【ガイガー】インスペクター＋統計スレ

インスペクター＋統計スレ
統計データを書き込むスレです。

R関係の統計処理のリンク集をコピー。主に使っているのが、青木さんの所なので、青木さんが主体。

群馬大学　青木　R による統計処理
http://aoki2.si.gunma-u.ac.jp/R/index.html

プログラム R の入手方法とコンピュータへのインストール
http://aoki2.si.gunma-u.ac.jp/R/begin.html

新たに定義した関数
http://aoki2.si.gunma-u.ac.jp/R/src/all.R　をDown load
起動直後に「>」が表示されたらばその後に「source("http://aoki2.si.gunma-u.ac.jp/R/src/all.R", encoding="euc-jp") 」と入力する。「Rcmder」と同時には使用できないので要注意。


分散比の検定。等分散か異分散かで検定方法が異なるので分散を調べる。正規分布の場合に限って使用可能。
http://aoki2.si.gunma-u.ac.jp/R/my-var-test.html　二群の等分散性の検定（二次データ）
http://aoki2.si.gunma-u.ac.jp/lecture/Average/bunsan1-r.html　二群の等分散性の検定
http://aoki2.si.gunma-u.ac.jp/lecture/Average/Bartlett-r.html　多群の等分散性の検定

平均値の差の検定
http://aoki2.si.gunma-u.ac.jp/lecture/Average/t-test-r.html　２群正規分布の場合
http://aoki2.si.gunma-u.ac.jp/lecture/Average/U-test-r.html　２群一山分布の場合
http://aoki2.si.gunma-u.ac.jp/lecture/Average/oneway-ANOVA-r.html　分散分析(３群以上、正規分布の場合)

度数分布
http://aoki2.si.gunma-u.ac.jp/R/dosuu-bunpu.html　度数分布表の作成
http://aoki2.si.gunma-u.ac.jp/R/normaldist.html　正規分布用適合度の検定
http://aoki2.si.gunma-u.ac.jp/R/npp2.html　正規確率紙への作画

にちゃんねる内
http://ikura.2ch.net/sim/index.html　シミュレーション＠2ch掲示板
http://ikura.2ch.net/test/read.cgi/sim/1284162960/l50　【junk.test】雑談専用【try会議室】
http://uni.2ch.net/math/　数学＠2ch掲示板
http://uni.2ch.net/test/read.cgi/math/1294561909/l50　【R言語】統計解析フリーソフトＲ 第４章【GNU R】

ガイガーカウンターで食品計測 関連テンプレ
http://hakarukun.go.jp/html/jirei/j_kisenbaru/16_01.htm 身近にある食品からの放射線−「はかるくん」を使った40K等からのγ線測定−
http://www.potetokaitsuka.co.jp/img/110719_press.pdf サツマイモを測定することができるｗ
http://ameblo.jp/geigersokutei/entry-10921797003.html ベータ線を測定してみましょう
http://www.mhlw.go.jp/stf/houdou/2r9852000001558e-img/2r98520000015cfn.pdf シンチ向け 急時における食品の放射能測定マニュアル(厚生労働省)
http://www.kankyo-hoshano.go.jp/series/lib/No1.pdf GM向け 全ベータ放射能測定法 (下ごしらえ)
http://www.kankyo-hoshano.go.jp/series/pdf_series_index.html RI 核種一覧のサイト The Berkeley Laboratory Isotopes Project's Exploring the Table of Isotopes
http://ie.lbl.gov/education/isotopes.htm アルミ中のβ線の飛距離の計算サイト。
http://www.sky.sannet.ne.jp/s_hongo/s/r/particlepath.html
http://www.geocities.co.jp/NatureLand/2111/mushroom/dehydrator/index.htm 家庭内食品の乾燥
http://search.kankyo-hoshano.go.jp/top.jsp 環境放射線データベース
http://www.kobejyukou.com/jisakutosoubusu%20p01.htm ドラフトの例
http://www.yamato-net.co.jp/index.html　理化学機器販売店
http://www.tgk.co.jp/ 　理化学機器販売店
http://www.sia-japan.com/ 　理化学機器販売店
http://www.advantec.co.jp/ 　理化学機器販売店
http://staff.aist.go.jp/t.ihara/weight.html 計算の論理
http://atlas.shinshu-u.ac.jp/class/expclass/exp-05-02.html 計算の論理
http://edycube.blog2.fc2.com/category5-11.html 周波数カウンタにおける1カウントの誤差について
http://www.mext.go.jp/b_menu/shingi/gijyutu/gijyutu3/toushin/05031802.htm 食品成分表
ttp://www.beejewel.com.au/research/Bee_Research/pra_software.html フリーのMCAソフト
http://hato.2ch.net/test/read.cgi/lifeline/1309151729/7-13 (京都府)って？
http://hato.2ch.net/test/read.cgi/lifeline/1302253304/973 (京都府)って？
http://hato.2ch.net/test/read.cgi/lifeline/1302253304/980-981 (京都府)って？
http://www.amazon.co.jp/-/dp/B001F9SRSW/ ドライフルーツ用乾燥機
http://www.kankyo-hoshano.go.jp/08/ers_lib/ers_abs01.pdf 福竜丸の頃の水道水の分析方法
http://www.snap-tck.com/room04/c01/stat/stat.html 統計学
http://www.mikage.to/radiation/calc.html 計測値をそのまま入力すると計算してくれるサイト
http://www.kankyo-hoshano.go.jp/series/lib/No24.pdf 「可食部」を検査することの規定
http://www.jrias.or.jp/index.cfm/6,15496,c,html/15496/20110620-095125.pdf 「緊急時における食品中の放射性セシウム測定に用いるNaI(Tl)シンチレーションサーベイメータの機器校正」
http://okwave.jp/qa/q962006.html 鉛対策
http://www.n-hakko.com/bunnseki-houhou.html 灰化
http://ci.nii.ac.jp/naid/110002908385 高温灰化による消失
http://www.jrias.or.jp/index.cfm/6,203,pdf 低温灰化による消失
http://pub.maruzen.co.jp/book_magazine/jikken-kagaku5/index.html 実験化学講座
http://www.amazon.co.jp/%E5%AE%9F%E9%A8%93%E3%82%92%E5%AE%89%E5%85%A8%E3%81%AB%E8%A1%8C%E3%81%86%E3%81%9F%E3%82%81%E3%81%AB-%E5%8C%96%E5%AD%A6%E5%90%8C%E4%BA%BA%E7%B7%A8%E9%9B%86%E9%83%A8/dp/4759809589

(正・続)実験を安全に行うために
http://www.jrias.or.jp/index.cfm/6,15496,c,html/15496/20110620-095125.pdf 日本アイソトープ協会の資料
http://hp.vector.co.jp/authors/VA047235/radiation.html ブラウザで動く放射線・放射能の単位換算ツール

金属による線種の分離方法。光子(γ線とＸ線)用は、アルミ0.6mm、プラスチック2.4mm。
http://www.rada.or.jp/database/home4/normal/ht-docs/member/synopsis/040264.html
管理図
http://avalonbreeze.web.fc2.com/38_01_05_controlfigure.html
四分位数とヒンジ
http://anchoret.seesaa.net/article/66138520.html
放射線測定器の測定値の平均差の計算ツール
http://www.mikage.to/radiation/calc_diff.html
【junk.test】雑談専用【try会議室】(シミ板)。昔は色々あったけど、今は桂カルク(だと思うけど栃木が使っているの)のみ
http://kamome.2ch.net/test/read.cgi/sim/1284162960/l50
検出限界の考え方
http://ax00.web.fc2.com/atomic/beta/s/s0080.html
心理統計学。文系の方向け統計学。SAS使用
http://www.aichi-gakuin.ac.jp/~chino/psycstat/preface.shtml
統計学自習ノート。ネットでは有名な群大の青木さん。R使用
http://aoki2.si.gunma-u.ac.jp/lecture/
栄養素別食品一覧
http://www.eiyoukeisan.com/calorie/nut_list/kalium.html
放射線測定実験要領書 (ガンマ線に関する基本的な事項, 線量率の測定, γ線の物質による遮へい測定)
http://radonet.servebbs.net/report/lect02.pdf
体内を構成する原子とγ線との 相互作用。人体を水と近似してγ線の吸収量を計算
http://www.ip.k.hosei.ac.jp/serialization/May.pdf
(6)検出器シミュレーション。上記計算用セシウムの定数が記載されている
http://www.nirs.go.jp/usr/medical-imaging/ja/study/nextgeneration-pet/6.html
＞線源：137Cs (662keV) 線減弱係数:0.54 cm-1
全β線測定法
http://www.kankyo-hoshano.go.jp/series/lib/No1.pdf
福竜丸の灰の分析
http://home.hiroshima-u.ac.jp/heiwa/Pub/41/41-yamamoto.pdf
具体的操作は、化学便覧の分析化学の章の「スポットテスト」
http://pub.maruzen.co.jp/shop/4621073419.html
前スレで、個別機種情報を除いて拾った範囲。
抜けがあったらば追加ヨロ。

http://gakuen.gifu-net.ed.jp/~contents/kou_nougyou/jikken/SubShokuhin/08/index.html 高校生向け食品の灰分の分析方法。
http://www.shouhiseikatu.metro.tokyo.jp/keiryo/yoshiki/kankyo/kankyo_tebiki.pdf 環境計量証明事業登録の手引き。政府の通達で「乾燥する」とか「(質量を)計る」とかのときに使用する機器
は、これを参照。
http://www.tokutoku.to/geiger/box.html 放射能遮断BOX　鉛１０ミリで重さ３２キロ　１２８０００円なり
http://space.geocities.jp/sc3xpgs/index.html Radiで食品測れるかな--
http://www.emf-japan.com/emf/emf1/emf211.html 個人で用意出来る遮蔽環境
http://tng.sub.jp/moku2-2-2-6-6067.htm 米国をあきれさせた日本の化学力をおしえたる (化学処理によるセシウムの分離)
http://www.rokakuho.co.jp/data/books/3036.html 米国をあきれさせた日本の化学力をおしえたる (化学処理によるセシウムの分離)
http://www.jrias.or.jp/index.cfm/6,9332,c,html/9332/2006-55-04-07.pdf 低レベル・超低レベル放射能測定の基礎 (鉛から出る放射線対策)

http://uni.2ch.net/test/read.cgi/radiation/1321400997/
インスペクター系総合 ２【Plus,Alert】より、関係しそうな内容を抜粋。

http://uni.2ch.net/test/read.cgi/radiation/1321400997/103
103：退避(群馬県)：2011/12/06(火) 22:35:29.39 ID:tnNiekf2
　300cpm=1.1Bq/cm2

流れの可視化技術のまとめ　石井幸治(九州大学)　室内(放射性)粉塵の動きを見当
http://www.riam.kyushu-u.ac.jp/gikan/report/08/visualization.pdf
放射線の遮へい (08-01-02-06)　β線が紙で遮蔽できない
http://www.rist.or.jp/atomica/data/dat_detail.php?Title_No=08-01-02-06
原発事故で飛散した主な核種
http://savechild.net/archives/3891.html
日本分析センター　ストロンチウム90の分析
http://www.jcac.or.jp/service_env_stron90.html


http://uni.2ch.net/test/read.cgi/radiation/1331598144/
インスペクター系総合 ３【inspector+,Alert】より、関係しそうな内容を抜粋。

福島第一原発から飛散した主な放射性同位体（核種）全31種・放出量
http://savechild.net/archives/3891.html
ポアソン分布
http://ja.wikipedia.org/wiki/%E3%83%9D%E3%82%A2%E3%82%BD%E3%83%B3%E5%88%86%E5%B8%83
直線関係式(Deming法)と回帰分析　(香川大学医学部検査部)
http://www.kms.ac.jp/~clinilab/units/biochem/cgi-bin/linear/
最小二乗法による回帰直線と相関係数の求め方−回帰分析と相関分析の基礎−　(早稲田大学大河内研)
http://www.okochi.env.waseda.ac.jp/pdf/H20Least_square.pdf
放射線計測−計数の統計−　(東京理科大学 理学部 物理学科)
http://www.rs.kagu.tus.ac.jp/~phlabex/LabExercise/reports/statistics.pdf
放射線崩壊の確率的性質　(広島大学物理学科)
http://home.hiroshima-u.ac.jp/phys/LectureHP/exp-hp/1-3.html
求積等
http://keisan.casio.jp/has10/SpecExec.cgi　円錐台
http://www.benricho.org/calculate/Cylinder.html　円柱


簡単！栄養andカロリー計算
http://www.eiyoukeisan.com/
カリウムの多い食品と、食品のカリウムの含有量一覧表
http://www.eiyoukeisan.com/calorie/nut_list/kalium.html
やさしお　(三重大学　奥村晴彦)
http://oku.edu.mie-u.ac.jp/~okumura/stat/yasashio.php

取扱説明書(英文)
http://seintl.com/manuals/Inspector_Operation_Manual_English.pdf

Rの使い方(文系用)。
http://www.e.okayama-u.ac.jp/~nagahata/ (岡山大学 長畑ビジネス統計解析)
http://www.e.okayama-u.ac.jp/~nagahata/bstat/

このスレの作成の理由
http://uni.2ch.net/test/read.cgi/radiation/1331598144/349
349 ：名無しに影響はない(やわらか銀行)：2012/04/06(金) 14:38:37.93 ID:v2XDOnI2
栃木さん新スレ作りました。統計学の先生がんばってください。

【ガイガー】インスペクター＋統計スレ
http://uni.2ch.net/test/read.cgi/radiation/1333690493/

簡単に食品を測りたい人向け：
トータルタイマーでバックグラウンド数値を5分測る。
トータルタイマーで食品の表面や切断面を5分測る。
差があれば汚染していると考えて捨てる。
μSV表示で測定しても汚染はわからない。トータルタイマーで測ること。

わかめや昆布にはカリウムが多く含まれている。
中国産わかめと三陸産わかめを比較してみればわかる。
比較して数値が高ければ、カリウム以外にセシウムやストロンチウムが入っている。
カリウムの多い東日本の食品にはセシウムが入っている可能性が高い。
ストロンチウムにも要注意。行政は一切ストロンチウムを測っていない。（ストロンチウムはβ線のみをだすため）

福島第一原発から飛散した主な放射性同位体（核種）全31種・放出量
http://savechild.net/archives/3891.html
αアルファ線（プルトニウム238,240,239,241）
βベータ線（セシウム137　ストロンチウム89,90 テルル、セリウム、ルテニウム）
γガンマ線（セシウム134、ヨウ素）

セシウム汚染地図
http://savechild.net/wp-content/uploads/2011/10/koukabig.gif

ＥＵが輸入規制している都道府県食品（つまり食品が汚染している）
福島、群馬、茨城、栃木、宮城、静岡、長野、山梨、埼玉、東京、千葉、神奈川

フランス核廃棄物処理施設 セントラコ
15.75ベクレル／kgで低レベル放射性廃棄物にて厳重管理

セレストかかってないよね。んじゃえーけ(方言、意味わかる人解説して)。

まずは、過去のおさらい。「行政はβ線を測定していない」
インスペクターはβ線測定を特長とする測定器なので、β線を主に測定することになります。
つまり、γ線測定による正確な値とは異なります。

1.緒言。
（2）ベータ線（電子線、陽電子線）
　放射性同位元素のベータ崩壊のさいに放出されるベータ線は、０から最大エネルギーまでの連続スペクトルである。
ベータ線のエネルギーとは最大エネルギーをいう。ベータ線の飛程は荷電重粒子線ほど明確でない。
そこで、一種類のベータ線を放出して崩壊する崩壊エネルギー既知の核種を用いて、飛程とエネルギーの関係を求める。
http://www.rist.or.jp/atomica/data/dat_detail.php?Title_No=08-01-02-06)

電子を対陰極で急激に制動させたり、磁場により運動方向を変更したりするなどの加速度運動をするとX線が放射され（制動放射）、
制動X線と呼ばれる。特定のスペクトルを示さないので、白色X線と言われる。
(http://ja.wikipedia.org/wiki/X%E7%B7%9A)
白色Ｘ線のスペクトルは
http://sts.kahaku.go.jp/diversity/document/system/pdf/045.pdf
の図2.1参照(昔の高校の物理の教科書には載っていたけど、今教えてんかな)。
インスペクターのγ線の感度はあまりよくないし、はかるくんあたりのほうがγ線を検出するには適している。
つまり、制動Ｘ線(50keVまで検出可能)が検出されない程度(検出されているといえない程度)まで遮蔽できれば
測定には影響が出ないだろう、ということで、プラスチックによる最低限必要な遮蔽厚さを求めた。
β線の減衰は、原子核付近を通った回数に比例する(白色Ｘ線の発生原理参照)ので、原子番号が近い原子はほぼ同じ原子として取り扱うことができる。
食品の主成分は、炭水化物・脂質・たんぱく質である。脂質は炭化水素、炭水化物は水と炭素、たんぱく質は炭化水素に多少の窒素が結合したものと、元素の組成を近似できる。
つまり、プラスチックと乾物の元素組成を近似できるから、汚染が少ないと思われる中国産CDケースを使用して、食品によるβ線遮蔽の程度を予測することを目的とした。
「一般閲覧用ではない歯科医師向け情報」
http://www.oralstudio.net/stepup/radiation/radi001_005.php
として勿体づけているけど、広告・関連情報・用語を除くと、高校生(向け副読本)程度なので、Ｘ線の説明として載せます。

2.実験方法。
線源: ５円玉の穴の中にやさしおを充填し紙製シールで密封したもの。これをCDケースの中に入れて机の上に固定した。
検出部: マンテンの棚用の鋼材を井桁に組み、インスペクターを置くと下に約3cmの空間がとれるようにした。
インスペクターは汚染を防ぐために常に食品用ポリ袋の中に保管した。
遮蔽材: 中国産CDケース。厚さ約1mmのプラスチック製。
3.実験結果。
http://uni.2ch.net/test/read.cgi/radiation/1331598144/332-334
やさしおで作成した線量を遮蔽するのに必要なプラスチックの分量は CDケース２枚であり3.15*2+1=7.3mmとなる。
4.考察。
元素数に比例してβ線の減衰がおこると近似できるから、遮蔽に必要な厚さの1/2の厚さに含まれるβ線核種から出たβ線はすべて検出部に到着でき、
それ以上の距離を移動してくるβ線はすべて遮蔽される、と近似できる。
検出部の直径が50mmで密着している場合、半径2.5cm、高さ3.65mmの円柱内に存在する核種からの放射線をすべて検出可能と近似できる。
実際には、底辺2.865cm上辺2.5cmの円錐台になるであろうが、以後の測定は、計算の簡便性を優先するために、円柱と近似する。

バソコンを置いてある部屋の大気(2012.03.26日夕方から翌日にかけて)を測定したもの。
ただし、窓に押し付けてある棚にインスペクターを宙吊りにして、音を拾ってパソコンで集計したもの。
だから、変な内容が所々にあります。猫による騒音と思われる 120, 156, 233 の３点は棄却しています。

ライブラリ QCCの使い方については、下記を参照。
http://www.ec.kansai-u.ac.jp/user/arakit/documents/qcc.pdf
http://www.e.okayama-u.ac.jp/~nagahata/bstat/4syou.pdf
http://www.biwako.shiga-u.ac.jp/sensei/kumazawa/R/c2.pdf

管理図の見方については、下記を参照。
http://www.e.okayama-u.ac.jp/~nagahata/bstat/4syou.pdf

結果はこんなところです。
問題なのが、５箇所ぐらい、１σ内に５点ぐらい連続して集まっている場所があります。
これは、おそらく、何かしらかの原因で外気が室内に入って、線量が下がったものと思われます。
何点が上側管理限界を超えている点がありますが、これは猫の騒音でしょう。
一般に、上下３σ内から外れる確率は 約2/1000で、管理限界を超えた時点で即異常値と判断できます。
しかし、そのようなわかりきった内容で管理図を眺めると肝心な内容を見落としてしまう。
２σ線(X管理図の場合にはUCLとLCLの間を6分割して、下から 3σ, 2σ, 1σ, CL, 1σ, 2σ, 3σ線)内(上下2σ線の間)に全データ数の95%が入っているか、１σ線内に66%が入っているか、上下が対象か、に注意してください。
２σ線と３σ線の間に集まっていて、１σ線内の数が少ない場合には、2つの群に分けなければならない測定値をひとまとめにして測定していることがわかります。上下が対照でなく特定の範囲に固まって存在する場合にも同様なことがいえます。

高濃度な空気と低濃度な空気が混在していて、変な偏りがあり、微量な分析には適さないのです。

> library(qcc)
x <- c(33, 29, 36, 53, 39, 39, 37, 37, 34, 40, 42, 34, 24, 41, 44, 30, 44, 41, 28, 29, 32, 33, 31, 33, 42, 45,
40, 38, 36, 37, 53, 96, 37, 34, 39, 40, 41, 48, 33, 37, 34, 38, 32, 39, 36, 32, 22, 41, 54, 35, 39, 35, 35, 38,
49, 37, 31, 28, 25, 33, 41, 32, 47, 33, 35, 34, 23, 27, 38, 41, 36, 33, 29, 32, 21, 28, 38, 30, 37, 28, 36, 32,
35, 29, 32, 44, 33, 37, 34, 31, 39, 31, 50, 37, 30, 39, 43, 30, 40, 30, 36, 37, 32, 38, 31, 37, 38, 39, 37, 33,
39, 39, 40, 31, 31, 37, 37, 26, 34, 36, 36, 34, 40, 31, 38, 33, 44, 41, 37, 26, 36, 41, 32, 33, 27, 34, 39, 41,
36, 28, 18, 35, 35, 40, 33, 32, 23, 28, 40, 30, 34, 45, 43, 31, 41, 53, 26, 34, 35, 39, 32, 33, 33, 36, 44, 28,
48, 40, 29, 34, 41, 35, 23, 40, 33, 32, 36, 31, 35, 29, 40, 36, 38, 44, 36, 24, 36, 33, 35, 32, 38, 43, 28, 24,
31, 27, 24, 41, 24, 35, 43, 47, 41, 41, 28, 28, 37, 50, 38, 35, 26, 32, 30, 35, 35, 35, 32, 24, 37, 32, 37, 41,
41, 37, 33, 35, 36, 41, 34, 29, 35, 29, 37, 42, 29, 33, 17, 31, 28, 32, 32, 28, 49, 34, 30, 37, 40, 47, 37, 28,
38, 23, 43, 38, 26, 29, 33, 36, 25, 36, 33, 39, 31, 37, 36, 30, 31, 27, 31, 30, 43, 40, 28, 34, 35, 39, 42, 39,
36, 42, 43, 31, 28, 38, 37, 35, 33, 39, 34, 40, 34, 38, 30, 30, 36, 38, 43, 36, 38, 37, 26, 34, 31, 34, 36, 43,
40, 40, 38, 26, 27, 26, 39, 30, 26, 32, 30, 36, 36, 45, 39, 41, 44, 33, 42, 47, 37, 49, 38, 37, 39, 31, 27, 36,
40, 25, 34, 31, 28, 36, 38, 39, 51, 34, 23, 44, 39, 39, 41, 44, 32, 42, 36, 31, 37, 37, 26, 35, 47, 33, 31, 32,
37, 42, 43, 65, 45, 35, 44, 32, 35, 50, 39, 22, 28, 42, 31, 27, 27, 37, 29, 33, 37, 27, 36, 39, 30, 30, 30, 36,
42, 17, 35, 40, 53, 30, 44, 47, 37, 52, 38, 32, 42, 25, 41, 41, 30, 38, 34, 41, 34, 38, 31, 29, 38, 28, 22, 34,
26, 26, 39, 33, 28, 38, 23, 39, 40, 40, 28, 41, 43, 35, 32, 29, 29, 32, 28, 43, 37, 24, 30, 53, 24, 33, 42, 32,
29, 40, 31, 36, 36, 36, 39, 43, 34, 41, 40, 40, 25, 48, 36, 38, 33, 49, 39, 44, 30, 41, 33, 24, 32, 37, 38, 36,
29, 35, 41, 26, 42, 33, 47, 40, 42, 31, 30, 25, 36, 32, 32, 42, 43, 41, 41, 40, 28, 37, 46, 32, 38, 38, 44, 32,
33, 37, 37, 36, 26, 39, 29, 45, 28, 19, 35, 34, 34, 36, 29, 37, 32, 45, 36, 31, 25, 27, 34, 29, 33, 28, 33, 30,
34, 40, 29, 34, 28, 38, 37, 33, 42, 36, 38, 34, 31, 29, 45, 54, 33, 33, 42, 38, 26, 36, 24, 22, 30, 56, 31, 30,
29, 24, 35, 37, 33, 24, 37, 26, 25, 27, 43, 35, 46, 40, 33, 31, 41, 32, 44, 28, 40, 33, 35, 38, 33, 36, 38, 40,
40, 42, 32, 31, 47, 37, 36, 38, 37, 37, 31, 28, 37, 31, 40, 30, 36, 34, 36, 32, 39, 35, 20, 32, 38, 38, 28, 40,
29, 31, 41, 37, 41, 39, 29, 32, 38, 35, 33, 39, 26, 37, 27, 26, 31, 31, 46, 36, 39, 32, 25, 28, 38, 30, 32, 44,
32, 36, 39, 33, 49, 43, 38, 41, 30, 42, 41, 39, 35, 39, 33, 36, 36, 42, 32, 25, 33, 35, 34, 44, 41, 37, 39, 36,
30, 38, 34, 33, 34, 40, 28, 34, 48, 30, 40, 40, 27, 37, 33, 42, 40, 35, 37, 28, 26, 27, 35, 27, 44, 37, 34, 37,
41, 37, 33, 33, 36, 34, 41, 37, 37, 52, 31, 39, 46, 40, 27, 24, 33, 37, 29, 40, 46, 40, 19, 37, 21, 27, 28, 28,
34, 35, 41, 38, 30, 32, 36, 42, 56, 30, 24, 42, 36, 37, 46, 36, 41, 35, 48, 33, 45, 34, 37, 25, 29, 43, 34, 34,
29, 28, 26, 31, 37, 38, 40, 38, 40, 45, 34, 41, 24, 37, 29, 42, 23, 30, 43, 34, 38, 32, 36, 28, 32, 37, 37, 37,
29, 34, 38, 33, 39, 35, 31, 52, 48, 34, 43, 43, 39, 32, 40, 30, 56, 87)

weight <- matrix(x,nrow=160)
sample <- rep(1:160, each=5)
d <- qcc.groups(weight, sample)
colnames(d) <- c("1st","2nd", "3th", "4th", "5th")

