。

ステップ3:引き算して割る数を決める。

E[Σ(xᵢ − x̄)²] = nσ² − σ² = (n − 1)σ²

だから  E[ Σ(xᵢ − x̄)² ÷ (n − 1) ] = σ²     ← 不偏分散
        E[ Σ(xᵢ − x̄)² ÷ n       ] = (n − 1)/n × σ²   ← 標本分散は小さめ

「1個分減る」の正体は、ステップ2の2つ目の σ² です。標本平均が母平均からずれるぶんのばらつき σ²/n が、n 個のデータ全部に効いて σ² になります。

母平均が分かっているときは n で割る

ステップ1で引いた n(x̄ − μ)² は、標本平均を使ったから出てきた項です。母平均 μ が分かっていて、それを基準に Σ(xᵢ − μ)² を計算するなら、期待値は nσ² のままなので n で割ると不偏になります。statistics の公式ドキュメントも、母平均 μ が分かっているなら pvariance() の mu 引数に渡して標本の分散を求めれば不偏な推定になる、と説明しています。手元のシミュレーション(正規分布・母分散4・n=5・1万回)でも、μ を使って n で割った値の平均は 3.992 で、ほぼ4になりました。

自由度n−1とは(偏差の合計は必ず0)

この節では、「自由度が n−1 だから n−1 で割る」という説明が何を指しているのかが分かります。

偏差(データ − 標本平均)は、合計すると必ず0になります。そのため、n 個の偏差のうち n−1 個が決まれば、最後の1個は自動的に決まります。自由に動ける偏差の数が n−1 個なので、これを自由度 n−1 と呼びます。

手元の例で確かめました。最初の4個の偏差から最後の1個を計算すると、実際の値と一致します。

x = [12, 15, 9, 14, 10]
m = sum(x) / 5
d = [v - m for v in x]
print("first4", d[:4], "last=-sum", -sum(d[:4]), "actual", d[4])
first4 [0.0, 3.0, -3.0, 2.0] last=-sum -2.0 actual -2.0

自由度による説明は直感をつかむのに役立ちますが、それだけでは「なぜ割る数が自由度になると偏りが消えるのか」までは示せません。偏りが消えることを示すのは、前の節の期待値の計算です。両方を合わせて覚えると、ほかの場面(回帰分析の残差の分散で n−2 や n−k−1 で割るなど)にもつながります。

統計の推定量の考え方は、関連記事「確率分布とは|種類一覧・平均と分散・選び方をPythonで実演」で扱っています。母集団の分布の平均と分散(V[X] = E[X²] − (E[X])²)を先に押さえておくと、この記事の式が読みやすくなります。

全通りを数えて確かめる(分数で厳密に)

この節では、乱数を使わず、小さな母集団からの標本を全通り数えて、不偏分散の平均が母分散と完全に一致することを確かめられます。

母集団は 1・2・3・4 の4枚のカードです。母平均は 2.5、母分散は 5/4 = 1.25 です。ここから「1枚引いて戻す」を n 回くり返す取り方(復元抽出)で、ありうる標本を全部作り、分数のまま平均しました。

from fractions import Fraction
from itertools import product

pop = [1, 2, 3, 4]                                   # 母集団(4枚のカード)
mu = Fraction(sum(pop), len(pop))
sigma2 = sum((p - mu) ** 2 for p in pop) / len(pop)  # 母分散
print("母分散", sigma2)

for n in (2, 3):
    e_n = e_n1 = Fraction(0)
    samples = list(product(pop, repeat=n))           # 戻して引く全通り
    for smp in samples:
        m = Fraction(sum(smp), n)
        ss = sum((v - m) ** 2 for v in smp)          # 偏差平方和
        e_n += ss / n
        e_n1 += ss / (n - 1)
    k = len(samples)
    print(f"n={n} 全{k}通り  nで割る平均={e_n / k}  n-1で割る平均={e_n1 / k}")
母分散 5/4
n=2 全16通り  nで割る平均=5/8  n-1で割る平均=5/4
n=3 全64通り  nで割る平均=5/6  n-1で割る平均=5/4

n−1 で割った平均は、n=2 でも n=3 でも母分散 5/4 にぴったり一致しました。n で割った平均は 5/8(母分散の 1/2)と 5/6(母分散の 2/3)で、式の (n−1)/n 倍と一致します。乱数の誤差が入らないので、「平均すると σ² になる」という性質をそのまま確かめられます。

