AI HL Hypothesis Testing 完全攻略 — Chi-squared・t-test・回帰
現サイトの公開情報・公開用データを2026年9月19日に照合した資料です。出典の条件を独立に保証するものではありません。入試・学費・資格・評価方法は、出願・科目選択の前に公式情報でご確認ください。
IB Math AI HL Hypothesis Testing & Statistical Inference
完全攻略 2026
Chi-squared / t-test / Regression / 信頼区間の全範囲
マレーシア IB 校（MKIS / GIS / ISKL / Sayfol / Cempaka / Nexus 等）に通う DP 1-2 の AI HL 受講生徒と、社会科学・心理学・データサイエンス系の進路を目指す生徒・保護者のための徹底ガイド。仮説検定・推測統計章で 7 を取るための 8 章構成で、記述統計の復習から正規分布、仮説検定の枠組み（H₀ / H₁ / α / p 値 / Type I・II 誤差）、Chi-squared 検定（独立性・適合度）、t 検定（1 標本・2 標本・独立・対応）、線形回帰と相関、Paper 3 過去問傾向まで網羅。GDC（TI-Nspire / TI-84 / Casio fx-CG50）の操作手順、30 日演習プラン、よくあるミスと対策まで一気通貫で整理します。
【目次】
- AI HL Statistics シラバスの全体像
- 記述統計の復習（中央値 / IQR / SD / Box plot）
- 正規分布と Inverse Normal
- 仮説検定の枠組み（H₀ / H₁ / α / p 値 / Type I・II 誤差）
- Chi-squared 検定（独立性 + 適合度）
- t 検定（HL only）
- 線形回帰と相関（Pearson r / r² / 回帰直線）
- 過去問演習プラン 30 日
【結論先出し】
仮説検定は AI HL 最大の得点源であり、最大の失点源でもあります。
出題比率は Paper 1/2/3 合わせて約 30-35%。次の 4 つを徹底すれば、安定した得点源になります。
- ① p 値の解釈
- ② Type I / II 誤差の定義
- ③ Chi-squared の独立性と適合度の判別
- ④ t 検定の使い分け
逆に「文脈に沿った結論を書かない」「GDC の操作ミス」「片側検定と両側検定の取り違え」を放置すると Grade 6 で止まります。
この記事は全範囲を 8 章で整理し、最後に Paper 3 の傾向と 30 日演習プランを載せています。GDC（TI-Nspire・TI-84・Casio fx-CG50）の操作も機種別に解説します。
【① AI HL Statistics シラバスの全体像】
AI HL の Statistics 章は Topic 4: Statistics and Probability として整理され、SL 共通内容に HL 専用の仮説検定・推測統計を加えた構成。出題比率は Paper 1 / 2 / 3 を合わせて約 30-35% で、AI HL の最大トピックグループ。Calculus 章（約 20-25%）よりも比重が高いことが AI HL の特徴です。
| トピック | SL での扱い | HL での扱い | 出題比率 |
|---|---|---|---|
| Descriptive Statistics（記述統計） | 平均 / 中央値 / 最頻値 / 範囲 / IQR / SD | SL 内容 + 標準誤差 / 効果量 | AI HL 約 6-8% |
| Probability Distributions（確率分布） | Binomial / Normal / Discrete RV | SL 内容 + Poisson Distribution | AI HL 約 6-8% |
| Statistical Inference（推測統計） | 扱わない | 信頼区間 / 標準誤差 / 中心極限定理 | AI HL 約 4-6% |
| Hypothesis Testing（仮説検定） | Chi-squared 基本のみ | Chi-squared 独立性・適合度 / t 検定 / Type I・II 誤差 | AI HL 約 10-12% |
| Linear Regression（線形回帰） | 回帰直線 / Pearson r | SL 内容 + 残差分析 / 決定係数 r² | AI HL 約 6-8% |
| HL Extension（Spearman / Linear Combinations） | 扱わない | Spearman ρ / 線形結合の分布 | AI HL 約 3-5% |