> qcc(data=d, type="xbar.one")

Call:
qcc(data = d, type = "xbar.one")

xbar.one chart for d

Summary of group statistics:
Min. 1st Qu. Median Mean 3rd Qu. Max.
17.00 31.00 36.00 35.47 39.00 96.00

Group sample size: 5
Number of groups: 800
Center of group statistics: 35.47125
Standard deviation: 6.584028

Control limits:
LCL UCL
15.71917 55.22333
>
334 CPM が 1 uSv/hですので、測定値(単位CPM)からuSV/hへの換算はできるでしょう。

>>15
たぶんほとんどの人が意味がわからないと思います。
１．測定対象
２．測定結果
３.補足コメント
４.　データ貼り付け
のようにしたほうがわかりやすいと思います。

>>16
１．測定対象
バソコンを置いてある部屋の大気(2012.03.26日夕方から翌日にかけて)を測定したもの。単位CPM。インスペクターは 334 CPM が 1 uSv/h なので、シーベルト単位の値が必要な方は換算してください。
測定場所は栃木県内のどこか。官公庁の発表は 0.05-0.12 uSV/h 程度、インスペクターのユーザーが極端に少ないのでこれ以上の情報はご勘弁ください。
２．測定結果
>>14
３.補足コメント
問題なのが、５箇所ぐらい、１σ内に５点ぐらい連続して集まっている場所があります。
これは、おそらく、何かしらかの原因で外気が室内に入って、線量が下がったものと思われます。
何点が上側管理限界を超えている点がありますが、これは猫の騒音でしょう。
一般に、上下３σ内から外れる確率は 約2/1000で、管理限界を超えた時点で即異常値と判断できます。
しかし、そのようなわかりきった内容で管理図を眺めると肝心な内容を見落としてしまう。
２σ線(X管理図の場合にはUCLとLCLの間を6分割して、下から 3σ, 2σ, 1σ, CL, 1σ, 2σ, 3σ線)内(上下2σ線の間)に全データ数の95%が入っているか、
１σ線内に66%が入っているか、上下が対象か、に注意してください。
２σ線と３σ線の間に集まっていて、１σ線内の数が少ない場合には、2つの群に分けなければならない測定値をひとまとめにして測定していることがわかります。
上下が対照でなく特定の範囲に固まって存在する場合にも同様なことがいえます。
高濃度な空気と低濃度な空気が混在していて、変な偏りがあり、微量な分析には適さないのです。

　日本国内で使われている「Ｘ管理図」と呼ばれている物は３種類あります。そのうちのひとつが qcc で描かれる管理図で、連続する何個か(ここでは５個を使用)をひとつの群(group)として取り扱い、
合計800個のデータを、160群に分けて使用し、中心線(CL)・管理限界(UCL, LCL)を計算する方法のようです。
計算結果を見ると、CL=35.47125, UCL=55.22933, LCL=15.71917 です。σ=6.584028 という計算結果がありますので、これを使うと、
１σ線が 35.47125+6.584028 = 42.055278 と 35.47125-6.584028 = 28.887222 の２本になります。同様に２σ線が 35.47125+6.584028*2 = 48.639306 と 35.47125-6.584028*2 = 22.303194 に、
３σ線は既にある UCL, LCLと同じ 55.22933 と 15.71917 になります。
４.　データ貼り付け
> library(qcc)
>x <- c(33, (中略) , 56, 87) # >>14 生データ。
>weight <- matrix(x,nrow=160)
>sample <- rep(1:160, each=5)
>d <- qcc.groups(weight, sample)
>colnames(d) <- c("1st","2nd", "3th", "4th", "5th")

> qcc(data=d, type="xbar.one")
Call:
qcc(data = d, type = "xbar.one")

xbar.one chart for d

Summary of group statistics:
Min. 1st Qu. Median Mean 3rd Qu. Max.
17.00 31.00 36.00 35.47 39.00 96.00

Group sample size: 5
Number of groups: 800
Center of group statistics: 35.47125
Standard deviation: 6.584028

Control limits:
LCL UCL
15.71917 55.22333
>

１．測定対象
2012.04.08 採取, 裏の畑ふきのとう, 40度１日乾燥 (11*9*2cm) 19g の測定値。
２．測定結果
まずは生データ。

1. n=31 BG
x <- c(42, 42, 26, 41, 36, 28, 51, 45, 42, 46, 42, 41, 40, 44, 30, 29, 41, 38, 39, 44, 34, 38, 35, 40, 52, 35, 43, 26, 34, 45, 47)
> mean(x) [1] 39.22581
> var(x) [1] 44.84731

2. n=32 試料
x <- c(65, 65, 70, 77, 67, 51, 68, 62, 72, 57, 58, 74, 76, 71, 71, 67, 70, 85, 50, 64, 89, 56, 57, 84, 68, 64, 55, 61, 69, 66, 63, 62)
> mean(x) [1] 66.6875
> var(x) [1] 84.67339

3. n=34 BG
x <- c(39, 49, 45, 32, 35, 39, 35, 33, 37, 40, 45, 35, 42, 33, 38, 32, 36, 35, 38, 34, 36, 30, 47, 35, 33, 34, 33, 39, 42, 25, 41, 31, 38, 31)
> mean(x) [1] 36.67647
> var(x) [1] 26.58913

4. n=33 試料
x <- c(63, 61, 70, 68, 76, 86, 66, 67, 66, 59, 86, 80, 61, 68, 65, 55, 84, 64, 65, 64, 62, 75, 62, 63, 66, 65, 79, 55, 66, 63, 61, 59, 63)
> mean(x) [1] 67.0606
> var(x) [1] 67.24621

5. n=33 BG
x <- c(40, 37, 37, 48, 42, 48, 39, 44, 37, 33, 45, 46, 31, 30, 25, 31, 36, 33, 39, 36, 45, 39, 40, 40, 40, 47, 42, 31, 48, 46, 55, 35, 42)
> mean(x) [1] 39.60606
> var(x) [1] 42.62121

４.　データ貼り付け
全体の分析

x <- c(42, 42, 26, 41, 36, 28, 51, 45, 42, 46, 42, 41, 40, 44, 30, 29, 41, 38, 39, 44, 34, 38, 35, 40, 52, 35, 43, 26, 34, 45, 47 ,
65, 65, 70, 77, 67, 51, 68, 62, 72, 57, 58, 74, 76, 71, 71, 67, 70, 85, 50, 64, 89, 56, 57, 84, 68, 64, 55, 61, 69, 66, 63, 62 ,
39, 49, 45, 32, 35, 39, 35, 33, 37, 40, 45, 35, 42, 33, 38, 32, 36, 35, 38, 34, 36, 30, 47, 35, 33, 34, 33, 39, 42, 25, 41, 31, 38, 31 ,
63, 61, 70, 68, 76, 86, 66, 67, 66, 59, 86, 80, 61, 68, 65, 55, 84, 64, 65, 64, 62, 75, 62, 63, 66, 65, 79, 55, 66, 63, 61, 59, 63 ,
40, 37, 37, 48, 42, 48, 39, 44, 37, 33, 45, 46, 31, 30, 25, 31, 36, 33, 39, 36, 45, 39, 40, 40, 40, 47, 42, 31, 48, 46, 55, 35, 42)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 , 4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 49.79755
> var(x)
[1] 247.36
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 149.7578, 第1自由度 = 4, 第2自由度 = 158, P値 < 2.2e-16
有意差あり、群による差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 12.2524, 自由度 = 4, P値 = 0.01557
有意差あり。先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 134.2289, 第1自由度 = 4.000, 第2自由度 = 77.717, P値 < 2.2e-16
有意差あり、群による差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 6 3.680982 3.680982
30 20 12.269939 15.950920
35 29 17.791411 33.742331
40 24 14.723926 48.466258
45 16 9.815951 58.282209
50 4 2.453988 60.736196
55 10 6.134969 66.871166
60 17 10.429448 77.300613
65 18 11.042945 88.343558
70 7 4.294479 92.638037
75 5 3.067485 95.705521
80 3 1.840491 97.546012
85 4 2.453988 100.000000
>

試料とバックグラウンドの比較。
x <- c(42, 42, 26, 41, 36, 28, 51, 45, 42, 46, 42, 41, 40, 44, 30, 29, 41, 38, 39, 44, 34, 38, 35, 40, 52, 35, 43, 26, 34, 45, 47 ,
65, 65, 70, 77, 67, 51, 68, 62, 72, 57, 58, 74, 76, 71, 71, 67, 70, 85, 50, 64, 89, 56, 57, 84, 68, 64, 55, 61, 69, 66, 63, 62 ,
39, 49, 45, 32, 35, 39, 35, 33, 37, 40, 45, 35, 42, 33, 38, 32, 36, 35, 38, 34, 36, 30, 47, 35, 33, 34, 33, 39, 42, 25, 41, 31, 38, 31 ,
63, 61, 70, 68, 76, 86, 66, 67, 66, 59, 86, 80, 61, 68, 65, 55, 84, 64, 65, 64, 62, 75, 62, 63, 66, 65, 79, 55, 66, 63, 61, 59, 63 ,
40, 37, 37, 48, 42, 48, 39, 44, 37, 33, 45, 46, 31, 30, 25, 31, 36, 33, 39, 36, 45, 39, 40, 40, 40, 47, 42, 31, 48, 46, 55, 35, 42)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 594.8668, 第1自由度 = 1, 第2自由度 = 161, P値 < 2.2e-16
有意差あり、試料とバックグラウンドによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 8.4869, 自由度 = 1, P値 = 0.003577
有意差あり。先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 522.673, 第1自由度 = 1.00, 第2自由度 = 107.23, P値 < 2.2e-16
有意差あり、試料とバックグラウンドによる差異がある。

>

繰り返しによる差異

1. BG
x <- c(42, 42, 26, 41, 36, 28, 51, 45, 42, 46, 42, 41, 40, 44, 30, 29, 41, 38, 39, 44, 34, 38, 35, 40, 52, 35, 43, 26, 34, 45, 47 ,
39, 49, 45, 32, 35, 39, 35, 33, 37, 40, 45, 35, 42, 33, 38, 32, 36, 35, 38, 34, 36, 30, 47, 35, 33, 34, 33, 39, 42, 25, 41, 31, 38, 31 ,
40, 37, 37, 48, 42, 48, 39, 44, 37, 33, 45, 46, 31, 30, 25, 31, 36, 33, 39, 36, 45, 39, 40, 40, 40, 47, 42, 31, 48, 46, 55, 35, 42)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 38.46939
> var(x)
[1] 38.72586
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 2.247, 第1自由度 = 2, 第2自由度 = 95, P値 = 0.1113
有意差あり、繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 2.4918, 自由度 = 2, P値 = 0.2877
有意差あり。先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 2.581, 第1自由度 = 2.000, 第2自由度 = 61.442, P値 = 0.08389
有意差あり、繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 6 6.122449 6.122449
30 20 20.408163 26.530612
35 29 29.591837 56.122449
40 24 24.489796 80.612245
45 16 16.326531 96.938776
50 2 2.040816 98.979592
55 1 1.020408 100.000000
>

2. 試料
x <- c(65, 65, 70, 77, 67, 51, 68, 62, 72, 57, 58, 74, 76, 71, 71, 67, 70, 85, 50, 64, 89, 56, 57, 84, 68, 64, 55, 61, 69, 66, 63, 62 ,
63, 61, 70, 68, 76, 86, 66, 67, 66, 59, 86, 80, 61, 68, 65, 55, 84, 64, 65, 64, 62, 75, 62, 63, 66, 65, 79, 55, 66, 63, 61, 59, 63)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 66.87692
> var(x)
[1] 74.67212
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.0298, 第1自由度 = 1, 第2自由度 = 63, P値 = 0.8634
有意差無し。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.4111, 自由度 = 1, P値 = 0.5214
有意差無し。先の分散分析は有効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.0297, 第1自由度 = 1.000, 第2自由度 = 61.689, P値 = 0.8637
有意差無し。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
50 2 3.076923 3.076923
55 9 13.846154 16.923077
60 17 26.153846 43.076923
65 18 27.692308 70.769231
70 7 10.769231 81.538462
75 5 7.692308 89.230769
80 3 4.615385 93.846154
85 4 6.153846 100.000000
>

バックグラウンドと試料の比較

1. BG
gr1 <- c(42, 42, 26, 41, 36, 28, 51, 45, 42, 46, 42, 41, 40, 44, 30, 29, 41, 38, 39, 44, 34, 38, 35, 40, 52, 35, 43, 26, 34, 45, 47 ,
39, 49, 45, 32, 35, 39, 35, 33, 37, 40, 45, 35, 42, 33, 38, 32, 36, 35, 38, 34, 36, 30, 47, 35, 33, 34, 33, 39, 42, 25, 41, 31, 38, 31 ,
40, 37, 37, 48, 42, 48, 39, 44, 37, 33, 45, 46, 31, 30, 25, 31, 36, 33, 39, 36, 45, 39, 40, 40, 40, 47, 42, 31, 48, 46, 55, 35, 42)
> mean(x)
[1] 38.46939
> var(x)
[1] 38.72586
gr2 <- c(65, 65, 70, 77, 67, 51, 68, 62, 72, 57, 58, 74, 76, 71, 71, 67, 70, 85, 50, 64, 89, 56, 57, 84, 68, 64, 55, 61, 69, 66, 63, 62 ,
63, 61, 70, 68, 76, 86, 66, 67, 66, 59, 86, 80, 61, 68, 65, 55, 84, 64, 65, 64, 62, 75, 62, 63, 66, 65, 79, 55, 66, 63, 61, 59, 63)
> mean(x)
[1] 66.87692
> var(x)
[1] 74.67212

t.test(gr1, gr2, v=T)
t.test(gr1, gr2)
var.test(gr1, gr2)

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -24.3899, 自由度 = 161, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -30.70765 -26.10743
標本推定値:
平均値x 平均値y
38.46939 66.87692
有意。平均値に差がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -22.862, 自由度 = 107.23, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -30.87071 -25.94436
標本推定値:
平均値x 平均値y
38.46939 66.87692
有意。平均値に差がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.5186, 第1自由度 = 97, 第2自由度 = 64, P値 = 0.003399
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.3273010 0.8046984
標本推定値:
分散比
0.518612
有意差あり。分散は等しくない。平均値の差の検定は（Welchの方法）を使用する。

>

３.補足コメント
本来は、重み付演算を使うのですが、面倒なので普通の算術演算で
BG: 38.46939, 試料: 66.87692 CPM
よって、66.87692 - 38.46939 = 28.40753
本来の統計処理だと、試料のデータ数が100個以下の65個だから有効桁が１つ増えて、小数点以下第一位まで求める。
BGも100個以下の98だから有効桁が1つ増えて、小数点以下第１位まで求めて丸める。
BG: 38.5, 試料: 66.9 CPM
66.9-38.5=28.4
インスペクターによるやさしおの測定では、1.819個 / (分・100mg)なので、インスペクターの計数値からの換算計数は 0.47 Bq/CPM となる。
よって、測定した試料の線量は
28.4 * 0.47 = 13.3 Bq
となる。
試料の寸法は、 縦: 11cm, 横: 9cm, 高さ: 2cm で、風袋を温めた重さが 19g (ここではポリ袋の重さを0とする)より、比重は約 0.096 g/cm3 である。
単位面積あたりの試料の重さが 1g以下なので、試料によるβ線の吸収を0とする。
測定範囲が底面の半径 7.4cm、高さ2cm、上面の半径を4.1cm とする円錐台と考えれば、試料全体がほぼ測定可能範囲内にはいるので、19g全量を計ったとする。
よって、
13.3 * 1000 / 19 = 700
より、700Bq/kgとなる。
ふきの水分量が 96%(http://food.longseller.org/g13/i12111a.html)なので、ふきのとうの水分量を同量とすると、700 * (100-96.1) / 96.1 = 28.4 より
栃木産ふきのとう(自家栽培)の線量は 28 Bq/kg となる。
インスペクターはβ線測定を特長とする測定器ですから、γ線を測定を基準としている正確な測定とは異なります。

2022.13.25 マイクの集音能力の測定。
2-3分に１回の３連音を受信できず
猫等の生活音を受信する

パソコン値, インスペクター値, 差,備考
08:10 317, 276, 41
08:20 620, 584, 36
08:31 1044, 1010, 34
08:40 1289, 1260, 29
08:50 1644, 1613, 31, 猫音
09:00 2037, 2006, 31

これは、マイクロホンで音を拾って計数するというソフトの性能試験結果です。

１．測定対象
乾燥わかめ　１５０ｇ　中国産　直付け　ビニル袋で保護

２．測定結果
5分間バックグラウンド　198
5分間乾燥わかめ　251

３.補足コメント
バックグラウンドとの差があった。
カリウムを検出したと思う。三陸産わかめがあれば測ってみて比較したい。

>>24
ベクレルまでわかるんですか。
カルシウムの多い東日本の食品にはストロンチウムが入っているように思います。
干しえびや魚肉ソーセージや煮干しなど。
海に流出した原発の汚染水に含まれている放射性物質がわかればいいですが。
プルトニウムは豆類に蓄積するようです。

>>26はインスペクター＋のトータルタイマーでの5分間のカウント数です。

インスペクター＋　トータルタイマーモード　5分間カウント数
１．測定対象
丸大食品（大阪）　フィッシュソーセージ７０ｇ　購入時の袋のまま直付け　ビニル袋で保護

２．測定結果　5分間を2回測定
バックグラウンド　195、198
フィッシュソーセージ　201、198

３.補足コメント
数値に差がないようだ。次回はフィッシュソーセージを袋から出して測りたい。

インスペクター＋　トータルタイマーモード　5分間カウント数
１．測定対象
（株）ヒガシマル（鹿児島）　そうめん７００ｇ　袋のまま直付け　ビニル袋で保護

２．測定結果　5分間を2回測定
バックグラウンド　195、198
そうめん　219、208

３.補足コメント
数値に差があるが誤差の範囲か。 原材料は小麦粉と食塩のみ

インスペクター＋　トータルタイマーモード　5分間カウント数
１．測定対象
（株）ミタカ（熊本）　佐賀県産大麦　麦茶ティーバッグ400ｇ　袋のまま直付け　ビニル袋で保護

２．測定結果　5分間
バックグラウンド　195、198
麦茶　　　230

インスペクター＋　トータルタイマーモード　5分間カウント数
１．測定対象
二豊フーズ（株）（大分県）納豆40ｇ　直付け　ビニル袋で保護

２．測定結果　5分間
バックグラウンド　195、198
納豆　　　229

>>12
http://uni.2ch.net/test/read.cgi/radiation/1331598144/357-359
＞GJ!
＞やっとこのスレもスッキリしたね！
ってあるから、エーヨッ(共通語訳　いいとも)。

>>27
まず、単位の定義を読んでくれ。
http://ja.wikipedia.org/wiki/%E3%82%B7%E3%83%BC%E3%83%99%E3%83%AB%E3%83%88
http://ja.wikipedia.org/wiki/%E3%82%B0%E3%83%AC%E3%82%A4_%28%E5%8D%98%E4%BD%8D%29
http://ja.wikipedia.org/wiki/%E3%83%99%E3%82%AF%E3%83%AC%E3%83%AB
ンデ、測定器のほうで何をやっているのかッテート、
何分間又は何秒間又は何時間か、放射線の数(ガイガーのカリカリ音)を数えて
適切な演算をして、表示しているだけ。
つまり、検出器とカリカリ音を数えることができれば、
空中線量も、表面線量も、物質中の放射線量も数えられるわけ。

だから(精度は別にして)カウンターがついている放射線量計ならば測れることになります。
実際にどういう値になるかは、測定者の力量次第。

ここはにちゃんねるだから、嘘を嘘だとわかる人が利用しているわけで、嘘を見抜けないならば利用するな。

＞プルトニウムは豆類に蓄積するようです。
そうなんだよな。
除去方法がわかれば、大豆でもインゲンでも小豆でもをいくらでも作付けするんだが
わかんないんで、作付けできないでいる。

福島、宮城、茨城が３大汚染地域です。
この地域の大豆や小豆などの豆類からプルトニウムが検出できるかもしれません。
汚染水にも含まれているので海藻や海底魚からも検出されそうです。
プルトニウムを検出する場合は、マイカ窓と対象物の間にビニルなど何もあってはいけません。
マイカ窓を３センチ程度まで近づけた数値と、間に紙一枚挟んだ数値に差があればプルトニウムです。
福島の自動車フィルターからはすでにプルトニウムが検出されています。
http://www.youtube.com/watch?v=NBAM8w3gVZY

納豆菌はほとんどが東日本産。
納豆菌は放射性物質で汚染するのであろうか？
九州で作った外国産大豆納豆はどこの納豆菌を使用しているか不明。
東京都、山形県、宮城県のメーカーが国内３大メーカー。
http://www.nattou.com/topics/kin.html

>>35
たしか、1gで100kgだったかな、使用量が。
だから、菌体が汚染されていたとしても薄まってしまうので、気にする必要なし。

>>34
α線放出核種は、重大な吸入障害を起こすので、呼吸器の防護を必要とする

放射線緊急事態時の評価および対応のための一般的手順
現場監督者の対応　手順書 Ci 2/4ページ内コラム(アクロバットではp40)より。
http://www.nirs.go.jp/hibaku/kenkyu/te_1162_jp.pdf
より。

口をあけて寝ていると、口内から出血をしたりしていますから、ある程度のα線核種が存在します。
また、集落内在住老人が「こんな刺すような鋭い痛みは経験していない」ということから、
2011年6月頃にストロンチウムよりも強いβ線を出す核種、おそらく、ネプツニウムが存在していたと思われます。
つまり、プルトニウムがそれなりの分量で家屋内に存在することが予想されます。

α線核種の場合には、ちょっとした薄膜程度で遮蔽されますので、どうしても、灰化しないと測定できません。
現時点では、ドラフトの入手ができず灰化はできません。
http://www.n-hakko.com/bunnseki-houhou.html 灰化
http://ci.nii.ac.jp/naid/110002908385 高温灰化による消失
http://www.jrias.or.jp/index.cfm/6,203,pdf 低温灰化による消失
乾燥の場合にも、核種の希散と思われる現象が観察されています。机を改造した乾燥機を使用していますが
しいたけの乾燥中に、室内の線量が 0.05-0.12(最頻値 0.08) → 0.05-0.15(最頻値 0.12)と上昇しました。

家庭内騒音による誤差。
測定値は以下のとおり。
x <- c( 0, 0, 2, 3, 2, 7, 3, 6, 7, 9, 7, 11, 7, 10, 15, 7, 9, 6, 9, 11, 12, 7, 8, 8, 13, 7, 9, 9, 15, 12, 20, 16, 17, 19, 14, 9, 12, 17, 26, 13, 16, 17, 11, 16, 19)
戸の開け閉め(2-9と10-15)、咳(26)、その他、思いつく限りの音を出しています。
１分間に１回、で画面を見ながら繰り返しを取っています。

インスペクター＋　トータルタイマーモード　5分間カウント数
１．測定対象
長崎県産　小魚（きびなご）１００ｇ　直付け　ビニル袋で保護

２．測定結果　5分間
バックグラウンド　195、198
きびなご　　　210

１．測定対象
「JヌードルコーポレーションBK こだわりの熟成　2014.01 B3941204」の測定。20g
１回目の「茹で」は、説明書どおり。水200ccに麺20gをいれて茹でたもの
２回目の「茹で」は、沸騰した200ccのお湯に、茹であがった麺をいれて放置。
１５分後麺が透き通ってきたら加熱を止めて、「茹であがった」として説明書3の通りにした。
「茹であがった麺」は、合金標準バット６号( http://taniguchi-metal.com/lineup_4009.html )に標準バット用金網を入れて、
キッチンペーパー( http://item.rakuten.co.jp/kenkocom/k216340h/ )１組をすいた上に広げた。
キッチンペーパーを丸めて先端を金網とバットの隙間に押し込んで、机を改造した乾燥機(40度)に４日間放置した。
乾燥後、麺は外側のキッチンペーパーを捨て内側のキッチンペーパーごと、
ユニパック F-4( http://www.seinichi.co.jp/product/standard.html#01 )に入れて測定試料とした。
「袋」はF-4にキッチンペーパー１枚を入れたもの。「未茹で」は、麺20gを6cm-10cm程度に折り、キッチンペーパー１枚で包んだもの。
いずれも、直径10cm以内に入る大きさに折りたたんで、机の上に置き、上空3cmにインスペクターを置いて、３０分程度測定。音をパソコンで集計したもの。

２．測定結果
まずは生データ。
1. n=30 BG
x <- c(26, 46, 30, 40, 47, 41, 32, 42, 30, 40, 44, 39, 42, 51, 44, 38, 38, 34, 48, 54, 44, 34, 31, 29, 45, 36, 53, 31, 41, 38)
> mean(x)
[1] 39.6
> var(x)
[1] 53.69655
>

2. n=31 袋
x <- c(34, 42, 40, 35, 38, 39, 29, 54, 39, 40, 35, 50, 35, 35, 40, 41, 33, 38, 33, 36, 47, 40, 33, 38, 48, 40, 42, 33, 25, 29, 39)
> mean(x)
[1] 38.06452
> var(x)
[1] 37.72903
>

3. n=35 未茹で
x <- c(43, 51, 38, 37, 45, 38, 41, 42, 35, 35, 37, 45, 39, 37, 41, 43, 46, 38, 49, 33, 35, 35, 43, 49, 50, 33, 43, 45, 48, 50, 39, 21, 41, 41, 46)
> mean(x)
[1] 40.91429
> var(x)
[1] 38.49244
>

