統計検定2級 用語解説
ブロック化とは
実験の対象を、あらかじめ分かっている影響要因でいくつかのグループ（ブロック）へ分けてから処理を割り付ける手法。その要因によるばらつきを取り除き、処理そのものの効果を見やすくする。
まず押さえる結論
ブロック化は、統計検定2級の「第2章 データ収集と確率」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-11。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×母集団と標本の取り違え。標本は母集団の一部であり、抽出方法に偏りがあると推測も偏る。
×独立と排反の混同。独立は一方の発生が他方の確率を変えないこと、排反は同時に起こらないこと。
×条件付き確率で分母に置く事象の取り違え。何が既に起きた条件なのかを先に確認する。
関連する確認問題
第2章 データ収集と確率 / 確率
事前の確率を、観測された情報に基づいて更新するときに用いる定理はどれか。
正解は「ベイズの定理」である。ベイズの定理は、事前の確率を条件付き確率や観測情報に基づいて更新するための定理である。中心極限定理は標本平均の分布に関する定理、最小二乗法は回帰直線を求める方法、カイ二乗検定はカテゴリカルデータの検定であり、事前確率の更新を表す定理ではない。 選択肢ごとの差は次のように整理できる。「中心極限定理」は誤答側で、誤答。「中心極限定理」は標本平均の分布に関する定理であり、事前の確率を観測情報で更新する定理ではなく、設問が求める「確率の更新」という働きとは対象がずれている。「ベイズの定理」は正解側で、正解。「ベイズの定理」は、事前の確率を条件付き確率や観測情報に基づいて更新するための定理であり、設問が問う「事前の確率を更新する」という条件に直接対応する。「最小二乗法」は誤答側で、誤答。「最小二乗法」は観測されたデータから回帰直線を求めるための方法であり、事前の確率を観測情報に基づいて更新する定理ではない。「カイ二乗検定」は誤答側で、誤答。「カイ二乗検定」はカテゴリカルデータの検定として用いられ、事前の確率を観測情報に基づいて更新する定理ではない。
第2章 データ収集と確率 / 標本調査と無作為抽出
標本調査で、抽出した標本が母集団全体と偶然ずれることによって生じる誤差はどれか。
正解は「標本誤差」である。標本誤差は、母集団の一部である標本を用いて調査するために、抽出した標本が母集団全体と偶然ずれることによって生じる誤差である。非標本誤差は、調査票の質問の仕方や回答漏れ、測定ミスなど、標本抽出以外の原因で生じる誤差であり、偶然の抽出のずれによる誤差とは原因が異なる。期待値は確率変数がとる値の平均的な大きさを表す概念であり、標本と母集団のずれを表す誤差ではない。母分散は母集団における分散という母数であり、標本抽出に伴う誤差そのものを表す概念ではない。設問の「抽出した標本が母集団全体と偶然ずれる」という条件は、標本誤差に直接対応する。
第2章 データ収集と確率 / 標本調査と無作為抽出
調査票の質問の仕方や回答漏れ、測定ミスなど、標本抽出以外の原因で生じる誤差はどれか。
正解は「非標本誤差」である。非標本誤差は、調査票の質問の仕方や回答漏れ、測定ミスなど、標本抽出以外の原因で生じる誤差である。標本誤差は、抽出した標本が母集団全体と偶然ずれることによって生じる誤差であり、質問の仕方や測定ミスとは原因が異なる。標準誤差は推定量(標本平均など)の標本分布がもつばらつきを表す指標であり、調査票の設計や測定に起因する誤差ではない。第2種の過誤は誤っている帰無仮説を誤って棄却できない検定上の誤りであり、調査票の質問の仕方や測定ミスによる誤差とは異なる概念である。設問の「調査票の質問の仕方」「回答漏れ」「測定ミス」「標本抽出以外の原因」という条件は、非標本誤差に直接対応する。
同じ章で確認したい用語
到達チェック
- ブロック化を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、ブロック化に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）