戻さずに引くと結果が変わる

同じ4枚から「戻さずに」引く全通り(n=2 で12通り、n=3 で24通り)で数えると、n−1 で割った平均はどちらも 5/3 になり、母分散 5/4 より大きくなりました。不偏分散が不偏になるのは、データが独立に取られている(母集団が十分大きく、戻すのと同じとみなせる)ときです。小さな母集団から戻さずに取る場合は、有限母集団の補正という別の調整が要ります。

1万回のシミュレーションで見るnとn−1の差

この節では、正規分布から標本を1万回取り出し、n で割ると小さく出ること、n−1 で割ると母分散に近づくことを数値で確かめられます。

母集団は平均50・標準偏差2(母分散4)の正規分布です。標本の大きさ n を変えながら、それぞれ1万組の標本を取り出して、2通りの割り方の平均を比べました。

import numpy as np

rng = np.random.default_rng(0)       # 乱数の種を固定(同じ結果を再現できる)
sigma2 = 4.0                         # 母分散(平均50・標準偏差2の正規分布)
R = 10_000                           # 標本を取り出す回数

for n in (2, 3, 5, 10, 30, 100):
    X = rng.normal(50, 2, size=(R, n))   # n個の標本を1万組
    v_n  = X.var(axis=1, ddof=0)         # nで割る(標本分散)
    v_n1 = X.var(axis=1, ddof=1)         # n-1で割る(不偏分散)
    print(f"n={n:3d}  nで割る平均={v_n.mean():.3f}  "
          f"n-1で割る平均={v_n1.mean():.3f}  理論(n-1)/n*σ²={sigma2*(n-1)/n:.3f}")
n=  2  nで割る平均=2.010  n-1で割る平均=4.020  理論(n-1)/n*σ²=2.000
n=  3  nで割る平均=2.714  n-1で割る平均=4.071  理論(n-1)/n*σ²=2.667
n=  5  nで割る平均=3.208  n-1で割る平均=4.010  理論(n-1)/n*σ²=3.200
n= 10  nで割る平均=3.622  n-1で割る平均=4.024  理論(n-1)/n*σ²=3.600
n= 30  nで割る平均=3.875  n-1で割る平均=4.009  理論(n-1)/n*σ²=3.867
n=100  nで割る平均=3.953  n-1で割る平均=3.993  理論(n-1)/n*σ²=3.960
n n で割る平均 n−1 で割る平均 n で割ると何%小さいか(理論)
22.0104.02050%
32.7144.07133.3%
53.2084.01020%
103.6224.02410%
303.8754.0093.3%
1003.9533.9931%

n で割った平均は、どの n でも理論値 (n−1)/n × 4 とほぼ同じで、n−1 で割った平均はどれも4の近くに集まりました(ずれは1万回の乱数による誤差で、0.07以内)。n=5 のとき、n で割った値が4を下回った割合は1万回中 71.0% でした。

正規分布以外でも同じ

不偏性は正規分布に限りません。n=5・1万回で、一様分布・指数分布・サイコロでも確かめました。

母集団 母分散 n で割る平均 n−1 で割る平均
一様分布(0〜1)0.08330.06670.0834
指数分布(平均1)1.00000.79940.9993
サイコロ(1〜6)2.91672.32712.9089

乱数の使い方(種の固定・分布の選び方)は、関連記事「Python randomの使い方一覧|randint・choice・shuffle」で扱っています。この記事のシミュレーションは NumPy の default_rng を使っています。

1n で割ると (n−1)/n 倍

シミュレーションの平均は、どの n でも理論値とほぼ一致した。

2n−1 で割ると母分散に戻る

正規・一様・指数・サイコロのどれでも、平均は母分散の近くに来た。

31回ごとの値はばらつく

「平均して当たる」であって、1回の計算が母分散に近いことは保証しない。

Pythonで不偏分散を求める(ライブラリごとの既定値の違い)