4. n=30 茹で１回
x <- c(37, 38, 40, 51, 37, 38, 54, 36, 25, 36, 38, 45, 53, 32, 42, 50, 37, 36, 46, 60, 34, 50, 48, 34, 30, 37, 34, 31, 34, 39)
> mean(x)
[1] 40.06667
> var(x)
[1] 66.4092
>
5. n=32 茹で２回
x <- c(37, 31, 37, 47, 38, 39, 42, 38, 40, 33, 41, 42, 35, 36, 43, 33, 42, 49, 41, 38, 39, 36, 48, 39, 33, 35, 32, 25, 35, 38, 32, 45)
> mean(x)
[1] 38.09375
> var(x)
[1] 27.44254
>

6. n=31 BG
x <- c(37, 32, 46, 42, 33, 40, 38, 41, 35, 39, 34, 31, 43, 37, 43, 42, 48, 43, 26, 36, 29, 45, 32, 36, 43, 35, 50, 44, 44, 41, 47)
> mean(x)
[1] 39.09677
> var(x)
[1] 34.75699
>

7. n=35 袋
x <- c(50, 27, 34, 42, 45, 38, 37, 39, 26, 51, 27, 37, 40, 40, 30, 43, 30, 47, 35, 34, 54, 38, 36, 41, 38, 26, 40, 32, 37, 32, 40, 40, 50, 37, 37)
> mean(x)
[1] 38
> var(x)
[1] 49.82353
>
8. n=31 茹で１回
x <- c(39, 27, 37, 44, 49, 49, 38, 48, 56, 35, 42, 41, 38, 34, 40, 27, 36, 40, 31, 38, 40, 29, 37, 37, 37, 43, 34, 39, 41, 41, 37)
> mean(x)
[1] 38.83871
> var(x)
[1] 39.47312
>
9. n=31 未茹で
x <- c(46, 40, 38, 33, 55, 44, 53, 39, 47, 41, 39, 31, 47, 44, 36, 38, 47, 33, 34, 36, 39, 44, 40, 55, 34, 36, 40, 31, 50, 53, 50)
> mean(x)
[1] 41.70968
> var(x)
[1] 50.67957
>
10. n=30 茹で２回
x <- c(37, 44, 49, 30, 37, 35, 41, 44, 32, 36, 29, 33, 45, 43, 33, 33, 46, 43, 48, 39, 31, 36, 41, 40, 32, 34, 43, 38, 39, 44)
> mean(x)
[1] 38.5
> var(x)
[1] 31.36207
>

11. n=30 BG
x <- c(38, 40, 40, 41, 37, 41, 47, 33, 33, 42, 37, 45, 32, 38, 35, 46, 36, 38, 36, 44, 26, 40, 42, 53, 41, 44, 37, 32, 40, 35)
> mean(x)
[1] 38.96667
> var(x)
[1] 28.72299
>

12. n=31 袋
x <- c(39, 32, 42, 41, 38, 46, 28, 37, 46, 35, 34, 40, 35, 41, 42, 43, 41, 31, 47, 46, 31, 42, 27, 51, 37, 41, 41, 34, 29, 37, 45)
> mean(x)
[1] 38.67742
> var(x)
[1] 36.29247
>

４.　データ貼り付け

全体の分析

x <- c(26, 46, 30, 40, 47, 41, 32, 42, 30, 40, 44, 39, 42, 51, 44, 38, 38, 34, 48, 54, 44, 34, 31, 29, 45, 36, 53, 31, 41, 38 ,
34, 42, 40, 35, 38, 39, 29, 54, 39, 40, 35, 50, 35, 35, 40, 41, 33, 38, 33, 36, 47, 40, 33, 38, 48, 40, 42, 33, 25, 29, 39 ,
43, 51, 38, 37, 45, 38, 41, 42, 35, 35, 37, 45, 39, 37, 41, 43, 46, 38, 49, 33, 35, 35, 43, 49, 50, 33, 43, 45, 48, 50, 39, 21, 41, 41, 46 ,
37, 38, 40, 51, 37, 38, 54, 36, 25, 36, 38, 45, 53, 32, 42, 50, 37, 36, 46, 60, 34, 50, 48, 34, 30, 37, 34, 31, 34, 39 ,
37, 31, 37, 47, 38, 39, 42, 38, 40, 33, 41, 42, 35, 36, 43, 33, 42, 49, 41, 38, 39, 36, 48, 39, 33, 35, 32, 25, 35, 38, 32, 45 ,
37, 32, 46, 42, 33, 40, 38, 41, 35, 39, 34, 31, 43, 37, 43, 42, 48, 43, 26, 36, 29, 45, 32, 36, 43, 35, 50, 44, 44, 41, 47 ,
50, 27, 34, 42, 45, 38, 37, 39, 26, 51, 27, 37, 40, 40, 30, 43, 30, 47, 35, 34, 54, 38, 36, 41, 38, 26, 40, 32, 37, 32, 40, 40, 50, 37, 37 ,
39, 27, 37, 44, 49, 49, 38, 48, 56, 35, 42, 41, 38, 34, 40, 27, 36, 40, 31, 38, 40, 29, 37, 37, 37, 43, 34, 39, 41, 41, 37 ,
46, 40, 38, 33, 55, 44, 53, 39, 47, 41, 39, 31, 47, 44, 36, 38, 47, 33, 34, 36, 39, 44, 40, 55, 34, 36, 40, 31, 50, 53, 50 ,
37, 44, 49, 30, 37, 35, 41, 44, 32, 36, 29, 33, 45, 43, 33, 33, 46, 43, 48, 39, 31, 36, 41, 40, 32, 34, 43, 38, 39, 44 ,
38, 40, 40, 41, 37, 41, 47, 33, 33, 42, 37, 45, 32, 38, 35, 46, 36, 38, 36, 44, 26, 40, 42, 53, 41, 44, 37, 32, 40, 35 ,
39, 32, 42, 41, 38, 46, 28, 37, 46, 35, 34, 40, 35, 41, 42, 43, 41, 31, 47, 46, 31, 42, 27, 51, 37, 41, 41, 34, 29, 37, 45)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 , 4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5 , 6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6 ,
7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7 , 8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8,8 ,
9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9 , 10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10,10 ,
11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11 ,
12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12,12)
> mean(x)
[1] 39.2122
> var(x)
[1] 41.30591
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 1.0675, 第1自由度 = 11, 第2自由度 = 365, P値 = 0.3866
有意差あり。群による差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 11.9859, 自由度 = 11, P値 = 0.3647
有意。先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.9729, 第1自由度 = 11.000, 第2自由度 = 143.248, P値 = 0.4738
有意差あり。群による差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 1 0.265252 0.265252
25 21 5.570292 5.835544
30 64 16.976127 22.811671
35 117 31.034483 53.846154
40 100 26.525199 80.371353
45 46 12.201592 92.572944
50 24 6.366048 98.938992
55 3 0.795756 99.734748
60 1 0.265252 100.000000
>

x <- c(26, 46, 30, 40, 47, 41, 32, 42, 30, 40, 44, 39, 42, 51, 44, 38, 38, 34, 48, 54, 44, 34, 31, 29, 45, 36, 53, 31, 41, 38 ,
34, 42, 40, 35, 38, 39, 29, 54, 39, 40, 35, 50, 35, 35, 40, 41, 33, 38, 33, 36, 47, 40, 33, 38, 48, 40, 42, 33, 25, 29, 39 ,
43, 51, 38, 37, 45, 38, 41, 42, 35, 35, 37, 45, 39, 37, 41, 43, 46, 38, 49, 33, 35, 35, 43, 49, 50, 33, 43, 45, 48, 50, 39, 21, 41, 41, 46 ,
37, 38, 40, 51, 37, 38, 54, 36, 25, 36, 38, 45, 53, 32, 42, 50, 37, 36, 46, 60, 34, 50, 48, 34, 30, 37, 34, 31, 34, 39 ,
37, 31, 37, 47, 38, 39, 42, 38, 40, 33, 41, 42, 35, 36, 43, 33, 42, 49, 41, 38, 39, 36, 48, 39, 33, 35, 32, 25, 35, 38, 32, 45 ,
37, 32, 46, 42, 33, 40, 38, 41, 35, 39, 34, 31, 43, 37, 43, 42, 48, 43, 26, 36, 29, 45, 32, 36, 43, 35, 50, 44, 44, 41, 47 ,
50, 27, 34, 42, 45, 38, 37, 39, 26, 51, 27, 37, 40, 40, 30, 43, 30, 47, 35, 34, 54, 38, 36, 41, 38, 26, 40, 32, 37, 32, 40, 40, 50, 37, 37 ,
39, 27, 37, 44, 49, 49, 38, 48, 56, 35, 42, 41, 38, 34, 40, 27, 36, 40, 31, 38, 40, 29, 37, 37, 37, 43, 34, 39, 41, 41, 37 ,
46, 40, 38, 33, 55, 44, 53, 39, 47, 41, 39, 31, 47, 44, 36, 38, 47, 33, 34, 36, 39, 44, 40, 55, 34, 36, 40, 31, 50, 53, 50 ,
37, 44, 49, 30, 37, 35, 41, 44, 32, 36, 29, 33, 45, 43, 33, 33, 46, 43, 48, 39, 31, 36, 41, 40, 32, 34, 43, 38, 39, 44 ,
38, 40, 40, 41, 37, 41, 47, 33, 33, 42, 37, 45, 32, 38, 35, 46, 36, 38, 36, 44, 26, 40, 42, 53, 41, 44, 37, 32, 40, 35 ,
39, 32, 42, 41, 38, 46, 28, 37, 46, 35, 34, 40, 35, 41, 42, 43, 41, 31, 47, 46, 31, 42, 27, 51, 37, 41, 41, 34, 29, 37, 45)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 , 4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5 , 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,
2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 , 4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 , 5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 2.6641, 第1自由度 = 4, 第2自由度 = 372, P値 = 0.03232
有意差あり。群による差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 5.5387, 自由度 = 4, P値 = 0.2364
有意。先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 2.6132, 第1自由度 = 4.000, 第2自由度 = 174.657, P値 = 0.03704
有意差あり。群による差異がある。

繰り返しによる差異

1. n=91 BG
x <- c(26, 46, 30, 40, 47, 41, 32, 42, 30, 40, 44, 39, 42, 51, 44, 38, 38, 34, 48, 54, 44, 34, 31, 29, 45, 36, 53, 31, 41, 38 ,
37, 32, 46, 42, 33, 40, 38, 41, 35, 39, 34, 31, 43, 37, 43, 42, 48, 43, 26, 36, 29, 45, 32, 36, 43, 35, 50, 44, 44, 41, 47 ,
38, 40, 40, 41, 37, 41, 47, 33, 33, 42, 37, 45, 32, 38, 35, 46, 36, 38, 36, 44, 26, 40, 42, 53, 41, 44, 37, 32, 40, 35)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 39.21978
> var(x)
[1] 38.21783
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.0862, 第1自由度 = 2, 第2自由度 = 88, P値 = 0.9175
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 3.0282, 自由度 = 2, P値 = 0.22
有意。先の分散分析は無効

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.0745, 第1自由度 = 2.000, 第2自由度 = 57.737, P値 = 0.9283
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 5 5.494505 5.494505
30 16 17.582418 23.076923
35 23 25.274725 48.351648
40 31 34.065934 82.417582
45 11 12.087912 94.505495
50 5 5.494505 100.000000
>

2. n=97 袋
x <- c(34, 42, 40, 35, 38, 39, 29, 54, 39, 40, 35, 50, 35, 35, 40, 41, 33, 38, 33, 36, 47, 40, 33, 38, 48, 40, 42, 33, 25, 29, 39 ,
50, 27, 34, 42, 45, 38, 37, 39, 26, 51, 27, 37, 40, 40, 30, 43, 30, 47, 35, 34, 54, 38, 36, 41, 38, 26, 40, 32, 37, 32, 40, 40, 50, 37, 37 ,
39, 32, 42, 41, 38, 46, 28, 37, 46, 35, 34, 40, 35, 41, 42, 43, 41, 31, 47, 46, 31, 42, 27, 51, 37, 41, 41, 34, 29, 37, 45)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 38.23711
> var(x)
[1] 40.87027
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.1069, 第1自由度 = 2, 第2自由度 = 94, P値 = 0.8988
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.9797, 自由度 = 2, P値 = 0.6127
有意。先の分散分析は無効

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.1126, 第1自由度 = 2.000, 第2自由度 = 62.638, P値 = 0.8937
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 10 10.309278 10.30928
30 16 16.494845 26.80412
35 29 29.896907 56.70103
40 26 26.804124 83.50515
45 9 9.278351 92.78351
50 7 7.216495 100.00000
>

3. n=66 未茹で
x <- c(43, 51, 38, 37, 45, 38, 41, 42, 35, 35, 37, 45, 39, 37, 41, 43, 46, 38, 49, 33, 35, 35, 43, 49, 50, 33, 43, 45, 48, 50, 39, 21, 41, 41, 46 ,
46, 40, 38, 33, 55, 44, 53, 39, 47, 41, 39, 31, 47, 44, 36, 38, 47, 33, 34, 36, 39, 44, 40, 55, 34, 36, 40, 31, 50, 53, 50)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 41.28788
> var(x)
[1] 43.68508
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.2353, 第1自由度 = 1, 第2自由度 = 64, P値 = 0.6293
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.5951, 自由度 = 1, P値 = 0.4404
有意。先の分散分析は無効

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.2313, 第1自由度 = 1.000, 第2自由度 = 59.987, P値 = 0.6323
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 1 1.515152 1.515152
25 0 0.000000 1.515152
30 8 12.121212 13.636364
35 20 30.303030 43.939394
40 16 24.242424 68.181818
45 12 18.181818 86.363636
50 7 10.606061 96.969697
55 2 3.030303 100.000000
>

4. n=61 茹で１回
x <- c(37, 38, 40, 51, 37, 38, 54, 36, 25, 36, 38, 45, 53, 32, 42, 50, 37, 36, 46, 60, 34, 50, 48, 34, 30, 37, 34, 31, 34, 39 ,
39, 27, 37, 44, 49, 49, 38, 48, 56, 35, 42, 41, 38, 34, 40, 27, 36, 40, 31, 38, 40, 29, 37, 37, 37, 43, 34, 39, 41, 41, 37)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 39.44262
> var(x)
[1] 52.21749
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.4361, 第1自由度 = 1, 第2自由度 = 59, P値 = 0.5116
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.9459, 自由度 = 1, P値 = 0.1630
有意。先の分散分析は無効

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.4324, 第1自由度 = 1.00, 第2自由度 = 54.52, P値 = 0.5136
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 4 6.557377 6.557377
30 10 16.393443 22.950820
35 23 37.704918 60.655738
40 11 18.032787 78.688525
45 6 9.836066 88.524590
50 5 8.196721 96.721311
55 1 1.639344 98.360656
60 1 1.639344 100.000000
>

5. n=62 茹で２回
x <- c(37, 31, 37, 47, 38, 39, 42, 38, 40, 33, 41, 42, 35, 36, 43, 33, 42, 49, 41, 38, 39, 36, 48, 39, 33, 35, 32, 25, 35, 38, 32, 45 ,
37, 44, 49, 30, 37, 35, 41, 44, 32, 36, 29, 33, 45, 43, 33, 33, 46, 43, 48, 39, 31, 36, 41, 40, 32, 34, 43, 38, 39, 44)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 38.29032
> var(x)
[1] 28.89794
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.0871, 第1自由度 = 1, 第2自由度 = 60, P値 = 0.7689
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.1314, 自由度 = 1, P値 = 0.717
有意ではない。先の分散分析は有効

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.0867, 第1自由度 = 1.000, 第2自由度 = 58.971, P値 = 0.7694
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 2 3.225806 3.225806
30 14 22.580645 25.806452
35 22 35.483871 61.290323
40 16 25.806452 87.096774
45 8 12.903226 100.000000
>

バックグラウンドとの比較
1. n=91 BG
gr1 <- c(26, 46, 30, 40, 47, 41, 32, 42, 30, 40, 44, 39, 42, 51, 44, 38, 38, 34, 48, 54, 44, 34, 31, 29, 45, 36, 53, 31, 41, 38 ,
37, 32, 46, 42, 33, 40, 38, 41, 35, 39, 34, 31, 43, 37, 43, 42, 48, 43, 26, 36, 29, 45, 32, 36, 43, 35, 50, 44, 44, 41, 47 ,
38, 40, 40, 41, 37, 41, 47, 33, 33, 42, 37, 45, 32, 38, 35, 46, 36, 38, 36, 44, 26, 40, 42, 53, 41, 44, 37, 32, 40, 35)
> mean(x)
[1] 39.21978
> var(x)
[1] 38.21783

2. n=97 袋
gr2 <- c(34, 42, 40, 35, 38, 39, 29, 54, 39, 40, 35, 50, 35, 35, 40, 41, 33, 38, 33, 36, 47, 40, 33, 38, 48, 40, 42, 33, 25, 29, 39 ,
50, 27, 34, 42, 45, 38, 37, 39, 26, 51, 27, 37, 40, 40, 30, 43, 30, 47, 35, 34, 54, 38, 36, 41, 38, 26, 40, 32, 37, 32, 40, 40, 50, 37, 37 ,
39, 32, 42, 41, 38, 46, 28, 37, 46, 35, 34, 40, 35, 41, 42, 43, 41, 31, 47, 46, 31, 42, 27, 51, 37, 41, 41, 34, 29, 37, 45)
> mean(x)
[1] 38.23711
> var(x)
[1] 40.87027
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = 1.0702, 自由度 = 186, P値 = 0.2859
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -0.8288018 2.7941355
標本推定値:
平均値x 平均値y
39.21978 38.23711
有意。平均値に差がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = 1.0713, 自由度 = 185.825, P値 = 0.2854
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -0.8268647 2.7921983
標本推定値:
平均値x 平均値y
39.21978 38.23711
有意。平均値に差がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.9351, 第1自由度 = 90, 第2自由度 = 96, P値 = 0.7489
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.6219275 1.4098211
標本推定値:
分散比
0.9351008
有意。（Welchの方法）を使用する。
>

39.2-38.2 = 1
1 * 0.47 = 0.47 Bq/１袋(袋による遮蔽)

3. n=66 未茹で
gr2 <- c(43, 51, 38, 37, 45, 38, 41, 42, 35, 35, 37, 45, 39, 37, 41, 43, 46, 38, 49, 33, 35, 35, 43, 49, 50, 33, 43, 45, 48, 50, 39, 21, 41, 41, 46 ,
46, 40, 38, 33, 55, 44, 53, 39, 47, 41, 39, 31, 47, 44, 36, 38, 47, 33, 34, 36, 39, 44, 40, 55, 34, 36, 40, 31, 50, 53, 50)
> mean(x)
[1] 41.28788
> var(x)
[1] 43.68508
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -2.0097, 自由度 = 155, P値 = 0.0462
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -4.10089286 -0.03530427
標本推定値:
平均値x 平均値y
39.21978 41.28788
有意。平均値に差がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -1.9883, 自由度 = 134.536, P値 = 0.04881
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -4.12522061 -0.01097653
標本推定値:
平均値x 平均値y
39.21978 41.28788
有意。平均値に差がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.8748, 第1自由度 = 90, 第2自由度 = 65, P値 = 0.553
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.5505676 1.3668892
標本推定値:
分散比
0.8748485
有意。（Welchの方法）を使用する。

>
41.3 - 39.2 = 2.1
2.1 * 0.47 = 0.99

連続投稿規制に引っかかったので中断したものを再開。
4. n=61 茹で１回
gr2 <- c(37, 38, 40, 51, 37, 38, 54, 36, 25, 36, 38, 45, 53, 32, 42, 50, 37, 36, 46, 60, 34, 50, 48, 34, 30, 37, 34, 31, 34, 39 ,
39, 27, 37, 44, 49, 49, 38, 48, 56, 35, 42, 41, 38, 34, 40, 27, 36, 40, 31, 38, 40, 29, 37, 37, 37, 43, 34, 39, 41, 41, 37)
> mean(x)
[1] 39.44262
> var(x)
[1] 52.21749
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -0.2034, 自由度 = 150, P値 = 0.839
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -2.387191 1.941505
標本推定値:
平均値x 平均値y
39.21978 39.44262
有意ではない。平均値に差があるがどうかわからない

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -0.1973, 自由度 = 114.881, P値 = 0.844
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -2.460391 2.014706
標本推定値:
平均値x 平均値y
39.21978 39.44262
有意ではない。平均値に差があるがどうかわからない

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.7319, 第1自由度 = 90, 第2自由度 = 60, P値 = 0.1781
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.4543745 1.1533524
標本推定値:
分散比
0.7318971
有意。（Welchの方法）を使用する。

>
差が有意ではないので、Bq値を求められない。
39.4-39.2 = 0.2
0.2 * 0.47 = 0.09

5. n=62 茹で２回
gr2 <- c(37, 31, 37, 47, 38, 39, 42, 38, 40, 33, 41, 42, 35, 36, 43, 33, 42, 49, 41, 38, 39, 36, 48, 39, 33, 35, 32, 25, 35, 38, 32, 45 ,
37, 44, 49, 30, 37, 35, 41, 44, 32, 36, 29, 33, 45, 43, 33, 33, 46, 43, 48, 39, 31, 36, 41, 40, 32, 34, 43, 38, 39, 44)
> mean(x)
[1] 38.29032
> var(x)
[1] 28.89794
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = 0.9616, 自由度 = 151, P値 = 0.3378
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -0.9803271 2.8392424
標本推定値:
平均値x 平均値y
39.21978 38.29032
有意。平均値に差がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = 0.9874, 自由度 = 142.202, P値 = 0.3251
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -0.9313193 2.7902346
標本推定値:
平均値x 平均値y
39.21978 38.29032
有意。平均値に差がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 1.3225, 第1自由度 = 90, 第2自由度 = 61, P値 = 0.2459
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.8234076 2.0803142
標本推定値:
分散比
1.322511
有意。（Welchの方法）を使用する。

>
39.2-38.2 = 1
1 * 0.47 = 0.47

バックグラウンドとの比較。試料20g
　　　　　　 袋*,　未茹で*,茹で１回 ,茹で２回*
===============================================
差(CPS) 　 -1.0 ,　　 2.1 ,　　 0.2 ,　　 -1.0
量(Bq )　　-0.47,　　 0.99,　　 0.09,　　 -0.47
(*印;有意, 無印;有意ではない)

回帰分析

y <- c(43, 51, 38, 37, 45, 38, 41, 42, 35, 35, 37, 45, 39, 37, 41, 43, 46, 38, 49, 33, 35, 35, 43, 49, 50, 33, 43, 45, 48, 50, 39, 21, 41, 41, 46 ,
37, 38, 40, 51, 37, 38, 54, 36, 25, 36, 38, 45, 53, 32, 42, 50, 37, 36, 46, 60, 34, 50, 48, 34, 30, 37, 34, 31, 34, 39 ,
37, 31, 37, 47, 38, 39, 42, 38, 40, 33, 41, 42, 35, 36, 43, 33, 42, 49, 41, 38, 39, 36, 48, 39, 33, 35, 32, 25, 35, 38, 32, 45 ,
39, 27, 37, 44, 49, 49, 38, 48, 56, 35, 42, 41, 38, 34, 40, 27, 36, 40, 31, 38, 40, 29, 37, 37, 37, 43, 34, 39, 41, 41, 37 ,
46, 40, 38, 33, 55, 44, 53, 39, 47, 41, 39, 31, 47, 44, 36, 38, 47, 33, 34, 36, 39, 44, 40, 55, 34, 36, 40, 31, 50, 53, 50 ,
37, 44, 49, 30, 37, 35, 41, 44, 32, 36, 29, 33, 45, 43, 33, 33, 46, 43, 48, 39, 31, 36, 41, 40, 32, 34, 43, 38, 39, 44)
x <- c(0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 , 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,
2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 , 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> result<-lm(y~x)
> result

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
41.179 -1.502

> plot(x,y,main="Regression line")
> abline(result,col="red")
>

３.補足コメント

インスペクターによるやさしおの測定では、1.819個 / (分・100mg)なので、インスペクターの計数値からの換算計数は 0.47 Bq/CPM となる。
1.502 * 0.47 = 0.70
0.70 Bq/20g・回　減少する。
なお、べつに同様な事を行ったものがある。これは、食べる予定のうどんからキッチンペーパーに入る程度の分量をサンプリングした場合で、
２回茹でたほう(41.8-38.4=3.4 CPM, 12.4g)が、１回(41.7-38.4=1.9 CPM 33.0g)だけよりも高濃度という結果になった。
茹で方に問題があるのか、水道水が汚染されていたか、乾燥中に汚染されたか、等の原因が考えられる。
一番可能性のあるのは、攪拌不備による濃度分布(一部分高濃度なところがあり、高濃度の部分の試料を採取)で、
少量(50g以下)の実験室レベルの実験からテストプラント(100kg以下)に移行するときに現れる問題です。
バックグラウントと袋の比較で、線量の減少が観察された。キッチンペーパー6枚(3回重ね折り)+ポリエチレン 0.04mm３枚で遮蔽可能な放射線はα線だけである。
ポリエチレンはゴムを除くと比較的水素が通りやすい膜である。つまり、α線が透過できることを示している。

１．測定対象
「アルミホイル(厚さ 11um, 中国製)」の測定。
インスペクターによる食品測定を目的に色々やっていたが、使用している機材が汚染されているらしく
α線らしきものを検出した。>>39-53 α線かどうかの確認作業を行った。