重要：AI HL 受講生徒は SL 範囲（記述統計 / Binomial / Normal Distribution / 基本 Chi-squared）を完全に理解した上で、HL Extension（t 検定 / 信頼区間 / Type I・II 誤差 / Poisson / Spearman）に進む必要があります。社会科学・心理学・データサイエンス志望者にとっては大学進学後の統計基礎力に直結するため、本気で取り組む価値の高い章です。
【② 記述統計の復習（中央値 / IQR / SD / Box plot）】
記述統計はすべての推測統計の基礎。AI HL Paper 1 / 2 で頻出し、Paper 3 では『複数群の記述統計から仮説を立てる』という形で必ず出題されます。中央値・四分位範囲・標準偏差・Box plot の 4 つを完全に運用できることが前提です。
平均 / 中央値 / 最頻値
平均は外れ値に弱い、中央値は外れ値に強い、最頻値は離散データに有用。歪度のあるデータでは中央値が代表値として優れる。
四分位範囲 IQR
中央 50% のデータのばらつき。外れ値の影響を受けにくい散布度の指標。1.5 × IQR ルールで外れ値判定。
標準偏差 SD
平均からの典型的なばらつき。標本 SD は n-1 で割り（Bessel 補正）、母 SD は n で割る。GDC で 1 ボタン計算。
Box plot（5 数要約）
データの分布を視覚化。歪度の判定、外れ値の特定、複数群の比較に最適。AI HL Paper 1 で必ず描けるように訓練。
ヒストグラム・累積度数曲線の使い分け
- ヒストグラム：階級ごとの度数を棒で表示。分布の形（左右対称 / 右歪 / 左歪 / 二峰性）を視覚化。データの正規性の初期判定に有用。
- 累積度数曲線：階級の上限値までの累積度数をプロット。中央値（50% 点）、四分位点（25% / 75% 点）の読み取りに使用。
- 累積相対度数曲線：累積度数を全度数で割った値。確率分布の累積分布関数（CDF）と同じ形。Inverse 操作で『上位 X%』を読み取れる。
- Stem-and-Leaf Plot：個別データを保持しながら分布を視覚化。AI HL ではあまり使わないが、SL では基本。
よくあるミス（記述統計）
- 標本 SD と母 SD（n-1 vs n）を取り違える
- 累積度数曲線で中央値を Q1 と読み違える
- Box plot の Whisker と外れ値（1.5 × IQR ルール）を混同する
- 歪度のあるデータで平均を代表値に使う（中央値が適切）
- 分散 σ² と SD σ を計算の途中で取り違える
【③ 正規分布と Inverse Normal】
Normal Distribution は AI HL Paper 2 / 3 の頻出トピック。標準化 z = (X − μ) / σ により標準正規分布 N(0, 1²) に変換し、GDC または標準正規分布表で確率を計算します。仮説検定（特に t 検定）の理論的基盤としても重要。
標準化 z
X ~ N(μ, σ²) を Z ~ N(0, 1²) に変換。たとえば X ~ N(70, 10²) で P(X < 85) → z = 1.5 → P(Z < 1.5) ≈ 0.9332。
68-95-99.7 ルール
正規分布では μ±σ に約 68%、μ±2σ に約 95%、μ±3σ に約 99.7% のデータが含まれる。Paper 1 の概算問題で必須。
累積確率（normalCdf）
TI-Nspire：menu > Statistics > Distributions > Normal Cdf。引数は『Lower Bound, Upper Bound, μ, σ』。Paper 2 / 3 で頻出。
逆関数（invNorm）
左側累積確率 Area から x 値を逆算。『上位 5%』なら Area = 0.95、『下位 10%』なら Area = 0.10 を入力。
GDC 操作手順（機種別）
- TI-Nspire CX II：menu > 6: Statistics > 5: Distributions > 2: Normal Cdf / 3: Inverse Normal。引数を直接入力できる Wizard 形式。
- TI-84 Plus CE：2nd > VARS（DISTR）> 2: normalcdf( / 3: invNorm(。コマンドを直接入力する形式。
- Casio fx-CG50：MENU > Statistics > DIST > NORM > Ncd / InvN。マレーシア IB 校で比較的安価に入手可能。
よくあるミス（Normal Distribution）
- Inverse Normal で『上位 X%』と『下位 X%』の Area を取り違える
- 分散 σ² と標準偏差 σ を取り違える（GDC では σ を入力）