この節では、Python の主なライブラリで不偏分散を求める書き方と、既定で n と n−1 のどちらで割るかが分かります。

NumPy の np.var は既定で n で割り、pandas の var は既定で n−1 で割ります。同じデータで値が変わるいちばん多い原因がこれです。割る数は ddof(Delta Degrees of Freedom)で決まり、割る数は「データの個数 − ddof」です。

import statistics
import numpy as np
import pandas as pd

x = [12, 15, 9, 14, 10]              # 架空:5日分の問い合わせ件数
a = np.array(x)
s = pd.Series(x)

print("np.var(a)              ", np.var(a))
print("np.var(a, ddof=1)      ", np.var(a, ddof=1))
print("statistics.variance(x) ", statistics.variance(x))
print("statistics.pvariance(x)", statistics.pvariance(x))
print("s.var()                ", s.var())
print("s.var(ddof=0)          ", s.var(ddof=0))
print("np.std(a, ddof=1)      ", np.std(a, ddof=1))
print("statistics.stdev(x)    ", statistics.stdev(x))
np.var(a)               5.2
np.var(a, ddof=1)       6.5
statistics.variance(x)  6.5
statistics.pvariance(x) 5.2
s.var()                 6.5
s.var(ddof=0)           5.2
np.std(a, ddof=1)       2.5495097567963922
statistics.stdev(x)     2.5495097567963922

手計算の 6.5(不偏分散)と 5.2(標本分散)に一致しました。ほかのライブラリも含めて、既定の割り方を表にまとめます(同じデータで実行した値)。

書き方 既定の割り方 結果 割り方の変え方
np.var(a)・np.std(a)n(ddof=0)5.2・2.2804ddof=1
statistics.variance(x)・stdevn−16.5・2.5495n で割るなら pvariance
statistics.pvariance(x)・pstdevn5.2・2.2804n−1 なら variance
pandas Series.var()・std()n−1(ddof=1)6.5・2.5495ddof=0
pandas describe() の stdn−12.5495変えられない(std(ddof=0) を別に使う)
SciPy stats.describe(a) の variancen−1(ddof=1)6.5ddof=0
SciPy stats.tvar(a)n−16.5ddof 引数
scikit-learn StandardScaler の var_n5.2引数なし

scikit-learn の公式ドキュメントは、StandardScaler が標準偏差に偏りのある推定(numpy.std(x, ddof=0) と同じ)を使っていること、その選び方がモデルの性能に影響することはまずない、と説明しています。機械学習の前処理では n で割る値が使われていると覚えておくと、pandas で計算した標準偏差と値が合わないときに迷いません。

標本から母分散を見積もるとき

避けるnp.var(a) をそのまま使う(n で割るので小さめに出る)
→
代わりにnp.var(a, ddof=1) と書く。ライブラリをまたぐときは ddof を毎回明示する

見分ける問い:「このライブラリの既定の ddof はいくつか」

NumPy の配列の基本操作(axis の指定など)は、関連記事「NumPyの使い方 基本一覧|配列の作成・演算・形状変更」で、pandas の集計は関連記事「pandasの使い方 逆引き81選|pandas 3.0の実行結果つき」で扱っています。

不偏分散と標準偏差(平方根は不偏にならない)

この節では、不偏分散の平方根で求めた標準偏差が、母標準偏差 σ に対して偏りが残ることを確かめられます。

標準偏差の求め方と偏差値の計算は、記事「標準偏差の求め方と意味|n−1の違い・偏差値をPython・SQLで実演」で扱っています。

不偏分散は平均すると σ² に一致しますが、その平方根 s は平均すると σ より少し小さくなります。平方根をとる操作は、大きい値をより強く縮めるためです。英語版 Wikipedia の「Bessel's correction」の項も、注意点の1つ目に「標準偏差の不偏な推定量にはならない」と挙げています。

正規分布(σ = 2)から1万回取り出して、不偏分散の平方根の平均を、理論値(c4(n) × σ)と比べました。c4(n) はガンマ関数で計算する補正の係数で、n=2 で約0.798、n=5 で約0.940、n=10 で約0.973 です(正規分布を前提にした値)。

n 平方根の平均(実測) 理論 c4(n) × 2 σ = 2 との差
21.6011.596約20%小さい
31.7851.772約11%小さい
51.8801.880約6%小さい
101.9531.945約3%小さい
301.9851.983約1%小さい
1001.9931.9950.3%前後

ふだんの集計で標準偏差を出すときは、不偏分散の平方根(ddof=1)をそのまま使うのが一般的です。n が10を超えれば差は数%以下になります。標準偏差の偏りまで取り除く補正(c4 で割る)もありますが、正規分布を前提にした補正である点に注意します。