使用している機材は、以下のとおり。
台、床面より45cmの高さ、35*40cm。この上にダンボール製箱(35*40cm)を置き、上に鉄板(厚さ1mm)をすいて机様に加工。
ダンボール内に水入りポリタンク(http://item.rakuten.co.jp/ee-shopping/bq000011)を置いてある。
マンテンの棚用の鋼材を井桁に組み、インスペクターを置くと下に約3cmの空間がとれるようにした。
インスペクターは汚染を防ぐために常に食品にも使えるポリ袋(ユニパック I-4, ポリエチレン 0.04mm厚)の中に保管した。
ポリエチレンフィルムのガスの透過性については下記参照。
http://www.agc.com/kagaku/shinsei/cytop/physical.html
http://www.as-1.co.jp/academy/17/17-4.html
アルミホイルは、インスペクターを包んだポリ袋の外側、井桁の上にすいた。

３.補足コメント
有意差が得られず、α線検出とはならなかった。
紙６枚でβ線を遮蔽できるのか、ちょっとわけがわからない状態。

２．測定結果
生データは以下のとおり。連続投稿禁止の制限に引っかかって途中でちぎれるかも。
1. n=30 BG
x <- c(36, 45, 46, 49, 34, 58, 37, 40, 39, 47, 44, 47, 45, 54, 66, 29, 34, 47, 39, 59, 43, 37, 44, 43, 44, 39, 54, 44, 33, 41)
> mean(x)
[1] 43.9
> var(x)
[1] 68.02414
>

2. n=35 試料
x <- c(42, 42, 49, 45, 42, 41, 39, 43, 42, 37, 35, 44, 42, 44, 41, 31, 47, 45, 40, 33, 35, 35, 45, 49, 38, 40, 50, 47, 36, 34, 39, 42, 32, 33, 47)
> mean(x)
[1] 40.74286
> var(x)
[1] 26.96134
>

3. n=33 BG
x <- c(38, 32, 44, 51, 43, 40, 38, 22, 39, 40, 38, 42, 37, 32, 24, 35, 37, 44, 35, 51, 37, 46, 39, 40, 42, 44, 47, 43, 47, 50, 43, 32, 38)
> mean(x)
[1] 39.69697
> var(x)
[1] 44.4678
>

4. n=33 試料
x <- c(40, 38, 41, 40, 50, 50, 42, 39, 41, 45, 40, 44, 40, 36, 42, 36, 40, 27, 35, 40, 36, 51, 34, 37, 25, 47, 43, 36, 36, 40, 40, 41, 43)
> mean(x)
[1] 39.84848
> var(x)
[1] 30.88258
>

5. n=33 BG
x <- c(34, 41, 31, 44, 38, 43, 39, 42, 44, 46, 41, 48, 33, 29, 36, 33, 41, 27, 36, 46, 36, 26, 38, 33, 51, 30, 46, 42, 35, 41, 39, 35, 27)
> mean(x)
[1] 37.90909
> var(x)
[1] 41.52273
>

４.データ貼り付け
全体の分析

x <- c(36, 45, 46, 49, 34, 58, 37, 40, 39, 47, 44, 47, 45, 54, 66, 29, 34, 47, 39, 59, 43, 37, 44, 43, 44, 39, 54, 44, 33, 41 ,
42, 42, 49, 45, 42, 41, 39, 43, 42, 37, 35, 44, 42, 44, 41, 31, 47, 45, 40, 33, 35, 35, 45, 49, 38, 40, 50, 47, 36, 34, 39, 42, 32, 33, 47 ,
38, 32, 44, 51, 43, 40, 38, 22, 39, 40, 38, 42, 37, 32, 24, 35, 37, 44, 35, 51, 37, 46, 39, 40, 42, 44, 47, 43, 47, 50, 43, 32, 38 ,
40, 38, 41, 40, 50, 50, 42, 39, 41, 45, 40, 44, 40, 36, 42, 36, 40, 27, 35, 40, 36, 51, 34, 37, 25, 47, 43, 36, 36, 40, 40, 41, 43 ,
34, 41, 31, 44, 38, 43, 39, 42, 44, 46, 41, 48, 33, 29, 36, 33, 41, 27, 36, 46, 36, 26, 38, 33, 51, 30, 46, 42, 35, 41, 39, 35, 27)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 , 4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 40.35976
> var(x)
[1] 44.36671
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 3.6123, 第1自由度 = 4, 第2自由度 = 159, P値 = 0.007568
有意。群別の差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 8.1988, 自由度 = 4, P値 = 0.08456
有意。先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 2.6566, 第1自由度 = 4.000, 第2自由度 = 78.113, P値 = 0.03896
有意。群別の差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 2 1.2195122 1.219512
25 7 4.2682927 5.487805
30 18 10.9756098 16.463415
35 43 26.2195122 42.682927
40 57 34.7560976 77.439024
45 24 14.6341463 92.073171
50 10 6.0975610 98.170732
55 2 1.2195122 99.390244
60 0 0.0000000 99.390244
65 1 0.6097561 100.000000
>

バックグラウンドと試料の比較
x <- c(36, 45, 46, 49, 34, 58, 37, 40, 39, 47, 44, 47, 45, 54, 66, 29, 34, 47, 39, 59, 43, 37, 44, 43, 44, 39, 54, 44, 33, 41 ,
42, 42, 49, 45, 42, 41, 39, 43, 42, 37, 35, 44, 42, 44, 41, 31, 47, 45, 40, 33, 35, 35, 45, 49, 38, 40, 50, 47, 36, 34, 39, 42, 32, 33, 47 ,
38, 32, 44, 51, 43, 40, 38, 22, 39, 40, 38, 42, 37, 32, 24, 35, 37, 44, 35, 51, 37, 46, 39, 40, 42, 44, 47, 43, 47, 50, 43, 32, 38 ,
40, 38, 41, 40, 50, 50, 42, 39, 41, 45, 40, 44, 40, 36, 42, 36, 40, 27, 35, 40, 36, 51, 34, 37, 25, 47, 43, 36, 36, 40, 40, 41, 43 ,
34, 41, 31, 44, 38, 43, 39, 42, 44, 46, 41, 48, 33, 29, 36, 33, 41, 27, 36, 46, 36, 26, 38, 33, 51, 30, 46, 42, 35, 41, 39, 35, 27)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.0068, 第1自由度 = 1, 第2自由度 = 162, P値 = 0.9346
有意ではない。バックグラウンドと試料の差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 8.2786, 自由度 = 1, P値 = 0.004012
有意。先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.0075, 第1自由度 = 1.000, 第2自由度 = 161.976, P値 = 0.9309
有意ではない。バックグラウンドと試料の差異は不明。

>

繰り返しの比較

1. n=96 BG
x <- c(36, 45, 46, 49, 34, 58, 37, 40, 39, 47, 44, 47, 45, 54, 66, 29, 34, 47, 39, 59, 43, 37, 44, 43, 44, 39, 54, 44, 33, 41 ,
38, 32, 44, 51, 43, 40, 38, 22, 39, 40, 38, 42, 37, 32, 24, 35, 37, 44, 35, 51, 37, 46, 39, 40, 42, 44, 47, 43, 47, 50, 43, 32, 38 ,
34, 41, 31, 44, 38, 43, 39, 42, 44, 46, 41, 48, 33, 29, 36, 33, 41, 27, 36, 46, 36, 26, 38, 33, 51, 30, 46, 42, 35, 41, 39, 35, 27)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 40.39583
> var(x)
[1] 55.92588
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 5.7929, 第1自由度 = 2, 第2自由度 = 93, P値 = 0.004256
有意。繰り返しによる差異ある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 2.2143, 自由度 = 2, P値 = 0.3305
先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 5.0623, 第1自由度 = 2.000, 第2自由度 = 60.331, P値 = 0.00928
有意。繰り返しによる差異ある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 2 2.083333 2.083333
25 5 5.208333 7.291667
30 12 12.500000 19.791667
35 26 27.083333 46.875000
40 28 29.166667 76.041667
45 14 14.583333 90.625000
50 6 6.250000 96.875000
55 2 2.083333 98.958333
60 0 0.000000 98.958333
65 1 1.041667 100.000000
>

2. n=68 試料
x <- c(42, 42, 49, 45, 42, 41, 39, 43, 42, 37, 35, 44, 42, 44, 41, 31, 47, 45, 40, 33, 35, 35, 45, 49, 38, 40, 50, 47, 36, 34, 39, 42, 32, 33, 47 ,
40, 38, 41, 40, 50, 50, 42, 39, 41, 45, 40, 44, 40, 36, 42, 36, 40, 27, 35, 40, 36, 51, 34, 37, 25, 47, 43, 36, 36, 40, 40, 41, 43)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 40.30882
> var(x)
[1] 28.63455
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.4707, 第1自由度 = 1, 第2自由度 = 66, P値 = 0.4951
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.1498, 自由度 = 1, P値 = 0.6987
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.4688, 第1自由度 = 1.000, 第2自由度 = 64.946, P値 = 0.496
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 2 2.941176 2.941176
30 6 8.823529 11.764706
35 17 25.000000 36.764706
40 29 42.647059 79.411765
45 10 14.705882 94.117647
50 4 5.882353 100.000000
>

バックグラウンドと試料の比較

1. n=96 BG
gr1 <- c(36, 45, 46, 49, 34, 58, 37, 40, 39, 47, 44, 47, 45, 54, 66, 29, 34, 47, 39, 59, 43, 37, 44, 43, 44, 39, 54, 44, 33, 41 ,
38, 32, 44, 51, 43, 40, 38, 22, 39, 40, 38, 42, 37, 32, 24, 35, 37, 44, 35, 51, 37, 46, 39, 40, 42, 44, 47, 43, 47, 50, 43, 32, 38 ,
34, 41, 31, 44, 38, 43, 39, 42, 44, 46, 41, 48, 33, 29, 36, 33, 41, 27, 36, 46, 36, 26, 38, 33, 51, 30, 46, 42, 35, 41, 39, 35, 27)
> mean(x)
[1] 40.39583
> var(x)
[1] 55.92588

2. n=68 試料
gr2 <- c(42, 42, 49, 45, 42, 41, 39, 43, 42, 37, 35, 44, 42, 44, 41, 31, 47, 45, 40, 33, 35, 35, 45, 49, 38, 40, 50, 47, 36, 34, 39, 42, 32, 33, 47 ,
40, 38, 41, 40, 50, 50, 42, 39, 41, 45, 40, 44, 40, 36, 42, 36, 40, 27, 35, 40, 36, 51, 34, 37, 25, 47, 43, 36, 36, 40, 40, 41, 43)
> mean(x)
[1] 40.30882
> var(x)
[1] 28.63455

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = 0.0822, 自由度 = 162, P値 = 0.9346
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -2.004175 2.178194
標本推定値:
平均値x 平均値y
40.39583 40.30882
有意ではない。差があるかどうか不明

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = 0.0869, 自由度 = 161.976, P値 = 0.9309
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -1.891316 2.065336
標本推定値:
平均値x 平均値y
40.39583 40.30882
有意ではない。差があるかどうか不明

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 1.9531, 第1自由度 = 95, 第2自由度 = 67, P値 = 0.004175
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 1.240164 3.022964
標本推定値:
分散比
1.953091
有意。分散が一様ではないので（Welchの方法）を使用する
>

>>54
３.補足コメント
有意差が得られず、α線検出とはならなかった。
紙６枚でβ線を遮蔽できるのか、ちょっとわけがわからない状態。
--

お疲れ様です。
紙一枚でα線を遮断できます。
紙を６枚以上重ねると低エネルギーの一部のβ線が遮断されるはずです。

>>61
汚染されていない紙があればよいのですが。
スーパーで輸入物の紙を探してみます。

さて今回は、
１．測定対象
「しいたけ(2012.04.09 自宅裏より収穫、４日間乾燥)」　の分析結果
２．測定結果
まずは生データ。
1. n=32 BG
x <- c(39, 38, 36, 39, 39, 35, 30, 39, 40, 27, 41, 38, 38, 49, 46, 40, 38, 33, 44, 41, 40, 49, 52, 28, 34, 40, 42, 42, 43, 30, 38, 41)

2. n=41 試料
x <- c(67, 58, 48, 47, 71, 62, 50, 52, 55, 58, 57, 44, 58, 53, 56, 62, 32, 60, 45, 67, 48, 49, 53, 47, 36, 66, 53, 54, 54, 55, 50, 61, 60, 59, 42, 50, 56, 50, 53, 31, 47)

3. n=39 BG
x <- c(44, 42, 50, 32, 46, 48, 44, 29, 35, 52, 43, 46, 33, 54, 35, 48, 35, 43, 43, 42, 42, 37, 30, 40, 51, 30, 50, 36, 41, 46, 52, 45, 31, 45, 33, 41, 34, 36, 31)

4. n=31 試料
x <- c(56, 59, 47, 49, 51, 67, 51, 43, 49, 49, 51, 50, 54, 58, 47, 58, 58, 63, 50, 52, 50, 54, 56, 60, 46, 49, 60, 57, 64, 67, 50)

5. n=31 BG
x <- c(47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45)

４.　データ貼り付け
全体の分析
x <- c(39, 38, 36, 39, 39, 35, 30, 39, 40, 27, 41, 38, 38, 49, 46, 40, 38, 33, 44, 41, 40, 49, 52, 28, 34, 40, 42, 42, 43, 30, 38, 41 ,
67, 58, 48, 47, 71, 62, 50, 52, 55, 58, 57, 44, 58, 53, 56, 62, 32, 60, 45, 67, 48, 49, 53, 47, 36, 66, 53, 54, 54, 55, 50, 61, 60, 59, 42, 50, 56, 50, 53, 31, 47 ,
44, 42, 50, 32, 46, 48, 44, 29, 35, 52, 43, 46, 33, 54, 35, 48, 35, 43, 43, 42, 42, 37, 30, 40, 51, 30, 50, 36, 41, 46, 52, 45, 31, 45, 33, 41, 34, 36, 31 ,
56, 59, 47, 49, 51, 67, 51, 43, 49, 49, 51, 50, 54, 58, 47, 58, 58, 63, 50, 52, 50, 54, 56, 60, 46, 49, 60, 57, 64, 67, 50 ,
47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 45.62644
> var(x)
[1] 90.80184
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 40.26, 第1自由度 = 4, 第2自由度 = 169, P値 < 2.2e-16
有意。群別の差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 10.6791, 自由度 = 4, P値 = 0.03042
有意。先の分散分析が無効

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 41.9037, 第1自由度 = 4.000, 第2自由度 = 83.865, P値 < 2.2e-16
有意。群別の差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 3 1.7241379 1.724138
30 20 11.4942529 13.218391
35 26 14.9425287 28.160920
40 37 21.2643678 49.425287
45 28 16.0919540 65.517241
50 28 16.0919540 81.609195
55 17 9.7701149 91.379310
60 9 5.1724138 96.551724
65 5 2.8735632 99.425287
70 1 0.5747126 100.000000
>

BGと試料の比較
x <- c(39, 38, 36, 39, 39, 35, 30, 39, 40, 27, 41, 38, 38, 49, 46, 40, 38, 33, 44, 41, 40, 49, 52, 28, 34, 40, 42, 42, 43, 30, 38, 41 ,
67, 58, 48, 47, 71, 62, 50, 52, 55, 58, 57, 44, 58, 53, 56, 62, 32, 60, 45, 67, 48, 49, 53, 47, 36, 66, 53, 54, 54, 55, 50, 61, 60, 59, 42, 50, 56, 50, 53, 31, 47 ,
44, 42, 50, 32, 46, 48, 44, 29, 35, 52, 43, 46, 33, 54, 35, 48, 35, 43, 43, 42, 42, 37, 30, 40, 51, 30, 50, 36, 41, 46, 52, 45, 31, 45, 33, 41, 34, 36, 31 ,
56, 59, 47, 49, 51, 67, 51, 43, 49, 49, 51, 50, 54, 58, 47, 58, 58, 63, 50, 52, 50, 54, 56, 60, 46, 49, 60, 57, 64, 67, 50 ,
47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 160.6906, 第1自由度 = 1, 第2自由度 = 172, P値 < 2.2e-16
有意。バックグラウンドと試料との差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 4.0066, 自由度 = 1, P値 = 0.04532
有意。先の分散分析が無効

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 149.1595, 第1自由度 = 1.000, 第2自由度 = 131.373, P値 < 2.2e-16
有意。バックグラウンドと試料との差異がある。

>

繰り返しによる影響

1. n = 102 BG 繰り返し数 =3
x <- c( 39, 38, 36, 39, 39, 35, 30, 39, 40, 27, 41, 38, 38, 49, 46, 40, 38, 33, 44, 41, 40, 49, 52, 28, 34, 40, 42, 42, 43, 30, 38, 41 ,
44, 42, 50, 32, 46, 48, 44, 29, 35, 52, 43, 46, 33, 54, 35, 48, 35, 43, 43, 42, 42, 37, 30, 40, 51, 30, 50, 36, 41, 46, 52, 45, 31, 45, 33, 41, 34, 36, 31 ,
47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 40.07843
> var(x)
[1] 38.52844
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.7926, 第1自由度 = 2, 第2自由度 = 99, P値 = 0.4555
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 2.9036, 自由度 = 2, P値 = 0.2341
有意。先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.7678, 第1自由度 = 2.000, 第2自由度 = 65.874, P値 = 0.4681
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 3 2.9411765 2.941176
30 18 17.6470588 20.588235
35 25 24.5098039 45.098039
40 34 33.3333333 78.431373
45 14 13.7254902 92.156863
50 7 6.8627451 99.019608
55 1 0.9803922 100.000000
>

2. n = 72 試料 13.4g 繰り返し数 =2
x <- c( 67, 58, 48, 47, 71, 62, 50, 52, 55, 58, 57, 44, 58, 53, 56, 62, 32, 60, 45, 67, 48, 49, 53, 47, 36, 66, 53, 54, 54, 55, 50, 61, 60, 59, 42, 50, 56, 50, 53, 31, 47 ,
56, 59, 47, 49, 51, 67, 51, 43, 49, 49, 51, 50, 54, 58, 47, 58, 58, 63, 50, 52, 50, 54, 56, 60, 46, 49, 60, 57, 64, 67, 50)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 53.48611
> var(x)
[1] 59.57727
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.2697, 第1自由度 = 1, 第2自由度 = 70, P値 = 0.6051
有意ではない。繰り返しによる差異が不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 3.7321, 自由度 = 1, P値 = 0.05338
有意。先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.2959, 第1自由度 = 1.000, 第2自由度 = 69.781, P値 = 0.5882
有意ではない。繰り返しによる差異が不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
30 2 2.777778 2.777778
35 1 1.388889 4.166667
40 3 4.166667 8.333333
45 14 19.444444 27.777778
50 21 29.166667 56.944444
55 16 22.222222 79.166667
60 9 12.500000 91.666667
65 5 6.944444 98.611111
70 1 1.388889 100.000000
>

BGと試料の比較

1. n = 102 BG 繰り返し数 =3
gr1 <- c( 39, 38, 36, 39, 39, 35, 30, 39, 40, 27, 41, 38, 38, 49, 46, 40, 38, 33, 44, 41, 40, 49, 52, 28, 34, 40, 42, 42, 43, 30, 38, 41 ,
44, 42, 50, 32, 46, 48, 44, 29, 35, 52, 43, 46, 33, 54, 35, 48, 35, 43, 43, 42, 42, 37, 30, 40, 51, 30, 50, 36, 41, 46, 52, 45, 31, 45, 33, 41, 34, 36, 31 ,
47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45)
> mean(x)
[1] 40.07843
> var(x)
[1] 38.52844

2. n = 72 試料 13.4g 繰り返し数 =2
gr2 <- c( 67, 58, 48, 47, 71, 62, 50, 52, 55, 58, 57, 44, 58, 53, 56, 62, 32, 60, 45, 67, 48, 49, 53, 47, 36, 66, 53, 54, 54, 55, 50, 61, 60, 59, 42, 50, 56, 50, 53, 31, 47 ,
56, 59, 47, 49, 51, 67, 51, 43, 49, 49, 51, 50, 54, 58, 47, 58, 58, 63, 50, 52, 50, 54, 56, 60, 46, 49, 60, 57, 64, 67, 50)
> mean(x)
[1] 53.48611
> var(x)
[1] 59.57727

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -12.6764, 自由度 = 172, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -15.49540 -11.31996
標本推定値:
平均値x 平均値y
40.07843 53.48611
有意。平均値に差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -12.2131, 自由度 = 131.373, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -15.57936 -11.23600
標本推定値:
平均値x 平均値y
40.07843 53.48611
有意。平均値に差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.6467, 第1自由度 = 101, 第2自由度 = 71, P値 = 0.04395
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.4162745 0.9882415
標本推定値:
分散比
0.646697
有意。分散に差異がある。（Welchの方法）を使用する
>

53.5 - 40.1 = 13.4 CPM
13.4 * 0.47 = 6.3 Bq
試料の重さが 13.4g だから、試料による吸収がない、すべての光が受光可能であると近似して
13.4 * 1000 / 13.4 = 1000 Bq/kg

栃木県産(家庭内生産)乾ししいたけの線量は 1000 Bq/kg となった。
しいたけは、91%が水分なので( http://www.kanesada.co.jp/column.shtml )
1000 * 9 / 100 = 90 Bq/kg が生しいたけの線量となる。

３.補足コメント
注意、乾燥温度が40度と低い(食品乾燥温度 １３５℃±２℃, ２時間)ので、乾燥不十分により、線量が増えます。

１．測定対象
「カットわかめ　2012.12.17 中国原産 KKジャパンスパイス」 の測定。
(15 * 10 * 2, 40g) 0.26 g/cm2


２．測定結果
1. n=31 BG
x <- c(25, 37, 46, 41, 38, 38, 46, 36, 43, 36, 47, 40, 34, 28, 44, 52, 38, 37, 35, 37, 25, 30, 32, 35, 38, 37, 40, 52, 42, 40, 33)
> mean(x) [1] 38.12903
> var(x) [1] 43.5828

2. n=31 試料
x <- c(33, 35, 48, 40, 33, 48, 39, 27, 49, 43, 41, 39, 31, 49, 44, 47, 46, 48, 25, 47, 37, 41, 33, 58, 64, 60, 51, 42, 49, 36, 45)
> mean(x) [1] 42.83871
> var(x) [1] 82.33978

3. n=42 BG
x <- c(53, 42, 46, 38, 41, 33, 56, 37, 45, 39, 40, 37, 47, 42, 35, 36, 37, 43, 44, 36, 49, 41, 41, 39, 42, 25, 44, 37, 49, 40, 54, 31, 48, 38, 37, 50, 41, 32, 36, 38, 36, 63)
> mean(x) [1] 41.38095
> var(x) [1] 51.9489

4. n=32 試料
x <- c(35, 37, 42, 45, 34, 35, 53, 42, 41, 43, 38, 48, 46, 45, 49, 36, 38, 43, 40, 47, 38, 38, 41, 41, 38, 40, 35, 37, 50, 44, 54, 51)
> mean(x) [1] 42
> var(x) [1] 30.58065

5. n=37 BG
x <- c(39, 37, 36, 48, 45, 34, 30, 41, 31, 35, 35, 34, 43, 28, 36, 43, 44, 34, 32, 48, 43, 47, 49, 38, 41, 39, 40, 44, 38, 37, 32, 38, 39, 39, 34, 42, 52)
> mean(x) [1] 39.05405
> var(x) [1] 32.55255

４. データ貼り付け
全体の比較

x <- c(25, 37, 46, 41, 38, 38, 46, 36, 43, 36, 47, 40, 34, 28, 44, 52, 38, 37, 35, 37, 25, 30, 32, 35, 38, 37, 40, 52, 42, 40, 33 ,
33, 35, 48, 40, 33, 48, 39, 27, 49, 43, 41, 39, 31, 49, 44, 47, 46, 48, 25, 47, 37, 41, 33, 58, 64, 60, 51, 42, 49, 36, 45 ,
53, 42, 46, 38, 41, 33, 56, 37, 45, 39, 40, 37, 47, 42, 35, 36, 37, 43, 44, 36, 49, 41, 41, 39, 42, 25, 44, 37, 49, 40, 54, 31, 48, 38, 37, 50, 41, 32, 36, 38, 36, 63 ,
35, 37, 42, 45, 34, 35, 53, 42, 41, 43, 38, 48, 46, 45, 49, 36, 38, 43, 40, 47, 38, 38, 41, 41, 38, 40, 35, 37, 50, 44, 54, 51 ,
39, 37, 36, 48, 45, 34, 30, 41, 31, 35, 35, 34, 43, 28, 36, 43, 44, 34, 32, 48, 43, 47, 49, 38, 41, 39, 40, 44, 38, 37, 32, 38, 39, 39, 34, 42, 52)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 , 4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x) [1] 40.6763
> var(x) [1] 49.69694
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 2.7227, 第1自由度 = 4, 第2自由度 = 168, P値 = 0.03125
有意差あり。群別の差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 10.5313, 自由度 = 4, P値 = 0.03237
有意。分散の差異があり先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 2.784, 第1自由度 = 4.000, 第2自由度 = 81.505, P値 = 0.03193
有意差あり。群別の差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 7 4.046243 4.046243
30 20 11.560694 15.606936
35 56 32.369942 47.976879
40 44 25.433526 73.410405
45 30 17.341040 90.751445
50 11 6.358382 97.109827
55 2 1.156069 98.265896
60 3 1.734104 100.000000
>