- 区間確率 P(a < X < b) で Lower Bound と Upper Bound の順を逆にする
- Continuous Distribution で P(X = a) = 0（連続分布では特定の 1 点の確率は 0）を理解していない
- 標準正規分布 N(0, 1²) と一般正規分布 N(μ, σ²) を混同する
【④ 仮説検定の枠組み（H₀ / H₁ / α / p 値 / Type I・II 誤差）】
仮説検定は AI HL の核心トピック。帰無仮説 H₀ vs 対立仮説 H₁ の設定、有意水準 α、p 値、Type I/II 誤差の概念を完全に理解することが、Chi-squared / t 検定の全ての応用問題の前提になります。
仮説検定の 5 ステップ
- Step 1：帰無仮説 H₀ と対立仮説 H₁ を設定（記号 = / ≠ / < / > を明確に）
- Step 2：有意水準 α を選択（通常 0.05 または 0.01）
- Step 3：検定統計量（χ² / t / z 等）を GDC で計算
- Step 4：p 値を計算統計量から導出（または棄却域と比較）
- Step 5：p < α なら H₀ 棄却、p ≥ α なら棄却失敗。必ず『in context』の結論を文章で書く
Type I 誤差 vs Type II 誤差（混同行列）
| H₀ が真 | H₀ が偽 | |
|---|---|---|
| H₀ 棄却 | Type I 誤差（α） | 正しい判断（power = 1 − β） |
| H₀ 棄却失敗 | 正しい判断（1 − α） | Type II 誤差（β） |
α を下げると β が上がるトレードオフ。Type II を減らす方法は『サンプルサイズ n を増やす』『α を緩める』『効果量を大きくする』の 3 つです。
① 帰無仮説 H₀ と対立仮説 H₁ の立て方
H₀ は『差がない / 関連がない / 効果がない』とする慣性の仮説、H₁ は『差がある / 関連がある / 効果がある』とする新規の主張。例：『男女で身長差があるか』なら H₀: μ_男 = μ_女、H₁: μ_男 ≠ μ_女（両側検定）。『新薬が血圧を下げるか』なら H₀: μ_新 = μ_旧、H₁: μ_新 < μ_旧（一方検定）。問題文に『differ / different / 異なる』があれば両側、『lower / higher / 下げる / 上回る』があれば一方検定と判定します。
② 有意水準 α と p 値の関係
α は『Type I 誤差（誤って H₀ を棄却する確率）の上限』として研究者が事前設定する値で、通常 0.05 または 0.01 を使用。p 値は『H₀ のもとで観測データ以上に極端な結果が得られる確率』で、検定計算後に GDC が出力します。判定：p < α なら H₀ 棄却 + H₁ 採択、p ≥ α なら H₀ 棄却失敗（採択ではない）。Paper 2 / 3 で必ず『in context の結論』を文章で書くことが採点基準上必須です。
③ 棄却域（Critical Region）の理解
p 値による判断と並行して、棄却域（臨界値より外側の領域）からも判断可能。例：α = 0.05 の両側検定で z 統計量を使う場合、棄却域は |z| > 1.96。AI HL では χ² や t 値の棄却域も同様に Critical Value Table から読み取ります。GDC で計算した検定統計量が棄却域に入れば H₀ 棄却、入らなければ棄却失敗。p 値方式と棄却域方式は数学的に同値で、結論は必ず一致します。
④ Type I 誤差 vs Type II 誤差
Type I 誤差（α 誤差）：H₀ が真なのに棄却してしまう（偽陽性）。Type II 誤差（β 誤差）：H₀ が偽なのに棄却しない（偽陰性）。両者にはトレードオフがあり、α を下げると β が上がります。検出力 power = 1 − β。Type II を減らすには『サンプルサイズ n を増やす』『α を緩める』『効果量を大きくする』の 3 方法。Paper 3 で頻出の Reflection 論点です。
⑤ 一方検定 vs 両側検定の判定
両側検定（two-tailed）：H₁ で『≠』を使う場合。例：『有意差があるか』。一方検定（one-tailed）：H₁ で『>』または『<』を使う場合。例：『新薬は旧薬より効果が高いか』。同じデータで両側 p 値は一方 p 値の 2 倍。問題文に方向性（『増加』『下げる』『上回る』）が示されているなら一方、単に『差があるか』なら両側を選択。GDC では『Alternate Hypothesis』で選択します。
【⑤ Chi-squared 検定（独立性 + 適合度）】