割る数で「当たりやすさ」はどう変わるか(平均二乗誤差)

この節では、「偏りがない」ことと「1回の値が母分散に近い」ことは別だと、数字で分かります。

不偏分散は平均すると母分散に一致しますが、1回ごとの値の外れ方(平均二乗誤差)は、n で割るほうが小さくなります。正規分布(母分散4)で、偏差平方和を n−1・n・n+1 で割ったときの偏りと平均二乗誤差(MSE)を、1万回のシミュレーションと理論値で比べました。

n n−1 で割る MSE n で割る MSE n+1 で割る MSE
315.58(理論16.00)8.73(8.89)7.93(8.00)
57.85(8.00)5.70(5.76)5.31(5.33)
103.54(3.56)3.03(3.04)2.91(2.91)
301.13(1.10)1.07(1.05)1.06(1.03)

偏りは n−1 で割るとほぼ0(n=5 で −0.024)、n で割ると −0.819、n+1 で割ると −1.349 でした。一方、MSE は3つの中では n+1 で割るのが最も小さく、n−1 で割るのが最も大きくなりました。英語版 Wikipedia の Bessel's correction の項も、補正した推定量は補正しないものより MSE が大きいことが多い、と書いています。

統計の検定や区間推定(t 分布を使う計算など)は、不偏分散を前提に組み立てられています。迷ったら不偏分散(n−1)を使い、「1回の推定の外れを小さくしたい」という目的がはっきりしているときだけ別の割り方を検討する、と考えると整理できます。

nで割る場面・n−1で割る場面(判断表)

この節では、手元の目的に合わせて、どちらで割ればよいかを判断できます。

  1. 1データが全体の全部か → n で割る(母分散)全商品の価格、ある月の全注文など、見積もる先が手元のデータそのもの
  2. 2母平均が分かっているか → 母平均を使い n で割る仕様で決まった目標値のまわりのばらつきなど。statistics なら pvariance(data, mu=…)
  3. 3一部の標本から全体を見積もるか → n−1 で割る(不偏分散)検定・信頼区間・標本調査・A/B テストの指標のばらつき
  4. 4機械学習の前処理の標準化か → ライブラリの既定に合わせるscikit-learn の StandardScaler は n で割る。学習と推論で同じ処理を使うことが大事
  5. 5ほかの人の数字と合わせるか → 相手の割り方を確かめる報告書・論文・ツールの出力で n と n−1 のどちらかを先にそろえる
場面(例は架空) 割る数 理由
自社サイトの全ページの読み込み時間のばらつきを記録するn全ページ(全体)を持っている
100人に聞いたアンケートから利用者全体のばらつきを見積もるn−1標本から全体を見積もる
2つの画面案の滞在時間を t 検定で比べるn−1検定の式が不偏分散を前提にしている
部品の長さを、設計値 10.0mm のまわりで測るn(μ = 10.0 を使う)母平均にあたる値が分かっている
研修の修了テストの点数を標準化して学習モデルに入れるライブラリの既定前処理の一貫性のほうが大事
データが数万件あるどちらでも差は小さい(n−1)/n がほぼ1

よくある誤り・エラー(つまずき表)