BGと試料の比較

x <- c(25, 37, 46, 41, 38, 38, 46, 36, 43, 36, 47, 40, 34, 28, 44, 52, 38, 37, 35, 37, 25, 30, 32, 35, 38, 37, 40, 52, 42, 40, 33 ,
33, 35, 48, 40, 33, 48, 39, 27, 49, 43, 41, 39, 31, 49, 44, 47, 46, 48, 25, 47, 37, 41, 33, 58, 64, 60, 51, 42, 49, 36, 45 ,
53, 42, 46, 38, 41, 33, 56, 37, 45, 39, 40, 37, 47, 42, 35, 36, 37, 43, 44, 36, 49, 41, 41, 39, 42, 25, 44, 37, 49, 40, 54, 31, 48, 38, 37, 50, 41, 32, 36, 38, 36, 63 ,
35, 37, 42, 45, 34, 35, 53, 42, 41, 43, 38, 48, 46, 45, 49, 36, 38, 43, 40, 47, 38, 38, 41, 41, 38, 40, 35, 37, 50, 44, 54, 51 ,
39, 37, 36, 48, 45, 34, 30, 41, 31, 35, 35, 34, 43, 28, 36, 43, 44, 34, 32, 48, 43, 47, 49, 38, 41, 39, 40, 44, 38, 37, 32, 38, 39, 39, 34, 42, 52)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 6.1927, 第1自由度 = 1, 第2自由度 = 171, P値 = 0.01378
有意差あり。試料とバックグラウンドに差異がある。
> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.002, 自由度 = 1, P値 = 0.3168
有意。試料とバックグラウンドに分散の差異があり、先の分散分析が無効。
> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 5.8266, 第1自由度 = 1.000, 第2自由度 = 117.735, P値 = 0.01733
有意差あり。試料とバックグラウンドに差異がある。

繰り返しによる差異

1. BG
x <- c(25, 37, 46, 41, 38, 38, 46, 36, 43, 36, 47, 40, 34, 28, 44, 52, 38, 37, 35, 37, 25, 30, 32, 35, 38, 37, 40, 52, 42, 40, 33 ,
53, 42, 46, 38, 41, 33, 56, 37, 45, 39, 40, 37, 47, 42, 35, 36, 37, 43, 44, 36, 49, 41, 41, 39, 42, 25, 44, 37, 49, 40, 54, 31, 48, 38, 37, 50, 41, 32, 36, 38, 36, 63 ,
39, 37, 36, 48, 45, 34, 30, 41, 31, 35, 35, 34, 43, 28, 36, 43, 44, 34, 32, 48, 43, 47, 49, 38, 41, 39, 40, 44, 38, 37, 32, 38, 39, 39, 34, 42, 52)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x) [1] 39.68182
> var(x) [1] 44.21893
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 2.4442, 第1自由度 = 2, 第2自由度 = 107, P値 = 0.09162
有意差あり。繰り返しによる差異がある。
> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 2.0317, 自由度 = 2, P値 = 0.3621
有意差あり。分散の差異があり、先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 2.1902, 第1自由度 = 2.000, 第2自由度 = 68.786, P値 = 0.1196
有意差あり。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 5 4.5454545 4.545455
30 15 13.6363636 18.181818
35 40 36.3636364 54.545455
40 28 25.4545455 80.000000
45 14 12.7272727 92.727273
50 6 5.4545455 98.181818
55 1 0.9090909 99.090909
60 1 0.9090909 100.000000
>

2. 試料
x <- c(33, 35, 48, 40, 33, 48, 39, 27, 49, 43, 41, 39, 31, 49, 44, 47, 46, 48, 25, 47, 37, 41, 33, 58, 64, 60, 51, 42, 49, 36, 45 ,
35, 37, 42, 45, 34, 35, 53, 42, 41, 43, 38, 48, 46, 45, 49, 36, 38, 43, 40, 47, 38, 38, 41, 41, 38, 40, 35, 37, 50, 44, 54, 51)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 , 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x) [1] 42.4127
> var(x) [1] 55.3108
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.1977, 第1自由度 = 1, 第2自由度 = 61, P値 = 0.6582
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 7.112, 自由度 = 1, P値 = 0.007657
有意。繰り返しによる分散の差異があり先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.1948, 第1自由度 = 1.000, 第2自由度 = 49.295, P値 = 0.6609
有意。繰り返しによる差異がある。
> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 2 3.174603 3.174603
30 5 7.936508 11.111111
35 16 25.396825 36.507937
40 16 25.396825 61.904762
45 16 25.396825 87.301587
50 5 7.936508 95.238095
55 1 1.587302 96.825397
60 2 3.174603 100.000000
>

試料とバックグラウンドの比較

1. BG
gr1 <- c(25, 37, 46, 41, 38, 38, 46, 36, 43, 36, 47, 40, 34, 28, 44, 52, 38, 37, 35, 37, 25, 30, 32, 35, 38, 37, 40, 52, 42, 40, 33 ,
53, 42, 46, 38, 41, 33, 56, 37, 45, 39, 40, 37, 47, 42, 35, 36, 37, 43, 44, 36, 49, 41, 41, 39, 42, 25, 44, 37, 49, 40, 54, 31, 48, 38, 37, 50, 41, 32, 36, 38, 36, 63 ,
39, 37, 36, 48, 45, 34, 30, 41, 31, 35, 35, 34, 43, 28, 36, 43, 44, 34, 32, 48, 43, 47, 49, 38, 41, 39, 40, 44, 38, 37, 32, 38, 39, 39, 34, 42, 52)
> mean(x) [1] 39.68182
> var(x) [1] 44.21893

2. 試料
gr2 <- c(33, 35, 48, 40, 33, 48, 39, 27, 49, 43, 41, 39, 31, 49, 44, 47, 46, 48, 25, 47, 37, 41, 33, 58, 64, 60, 51, 42, 49, 36, 45 ,
35, 37, 42, 45, 34, 35, 53, 42, 41, 43, 38, 48, 46, 45, 49, 36, 38, 43, 40, 47, 38, 38, 41, 41, 38, 40, 35, 37, 50, 44, 54, 51)
> mean(x) [1] 42.4127
> var(x) [1] 55.3108

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -2.4885, 自由度 = 171, P値 = 0.01378
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -4.8970633 -0.5646971
標本推定値:
平均値x 平均値y
39.68182 42.41270

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -2.4138, 自由度 = 117.735, P値 = 0.01733
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -4.9713019 -0.4904585
標本推定値:
平均値x 平均値y
39.68182 42.41270

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.7995, 第1自由度 = 109, 第2自由度 = 62, P値 = 0.3069
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.5057011 1.2296866
標本推定値:
分散比
0.7994628

試料とBGとの差異がある。
>

３. 補足コメント
.4 - 39.7 = 2.7 CPM
2.7 * 0.47 = 1.3 Bq

容積が、15 * 10 * 2 cm , 面積あたりの重さが 0.28 g/cm なので、底面の半径 7.42 cm、上面の半径 4.14cm 高さ 2cm 円錐台全体(216cm3)が受光範囲で、試料による吸収がないとする。
比重が 40 / (15*10*2) = 0.13 g/cm3 だから、円錐台の質量は 28.8g。よって1kgあたりの線量は
1.3 * 1000 / 29 = 45 Bq/kg

１．測定対象
「富良野産玉葱(輪切り下8mmの乾燥 12.0g)」の分析

２．測定結果
まずは生データ

1. n=31 BG
x <- c(47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45)
> mean(x)
[1] 40.12903
> var(x)
[1] 29.64946

2. n=34 試料
x <- c(54, 36, 60, 46, 40, 61, 63, 41, 50, 40, 52, 52, 45, 55, 56, 45, 50, 50, 60, 47, 56, 50, 51, 49, 51, 51, 62, 37, 43, 45, 38, 45, 49, 49)
> mean(x)
[1] 49.38235
> var(x)
[1] 51.87968

3. n=31 BG
x <- c(41, 53, 43, 47, 41, 42, 49, 50, 37, 40, 36, 32, 34, 45, 44, 38, 37, 40, 38, 46, 39, 33, 46, 36, 37, 40, 39, 44, 47, 48, 37)
> mean(x)
[1] 41.25806
> var(x)
[1] 27.79785

4. n=32 試料
x <- c(40, 54, 40, 55, 45, 49, 40, 53, 36, 57, 40, 39, 60, 50, 43, 38, 52, 59, 59, 43, 63, 38, 34, 47, 47, 37, 38, 35, 54, 55, 40, 46)
> mean(x)
[1] 46.4375
> var(x)
[1] 71.80242

5. n=31 BG
x <- c(40, 34, 42, 39, 41, 35, 42, 43, 50, 40, 50, 38, 47, 38, 36, 38, 40, 42, 34, 47, 44, 46, 39, 37, 29, 41, 35, 34, 45, 46, 40)
> mean(x)
[1] 40.3871
> var(x)
[1] 24.91183

４. データ貼り付け

全体の分析
x <- c(47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45 ,
54, 36, 60, 46, 40, 61, 63, 41, 50, 40, 52, 52, 45, 55, 56, 45, 50, 50, 60, 47, 56, 50, 51, 49, 51, 51, 62, 37, 43, 45, 38, 45, 49, 49 ,
41, 53, 43, 47, 41, 42, 49, 50, 37, 40, 36, 32, 34, 45, 44, 38, 37, 40, 38, 46, 39, 33, 46, 36, 37, 40, 39, 44, 47, 48, 37 ,
40, 54, 40, 55, 45, 49, 40, 53, 36, 57, 40, 39, 60, 50, 43, 38, 52, 59, 59, 43, 63, 38, 34, 47, 47, 37, 38, 35, 54, 55, 40, 46 ,
40, 34, 42, 39, 41, 35, 42, 43, 50, 40, 50, 38, 47, 38, 36, 38, 40, 42, 34, 47, 44, 46, 39, 37, 29, 41, 35, 34, 45, 46, 40)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 43.6478
> var(x)
[1] 54.84985
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 13.5625, 第1自由度 = 4, 第2自由度 = 154, P値 = 1.704e-09
有意。群別の差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 13.3107, 自由度 = 4, P値 = 0.009854
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 12.4487, 第1自由度 = 4.000, 第2自由度 = 76.685, P値 = 7.49e-08
有意。群別の差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 1 0.6289308 0.6289308
30 13 8.1761006 8.8050314
35 37 23.2704403 32.0754717
40 43 27.0440252 59.1194969
45 30 18.8679245 77.9874214
50 19 11.9496855 89.9371069
55 9 5.6603774 95.5974843
60 7 4.4025157 100.0000000
>

BGと試料の比較
x <- c(47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45 ,
54, 36, 60, 46, 40, 61, 63, 41, 50, 40, 52, 52, 45, 55, 56, 45, 50, 50, 60, 47, 56, 50, 51, 49, 51, 51, 62, 37, 43, 45, 38, 45, 49, 49 ,
41, 53, 43, 47, 41, 42, 49, 50, 37, 40, 36, 32, 34, 45, 44, 38, 37, 40, 38, 46, 39, 33, 46, 36, 37, 40, 39, 44, 47, 48, 37 ,
40, 54, 40, 55, 45, 49, 40, 53, 36, 57, 40, 39, 60, 50, 43, 38, 52, 59, 59, 43, 63, 38, 34, 47, 47, 37, 38, 35, 54, 55, 40, 46 ,
40, 34, 42, 39, 41, 35, 42, 43, 50, 40, 50, 38, 47, 38, 36, 38, 40, 42, 34, 47, 44, 46, 39, 37, 29, 41, 35, 34, 45, 46, 40)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 49.9886, 第1自由度 = 1, 第2自由度 = 157, P値 = 4.786e-11
有意。バックグラウンドと試料との差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 13.6218, 自由度 = 1, P値 = 0.0002236
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 43.6323, 第1自由度 = 1.000, 第2自由度 = 104.015, P値 = 1.721e-09
有意。バックグラウンドと試料との差異がある。

>

繰り返しによる影響

1. n = 93 BG 繰り返し数 =3
x <- c( 47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45 ,
41, 53, 43, 47, 41, 42, 49, 50, 37, 40, 36, 32, 34, 45, 44, 38, 37, 40, 38, 46, 39, 33, 46, 36, 37, 40, 39, 44, 47, 48, 37 ,
40, 34, 42, 39, 41, 35, 42, 43, 50, 40, 50, 38, 47, 38, 36, 38, 40, 42, 34, 47, 44, 46, 39, 37, 29, 41, 35, 34, 45, 46, 40)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 40.5914
> var(x)
[1] 27.0921
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.3952, 第1自由度 = 2, 第2自由度 = 90, P値 = 0.6747
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.2272, 自由度 = 2, P値 = 0.8926
有意ではない。先の分散分析は有効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.3813, 第1自由度 = 2.000, 第2自由度 = 59.921, P値 = 0.6846
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 1 1.075269 1.075269
30 12 12.903226 13.978495
35 27 29.032258 43.010753
40 32 34.408602 77.419355
45 16 17.204301 94.623656
50 4 4.301075 98.924731
55 1 1.075269 100.000000
>

2. n = 66 試料 繰り返し数 =2
x <- c( 54, 36, 60, 46, 40, 61, 63, 41, 50, 40, 52, 52, 45, 55, 56, 45, 50, 50, 60, 47, 56, 50, 51, 49, 51, 51, 62, 37, 43, 45, 38, 45, 49, 49 ,
40, 54, 40, 55, 45, 49, 40, 53, 36, 57, 40, 39, 60, 50, 43, 38, 52, 59, 59, 43, 63, 38, 34, 47, 47, 37, 38, 35, 54, 55, 40, 46)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 47.95455
> var(x)
[1] 62.78252
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 2.3234, 第1自由度 = 1, 第2自由度 = 64, P値 = 0.1324
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.8303, 自由度 = 1, P値 = 0.3622
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 2.3005, 第1自由度 = 1.000, 第2自由度 = 60.999, P値 = 0.1345
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
30 1 1.515152 1.515152
35 10 15.151515 16.666667
40 11 16.666667 33.333333
45 14 21.212121 54.545455
50 15 22.727273 77.272727
55 8 12.121212 89.393939
60 7 10.606061 100.000000
>

BGと試料の比較

1. n = 93 BG 繰り返し数 =3
gr1 <- c( 47, 33, 47, 37, 35, 42, 44, 42, 42, 35, 55, 43, 44, 34, 33, 45, 37, 36, 37, 44, 43, 41, 32, 42, 32, 39, 33, 44, 43, 38, 45 ,
41, 53, 43, 47, 41, 42, 49, 50, 37, 40, 36, 32, 34, 45, 44, 38, 37, 40, 38, 46, 39, 33, 46, 36, 37, 40, 39, 44, 47, 48, 37 ,
40, 34, 42, 39, 41, 35, 42, 43, 50, 40, 50, 38, 47, 38, 36, 38, 40, 42, 34, 47, 44, 46, 39, 37, 29, 41, 35, 34, 45, 46, 40)
> mean(x)
[1] 40.5914
> var(x)
[1] 27.0921

2. n = 66 試料 繰り返し数 =2
gr2 <- c( 54, 36, 60, 46, 40, 61, 63, 41, 50, 40, 52, 52, 45, 55, 56, 45, 50, 50, 60, 47, 56, 50, 51, 49, 51, 51, 62, 37, 43, 45, 38, 45, 49, 49 ,
40, 54, 40, 55, 45, 49, 40, 53, 36, 57, 40, 39, 60, 50, 43, 38, 52, 59, 59, 43, 63, 38, 34, 47, 47, 37, 38, 35, 54, 55, 40, 46)
> mean(x)
[1] 47.95455
> var(x)
[1] 62.78252
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -7.0703, 自由度 = 157, P値 = 4.786e-11
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -9.420160 -5.306135
標本推定値:
平均値x 平均値y
40.59140 47.95455
有意。試料とバックグラウンドに差異がある

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -6.6055, 自由度 = 104.015, P値 = 1.721e-09
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -9.573642 -5.152653
標本推定値:
平均値x 平均値y
40.59140 47.95455
有意。試料とバックグラウンドに差異がある

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.4315, 第1自由度 = 92, 第2自由度 = 65, P値 = 0.000212
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.2720116 0.6724900
標本推定値:
分散比
0.431523
有意。分散に違いがあるので、（Welchの方法）を使用する。
>

３. 補足コメント
48.0 - 40.6 = 7.4 CPM
インスペクターの計数値からの換算計数は 0.47 Bq/CPM であるから、測定した試料の線量は
7.4 * 0.47 = 3.5 Bq
乾燥タマネギ1kgあたりでは、
3.5 * 1000 / 12.0 = 290 Bq/kg
タマネギは 89%の水分を含むから、生タマネギあたりでは
290 * 11 / 1000 = 3.09 Bg/kg

K:150mg/100g( http://www.eiyoukeisan.com/calorie/nut_list/kalium.html )
より、150 * 10 = 1500 mg, カリウムは 3.09 Bq/100mgであるから
15 * 3.09 = 46.3 Bq/kg のカリウムの放射能を含む。

栄養成分として含まれているはずのカリウムの分の線量が含まれていないから、乾燥時に(捨てた外側の)紙に吸い取られるなどで放射性成分が失われている。

試料の度数分布をみると、大まかに見て、35,45,55cpmをピークとする3つの山がある。
バックグラウンドの度数分布を見ると、35-40にピークがある。試料の35のピークを薄い試料によってバックグラウンドの一部が減衰したものと考えれば、45と55の2つのピークがある。
45 - 41 = 4, 4 * 0.47 = 2, 2 * 1000 / 12.0 = 166, 166 * 11/1000 = 1.8
55 - 41 = 14, 14 * 0.47 = 7, 7 * 1000 / 12.0 = 583, 583 * 11/1000 = 6.4
55のピークがカリウムのピークだとすると、45のピークがセシウムなどのピーク
あるいは、その逆となる。前者の考えに立ち、46.3Bq/kg のカリウムが6.4Bq/kgに乾燥によって失われたと解釈すると、
有効桁１桁で考えるならば、約1/10に消失している。セシウムとカリウムの消失を同程度と考えるならば、1.8*(46.3/6.4)=13 Bq/kgのセシウムが存在することとなる。
試料だけ考えるならば６６個合計１時間の測定で、有効桁を２桁にするならば１６時間程度の測定が必要である。
それだけの測定を考えずに、以上の結果をみれば、セシウム等の汚染は 2-20Bq/kg 程度と考えられる。
北海道産タマネギ 15Bq/kg という情報(板名忘却)が案外正確かもしれない。
http://www.kobakuri.jp/section/eiyou/potassium.html カリウムを除去する調理方法。

まとめ
１．測定対象 　栃木県産　ふきのとう 19g
２．測定結果　28 Bq/kg 　（BG: 38.46939, 試料: 66.87692 CPM ）

１．測定対象 　JヌードルコーポレーションBK こだわりの熟成　20g
２．測定結果　　0Bq/kg 　

１．測定対象 　栃木県産　乾燥椎茸
２．測定結果　1000 Bq/kg

１．測定対象 カットわかめ　2012.12.17 中国原産 KKジャパンスパイス」
２．測定結果　45 Bq/kg

１．測定対象 富良野産玉葱　12g
２．測定結果　　2-20Bq/kg Bq/kg （カリウムを除いたベクレル数）

まとめの訂正、全スレの分のまとめもお願いします。
椎茸は危険ですね。西日本の椎茸も汚染おがくずを使っている可能性があるため危険だと思います。
魚の骨にストロンチウムが含まれているようです。

北海道の玉ねぎが汚染していますが、この汚染マップが正しいということがわかりました。
http://www.zakzak.co.jp/society/domestic/photos/20111115/dms1111151134009-p1.htm

群馬大学御用学者の汚染マップはやはり信用できません。
http://savechild.net/wp-content/uploads/2011/10/hayakawa.jpg

インスペクター＋　トータルタイマーモード　5分間カウント数
１．測定対象　たばこ４月１４日購入　LARK 3mg　ショート　１本分のタバコ葉
直付け　ビニルで保護

２．測定結果 ５分カウント数　２回測定
バックグランド　198,　200
たばこ１本分の葉　　264,　270

>>84
日本製のタバコはどうなんだろう？

>>85
タバコにはもともとα核種のポロニウム210が含まれている。
汚染タバコ葉は４月から流通しているらしい。
http://prepper.blog.fc2.com/blog-entry-134.html
日本製たばこのピースやホープは２００円くらいなので機会があれば測ってみたい。
ショッピングセンターなどにある喫煙所の空気清浄機フィルターは大丈夫だろうか？
１０万ベクレル/kgとか検出されそうで怖い。

>>83
私の測定値の査読ってことで。
CPMからBqへの換算にはいろいろ問題があり、ご指摘があれば、
それでよいかと思います。
私としては、まとめる気はありません。

１．測定対象
「栃木産菜の花 (40度４日間乾燥, 自家栽培) 10cm*12cm*3cm 38.2g, 比重 0.1g/cm3, 0.31g/cm2」の測定

備考: 水分 88% http://foodslink.jp/syokuzaihyakka/syun/vegitable/nanohana.htm

２．測定結果
まずは生データ。

1. n=38 BG
x <- c(49, 43, 46, 44, 39, 43, 27, 47, 49, 41, 47, 44, 41, 42, 35, 54, 39, 53, 40, 43, 43, 39, 46, 45, 31, 43, 42, 42, 39, 51, 52, 43, 33, 42, 37, 40, 55, 43)
> mean(x)
[1] 42.94737
> var(x)
[1] 35.99716

2. n=30 試料
x <- c(72, 75, 65, 73, 78, 83, 76, 79, 67, 82, 81, 52, 76, 79, 94, 85, 91, 75, 80, 82, 75, 92, 81, 67, 86, 58, 88, 72, 81, 61)
> mean(x)
[1] 76.86667
> var(x)
[1] 96.32644

3. n=31 BG
x <- c(43, 43, 36, 28, 35, 47, 39, 42, 62, 45, 38, 29, 32, 46, 46, 42, 34, 42, 41, 42, 46, 34, 51, 55, 51, 44, 41, 35, 45, 36, 43)
> mean(x)
[1] 41.70968
> var(x)
[1] 53.87957

4. n=30 試料
x <- c(60, 78, 72, 92, 81, 73, 76, 75, 85, 93, 92, 73, 67, 76, 76, 74, 79, 89, 82, 74, 79, 62, 89, 97, 65, 74, 76, 70, 82, 78)
> mean(x)
[1] 77.96667
> var(x)
[1] 82.92989

5. n=30 BG
x <- c(41, 51, 42, 42, 41, 52, 47, 43, 36, 42, 49, 42, 48, 34, 46, 42, 50, 42, 50, 28, 39, 44, 36, 39, 48, 39, 45, 53, 49, 52)
> mean(x)
[1] 43.73333
> var(x)
[1] 35.37471
>

４. データ貼り付け
全体の分析
x <- c(49, 43, 46, 44, 39, 43, 27, 47, 49, 41, 47, 44, 41, 42, 35, 54, 39, 53, 40, 43, 43, 39, 46, 45, 31, 43, 42, 42, 39, 51, 52, 43, 33, 42, 37, 40, 55, 43 ,
72, 75, 65, 73, 78, 83, 76, 79, 67, 82, 81, 52, 76, 79, 94, 85, 91, 75, 80, 82, 75, 92, 81, 67, 86, 58, 88, 72, 81, 61 ,
43, 43, 36, 28, 35, 47, 39, 42, 62, 45, 38, 29, 32, 46, 46, 42, 34, 42, 41, 42, 46, 34, 51, 55, 51, 44, 41, 35, 45, 36, 43 ,
60, 78, 72, 92, 81, 73, 76, 75, 85, 93, 92, 73, 67, 76, 76, 74, 79, 89, 82, 74, 79, 62, 89, 97, 65, 74, 76, 70, 82, 78 ,
41, 51, 42, 42, 41, 52, 47, 43, 36, 42, 49, 42, 48, 34, 46, 42, 50, 42, 50, 28, 39, 44, 36, 39, 48, 39, 45, 53, 49, 52)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 55.86164
> var(x)
[1] 341.9428
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 188.2669, 第1自由度 = 4, 第2自由度 = 154, P値 < 2.2e-16
有意。郡による差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 13.0402, 自由度 = 4, P値 = 0.01108
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 154.0547, 第1自由度 = 4.000, 第2自由度 = 74.291, P値 < 2.2e-16
有意。郡による差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 4 2.5157233 2.515723
30 6 3.7735849 6.289308
35 17 10.6918239 16.981132
40 37 23.2704403 40.251572
45 20 12.5786164 52.830189
50 13 8.1761006 61.006289
55 3 1.8867925 62.893082
60 4 2.5157233 65.408805
65 5 3.1446541 68.553459
70 10 6.2893082 74.842767
75 17 10.6918239 85.534591
80 10 6.2893082 91.823899
85 6 3.7735849 95.597484
90 6 3.7735849 99.371069
95 1 0.6289308 100.000000
>

BGと試料の比較
x <- c(49, 43, 46, 44, 39, 43, 27, 47, 49, 41, 47, 44, 41, 42, 35, 54, 39, 53, 40, 43, 43, 39, 46, 45, 31, 43, 42, 42, 39, 51, 52, 43, 33, 42, 37, 40, 55, 43 ,
72, 75, 65, 73, 78, 83, 76, 79, 67, 82, 81, 52, 76, 79, 94, 85, 91, 75, 80, 82, 75, 92, 81, 67, 86, 58, 88, 72, 81, 61 ,
43, 43, 36, 28, 35, 47, 39, 42, 62, 45, 38, 29, 32, 46, 46, 42, 34, 42, 41, 42, 46, 34, 51, 55, 51, 44, 41, 35, 45, 36, 43 ,
60, 78, 72, 92, 81, 73, 76, 75, 85, 93, 92, 73, 67, 76, 76, 74, 79, 89, 82, 74, 79, 62, 89, 97, 65, 74, 76, 70, 82, 78 ,
41, 51, 42, 42, 41, 52, 47, 43, 36, 42, 49, 42, 48, 34, 46, 42, 50, 42, 50, 28, 39, 44, 36, 39, 48, 39, 45, 53, 49, 52)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 759.5479, 第1自由度 = 1, 第2自由度 = 157, P値 < 2.2e-16
有意。試料とバックグラウンドに差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 11.0959, 自由度 = 1, P値 = 0.0008652
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 634.1662, 第1自由度 = 1.000, 第2自由度 = 92.587, P値 < 2.2e-16
有意。試料とバックグラウンドに差異がある。

