df是自由度的意思，是英文degree of freedom的缩写。是计算某一统计量时，取值不受限制的变量个数。
公式为：df=n-k。其中n为样本数量，k为被限制的条件数或变量个数，或计算某一统计量时用到其它独立统计量的个数。用于抽样分布中。
定义：
统计学上，自由度是指当以样本的统计量来估计总体的参数时，样本中独立或能自由变化的数据的个数，称为该统计量的自由度。一般来说，自由度等于独立变量减掉其衍生量数。举例来说，变异数的定义是样本减平均值(一个由样本决定的衍生量)，因此对N个随机样本而言，其自由度为N-1。
数学上，自由度是一个随机向量的维度数，也就是一个向量能被完整描述所需的最少单位向量数。举例来说，从电脑屏幕到厨房的位移能够用三维向量
来描述，因此这个位移向量的自由度是3。自由度也通常与这些向量的座标平方和，以及卡方分布中的参数有所关联 。
微分可以用微分形式来讲，这样又严格又简明：
对任意映射f:M->N，定义df是在切空间诱导的线性映射，对f是实函数的情形，f:
M->R，任一点p∈M,
df基本上就是该点函数图像的切平面，任意M上的切向量X,
df(X)就是f在X的方向导数。
x只是一个普通的函数——坐标函数，就是说，任一点p,
x(p)定义为p的横坐标(或第一个坐标)
。
所以如果你理解了dy，你就理解了dx，在一元微积分的情形，M=N=R，y=f(x)把x轴上的点映到y轴上的点，但是一般这映射不是线性的，比如f(x)=x^2，就不是一次的。但是只要f足够好（可导），我们就可以在任一点附近用线性映射来近似，比如当x=1时，g(x)=f'(1)*x=2x就是对x=1附近的f(x)=x^2的（一阶）近似，近似的精度用有限增量公式表达：f(x)-f(1)=g(x)+o(x-1)。这个近似是线性的，这就是由f在切空间诱导的那个。
f的微分就定义成df，所以dx就是x(这个函数)的微分。
然后根据微分形式的不变性（就是链式法则），定义微分形式df的积分为f的普通黎曼积分。
这时候，因为微分是在切空间的近似，确实可以把微分df想象成函数的小变动（因为有限增量公式只有在自变量变动很小时近似才有效，而变动趋于0时，这近似就趋于完美）。同样的dx可以想象成x这个函数的小变动。这对于物理学家来说，他们就是这么思考问题的，很方便而且很有效。
这样的一个讲法，就既得到了数学的严格性，不用引入任何含糊其辞的概念，又能学习使用物理学家的考虑问题的方式。