この節では、不偏分散を計算するときに起きやすい誤りと、実際に出たエラーや警告の原文、直し方が分かります。

次のコードを実行して、データが1個のとき、欠損値があるとき、大きな値で桁落ちが起きるときの出力を確かめました。

import statistics, numpy as np, pandas as pd
print(np.var(np.array([7.0]), ddof=1))
print(pd.Series([7]).var())
b = np.array([12, 15, np.nan, 14, 10])
print(np.var(b, ddof=1), np.nanvar(b, ddof=1), pd.Series(b).var())
big = np.array([1e9+4, 1e9+7, 1e9+13, 1e9+16])
print((big**2).mean() - big.mean()**2, np.var(big))
statistics.variance([7])
/usr/local/lib/python3.13/dist-packages/numpy/_core/fromnumeric.py:4270: RuntimeWarning: Degrees of freedom <= 0 for slice
  return _methods._var(a, axis=axis, dtype=dtype, out=out, ddof=ddof,
/usr/local/lib/python3.13/dist-packages/numpy/_core/_methods.py:211: RuntimeWarning: invalid value encountered in scalar divide
  ret = ret.dtype.type(ret / rcount)
nan
nan
nan 4.916666666666667 4.916666666666667
-128.0 22.5
Traceback (most recent call last):
  File "/dev/shm/t581/err.py", line 8, in <module>
    statistics.variance([7])
    ~~~~~~~~~~~~~~~~~~~^^^^^
  File "/usr/lib/python3.13/statistics.py", line 1151, in variance
    raise StatisticsError('variance requires at least two data points')
statistics.StatisticsError: variance requires at least two data points
症状・原文 原因 直し方
NumPy と pandas で値が違う(5.2 と 6.5)既定の ddof が 0 と 1 で違うどちらも ddof を明示する
StatisticsError: variance requires at least two data pointsデータ1個では n−1 = 0 で割れないデータを2個以上にする。1個なら分散は求められないと扱う
RuntimeWarning: Degrees of freedom <= 0 for slice と nanNumPy で n ≤ ddof(1個で ddof=1)個数を先に確かめる。pandas も警告なしで NaN を返す
NumPy の結果が nan になる欠損値(NaN)が混ざっているnp.nanvar(b, ddof=1)。pandas は既定で NaN を除く(skipna=True)
分散がマイナス(−128.0)になるE[x²] − (E[x])² の式で大きな値どうしを引き、桁落ちしたライブラリの関数を使う。手で書くなら平均を引いてから二乗する
標本なのに n で割っていた母分散の式をそのまま使った標本から全体を見積もるなら n−1
不偏分散の平方根を「不偏標準偏差」と呼んだ平方根をとると偏りが残る「不偏分散から求めた標準偏差」と書く
小さな集団から戻さずに取ったのに、そのまま使った独立の前提が崩れる(数え上げで 5/3 になった)有限母集団の補正を検討する

大きな値で分散がマイナスになるのは、浮動小数点数の桁落ちです。値の大きさが 1e9 のとき、手書きの式は −128.0 になり、np.var と statistics.pvariance は正しい 22.5 を返しました。1e8 のときは手書きの式で 22.0 と、少しずれた値になりました。浮動小数点数の仕組みは、関連記事「浮動小数点数とは|仕組み・誤差・0.1+0.2の理由を4言語で実演」で扱っています。

計算の前に、次の4点を確かめておくと取り違えが減ります。

  • 1データは全体か一部か一部から全体を見積もるなら n−1
  • 2使う関数の既定の ddofNumPy は0、pandas・statistics.variance・SciPy describe は n−1
  • 3データの個数と欠損値2個以上あるか。NaN を除くか
  • 4結果を伝えるときの書き方「n−1 で割った不偏分散」と割り方を添える

よくある質問

Q. 不偏分散とは何ですか? A. 手元の標本から母集団の分散(母分散)を見積もるための分散です。偏差の二乗の合計を n−1 で割って求め、何度も標本を取り直したときの平均が母分散に一致する(偏りがない)性質を持ちます。

Q. 不偏分散と標本分散の違いは何ですか? A. 割る数が違います。標本分散は n で割り、不偏分散は n−1 で割ります。ただし本によっては n−1 で割ったものを「標本分散」と呼ぶこともあるので、割る数で確かめます。

Q. なぜ n ではなく n−1 で割るのですか? A. 母平均の代わりに標本平均を使うと、偏差の二乗の合計が平均して σ² 1個分小さくなるためです。合計の期待値は (n−1)σ² になるので、n−1 で割るとちょうど σ² に戻ります。

Q. 自由度 n−1 とはどういう意味ですか? A. 偏差(データ − 標本平均)の合計は必ず0なので、n−1 個の偏差が決まると最後の1個は自動的に決まります。自由に動ける偏差の数が n−1 個という意味です。

Q. 不偏分散の求め方を簡単に教えてください。 A. ①平均を出す ②各データから平均を引く ③二乗する ④合計する ⑤ n−1 で割る、の順です。12・15・9・14・10 なら、平均12、二乗の合計26、26 ÷ 4 = 6.5 です。

Q. Python で不偏分散を求めるには? A. np.var(a, ddof=1)、statistics.variance(x)、pandas の s.var() のどれかです。np.var(a) は既定で n で割るので、標本から見積もるときは ddof=1 を付けます。