繰り返しによる影響

1. n = 99 BG 繰り返し数 =3
x <- c( 49, 43, 46, 44, 39, 43, 27, 47, 49, 41, 47, 44, 41, 42, 35, 54, 39, 53, 40, 43, 43, 39, 46, 45, 31, 43, 42, 42, 39, 51, 52, 43, 33, 42, 37, 40, 55, 43 ,
43, 43, 36, 28, 35, 47, 39, 42, 62, 45, 38, 29, 32, 46, 46, 42, 34, 42, 41, 42, 46, 34, 51, 55, 51, 44, 41, 35, 45, 36, 43 ,
41, 51, 42, 42, 41, 52, 47, 43, 36, 42, 49, 42, 48, 34, 46, 42, 50, 42, 50, 28, 39, 44, 36, 39, 48, 39, 45, 53, 49, 52)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 42.79798
> var(x)
[1] 41.20367
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.7707, 第1自由度 = 2, 第2自由度 = 96, P値 = 0.4655
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.7998, 自由度 = 2, P値 = 0.4066
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.6947, 第1自由度 = 2.000, 第2自由度 = 61.314, P値 = 0.5031
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 4 4.040404 4.040404
30 6 6.060606 10.101010
35 17 17.171717 27.272727
40 37 37.373737 64.646465
45 20 20.202020 84.848485
50 12 12.121212 96.969697
55 2 2.020202 98.989899
60 1 1.010101 100.000000
>

2. n = 60 試料 繰り返し数 =2
x <- c( 72, 75, 65, 73, 78, 83, 76, 79, 67, 82, 81, 52, 76, 79, 94, 85, 91, 75, 80, 82, 75, 92, 81, 67, 86, 58, 88, 72, 81, 61 ,
60, 78, 72, 92, 81, 73, 76, 75, 85, 93, 92, 73, 67, 76, 76, 74, 79, 89, 82, 74, 79, 62, 89, 97, 65, 74, 76, 70, 82, 78)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 77.41667
> var(x)
[1] 88.41667
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.2025, 第1自由度 = 1, 第2自由度 = 58, P値 = 0.6544
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.1597, 自由度 = 1, P値 = 0.6895
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.2025, 第1自由度 = 1.000, 第2自由度 = 57.678, P値 = 0.6544
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
50 1 1.666667 1.666667
55 1 1.666667 3.333333
60 3 5.000000 8.333333
65 5 8.333333 16.666667
70 10 16.666667 33.333333
75 17 28.333333 61.666667
80 10 16.666667 78.333333
85 6 10.000000 88.333333
90 6 10.000000 98.333333
95 1 1.666667 100.000000
>

BGと試料の比較

1. n = 99 BG 繰り返し数 =3
gr1 <- c( 49, 43, 46, 44, 39, 43, 27, 47, 49, 41, 47, 44, 41, 42, 35, 54, 39, 53, 40, 43, 43, 39, 46, 45, 31, 43, 42, 42, 39, 51, 52, 43, 33, 42, 37, 40, 55, 43 ,
43, 43, 36, 28, 35, 47, 39, 42, 62, 45, 38, 29, 32, 46, 46, 42, 34, 42, 41, 42, 46, 34, 51, 55, 51, 44, 41, 35, 45, 36, 43 ,
41, 51, 42, 42, 41, 52, 47, 43, 36, 42, 49, 42, 48, 34, 46, 42, 50, 42, 50, 28, 39, 44, 36, 39, 48, 39, 45, 53, 49, 52)
> mean(x)
[1] 42.79798
> var(x)
[1] 41.20367

2. n = 60 試料 繰り返し数 =2
gr2 <- c( 72, 75, 65, 73, 78, 83, 76, 79, 67, 82, 81, 52, 76, 79, 94, 85, 91, 75, 80, 82, 75, 92, 81, 67, 86, 58, 88, 72, 81, 61 ,
60, 78, 72, 92, 81, 73, 76, 75, 85, 93, 92, 73, 67, 76, 76, 74, 79, 89, 82, 74, 79, 62, 89, 97, 65, 74, 76, 70, 82, 78)
> mean(x)
[1] 77.41667
> var(x)
[1] 88.41667

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -27.5599, 自由度 = 157, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -37.09977 -32.13760
標本推定値:
平均値x 平均値y
42.79798 77.41667
有意。試料とバックグラウンドに差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -25.1827, 自由度 = 92.587, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -37.34874 -31.88864
標本推定値:
平均値x 平均値y
42.79798 77.41667
有意。試料とバックグラウンドに差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.466, 第1自由度 = 98, 第2自由度 = 59, P値 = 0.0008053
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.2901663 0.7287807
標本推定値:
分散比
0.466017
有意。分散に差異があるので、（Welchの方法）を使用する。

３. 補足コメント
77.4 - 42.8 = 34.6 CPM
34.6 * 0.47 = 16 Bq
全量から受光可能と仮定して、1kgあたりの線量は
16 * 1000 / 38.2 = 425 Bq/kg
水分量が 88%( http://foodslink.jp/syokuzaihyakka/syun/vegitable/nanohana.htm )なので、
425 * (100-88) / 100 = 51 Bq/kg
カリウムが 3.9g/kg 含まれるので、この線量は 30.9 * 3.9 = 120 となるが、それだけの線量が出ていない。
なお、無肥料・無農薬栽培(自然に発芽するのに任せる)です。

栃木県産菜の花(自家栽培)の線量は 51 Bq/kg(カリウム込) となりました。

すき家のお米は栃木県産だけど大丈夫かな。
牛丼つゆだくに紅しょうがをたっぷりかけて食うのがうまいんだよな。

３月にリクエストのあった、栃木産しいたけ。
収穫したのはいいのだが、臭くて臭くて、屋外で乾燥していたので測定が遅れました。
分量が多いので一部だけ
1. n=30 BG
x <- c(48, 43, 33, 45, 39, 42, 39, 34, 50, 30, 37, 40, 28, 32, 36, 47, 51, 51, 45, 41, 38, 45, 56, 38, 46, 31, 46, 42, 47, 43)
> mean(x) [1] 41.43333
> var(x) [1] 47.63333

2. n=40 試料
x <- c(63, 59, 64, 66, 66, 58, 47, 67, 54, 50, 63, 55, 51, 66, 51, 66, 52, 71, 61, 55, 69, 57, 57, 54, 50, 45, 54, 54, 47, 55, 54, 77, 62, 67, 60, 60, 60, 55, 52, 64)
> mean(x) [1] 58.45
> var(x) [1] 52.51026

3. n=43 BG
x <- c(36, 42, 46, 43, 35, 39, 38, 38, 45, 46, 50, 45, 40, 39, 52, 40, 40, 64, 31, 37, 46, 47, 45, 39, 39, 44, 34, 39, 44, 45, 41, 51, 45, 35, 34, 41, 36, 66, 36, 53, 27, 44, 46)
> mean(x) [1] 42.39535
> var(x) [1] 56.24474

4. n=30 試料
x <- c(61, 45, 62, 48, 44, 54, 53, 60, 49, 57, 58, 51, 42, 60, 57, 50, 57, 50, 64, 51, 48, 53, 60, 65, 49, 46, 57, 42, 55, 62)
> mean(x) [1] 53.66667
> var(x) [1] 43.54023

5. n=32 BG
x <- c(28, 38, 41, 41, 43, 38, 50, 42, 39, 38, 40, 36, 38, 41, 47, 46, 41, 44, 34, 60, 42, 38, 36, 52, 54, 48, 43, 45, 46, 39, 37, 42)
> mean(x) [1] 42.09375
> var(x) [1] 38.79738

6. n=30 試料(上側)
x <- c(65, 68, 60, 72, 62, 63, 73, 59, 67, 85, 56, 59, 61, 68, 65, 53, 70, 77, 53, 58, 69, 55, 61, 56, 80, 78, 61, 71, 82, 64)
> mean(x) [1] 65.7
> var(x) [1] 75.25172

7. n=45 試料(下側)
x <- c(67, 59, 54, 78, 70, 50, 53, 53, 61, 68, 45, 67, 64, 58, 57, 65, 72, 57, 51, 65, 64, 56, 60, 62, 55, 59, 64, 50, 70, 70, 66, 56, 65, 60, 57, 51, 68, 75, 74, 49, 67, 73, 58, 65, 56)
> mean(x) [1] 61.42222
> var(x) [1] 60.97677

8. n=31 BG
x <- c(54, 53, 51, 40, 41, 37, 39, 43, 30, 39, 49, 51, 46, 40, 31, 29, 44, 47, 50, 33, 40, 47, 48, 37, 40, 27, 45, 43, 32, 36, 41)
> mean(x) [1] 41.3871
> var(x) [1] 53.57849

1. n = 136 BG 繰り返し数 =4> mean(x)
[1] 41.88235
> var(x)
[1] 48.74161
2. n = 145 試料 繰り返し数 =4
> mean(x)
[1] 59.88276
> var(x)
[1] 73.18755

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -19.2506, 自由度 = 279, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -19.84107 -16.15974
標本推定値:
平均値x 平均値y
41.88235 59.88276
有意。バックグラウンドと試料に差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -19.375, 自由度 = 273.833, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -19.82940 -16.17142
標本推定値:
平均値x 平均値y
41.88235 59.88276
有意。バックグラウンドと試料に差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.666, 第1自由度 = 135, 第2自由度 = 144, P値 = 0.01732
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.4775874 0.9303814
標本推定値:
分散比
0.6659823
有意。（Welchの方法）を使用する

>
59.9 - 41.9 = 18 CPM
18 * 0.47 = 24 Bq
24 * 1000 / 8.7 = 2700 Bq/kg

かさの裏表の比較
試料の裏表の比較
gr1 <- c( 65, 68, 60, 72, 62, 63, 73, 59, 67, 85, 56, 59, 61, 68, 65, 53, 70, 77, 53, 58, 69, 55, 61, 56, 80, 78, 61, 71, 82, 64)
gr2 <- c( 67, 59, 54, 78, 70, 50, 53, 53, 61, 68, 45, 67, 64, 58, 57, 65, 72, 57, 51, 65, 64, 56, 60, 62, 55, 59, 64, 50, 70, 70, 66, 56, 65, 60, 57, 51, 68, 75, 74, 49, 67, 73, 58, 65, 56)

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = 2.2231, 自由度 = 73, P値 = 0.02930
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: 0.4428004 8.1127552
標本推定値:
平均値x 平均値y
65.70000 61.42222
有意。試料の裏表に差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = 2.1764, 自由度 = 57.697, P値 = 0.03364
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: 0.3428404 8.2127152
標本推定値:
平均値x 平均値y
65.70000 61.42222
有意。試料の裏表に差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 1.2341, 第1自由度 = 29, 第2自由度 = 44, P値 = 0.5191
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.6437975 2.4796793
標本推定値:
分散比
1.234105
有意。（Welchの方法）を使用する

まとめ２
１．測定対象 　栃木産菜の花
２．測定結果　51 Bq/kg(カリウム込)

１．栃木産しいたけ
２．測定結果　　2700 Bq/kg

有為に差が出た試料を、
一度ベクミル辺りで追試して、数値の仮説を検証して欲しい。

>>100
しません。
するくらいならば、自分で最初から、食品用測定器を買います。
一番時間距離的に使い上野でも、上野駅まで下で２時間ぐらい、
上を使っても最近は1時間に１本だから、待ち時間を考えると同じくらいになてしまう。
車でも柏まで３時間ぐらいかかるから、結局１日仕事になってしまうし。

１．測定対象
虹色に鍋が光ったので、鍋の測定。
２．測定結果
最初に生データ。
x <- c(54, 40, 37, 50, 36, 37, 49, 40, 28, 51, 33, 32, 41, 39, 50, 44, 39, 41, 39, 48, 39, 40, 33, 49, 49, 42, 49, 55, 43, 55, 39,
33, 48, 31, 44, 46, 40, 43, 26, 52, 40, 30, 42, 39, 35, 41, 25, 36, 46, 49, 37, 35, 39, 43, 39, 52, 38, 42, 38, 39, 42, 33, 38, 41,
30, 46, 45, 48, 39, 39, 30, 46, 47, 38, 41, 33, 54, 44, 49, 35, 53, 40, 47, 36, 40, 56, 30, 47, 42, 33, 39, 33, 37, 48, 52, 35, 45,
37, 39, 44, 35, 42, 33, 47, 51, 38, 39, 45, 45, 40, 44, 41, 35, 45, 52, 43, 37, 29, 37, 44, 44, 45, 42, 52, 53, 54, 33, 41, 44, 46, 31)
> mean(x) [1] 41.42748
> var(x) [1] 46.47739

2. n=31 鍋
x <- c(44, 35, 38, 34, 40, 45, 30, 32, 35, 53, 31, 41, 44, 46, 30, 38, 52, 28, 47, 35, 46, 40, 33, 32, 30, 41, 37, 52, 43, 42, 49)
> mean(x) [1] 39.45161
> var(x) [1] 51.72258

3. n=31 BG
x <- c(31, 43, 27, 37, 27, 49, 46, 33, 53, 42, 29, 38, 46, 30, 38, 36, 46, 34, 44, 35, 35, 45, 33, 37, 38, 40, 32, 34, 42, 34, 34)
> mean(x) [1] 37.67742
> var(x) [1] 43.02581

4. n=32 鍋
x <- c(37, 38, 37, 38, 43, 36, 47, 39, 37, 41, 36, 47, 43, 24, 44, 33, 37, 48, 48, 29, 40, 38, 45, 44, 38, 43, 31, 24, 40, 37, 35, 36)
> mean(x) [1] 38.53125
> var(x) [1] 36.77319

5. n=30 BG
x <- c(46, 51, 55, 38, 36, 40, 38, 34, 36, 44, 26, 45, 33, 43, 40, 48, 42, 44, 32, 49, 34, 36, 42, 46, 30, 40, 40, 33, 37, 46)
> mean(x) [1] 40.13333
> var(x) [1] 43.70575

BGと試料の比較
1. n = 192 BG 繰り返し数 =3
gr1 <- c( 54, 40, 37, 50, 36, 37, 49, 40, 28, 51, 33, 32, 41, 39, 50, 44, 39, 41, 39, 48, 39, 40, 33, 49, 49, 42, 49, 55, 43,
55, 39, 33, 48, 31, 44, 46, 40, 43, 26, 52, 40, 30, 42, 39, 35, 41, 25, 36, 46, 49, 37, 35, 39, 43, 39, 52, 38, 42, 38, 39, 42,
33, 38, 41, 30, 46, 45, 48, 39, 39, 30, 46, 47, 38, 41, 33, 54, 44, 49, 35, 53, 40, 47, 36, 40, 56, 30, 47, 42, 33, 39, 33, 37,
48, 52, 35, 45, 37, 39, 44, 35, 42, 33, 47, 51, 38, 39, 45, 45, 40, 44, 41, 35, 45, 52, 43, 37, 29, 37, 44, 44, 45, 42, 52, 53, 54, 33, 41, 44, 46, 31 ,
31, 43, 27, 37, 27, 49, 46, 33, 53, 42, 29, 38, 46, 30, 38, 36, 46, 34, 44, 35, 35, 45, 33, 37, 38, 40, 32, 34, 42, 34, 34 ,
46, 51, 55, 38, 36, 40, 38, 34, 36, 44, 26, 45, 33, 43, 40, 48, 42, 44, 32, 49, 34, 36, 42, 46, 30, 40, 40, 33, 37, 46)
> mean(x) [1] 40.61979
> var(x) [1] 46.91751
2. n = 63 鍋 繰り返し数 =2
gr2 <- c( 44, 35, 38, 34, 40, 45, 30, 32, 35, 53, 31, 41, 44, 46, 30, 38, 52, 28, 47, 35, 46, 40, 33, 32, 30, 41, 37, 52, 43, 42, 49 ,
37, 38, 37, 38, 43, 36, 47, 39, 37, 41, 36, 47, 43, 24, 44, 33, 37, 48, 48, 29, 40, 38, 45, 44, 38, 43, 31, 24, 40, 37, 35, 36)
> mean(x) [1] 38.98413
> var(x) [1] 43.62878
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）
データ: gr1 と gr2
t値 = 1.659, 自由度 = 253, P値 = 0.09836
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -0.3060471 3.5773765
標本推定値:
平均値x 平均値y
40.61979 38.98413
有意。試料とBGに差がある。
> t.test(gr1, gr2)
二標本t検定（Welchの方法）
データ: gr1 と gr2
t値 = 1.6899, 自由度 = 109.066, P値 = 0.09391
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -0.2827217 3.5540511
標本推定値:
平均値x 平均値y
40.61979 38.98413
有意。試料とBGに差がある。
> var.test(gr1, gr2)
二群の等分散性の検定
データ: gr1 と gr2
F = 1.0754, 第1自由度 = 191, 第2自由度 = 62, P値 = 0.754
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.6998772 1.5830209
標本推定値:
分散比
1.07538
有意。分散が異なるので、（Welchの方法）を使用する。
３.補足コメント
試料の方が低いので、含有放射線量は不明
全体として分布が偏ってくれれば、吸収だとわかるのですが
この度数分布ではわからない。
度数分布の違いから、何かあるな、とは見当つきますけど、それ以上は不明。
グラフを書いてみてください。「gr1 <- c(」を「x <- c(」と書き換えて、Rにコピー。「dosuu.bunpu(x, 5)」と入力すれば、度数分布が得られます。

バックグラエントの測定中にみかけた、異常な低値。
x <- c(26, 20, 10, 4, 9, 2, 13, 11, 6, 5, 4, 14, 5, 8, 3, 7, 8, 7, 8, 7, 7, 3, 8, 4, 6, 7, 11, 9, 7, 9, 7, 9)
多分、電池切れです。１２月末から約３ヶ月連続稼動した結果、３ヶ月と２週で電池が切れました。

>>102
そういえば水道水をやかんで沸かす際に木炭を一緒にいれてたら虹色に変色したらしい。
その木炭を測定すれば汚染がわかるかもしれない。
東京都内の水道水に竹炭を入れてやかんで沸かしたいたところ、3ヶ月で虹色の物質が木炭に吸着されたとのこと。
また、「いまなら一ヶ月でこうなりますよ。」「去年3月・4月は車の窓がこんな感じなってた」との情報もあります。

http://2ch-dc.mine.nu/v2/src/1329186973440.jpg
http://2ch-dc.mine.nu/v2/src/1329187155873.jpg
http://2ch-dc.mine.nu/v2/src/1329187334810.jpg
http://2ch-dc.mine.nu/v2/src/1329187482826.jpg
http://2ch-dc.mine.nu/v2/src/1329187670609.jpg

>>105
それ、福島より前から起こってたじゃん。

水道水の汚染を検出するためには、やかんに木炭を入れて沸かせの巻

99：名無しに影響はない(東京都)：2012/02/14(火) 17:39:00.01 ID:bW3M+xR6
3月フォールアウト後からの三ヶ月間使用は鮮やかな青(BLUE)でした。
同位体の半減期の関係か、次第に青色の析出物が消えています。
竹炭は硬く表面に光沢があるので析出すると金属風の色合いに見えます。
今現在は緑(GREEN)と赤(RED)が主要です。青色一色ではありません。
紫色は緑と赤が混じっている為と思われます。
水は利根川水系です。海洋汚染も河川が原因という研究結果はあるようです。
都内水道でこれだけ出ますので、汚染地域はもっと酷いと思います。

再現性はあるので、もし実験される場合は硬い木炭(竹炭、備長炭)を使い、
1時間程度煮沸＆水交換を一日７回行い、４日続けると約１ヶ月相当のモノが出来上がる
と思います。

106：９９(東京都)：2012/02/15(水) 14:13:36.25 ID:mD1+JC8Y
レスどうもです。こうした現象は原発事故以前には皆無でした。
もっと長時間かけてミネラル成分が再結晶化する際も、白い粉のような結晶状態となり(水垢と呼ばれるものですが)、
それより短時間でこのような鮮やかな色にはならない。私には事故以降初めて目にする現象です。
当時東京の水は意外と安全なのだなあと納得してました。

この色は水洗い程度では落ちないです。匂いは無く、酢酸(食用酢)にはかろうじて溶けるようですが、非常に溶けにくい。
炭表面を削ると内部まで浸透しておらず表面だけにコーティングされているようです。
残念ながら私は化学分析の専門家ではなく、蛍光X線分析装置もないので詳細を調べる事はできません。
水のpHによる腐食問題があるとするなら水道水の水質基準を満たさないのかもしれませんが、
そのような水を配水して大丈夫なのでしょうか。
何れにせよ再現性があるので専門家に調査してもらいたい所です。

比較として九州や海外のミネラルウォーターを、木炭入れてやかんで沸かせばよい。
虹色になるわけないけど。比較のため。

>>109
うちでは、ミネ水では虹色にならないことを確認してます。

床付近(2012.04.21深夜から翌朝測定)と棚(h=85, 壁から30cm離れている, 2012.04.20深夜から翌朝測定)の比較。
分量が多いので平均値の差の検定のみ
> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = 9.8567, 自由度 = 735.726, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: 3.547352 5.311868
標本推定値:
平均値x 平均値y
40.91143 36.48182
有意。平均値に差がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 1.0775, 第1自由度 = 349, 第2自由度 = 439, P値 = 0.459
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.884023 1.316379
標本推定値:
分散比
1.077517
有意。分散に差異があるので（Welchの方法）を使用する。
>

インスペクターなので、334で除せば uSv/h に換算できる。
細かい内容は、
http://www.dotup.org/uploda/www.dotup.org2889700.gif.html
http://www.dotup.org/uploda/www.dotup.org2889708.gif.html
http://www.dotup.org/uploda/www.dotup.org2889713.txt.html
参照。
複数の猫が深夜出入りしていて、ほこりを巻き上げている様子、
時間とともに沈着している様子がわかると思う。
猫による被害防止の為、測定器の上方に檻を置いたので、測定器付近にはほこりが沈着しない。

ライブラリ QCCの使い方については、下記を参照。
http://www.ec.kansai-u.ac.jp/user/arakit/documents/qcc.pdf
http://www.e.okayama-u.ac.jp/~nagahata/bstat/4syou.pdf
http://www.biwako.shiga-u.ac.jp/sensei/kumazawa/R/c2.pdf

>>109
線量測ってから言えよ

こんなのは初めてだーとかいい加減などうでもいい話もってくんじゃねーよヴォケが
騒ぐならテメーで分析してから言いやがれカス

やかんに木炭入れて沸かすと、木炭に放射性物質が吸着するのではないか。
水道水以外でも牛乳やジュースなどで試してみる価値がある。
液体そのものを測定することは無理だが、木炭に放射性物質を吸着させれば簡単に測定できそうだ。
液体の汚染を検出するには、やかんに木炭を入れて沸かせの巻　完

放射性物質は目視で分かるような量は決して存在しない。
そんなにあったら即死級だ。
あくまでも線量計でのみその存在を知ることができる。

原子力ムラの人間が怒っているようです。
水道水の汚染を測ると都合が悪いようです。どんどん測りましょう。
液体の汚染を測るには、木炭をやかんにいれて沸かしましょう。
もし実験される場合は硬い木炭(竹炭、備長炭)を使い、
1時間程度煮沸＆水交換を一日７回行い、４日続けると約１ヶ月相当のモノが出来上がる
と思います。

虹色の木炭の測り方
インスペクター＋のタイマーモードで測りましょう。
バックグラウンド（何もない状態）で10分、虹色の木炭表面を10分測りましょう。（2センチ程度に近づけて）
カウント数に差があれば放射性物質です。20分、30分と測るとより正確です。
虹色の木炭とマイカ窓の間にコピー用紙を一枚挟んでください。
数値が減ったらアルファ線（プルトニウム）です。

さっさと数値を出せよクソが

なーにが変色したーだヴァーカ
放射脳はさっさと死ね　クソキチガイが

原子力ムラの人間が必死すぎ。
虹色木炭の汚染はYOUTUBEで世界中に配信したほうがいいな。

原子力ムラの人間は、虹色木炭を食べてもただちに影響はないとか言いそうだな。
てか１レスでいくらもらっているんだ？20円くらい？

インスペスレなのに、まだインスペで測ってないの？

とっととインスペで計測してる動画うｐしろよクズが

トンキン怒りの内部被爆wwツルピカドンwww

１．測定対象
タマノイ穀物酢 2013.12.16

酢酸発酵　http://ja.wikipedia.org/wiki/%E9%85%A2%E9%85%B8
　　　C2H5OH + O2 → CH3COOH + H2O
分子量 46 32 60 18
アルコール発酵　http://ja.wikipedia.org/wiki/%E3%82%A2%E3%83%AB%E3%82%B3%E3%83%BC%E3%83%AB%E7%99%BA%E9%85%B5
　　　C6H12O6 → 2 C2H5OH + 2 CO2
分子量 180 2*46 2*44
よって、炭水化物からの酢酸の収率は 66%
米 100g あたり75gの炭水化物を含む。http://genmaiyanogensan.web.fc2.com/pdf/eiyouso.pdf#search=%27%E7%B1%B3%20%E3%82%AB%E3%83%AA%E3%82%A6%E3%83%A0%20%E6%A0%84%E9%A4%8A%27
よって100gの米より 50gの酢酸が合成される。
穀物酢は酢酸4.2%( http://www.tamanoi.co.jp/products/02.htm#01 )だから、米100gあたり1.2リットルの酢が製造される。
米 100gあたり、88-230mgのカリウムが含まれるの( http://genmaiyanogensan.web.fc2.com/pdf/eiyouso.pdf )で、
食酢の比重を1.0(1.01-0.05 程度を丸めた http://search.yahoo.co.jp/search?p=%E9%A3%9F%E9%85%A2%E3%80%80%E6%AF%94%E9%87%8D&ei=UTF-8&fr=mozff&x=wrt&meta=vc%3D )とすると、
食酢 1kg あたり 70-180mg のカリウム( 30.9Bq/g )を含む。この量は 2-5Bq に相当する。

２．測定結果
「BG」は、机の上に何も載せないで測定した値。
「空試験」は、机の上に、ポリ袋(ジップロック お手軽バッグ 小 )に入れた No.160 プリンカップ(小) 霧島製作所( http://item.rakuten.co.jp/b-stage/4962817261608/ )を置いた状態。
「試料」はプリンカップに約45mlの試料を入れ、机の上におき、赤外線電球で赤外線を照射し乾燥した。乾燥後、ポリ袋に入れ、机の上に置いた。乾燥後の固形分は 2.1g/45mL であった。
プリンカップは高さ33mmと台(高さ30mm)を超えるので、検出部の穴が合うように置いた。