Chi-squared は AI HL の Paper 1 / 2 / 3 で最頻出の検定。独立性検定と適合度検定の 2 種類があり、目的によって使い分けます。観測値 O と期待値 E の差を集計する点は共通ですが、E の計算方法が大きく異なります。
独立性検定
2 つのカテゴリ変数の関連性を Contingency Table で検定。例：『性別と進路選択』の関連。E は行・列の周辺度数から計算：E = (行合計 × 列合計) / 全体合計。
適合度検定
1 つの変数のデータが特定の理論分布に従うか検定。例：『サイコロが公平か』『データが正規分布か』。E は仮定する理論分布から計算。k = カテゴリ数、m = 推定パラメータ数。
χ² 統計量
各セルの観測値 O と期待値 E の差の 2 乗を E で割って合計。χ² が大きいほど O と E の乖離が大きく、H₀（独立 / 適合）を棄却する根拠が強い。
判定基準
GDC で χ² 値と p 値を計算し、p < α なら『有意な関連性がある / 適合しない』、p ≥ α なら『関連性があるとする十分な証拠がない / 適合する』と結論。
Chi-squared の前提条件
- サンプルが無作為抽出
- 各観測が独立（同一個体を繰り返しカウントしない）
- すべての期待度数 E ≥ 5（小さすぎる場合はカテゴリを統合）
- 名義尺度・順序尺度のカテゴリ変数
Chi-squared 典型例（独立性検定）
問題：マレーシア IB 校 200 名の生徒を性別 × 進路選択（理系 / 文系）で集計したところ、男子 60 理系 + 40 文系、女子 50 理系 + 50 文系だった。性別と進路に関連性があるか α = 0.05 で検定せよ。
解答：H₀: 性別と進路は独立、H₁: 関連性がある。観測度数 O = [[60, 40], [50, 50]]。期待度数 E = [[55, 45], [55, 45]]（周辺度数から計算）。χ² = (60-55)²/55 + (40-45)²/45 + (50-55)²/55 + (50-45)²/45 ≈ 2.02。df = (2-1)(2-1) = 1。p ≈ 0.155 > 0.05 のため H₀ 棄却失敗。
結論（in context）：有意水準 5% で、マレーシア IB 校の性別と進路選択に関連性があるとする十分な証拠は得られなかった。
【⑥ t 検定（HL only）】
t 検定は AI HL のみのトピック。母分散 σ² が未知のときに標本平均を使って母平均 μ を検定する手法で、1 標本・2 標本（独立・対応）の 3 タイプを使い分けます。サンプルサイズが小さい場合（n < 30）でも正規性を仮定すれば適用可能。
1 標本 t 検定
1 つの標本の平均が仮定値 μ₀ と異なるか検定。例：『お菓子の重量が表示量 50g に一致するか』。df = n − 1。
2 標本 t 検定（独立）
2 つの独立な標本の平均差を検定。例：『男女の身長差』『新薬 vs プラセボ』。Welch 補正（Pooled=No）が推奨。
2 標本 t 検定（対応）
同一個体の前後比較。例：『ダイエット前後の体重』。差 d = X1 - X2 を計算し、d̄ について 1 標本 t と同じ手順。
自由度（df）
2 標本独立では Welch 補正による df の近似公式（Satterthwaite）が使われ、GDC が自動計算。Paper 3 で df の解釈が問われる。
t 検定の前提条件
- 母集団が正規分布に従う（n ≥ 30 なら中心極限定理で近似可能）
- 母分散 σ² が未知（既知なら z 検定を使用）
- サンプルが無作為抽出
- 2 標本独立の場合、2 群が互いに独立（対応関係なし）
t 検定典型例（2 標本独立）
問題：MKIS 男子 25 名の DP1 数学 Mock 平均 72（SD 8）、女子 25 名の平均 75（SD 9）。性別で平均スコアに差があるか α = 0.05 で検定せよ。
解答：H₀: μ_男 = μ_女、H₁: μ_男 ≠ μ_女（両側）。GDC で 2-Sample t Test（Pooled=No）。SE = √(8²/25 + 9²/25) ≈ 2.41。t = (72-75)/2.41 ≈ -1.25。df ≈ 47.4。p ≈ 0.218 > 0.05。H₀ 棄却失敗。
結論（in context）：有意水準 5% で、MKIS の DP1 数学 Mock スコアに男女差があるとする十分な証拠は得られなかった。サンプルサイズを増やすことで検出力が改善する可能性がある。
【⑦ 線形回帰と相関（Pearson r / r² / 回帰直線）】
線形回帰は AI HL Paper 2 / 3 の頻出トピック。最小二乗法による回帰直線 y = mx + c、Pearson 相関係数 r、決定係数 r² を使って 2 変数の関連を分析します。社会科学・経済学・データサイエンス志望者には大学進学後の統計基礎力として最重要。