Q. pandas と NumPy で分散の値が違うのはなぜですか? A. 既定の割り方が違うためです。pandas の var・std は n−1(ddof=1)、NumPy の var・std は n(ddof=0)で割ります。どちらも ddof を明示すると一致します。

Q. 不偏分散の平方根は「不偏標準偏差」ですか? A. 平方根をとると平均して σ より少し小さくなるので、厳密には不偏ではありません。シミュレーションでは n=5 で約6%、n=30 で約1%小さくなりました。ふだんは不偏分散の平方根を標準偏差として使うのが一般的です。

Q. データが多ければ n と n−1 のどちらでもよいですか? A. 差は (n−1)/n で決まり、n=100 なら1%、n=1万なら0.01%です。結果はほとんど変わりませんが、ほかの数字と比べるときは割り方をそろえます。

Q. 母平均が分かっているときも n−1 で割りますか? A. いいえ。母平均 μ を基準に偏差を計算するなら n で割ると不偏になります。Python の statistics では pvariance(data, mu=μ) がこの計算です。

Q. データが1個だと不偏分散はどうなりますか? A. n−1 = 0 で割ることになるので求められません。statistics は StatisticsError、NumPy は警告と nan、pandas は NaN を返しました。

まとめ

  • 不偏分散は、標本から母分散を見積もるための分散で、偏差の二乗の合計を n−1 で割る。
  • n で割ると、標本平均を使うぶん平均して (n−1)/n 倍に小さく出る。全通りの数え上げでは n−1 で割った平均が母分散 5/4 にぴったり一致した。
  • 理由は、合計の期待値が (n−1)σ² になるから。自由度 n−1 は「偏差の合計が0」から来る。
  • Python は NumPy が n、pandas・statistics.variance・SciPy describe が n−1。ddof を毎回明示する。
  • 不偏分散の平方根(標準偏差)は不偏にならず、1回ごとの外れ(MSE)は n で割るほうが小さい。目的に合わせて割り方を選び、結果には割り方を添える。

参考・出典

確認日はいずれも 2026年11月16日です。

  • NumPy「numpy.var」(NumPy v2.5 Manual):https://numpy.org/doc/stable/reference/generated/numpy.var.html
  • Python「statistics — Mathematical statistics functions」:https://docs.python.org/3/library/statistics.html
  • pandas「pandas.Series.var」(pandas 3.1.1 documentation):https://pandas.pydata.org/docs/reference/api/pandas.Series.var.html
  • SciPy「scipy.stats.describe」(SciPy v1.18.0 Manual):https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.describe.html
  • scikit-learn「StandardScaler」(scikit-learn 1.9.1):https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html
  • Wikipedia(英語版)「Bessel's correction」:https://en.wikipedia.org/wiki/Bessel%27s_correction
  • Wikipedia(英語版)「Unbiased estimation of standard deviation」:https://en.wikipedia.org/wiki/Unbiased_estimation_of_standard_deviation
  • 産業技術総合研究所「母分散と不偏分散」:https://unit.aist.go.jp/mcml/rg-orgp/uncertainty_lecture/dispersion.html

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「不偏分散とは|意味・nではなくn−1で割る理由とPythonでの求め方」

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。

WE ARE HIRING

RJCで一緒に開発しながら、
成長を楽しみませんか?

RJCは、Web・モバイル・AIを活用した開発プロジェクトで、テックリードやPM・PMOも活躍するシステム開発会社です。会社を知る、待遇を確かめる、話を聞いてみる。気になるところ見てみてください!

  • 127日年間休日
  • 12時間平均残業時間
  • 毎日ガチャ遊びココロも大切にする福利厚生。アマギフなどの賞品ラインナップ!

ほかにも、チケットレストラン、書籍読み放題、2年ごとの慰労報奨(休暇 or 金一封)、11期連続の黒字決算。

ABOUT RJC RJCがどんな会社か知る 考え方、研修、働き方、福利厚生、社員の前職まで。RJCのことが丸わかり! RJC丸わかりページへ JOB DESCRIPTION 仕事内容・待遇を見てみる 仕事内容、給与・待遇、選考の流れ。経験者も未経験も!応募前に知りたいこと、まとめました! 募集要項を見る ENTRY エントリーする エントリーは1〜2分・履歴書不要です。まずは話を聞いてみたい、という方でも歓迎です! エントリーフォームへ

成長のヒミツ、 ぜんぶ丸わかり