1. n=30 BG
x <- c(48, 39, 39, 49, 35, 51, 48, 37, 44, 31, 49, 55, 38, 42, 41, 47, 39, 39, 44, 46, 32, 35, 32, 31, 43, 49, 33, 42, 45, 39)

2. n=30 空試験
x <- c(36, 41, 43, 38, 37, 35, 48, 28, 34, 50, 33, 47, 38, 43, 47, 50, 54, 40, 51, 47, 44, 35, 39, 41, 32, 45, 34, 45, 47, 43)

3. n=50 タマノイ穀物酢 2013.12.16
x <- c(38, 52, 37, 35, 50, 50, 63, 50, 33, 30, 32, 52, 38, 52, 41, 35, 47, 35, 43, 36, 68, 35, 39, 45, 47, 59, 43, 43, 36, 43, 53, 45, 42, 54, 51, 58, 37, 59, 48, 46, 33, 58, 37, 51, 56, 49, 48, 40, 41, 47)

4. n=33 BG
x <- c(40, 37, 48, 42, 35, 38, 35, 37, 60, 39, 42, 27, 50, 39, 62, 36, 41, 32, 57, 34, 43, 48, 46, 35, 44, 46, 50, 34, 31, 50, 31, 27, 45)

5. n=32 空試験
x <- c(31, 45, 39, 42, 40, 47, 42, 44, 44, 48, 50, 41, 46, 46, 35, 35, 43, 45, 40, 35, 50, 35, 33, 39, 50, 52, 40, 35, 41, 41, 34, 46)

6. n=31 タマノイ穀物酢 2013.12.16
x <- c(32, 39, 44, 53, 46, 54, 51, 36, 49, 61, 37, 42, 49, 47, 44, 46, 39, 50, 40, 45, 57, 45, 44, 56, 39, 43, 38, 43, 49, 51, 38)

7. n=30 空試験
x <- c(34, 42, 41, 41, 51, 45, 45, 39, 45, 33, 39, 39, 48, 51, 34, 43, 41, 38, 37, 28, 37, 37, 31, 32, 40, 45, 56, 37, 48, 37)

8. n=40 BG
x <- c(43, 43, 36, 33, 36, 43, 50, 43, 49, 40, 38, 38, 47, 56, 37, 40, 41, 35, 45, 40, 52, 46, 37, 45, 46, 45, 31, 38, 40, 44, 45, 38, 46, 48, 42, 42, 32, 33, 54, 48)

４.　データ貼り付け
BGと試料の比較

1. n = 103 BG 繰り返し数 =3
gr1 <- c( 48, 39, 39, 49, 35, 51, 48, 37, 44, 31, 49, 55, 38, 42, 41, 47, 39, 39, 44, 46, 32, 35, 32, 31, 43, 49, 33, 42, 45, 39 ,
40, 37, 48, 42, 35, 38, 35, 37, 60, 39, 42, 27, 50, 39, 62, 36, 41, 32, 57, 34, 43, 48, 46, 35, 44, 46, 50, 34, 31, 50, 31, 27, 45 ,
43, 43, 36, 33, 36, 43, 50, 43, 49, 40, 38, 38, 47, 56, 37, 40, 41, 35, 45, 40, 52, 46, 37, 45, 46, 45, 31, 38, 40, 44, 45, 38, 46, 48, 42, 42, 32, 33, 54, 48)
> mean(x)
[1] 41.63107
> var(x)
[1] 49.50961

2. n = 92 空試験 繰り返し数 =3
gr2 <- c( 36, 41, 43, 38, 37, 35, 48, 28, 34, 50, 33, 47, 38, 43, 47, 50, 54, 40, 51, 47, 44, 35, 39, 41, 32, 45, 34, 45, 47, 43 ,
31, 45, 39, 42, 40, 47, 42, 44, 44, 48, 50, 41, 46, 46, 35, 35, 43, 45, 40, 35, 50, 35, 33, 39, 50, 52, 40, 35, 41, 41, 34, 46 ,
34, 42, 41, 41, 51, 45, 45, 39, 45, 33, 39, 39, 48, 51, 34, 43, 41, 38, 37, 28, 37, 37, 31, 32, 40, 45, 56, 37, 48, 37)
> mean(x)
[1] 41.22826
> var(x)
[1] 37.4748
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = 0.4241, 自由度 = 193, P値 = 0.672
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -1.470444 2.276058
標本推定値:
平均値x 平均値y
41.63107 41.22826
有意ではない。バックグラエンドと空試験の差異は不明

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = 0.4275, 自由度 = 192.873, P値 = 0.6695
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -1.455814 2.261428
標本推定値:
平均値x 平均値y
41.63107 41.22826
有意ではない。バックグラエンドと空試験の差異は不明

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 1.3211, 第1自由度 = 102, 第2自由度 = 91, P値 = 0.1762
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.8816986 1.9704052
標本推定値:
分散比
1.321144
分散に差異がある。（Welchの方法）を使用する

3. n = 81 タマノイ穀物酢 2013.12.16 繰り返し数 =2
gr2 <- c( 38, 52, 37, 35, 50, 50, 63, 50, 33, 30, 32, 52, 38, 52, 41, 35, 47, 35, 43, 36, 68, 35, 39, 45, 47, 59, 43, 43, 36, 43, 53, 45, 42, 54, 51, 58, 37, 59, 48, 46, 33, 58, 37, 51, 56, 49, 48, 40, 41, 47 ,
32, 39, 44, 53, 46, 54, 51, 36, 49, 61, 37, 42, 49, 47, 44, 46, 39, 50, 40, 45, 57, 45, 44, 56, 39, 43, 38, 43, 49, 51, 38)
> mean(x)
[1] 45.27160
> var(x)
[1] 65.22531

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -3.2637, 自由度 = 182, P値 = 0.001314
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -5.841439 -1.439635
標本推定値:
平均値x 平均値y
41.63107 45.27160
有意。バックグラエンドと試料との差異が存在する。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -3.2104, 自由度 = 159.452, P値 = 0.001603
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -5.880108 -1.400966
標本推定値:
平均値x 平均値y
41.63107 45.27160
有意。バックグラエンドと試料との差異が存在する。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.7591, 第1自由度 = 102, 第2自由度 = 80, P値 = 0.1884
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.4977711 1.1452685
標本推定値:
分散比
0.7590553
分散に差異がある。（Welchの方法）を使用する

空試験と試料との比較
gr1 <- c( 36, 41, 43, 38, 37, 35, 48, 28, 34, 50, 33, 47, 38, 43, 47, 50, 54, 40, 51, 47, 44, 35, 39, 41, 32, 45, 34, 45, 47, 43 ,
31, 45, 39, 42, 40, 47, 42, 44, 44, 48, 50, 41, 46, 46, 35, 35, 43, 45, 40, 35, 50, 35, 33, 39, 50, 52, 40, 35, 41, 41, 34, 46 ,
34, 42, 41, 41, 51, 45, 45, 39, 45, 33, 39, 39, 48, 51, 34, 43, 41, 38, 37, 28, 37, 37, 31, 32, 40, 45, 56, 37, 48, 37)
gr2 <- c( 38, 52, 37, 35, 50, 50, 63, 50, 33, 30, 32, 52, 38, 52, 41, 35, 47, 35, 43, 36, 68, 35, 39, 45, 47, 59, 43, 43, 36, 43, 53, 45, 42, 54, 51, 58, 37, 59, 48, 46, 33, 58, 37, 51, 56, 49, 48, 40, 41, 47 ,
32, 39, 44, 53, 46, 54, 51, 36, 49, 61, 37, 42, 49, 47, 44, 46, 39, 50, 40, 45, 57, 45, 44, 56, 39, 43, 38, 43, 49, 51, 38)
t.test(gr1, gr2, v=T)
t.test(gr1, gr2)
var.test(gr1, gr2)

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -3.7359, 自由度 = 171, P値 = 0.0002547
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -6.179742 -1.906946
標本推定値:
平均値x 平均値y
41.22826 45.27160
有意。空試験と試料との差異が存在する。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -3.6718, 自由度 = 148.093, P値 = 0.0003356
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -6.219389 -1.867299
標本推定値:
平均値x 平均値y
41.22826 45.27160
有意。空試験と試料との差異が存在する。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.5745, 第1自由度 = 91, 第2自由度 = 80, P値 = 0.01068
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.3735021 0.8785537
標本推定値:
分散比
0.5745438
分散に差異がある。（Welchの方法）を使用する

>
３.補足コメント
45.2 - 41.2 = 4 CPM
4 * 0.47 = 1.88
全量受光可能として 1.88 * 1000 / 45 = 42 Bq/kg

42Bq/kg >> 5Bg/kg なので、ほとんどの線量は福島由来と考えられる。

インスペクターで計っているから、β線による測定。
γ線測定を規定している政府の「正しい測定値」とは異なります。

このことをよく理解してね。
「机の上で乾燥」させたものだから、結構ほこりが混ざっている可能性がある。
既婚女性ならば鬼女板で追跡調査を依頼するのだが、鬼女ではないので、カキコができない。
ほこりによる汚染が少ない環境下で、追跡調査ヨロ。

>>108
>106　に書いたけど以前からだよ〜。
水槽で熱帯魚とか飼ってる人とか、ペットショップで聞いてみればいいっすよ。

竹炭にCsは吸着されるかも知れないけど、光沢は出ないだろうしねえ。

長屋さんはソースもないのに適当なこと言うよね。

まあ　>122 とかの、(内モンゴル自治区)　さんに言われてもねえｗ

自分で水槽セッティングして水草を育てたりすると、それほど珍しいことじゃないだけ
多分余剰な金属イオンの析出でそ。

１．測定対象
「水中に入れると虹色に光るステンレス製落し蓋」の分析
「糊台」は、プラスチック製CDケース(厚さ5mm)内にポリ袋に入れたでんぷん糊(ヤマト糊TC-200)を挟んだもの。
糊台の上に、直接ポリ袋に入れた測定器を置いて測定。
試料は、糊台の上に置いて、その上に、直接ポリ袋に入れた測定器を置いて測定。

２．測定結果
1. n=30 糊台　直置き
x <- c(36, 31, 47, 26, 40, 50, 39, 32, 37, 31, 25, 35, 38, 31, 49, 36, 38, 46, 34, 34, 30, 32, 39, 42, 44, 47, 42, 35, 38, 45)

2. n=40 糊台＋落し蓋　直置き
x <- c(42, 36, 41, 46, 41, 38, 48, 35, 34, 46, 47, 48, 41, 40, 51, 36, 43, 42, 36, 40, 41, 32, 46, 40, 43, 37, 39, 35, 52, 29, 43, 49, 45, 48, 35, 40, 51, 45, 48, 43)

3. n=30 糊台　直置き
x <- c(47, 46, 37, 38, 35, 35, 32, 40, 47, 48, 41, 32, 40, 46, 48, 48, 37, 46, 39, 33, 31, 48, 43, 38, 38, 46, 36, 41, 48, 36)

4. n=30 糊台＋落し蓋　直置き
x <- c(31, 40, 37, 40, 37, 36, 37, 49, 51, 33, 28, 71, 37, 35, 47, 23, 45, 44, 47, 41, 50, 42, 38, 48, 38, 43, 30, 56, 46, 35)

5. n=30 糊台　直置き
x <- c(42, 59, 38, 48, 39, 33, 33, 49, 47, 41, 44, 46, 47, 31, 34, 35, 38, 46, 42, 47, 32, 40, 42, 40, 31, 28, 39, 37, 42, 36)

４.　データ貼り付け
全体の分析
x <- c(36, 31, 47, 26, 40, 50, 39, 32, 37, 31, 25, 35, 38, 31, 49, 36, 38, 46, 34, 34, 30, 32, 39, 42, 44, 47, 42, 35, 38, 45 ,
42, 36, 41, 46, 41, 38, 48, 35, 34, 46, 47, 48, 41, 40, 51, 36, 43, 42, 36, 40, 41, 32, 46, 40, 43, 37, 39, 35, 52, 29, 43, 49, 45, 48, 35, 40, 51, 45, 48, 43 ,
47, 46, 37, 38, 35, 35, 32, 40, 47, 48, 41, 32, 40, 46, 48, 48, 37, 46, 39, 33, 31, 48, 43, 38, 38, 46, 36, 41, 48, 36 ,
31, 40, 37, 40, 37, 36, 37, 49, 51, 33, 28, 71, 37, 35, 47, 23, 45, 44, 47, 41, 50, 42, 38, 48, 38, 43, 30, 56, 46, 35 ,
42, 59, 38, 48, 39, 33, 33, 49, 47, 41, 44, 46, 47, 31, 34, 35, 38, 46, 42, 47, 32, 40, 42, 40, 31, 28, 39, 37, 42, 36)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 40.3875
> var(x)
[1] 47.52186
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 1.7639, 第1自由度 = 4, 第2自由度 = 155, P値 = 0.1389
有意。群別に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 11.4273, 自由度 = 4, P値 = 0.02216
有意。分散に差異があり、先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 1.9658, 第1自由度 = 4.000, 第2自由度 = 74.427, P値 = 0.1085
有意。群別に差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 1 0.625 0.625
25 5 3.125 3.750
30 23 14.375 18.125
35 45 28.125 46.250
40 37 23.125 69.375
45 40 25.000 94.375
50 6 3.750 98.125
55 2 1.250 99.375
60 0 0.000 99.375
65 0 0.000 99.375
70 1 0.625 100.000
>

BGと試料の比較
x <- c(36, 31, 47, 26, 40, 50, 39, 32, 37, 31, 25, 35, 38, 31, 49, 36, 38, 46, 34, 34, 30, 32, 39, 42, 44, 47, 42, 35, 38, 45 ,
42, 36, 41, 46, 41, 38, 48, 35, 34, 46, 47, 48, 41, 40, 51, 36, 43, 42, 36, 40, 41, 32, 46, 40, 43, 37, 39, 35, 52, 29, 43, 49, 45, 48, 35, 40, 51, 45, 48, 43 ,
47, 46, 37, 38, 35, 35, 32, 40, 47, 48, 41, 32, 40, 46, 48, 48, 37, 46, 39, 33, 31, 48, 43, 38, 38, 46, 36, 41, 48, 36 ,
31, 40, 37, 40, 37, 36, 37, 49, 51, 33, 28, 71, 37, 35, 47, 23, 45, 44, 47, 41, 50, 42, 38, 48, 38, 43, 30, 56, 46, 35 ,
42, 59, 38, 48, 39, 33, 33, 49, 47, 41, 44, 46, 47, 31, 34, 35, 38, 46, 42, 47, 32, 40, 42, 40, 31, 28, 39, 37, 42, 36)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 3.4624, 第1自由度 = 1, 第2自由度 = 158, P値 = 0.06464
有意。バックグラウンドと試料に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.3735, 自由度 = 1, P値 = 0.2412
有意。分散に差異があり、先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 3.3493, 第1自由度 = 1.000, 第2自由度 = 137.833, P値 = 0.0694
有意。バックグラウンドと試料に差異がある。

繰り返しによる影響

2. n = 90 糊台　直置き 繰り返し数 =3
x <- c( 36, 31, 47, 26, 40, 50, 39, 32, 37, 31, 25, 35, 38, 31, 49, 36, 38, 46, 34, 34, 30, 32, 39, 42, 44, 47, 42, 35, 38, 45 ,
47, 46, 37, 38, 35, 35, 32, 40, 47, 48, 41, 32, 40, 46, 48, 48, 37, 46, 39, 33, 31, 48, 43, 38, 38, 46, 36, 41, 48, 36 ,
42, 59, 38, 48, 39, 33, 33, 49, 47, 41, 44, 46, 47, 31, 34, 35, 38, 46, 42, 47, 32, 40, 42, 40, 31, 28, 39, 37, 42, 36)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 39.5
> var(x)
[1] 41.30899
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 1.9801, 第1自由度 = 2, 第2自由度 = 87, P値 = 0.1442
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.0018, 自由度 = 2, P値 = 0.606
有意。分散に差異があり、先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 1.9574, 第1自由度 = 2.000, 第2自由度 = 57.618, P値 = 0.1505
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 3 3.333333 3.333333
30 18 20.000000 23.333333
35 27 30.000000 53.333333
40 17 18.888889 72.222222
45 23 25.555556 97.777778
50 1 1.111111 98.888889
55 1 1.111111 100.000000
>

3. n = 70 糊台＋落し蓋　直置き 繰り返し数 =2
x <- c( 42, 36, 41, 46, 41, 38, 48, 35, 34, 46, 47, 48, 41, 40, 51, 36, 43, 42, 36, 40, 41, 32, 46, 40, 43, 37, 39, 35, 52, 29, 43, 49, 45, 48, 35, 40, 51, 45, 48, 43 ,
31, 40, 37, 40, 37, 36, 37, 49, 51, 33, 28, 71, 37, 35, 47, 23, 45, 44, 47, 41, 50, 42, 38, 48, 38, 43, 30, 56, 46, 35)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 41.52857
> var(x)
[1] 53.87598
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.126, 第1自由度 = 1, 第2自由度 = 68, P値 = 0.7237
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 8.6942, 自由度 = 1, P値 = 0.003192
有意。分散に差異があり、先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.1098, 第1自由度 = 1.000, 第2自由度 = 44.299, P値 = 0.7419
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 1 1.428571 1.428571
25 2 2.857143 4.285714
30 5 7.142857 11.428571
35 18 25.714286 37.142857
40 20 28.571429 65.714286
45 17 24.285714 90.000000
50 5 7.142857 97.142857
55 1 1.428571 98.571429
60 0 0.000000 98.571429
65 0 0.000000 98.571429
70 1 1.428571 100.000000
>

BGと試料の比較

2. n = 90 糊台　直置き 繰り返し数 =3
gr1 <- c( 36, 31, 47, 26, 40, 50, 39, 32, 37, 31, 25, 35, 38, 31, 49, 36, 38, 46, 34, 34, 30, 32, 39, 42, 44, 47, 42, 35, 38, 45 ,
47, 46, 37, 38, 35, 35, 32, 40, 47, 48, 41, 32, 40, 46, 48, 48, 37, 46, 39, 33, 31, 48, 43, 38, 38, 46, 36, 41, 48, 36 ,
42, 59, 38, 48, 39, 33, 33, 49, 47, 41, 44, 46, 47, 31, 34, 35, 38, 46, 42, 47, 32, 40, 42, 40, 31, 28, 39, 37, 42, 36)
> mean(x)
[1] 39.5
> var(x)
[1] 41.30899

3. n = 70 糊台＋落し蓋　直置き 繰り返し数 =2
gr2 <- c( 42, 36, 41, 46, 41, 38, 48, 35, 34, 46, 47, 48, 41, 40, 51, 36, 43, 42, 36, 40, 41, 32, 46, 40, 43, 37, 39, 35, 52, 29, 43, 49, 45, 48, 35, 40, 51, 45, 48, 43 ,
31, 40, 37, 40, 37, 36, 37, 49, 51, 33, 28, 71, 37, 35, 47, 23, 45, 44, 47, 41, 50, 42, 38, 48, 38, 43, 30, 56, 46, 35)
> mean(x)
[1] 41.52857
> var(x)
[1] 53.87598

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -1.8608, 自由度 = 158, P値 = 0.06464
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -4.1817823 0.1246394
標本推定値:
平均値x 平均値y
39.50000 41.52857
バックグラウンドと試料に差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -1.8301, 自由度 = 137.833, P値 = 0.0694
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -4.2203230 0.1631802
標本推定値:
平均値x 平均値y
39.50000 41.52857
バックグラウンドと試料に差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.7667, 第1自由度 = 89, 第2自由度 = 69, P値 = 0.2374
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.4867793 1.1923091
標本推定値:
分散比
0.7667422
有意。分散に差異がある。（Welchの方法）を使用する。
>

３.補足コメント
インスペクターによる測定ですから、β線を測定しているのです。
γ線を測定している政府の「正しい測定」とは異なります。

虹色に輝くステンレス製品、として、見つかったのが落し蓋。
鍋底に入れて、放置して、鍋を洗おうとしたら、光り輝いていることに気がついた。
夕日が差さなかったらば、気がつかなかったけど。

ステンレスの場合、β線を遮蔽するので遮蔽材を入れないと測定できないようです。
遮蔽材として、水3mm、プラスチック2mmに相当する「糊台」を置いて測定してみました。
ここの話題としては、有意差があるだけで十分でしょう。

私一人の成果では間違っているときがあります。多くの方々による追跡調査をヨロ。

>>137
そもそも政府はガンマ線だけを測っているが正確と言えるのか？
アルファ線やベータ線のみを放出する放射性物質は無視していいのか？

福島第一原発から飛散した主な放射性同位体（核種）全31種・放出量
http://savechild.net/archives/3891.html

>>138
民事訴訟法の規定で、
行政機関の取った行動については正当なものと推定する
という規定があります。したがって、
「本当に正しいか」という議論をさておいて、正しいものとして取り扱っています(政府に対する司法の場を使った救済を請求する意思がない)。

http://www.nkbc.jp/nkbcweb/business/image/pamphlet_10.pdf
これを見ていただきたいのですが、
Fe3+の存在下、Fe3+が沈殿するような条件で、Y90を沈降分離させて、β線で検出する
という方法が取られています。
つまり、青白色ではなく「虹色に輝いている鉄」ですから、Fe3+の沈殿と考えられます。
Fe3+の沈殿が存在するときに、Y90があれば、同時に共沈して沈殿を形成し、沈殿物からはβ線が検出されることになります。
Y90単体ではγ線が検出されないということがあります。したがって、ストロンチウムの存在を照明するには、γ線の不在が必要になります。
手元に0.6mmのアルミ板がないのです。だから、これ以上のことを調べられません。

このことに気がついて、追跡調査をしてくださる方が現れるかと期待していたのです。

水道水の汚染を測るには木炭を測るのがよいかと思います。
もし実験される場合は硬い木炭(竹炭、備長炭)を使い、
やかんに木炭を入れて1時間程度煮沸＆水交換を一日７回行い、４日続けると約１ヶ月相当のモノが出来上がります。
あとで実験前の木炭を測定したいと思います。

山口・和木町の化学工場で22日未明、プラントが爆発して炎上し、作業員1人が死亡。
この工場には、放射性物質である「劣化ウラン」が入ったドラム缶をおよそ3,400本保管している。
http://www.fnn-news.com/news/headlines/articles/CONN00221770.html

実験前の木炭を測ってみた。
１．測定対象
木炭100ｇ　直付けビニル保護

２．測定結果
10分間バックグラウンド　420
10分間木炭　431

３．コメント
実験前の木炭は汚染していないようだ。

測定結果はインスペクター＋のタイマーモードでのカウント数です。

やっぱり最低でも10000ｃｐｍ、それ以上じゃないと食品の表面汚染なんて無理だよな

スレまとめ　低ベクレル順
１．測定対象 　JヌードルコーポレーションBK こだわりの熟成　20g
２．測定結果　　0Bq/kg 　

１．測定対象 北海道富良野産玉葱　12g
２．測定結果　　2-20Bq/kg Bq/kg （カリウムを除いたベクレル数）

１．測定対象 　栃木県産　ふきのとう 19g
２．測定結果　28 Bq/kg 　（BG: 38.46939, 試料: 66.87692 CPM ）

１．測定対象 タマノイ穀物酢 2013.12.16
２．測定結果 42 Bq/kg

１．測定対象 カットわかめ　2012.12.17 中国原産 KKジャパンスパイス」
２．測定結果　45 Bq/kg

１．測定対象 　栃木産菜の花
２．測定結果　51 Bq/kg(カリウム込)

１．測定対象 　栃木県産　乾燥椎茸
２．測定結果　1000 Bq/kg

１．測定対象 栃木産しいたけ
２．測定結果　　2700 Bq/kg

北海道の玉ねぎが汚染していますが、この汚染マップが正しいということがわかりました。
http://www.zakzak.co.jp/society/domestic/photos/20111115/dms1111151134009-p1.htm

セシウムは筋肉にたまります。心臓は筋肉でできているので、心筋梗塞で死ぬ人が多いのです。
心臓の病気が増えているのはみなさん御存じだと思います。

>>146
要するに、たくさん必要な筋肉に優先して配分されるから、
自然に心筋に貯まる。それで死ぬ。

>>147
他にもあるみたい。
http://detail.chiebukuro.yahoo.co.jp/qa/question_detail/q1366386038
＞＞過酸化水素により組織障害や細胞に対する代謝障害作用や、生体の免疫反応を介した障害など複合的な要素で中枢神経に障害をもたらす
心臓付近にβ線核種が蓄積すれば、1-10mm以内の細胞に限って影響を受ける。
1-10mm以内って言うと、心臓神経があるから、心臓神経が麻痺して、不整脈になると考えられる。

神経細胞に色々蓄積して、おかしくなるんだけど、
今の中毒医療(司法判断)では、神経細胞への蓄積やその影響を考慮していない。
影響がないとはんじしている。

>>136
数字の羅列だけでは意味不明です。
どれくらい危険かぐらいのアドバイスぐらいくれてもいいのでは？
>>146
正しいって根拠となる論文とかあったのですか？
今まで汚染マップとか見てきたけどサイトによってまちまちですよね。

ID:0JmnE7E0
1レスいくらもらってる？とか工作員認定とかお前の頭は相当逝かれてるんだな。
こんな過疎スレで工作して金もらえる訳ないし、そんな仕事あると思ってるの？
個人の感想を工作員認定して1レスいくらもらってる？とか・・・・

>>146　のマップはシミュレーション。実際に測定したわけではない。
ヘリコプターで実際に測定した文科省データの方がまだ詳細。
http://ramap.jaea.go.jp/map/map.html

>>151
なら早漏って事か

Dragon AshのメンバーIKUZONEこと馬場育三さん（享年46）が急性心不全のため21日に死亡。
http://www.oricon.co.jp/news/music/2010660/full/