最小二乗法
観測値 yᵢ と予測値 ŷᵢ の差（残差）の 2 乗和を最小化する m, c を求める。GDC で 1 ボタン計算（LinReg）。Paper 1 で式の意味を問われる。
Pearson r
線形関連の強さ。r = +1 完全正の線形、r = -1 完全負の線形、r ≈ 0 線形関連なし（非線形関連はあり得る）。|r| > 0.7 で強い相関の目安。
決定係数 r²
回帰直線で説明される y の分散の割合。r² = 0.85 なら『y のばらつきの 85% が x で説明される』と解釈。Paper 3 で頻出の Reflection 論点。
残差分析
残差プロットがランダムなら線形モデル妥当、パターン（U 字 / 拡散）があれば非線形モデルや変換が必要。Paper 3 でモデル妥当性議論に使用。
線形回帰 GDC 操作（TI-Nspire）
- Lists & Spreadsheet で List1 に x データ、List2 に y データを入力
- menu > 4: Statistics > 1: Stat Calculations > 3: Linear Regression (mx+b)
- X List = List1、Y List = List2 を指定
- m（傾き）、b（切片）、r（相関係数）、r²（決定係数）が表示
- 散布図と回帰直線：Add Data & Statistics ページで X 軸 / Y 軸を指定、Analyze > Regression > Linear で重ね描き
よくあるミス（線形回帰）
- r ≈ 0 を『関連なし』と書く（正しくは『線形関連なし』、非線形関連はあり得る）
- 相関を因果関係と混同する（『r が高い = 原因と結果』は誤り）
- データ範囲外への外挿（extrapolation）を無批判に行う
- 外れ値（leverage point）が r に大きく影響することを考慮しない
- r² を『データの割合』と誤解する（正しくは『y の分散の割合』）
【⑧ 過去問演習プラン 30 日】
AI HL 仮説検定・推測統計章を 30 日で総ざらいするプラン。DP 2 の最終試験前 1 ヶ月、または DP 1 終了時の夏休み集中演習に最適。1 日 1.5-2 時間の確保が前提。
記述統計 + 正規分布
中央値・四分位範囲・標準偏差・Box plot・ヒストグラムの計算と図示。Day 4-7 で正規分布の標準化 z + GDC の normalCdf / invNorm 完全習熟。Day 7 で MCQ 形式の自己テスト（30 問 / 60 分）で記述統計 + Normal の弱点ピックアップ。
仮説検定の枠組み + Chi-squared
帰無仮説 H₀ vs 対立仮説 H₁ の立て方、有意水準 α、p 値、Type I/II 誤差を集中学習。Day 11-14 で Chi-squared 独立性検定 + 適合度検定。GDC の χ² 2-way Test / χ² GOF を 1 日 5 回操作。Day 14 で章末テスト（自校 Mock 過去問流用可）。
t 検定 + 線形回帰
1 標本 t 検定 → 2 標本 t 検定（独立 / 対応）の手順習得。Day 18-21 で線形回帰：最小二乗法 / Pearson 相関係数 r / 決定係数 r² の計算と解釈。残差分析 + 予測区間。Day 21 で章末テスト + Paper 2 形式の演習 3 セット。
信頼区間 + HL Extension + 総合
Day 22-25：信頼区間の構築 + 標準誤差 + 中心極限定理。Day 26-27：Spearman ρ + Poisson Distribution + 線形結合の分布。Day 28-30：過去問 Paper 2 + Paper 3 の Statistics セクション 3 セット（時間計測）+ 採点 + 弱点ピックアップ + 復習。
Paper 3 過去問傾向（仮説検定・推測統計章）
AI HL Paper 3 は 60 分で 2 問の長文 Modelling 問題。Statistics 章は AI HL の最重要トピック群のため、ほぼ毎年いずれかの問題で仮説検定 / 回帰が出題されます。
2 標本 t 検定 + 信頼区間 + 効果量
2 つのマレーシア IB 校の数学スコアを 2 標本 t 検定で比較。Part a, b で記述統計、Part c で t 検定、Part d で 95% 信頼区間の構築、Part e で Cohen's d 効果量の議論。
Chi-squared 独立性 + Type I/II 誤差
Contingency Table（性別 × 進路選択）の χ² 独立性検定。Part c で α = 0.05 vs α = 0.01 の判定の違いを議論、Part d で Type I/II 誤差の定義と Type II を減らす方法を論述。
線形回帰 + 残差分析 + 予測区間
気温とアイスクリーム売上の散布図から線形回帰モデルを構築。Part c で残差分析、Part d で外挿予測の妥当性、Part e で r² の解釈と限界考察を論述。
Chi-squared 適合度 + サンプルサイズの影響
サイコロが公平か Chi-squared 適合度検定で判定。Part b で観測度数 vs 期待度数を計算、Part c で n を 100 → 500 に増やした場合の検出力変化、Part d で『検定の限界』を Reflection。
【公式チートシート（10 公式）】
AI HL 仮説検定・推測統計章で Paper 1 / 2 / 3 のいずれにも頻出する 10 公式。試験 1 週間前に毎日 1 周することで Paper 1（No GDC）の計算速度と公式の正確性が大幅に向上します。
| 名称 | 公式 | 用途 |
|---|---|---|
| 標本平均 | x̄ = (1/n) × Σ xᵢ | 標本の中心傾向の指標 |
| 標本分散・SD | s² = Σ(xᵢ − x̄)² / (n − 1) | 標本のばらつき。SD は √(s²) |
| Normal 標準化 | Z = (X − μ) / σ | 正規分布を標準正規分布に変換 |
| Chi-squared 統計量 | χ² = Σ (O − E)² / E | 観測値と期待値の差を集計 |
| 自由度（独立性検定） | df = (r − 1)(c − 1) | Contingency Table の独立性検定 |
| 自由度（適合度検定） | df = k − 1 − m | k = カテゴリ数、m = 推定パラメータ数 |
| 1 標本 t 統計量 | t = (x̄ − μ₀) / (s/√n) | 標本平均と仮説値の差の検定 |
| Pearson 相関係数 | r = Sxy / √(Sxx × Syy) | 線形関連の強さ（-1 ～ +1） |
| 決定係数 | r² = (Pearson r)² | 回帰直線で説明される分散の割合 |
| 信頼区間（95%） | x̄ ± t × (s/√n) | 母平均 μ の区間推定 |
【関連記事・コース・クイズ】
【南数塾の AI HL Hypothesis Testing 支援】
南数塾は AI HL 仮説検定・推測統計章の全範囲（記述統計 / Normal / 仮説検定 / Chi-squared / t 検定 / 線形回帰 / HL Extension）に対応した個別指導を提供します。
- ✓仮説検定 5 ステップ（H₀ → α → 統計量 → p 値 → in context）の徹底
- ✓Chi-squared 独立性 vs 適合度の判別集中演習
- ✓1 標本 / 2 標本（独立・対応）t 検定の使い分け指導
- ✓TI-Nspire CX II / TI-84 Plus CE / Casio fx-CG50 の 3 機種対応
- ✓Type I・II 誤差の概念と Paper 3 Reflection 対策
- ✓線形回帰 + r / r² + 残差分析の総合演習
- ✓信頼区間と効果量の解釈訓練
- ✓Paper 2（With GDC）の GDC 戦略最適化
- ✓Paper 3 Extended Modelling の Statistics 章対策
- ✓IA で仮説検定を扱うテーマ選定 + 執筆指導
- ✓Grade 6 → 7 引き上げのための過去 5 年分演習
- ✓社会科学・心理学・データサイエンス進学者向け統計強化
※ 本記事は 2026 年 5 月時点の IB Diploma Programme 公式シラバス（First Exam 2021、AI HL）と公開情報を基に整理しています。Paper 3 出題傾向は過去 4 年分の May / November Session を基にした傾向分析で、必ずしも今後の出題を保証するものではありません。GDC の操作手順は機種・OS バージョンにより異なる場合があるため、自分の機種のマニュアルも併せて確認してください。
AI HL 仮説検定・推測統計章の
Grade 6 → 7 引き上げを
ご相談ください
お子様の現在の Grade、弱点トピック、志望大学（社会科学・心理学・データサイエンス系）をもとに、AI HL 仮説検定・推測統計章を 30-60 日で底上げする個別カリキュラムをご提案します。無料体験授業 + 三者面談（生徒・保護者・講師）で診断します。
入試・進学の相談を申し込む入塾をご検討の方の受講相談は無料、入塾以外の進路相談は有料です。進路相談（有料）について
移行元の確認：現サイトの元ページ（外部）。元サイトは変更していません。