心臓にセシウムが蓄積する。。

牛や豚のハツ（心臓）を測定すればセシウムに汚染しているのだろうか？
茨城県産の豚のハツ（心臓）
http://item.rakuten.co.jp/tsukubaham/1105/

牛ハツ （心臓）
http://item.rakuten.co.jp/meat-gen/87509/#87509

>>153
まるで震災前は少なかった様な言い方だな。
すぐセシウムのせいにするのは結論が速いのでは？

>>149
＞どれくらい危険かぐらいのアドバイスぐらいくれてもいいのでは？
そんなのわからん。
ただ言える事は、
政府などの宣伝で、「検出されない」とされている水道水だが、
適当に濃縮してやれば、専用機器以外でも検出可能程度の線量になる。
てぇこと。
「言える」ことになると、民法の規定を受ける。
民法の規定で用量依存性を示さないことには、毒性について語れない。
http://ja.wikipedia.org/wiki/%E6%AF%92%E6%80%A7%E5%AD%A6

水道水は食品として学んでいるので、食品全般として答えると
放射線は、IAEA等が必要な実験をさせないなどのことをしたために、必要な情報が極めて少ない。
そのため、未知なる毒性を有するもの、として取り扱うことが望ましい。
自由権を主張し、マスメディアによる宣伝に毒されず、本人の能力の範囲内で可能な限り摂取を減らしてくれ。

>>155
セシウムのせいにするのは結論としては早いけど
福島由来の原子力廃棄物の影響と考えるのがふつうではないか。

芸能関係のニュースを遡れば４０代のタレントの死亡と言うと、
自殺と転落事故等機械的事故ぐらいしかなかったでしょう。

東日本の食品を食べて応援したら心臓が止まるよな。政府に騙された哀れな人達。安全と叫ぶなら毎日福島産食品食えよ。

政治家が御用達の議員会館食堂がアンチ福島なわけでｗ

>>151
あれ、航空機モニタリングの結果、久々に見たら・・・
デフォ（平成２４年２月１０日時点）だと、福一周辺にちょっと色付けてあるだけなんだなｗ
他のホットスポットなんて存在しないかのようだｗ

つか、西日本の測定もするって言っておきながらちっとも公表されないね。

原発はメルトダウンしていないと騙されて、福島産食品は食べても安全と騙されて、、航空機モニタリングのインチキ汚染マップに騙されて。
何回騙されているんだよ。

>>161
その意気込みは良いが、楽天を開いていきなり汚染されてるのかな？って第一声はひどいな。

航空機によるモニタリングでは、ビル街では測定しづらいので、都心部の放射能汚染はほとんどないことになっています

事故当時の新聞保管してるけど、12日の1面に「メルトダウンの可能性」
って書いてあるよ。当時は、政府も混乱してて規制かけられなかったみたい。
ちゃんと情報は出てたよね。俺もそれを見て脱出したわけだし。

避難場所のテレビで、報道の様子が変わっていくのを見てた。1週間くらい
してから御用学者が多数でてきて、安全安心を唱え始めた。

>>163
なるほど。ということは逆に言うと、田舎はある程度信用できるのかな。

本来、チェルノブイリのように、実地計測で精密な汚染地図を作成すべきなのに、
ヘリコプターで適当に計っておしまいで、それ以上のことをする気が無い。話にならん。

ヘリコプターから正確に測れるわけないだろ常識的に考えて。
東京だったら２０００カ所くらいの土を測定すれば正確な汚染がわかるだろ。
表面の土を測ってほしいけど、役所は何メートルも掘って汚染していない土のみ測りそうだなよな。
１年以上たってるのに何やってるんだよ。今からでも土の測定をやってほしい。

「国産鶏胸肉2012.02.08購入」の分析。
試料は、２週間飽和食塩水で塩漬にし, 以後、04.18迄週一交換で酢による塩抜き行った。
その後 40度３日乾燥した。乾燥後 6.5gとなった。

1. n=33 糊台
x <- c(33, 35, 42, 37, 44, 38, 56, 37, 37, 32, 41, 39, 39, 29, 38, 48, 33, 36, 44, 46, 43, 32, 44, 41, 38, 38, 51, 43, 39, 42, 37, 35, 57)

2. n=32 国産鶏肉2012.02.08購入, ２週間塩漬, 04.18迄週一交換で酢による塩抜き 40度３日乾燥 6.5g(表)
x <- c(39, 38, 34, 51, 43, 33, 34, 34, 43, 46, 47, 47, 32, 35, 38, 35, 36, 36, 42, 36, 46, 44, 38, 45, 55, 51, 46, 43, 51, 36, 42, 43)

3. n=45 国産鶏肉2012.02.08購入, ２週間塩漬, 04.18迄週一交換で酢による塩抜き 40度３日乾燥 6.5g(表)
x <- c(40, 43, 44, 44, 45, 41, 53, 39, 34, 41, 35, 25, 42, 48, 38, 38, 44, 35, 40, 44, 37, 43, 36, 52, 38, 46, 46, 31, 45, 43, 49, 32, 43, 29, 38, 30, 35, 32, 33, 36, 45, 45, 40, 40, 49)

4. n=30 糊台
x <- c(60, 44, 40, 44, 41, 48, 41, 45, 43, 38, 44, 41, 45, 46, 45, 46, 31, 21, 38, 39, 39, 47, 33, 36, 36, 40, 43, 50, 42, 24)

5. n=32 国産鶏肉2012.02.08購入, ２週間塩漬, 04.18迄週一交換で酢による塩抜き 40度３日乾燥 6.5g(裏)
x <- c(41, 32, 53, 49, 37, 39, 46, 20, 37, 41, 42, 45, 37, 34, 39, 31, 52, 35, 40, 35, 37, 41, 47, 41, 41, 47, 50, 44, 74, 46, 34, 41)

6. n=35 国産鶏肉2012.02.08購入, ２週間塩漬, 04.18迄週一交換で酢による塩抜き 40度３日乾燥 6.5g(裏)
x <- c(32, 34, 28, 46, 46, 36, 44, 47, 40, 35, 51, 38, 40, 43, 37, 46, 36, 44, 45, 54, 41, 30, 30, 51, 50, 38, 42, 38, 39, 36, 35, 52, 37, 37, 35)

7. n=32 糊台
x <- c(54, 32, 46, 32, 50, 40, 39, 33, 43, 33, 47, 47, 51, 50, 32, 39, 37, 33, 27, 25, 35, 33, 49, 40, 34, 29, 44, 38, 38, 37, 44, 41)

8. n=31 国産鶏肉2012.02.08購入, ２週間塩漬, 04.18迄週一交換で酢による塩抜き 40度３日乾燥 6.5g(表)
x <- c(49, 48, 43, 41, 40, 42, 36, 34, 35, 46, 41, 29, 32, 39, 48, 39, 29, 38, 51, 46, 51, 40, 41, 32, 42, 54, 42, 49, 30, 51, 50)

9. n=30 国産鶏肉2012.02.08購入, ２週間塩漬, 04.18迄週一交換で酢による塩抜き 40度３日乾燥 6.5g(裏)
x <- c(36, 49, 64, 52, 50, 47, 33, 42, 41, 54, 41, 38, 41, 27, 36, 36, 48, 40, 40, 40, 39, 56, 33, 23, 37, 43, 39, 33, 37, 48)

10. n=55 糊台
x <- c(34, 31, 39, 35, 31, 42, 35, 46, 38, 35, 45, 42, 47, 43, 29, 31, 40, 56, 42, 39, 40, 43, 36, 42, 44, 47, 36, 29, 64, 47, 34, 51, 42, 32, 26, 27, 35, 43, 47, 43, 47, 43, 38, 43, 45, 37, 32, 27, 37, 55, 41, 31, 35, 40, 48)

1. n = 150 BG 繰り返し数 =4
gr1 <- c( 33, 35, 42, 37, 44, 38, 56, 37, 37, 32, 41, 39, 39, 29, 38, 48, 33, 36, 44, 46, 43, 32, 44, 41, 38, 38, 51, 43, 39, 42, 37, 35, 57 ,
60, 44, 40, 44, 41, 48, 41, 45, 43, 38, 44, 41, 45, 46, 45, 46, 31, 21, 38, 39, 39, 47, 33, 36, 36, 40, 43, 50, 42, 24 ,
54, 32, 46, 32, 50, 40, 39, 33, 43, 33, 47, 47, 51, 50, 32, 39, 37, 33, 27, 25, 35, 33, 49, 40, 34, 29, 44, 38, 38, 37, 44, 41 ,
34, 31, 39, 35, 31, 42, 35, 46, 38, 35, 45, 42, 47, 43, 29, 31, 40, 56, 42, 39, 40, 43, 36, 42, 44, 47, 36, 29, 64, 47, 34, 51, 42, 32, 26, 27, 35, 43, 47, 43, 47, 43, 38, 43, 45, 37, 32, 27, 37, 55, 41, 31, 35, 40, 48)

2. n = 205 国産鶏肉2012.02.08購入, ２週間塩漬, 04.18迄週一交換で酢による塩抜き 40度３日乾燥 6.5g 繰り返し数 =6
gr2 <- c( 39, 38, 34, 51, 43, 33, 34, 34, 43, 46, 47, 47, 32, 35, 38, 35, 36, 36, 42, 36, 46, 44, 38, 45, 55, 51, 46, 43, 51, 36, 42, 43 ,
40, 43, 44, 44, 45, 41, 53, 39, 34, 41, 35, 25, 42, 48, 38, 38, 44, 35, 40, 44, 37, 43, 36, 52, 38, 46, 46, 31, 45, 43, 49, 32, 43, 29, 38, 30, 35, 32, 33, 36, 45, 45, 40, 40, 49 ,
49, 48, 43, 41, 40, 42, 36, 34, 35, 46, 41, 29, 32, 39, 48, 39, 29, 38, 51, 46, 51, 40, 41, 32, 42, 54, 42, 49, 30, 51, 50 ,
41, 32, 53, 49, 37, 39, 46, 20, 37, 41, 42, 45, 37, 34, 39, 31, 52, 35, 40, 35, 37, 41, 47, 41, 41, 47, 50, 44, 74, 46, 34, 41 ,
32, 34, 28, 46, 46, 36, 44, 47, 40, 35, 51, 38, 40, 43, 37, 46, 36, 44, 45, 54, 41, 30, 30, 51, 50, 38, 42, 38, 39, 36, 35, 52, 37, 37, 35 ,
36, 49, 64, 52, 50, 47, 33, 42, 41, 54, 41, 38, 41, 27, 36, 36, 48, 40, 40, 40, 39, 56, 33, 23, 37, 43, 39, 33, 37, 48)
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -1.2958, 自由度 = 353, P値 = 0.1959
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -2.5369439 0.5216593
標本推定値:
平均値x 平均値y
39.95333 40.96098
有意。バックグラウンドと試料との間に差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -1.2949, 自由度 = 320.348, P値 = 0.1963
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -2.5386078 0.5233233
標本推定値:
平均値x 平均値y
39.95333 40.96098
有意。バックグラウンドと試料との間に差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 1.0095, 第1自由度 = 149, 第2自由度 = 204, P値 = 0.9441
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.7507476 1.3671674
標本推定値:
分散比
1.009529
有意。分散が異なるので（Welchの方法）を使用する。

>
41.0 - 40.0 = 1.0 CPM
1.0 * 0.47 = 0.47 Bq
試料が6.5gだから
0.47 * 1000 / 6.5 = 72.3Bq/kg
水分が72%( http://www.toukei.maff.go.jp/dijest/tikusan/tiku02/tiku02.html )なので、生肉では
72.3 * 28 / 100 = 20 Bq/kg

酢漬けで90%以上除去された( http://www.rwmc.or.jp/library/other/file/kankyo4_1.pdf , p39)はずだから、未加工の鶏肉の濃度は、200Bq程度と考えられる。

乾燥による、濃度分布を見るために裏と表で測定しています。
分散分析が、この関係でややこしくなっているので、省略しました。

>>167
鶏肉が汚染しているとは。。卵も要注意ですね。
時間がありましたら、牛や豚のハツ（心臓）もお願いします。

>>170
つまり自然放射能のK40の多く含まれる食品は全滅なんだろうなｗｗｗ

肉の部位でも筋肉の多い部分と、脂肪の多い部分ではベクレル数が違うのではないだろうか。
セシウムが筋肉に集まるということの証明にもなりそうだ。
例えば、豚バラと豚ハツではベクレル数が違うのではないだろうか。
餌の関係から、牛＞豚＞鶏の順番で汚染しているように思える。

＞肉の部位でも筋肉の多い部分と、脂肪の多い部分ではベクレル数が違うのではないだろうか。

カリウム４０は筋肉部分に多いから、セシウムは誤差範囲でしょう
スペクトル測れる器械じゃないと分離は無理ですねえ。

>>167
また測定分析を待っています。
測定時間はどのくらいですか？
インスペクター＋のタイマーモードで３０分では足りないでしょうか。

>>174
測定時間は、１回約３０分。BG, S, BG, S, BGの５回で合計２時間半。
その後のデータ処理で３０分。合計３時間。
前処理として、乾燥などを行うときには、試料を自作乾燥機(机を改造したもの, 40度位)の中に放り込んで何日か放置。

タイマーモードですと、１回で1つの数値しかでません。
１分に１回つづカウントした値を３０個以上集めているので、統計処理ができますけど、カウントモードでは誤差が大きくて有効桁が取れないでしょう。
２０個以上がガウス分布として、連続値としての統計処理が可能になる数値。
１０個以上がガウス分布とみなして、統計処理が可能になる数値です。

生データの単位は CPM。１分間の音を数えた結果です。
個数をみれば測定時間がわかるでしょう。
30個ならば30分、６０個ならば６０分と。

>>173
条件が合えば、分離可能です。
鶏肉の度数分布図です。
http://www.dotup.org/uploda/www.dotup.org2912865.gif.html
http://www.dotup.org/uploda/www.dotup.org2912867.gif.html
http://www.dotup.org/uploda/www.dotup.org2912877.gif.html
http://www.dotup.org/uploda/www.dotup.org2912884.gif.html
http://www.dotup.org/uploda/www.dotup.org2912944.gif.html
これは、度数分布図の階級を1から5まで変化させたものです。
並べてみると、3から4のあたりで、形がわかります。
1と2、3から5の形が見た感じで同じです。
このように和を求めることは、積分ですから、形が変わったところで、消える成分があることがわかります。
2つのピークが重なっているんだな、と見当がつきます。
全体の形が 38 あたりを頂点とする右側が緩やかな傾斜の三角形ですから
３つぐらいのガウス分布を重ね合わせたもの、一番低い35のピークがバックグラウンド、
40, 45, 50あたりをピークとする3つのピークがある。
40のピークがBGとして、45か50のピークがセシウムかカリウム。
というように、度数分布から、見当がつけられます。
45のピークにするか50のピークにするか、は、カリウム濃度からの判断になります。
今回は、自宅で加工していますので、この判断はしませんでした。

３０分の合計ではなく、１分間の回数を何回か数えて度数分布を取る、という方法を使っているから
度数の形から、ピークを構成する成分を見当つける、ということが可能です。
度数が少ないので、直感的な内容が要求されます。
ピーク値の平方根がσ(標準偏差)になりますので、平方根離れれば、値が６割まで下がります。
下がらなかった分が何かの成分であると判断します。
古くからある分析方法(統計処理方法)ですけど、人の判断が入るので、評判が悪いです。
政府の通達では、この方法の使用を禁止ています(３シグマを使え)。

金があれば、γ線スペクトルを取れる機械を使ったほうが良いでしょう。
β線を使った測定方法なので、精度はありません。

>>170
ハツは近所では取り扱っていない(肉屋が廃業した)ので、
試料の入手が困難です。

>>172
ICRP-30では、(健康な人では)濃度が異なる臓器は発見されていない、
とあるので、筋肉内濃度は同じとして解釈しています。

病的な状態になると、濃度が変わるでしょう。
私の測定では、
セシウムは脂溶性であり、脂肪には蓄積しない
として前処理をしています。つまり、油脂類は分離除去して測定しています。
肉類は、比重が0.6-0.8位の脂質が10-20%位含まれています。
乾燥のときに、流れ落ちてしまいます。

乾燥温度が４０度と低い温度なので、水分が10%位残っています。
脂質の消失分と水分の残量で、相殺されて、水分が0の状態と近似していますから。

正しい水分の測定方法は
http://www.n-hakko.com/bunnseki-houhou.html
より、135度２時間こうりょうです。
「正確に量って」というのは、小数点下６桁だから、1ug単位まで(分析用電子天秤で)測定すること。
私のやっているのは、約?ｇ、つまり、100mg単位の上皿天秤で測ること。

「私の測定が間違っている」としている、ひとつの根拠です。

「　中華蕎麦 2013.09(密着) 21*6.5*1.5cm 200g」の分析
地元商品で商圏が極端に狭いので企業名は省略。栃木の地場産業です。
タマゴ加工品なので、結構高いかな、と思って購入を避けていました。
約2Bq/kg と結構低い値が測定されましたので、この程度の値も測れるという例としてあげます。
β線で測定していますので、密着の場合、
比重1として 0.365cm 以内の光は全量到達する。それ以上の距離からは光が来ない。
と近似しています。比重が異なる場合には、重さ相当の厚さ以遠から放射線が来ない、としています。
0.365 cmの距離の決定は、過去スレを参考にしてください。やさしおからの線量が、CDケース何枚でBGとの有意差がとれなくなるか、という測定です。
カリウムのβ線で測定した結果なので、セシウムのβ線で測定した結果ではありません。「正しい測定ではない」と私がしている根拠のひとつでもあります。

1. n=42 糊台
x <- c(33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28)

2. n=45 　中華蕎麦 2013.09(密着) 21*6.5*1.5cm 200g
x <- c(29, 47, 46, 38, 35, 45, 41, 44, 36, 36, 42, 40, 45, 44, 42, 40, 44, 66, 41, 45, 50, 45, 41, 40, 46, 38, 38, 33, 42, 37, 39, 37, 44, 40, 40, 38, 47, 33, 36, 34, 38, 30, 44, 51, 31)

3. n=35 糊台
x <- c(59, 40, 45, 37, 37, 43, 47, 51, 37, 39, 33, 47, 34, 42, 48, 46, 35, 27, 39, 42, 47, 40, 31, 34, 38, 40, 42, 39, 34, 38, 46, 36, 50, 44, 55)

4. n=38 　中華蕎麦 2013.09(密着) 21*6.5*1.5cm 200g
x <- c(31, 45, 43, 45, 35, 45, 39, 37, 36, 48, 53, 46, 35, 35, 38, 32, 35, 36, 49, 36, 27, 39, 47, 35, 38, 40, 42, 29, 38, 38, 32, 48, 40, 41, 31, 39, 45, 33)

5. n=42 糊台
x <- c(52, 48, 43, 38, 34, 46, 40, 32, 28, 50, 39, 41, 41, 49, 38, 49, 31, 54, 39, 42, 41, 38, 43, 48, 32, 49, 61, 39, 31, 43, 36, 31, 28, 49, 36, 44, 44, 33, 34, 44, 31, 33)

全体の分析
x <- c(33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28 ,
29, 47, 46, 38, 35, 45, 41, 44, 36, 36, 42, 40, 45, 44, 42, 40, 44, 66, 41, 45, 50, 45, 41, 40, 46, 38, 38, 33, 42, 37, 39, 37, 44, 40, 40, 38, 47, 33, 36, 34, 38, 30, 44, 51, 31 ,
59, 40, 45, 37, 37, 43, 47, 51, 37, 39, 33, 47, 34, 42, 48, 46, 35, 27, 39, 42, 47, 40, 31, 34, 38, 40, 42, 39, 34, 38, 46, 36, 50, 44, 55 ,
31, 45, 43, 45, 35, 45, 39, 37, 36, 48, 53, 46, 35, 35, 38, 32, 35, 36, 49, 36, 27, 39, 47, 35, 38, 40, 42, 29, 38, 38, 32, 48, 40, 41, 31, 39, 45, 33 ,
52, 48, 43, 38, 34, 46, 40, 32, 28, 50, 39, 41, 41, 49, 38, 49, 31, 54, 39, 42, 41, 38, 43, 48, 32, 49, 61, 39, 31, 43, 36, 31, 28, 49, 36, 44, 44, 33, 34, 44, 31, 33)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 39.78713
> var(x)
[1] 45.71068
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 2.1973, 第1自由度 = 4, 第2自由度 = 197, P値 = 0.0707
有意。群による差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 2.6489, 自由度 = 4, P値 = 0.6182
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 2.2744, 第1自由度 = 4.000, 第2自由度 = 97.128, P値 = 0.06671
有意。群による差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 1 0.4950495 0.4950495
25 9 4.4554455 4.9504950
30 32 15.8415842 20.7920792
35 66 32.6732673 53.4653465
40 45 22.2772277 75.7425743
45 36 17.8217822 93.5643564
50 8 3.9603960 97.5247525
55 3 1.4851485 99.0099010
60 1 0.4950495 99.5049505
65 1 0.4950495 100.0000000
>

BGと試料の比較
x <- c(33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28 ,
29, 47, 46, 38, 35, 45, 41, 44, 36, 36, 42, 40, 45, 44, 42, 40, 44, 66, 41, 45, 50, 45, 41, 40, 46, 38, 38, 33, 42, 37, 39, 37, 44, 40, 40, 38, 47, 33, 36, 34, 38, 30, 44, 51, 31 ,
59, 40, 45, 37, 37, 43, 47, 51, 37, 39, 33, 47, 34, 42, 48, 46, 35, 27, 39, 42, 47, 40, 31, 34, 38, 40, 42, 39, 34, 38, 46, 36, 50, 44, 55 ,
31, 45, 43, 45, 35, 45, 39, 37, 36, 48, 53, 46, 35, 35, 38, 32, 35, 36, 49, 36, 27, 39, 47, 35, 38, 40, 42, 29, 38, 38, 32, 48, 40, 41, 31, 39, 45, 33 ,
52, 48, 43, 38, 34, 46, 40, 32, 28, 50, 39, 41, 41, 49, 38, 49, 31, 54, 39, 42, 41, 38, 43, 48, 32, 49, 61, 39, 31, 43, 36, 31, 28, 49, 36, 44, 44, 33, 34, 44, 31, 33)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.1238, 第1自由度 = 1, 第2自由度 = 200, P値 = 0.7254
有意ではない。試料とバックグラウンドの差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.5197, 自由度 = 1, P値 = 0.2177
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.1295, 第1自由度 = 1.000, 第2自由度 = 189.347, P値 = 0.7194
有意ではない。試料とバックグラウンドの差異は不明。

>

繰り返しによる影響

1. n = 119 BG 繰り返し数 =3
x <- c( 33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28 ,
59, 40, 45, 37, 37, 43, 47, 51, 37, 39, 33, 47, 34, 42, 48, 46, 35, 27, 39, 42, 47, 40, 31, 34, 38, 40, 42, 39, 34, 38, 46, 36, 50, 44, 55 ,
52, 48, 43, 38, 34, 46, 40, 32, 28, 50, 39, 41, 41, 49, 38, 49, 31, 54, 39, 42, 41, 38, 43, 48, 32, 49, 61, 39, 31, 43, 36, 31, 28, 49, 36, 44, 44, 33, 34, 44, 31, 33)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 39.64706
> var(x)
[1] 50.55234
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 3.2295, 第1自由度 = 2, 第2自由度 = 116, P値 = 0.04316
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.3714, 自由度 = 2, P値 = 0.5037
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 3.5433, 第1自由度 = 2.000, 第2自由度 = 75.719, P値 = 0.03380
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 1 0.8403361 0.8403361
25 6 5.0420168 5.8823529
30 22 18.4873950 24.3697479
35 38 31.9327731 56.3025210
40 24 20.1680672 76.4705882
45 19 15.9663866 92.4369748
50 5 4.2016807 96.6386555
55 3 2.5210084 99.1596639
60 1 0.8403361 100.0000000
>

2. n = 83 　中華蕎麦 2013.09(密着) 21*6.5*1.5cm 200g 繰り返し数 =2
x <- c( 29, 47, 46, 38, 35, 45, 41, 44, 36, 36, 42, 40, 45, 44, 42, 40, 44, 66, 41, 45, 50, 45, 41, 40, 46, 38, 38, 33, 42, 37, 39, 37, 44, 40, 40, 38, 47, 33, 36, 34, 38, 30, 44, 51, 31 ,
31, 45, 43, 45, 35, 45, 39, 37, 36, 48, 53, 46, 35, 35, 38, 32, 35, 36, 49, 36, 27, 39, 47, 35, 38, 40, 42, 29, 38, 38, 32, 48, 40, 41, 31, 39, 45, 33)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 39.98795
> var(x)
[1] 39.23156
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 1.8571, 第1自由度 = 1, 第2自由度 = 81, P値 = 0.1767
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.0794, 自由度 = 1, P値 = 0.7781
有意ではない。先の分散分析は有効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 1.8713, 第1自由度 = 1.000, 第2自由度 = 79.722, P値 = 0.1752
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 3 3.614458 3.614458
30 10 12.048193 15.662651
35 28 33.734940 49.397590
40 21 25.301205 74.698795
45 17 20.481928 95.180723
50 3 3.614458 98.795181
55 0 0.000000 98.795181
60 0 0.000000 98.795181
65 1 1.204819 100.000000
>

BGと試料の比較

1. n = 119 BG 繰り返し数 =3
gr1 <- c( 33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28 ,
59, 40, 45, 37, 37, 43, 47, 51, 37, 39, 33, 47, 34, 42, 48, 46, 35, 27, 39, 42, 47, 40, 31, 34, 38, 40, 42, 39, 34, 38, 46, 36, 50, 44, 55 ,
52, 48, 43, 38, 34, 46, 40, 32, 28, 50, 39, 41, 41, 49, 38, 49, 31, 54, 39, 42, 41, 38, 43, 48, 32, 49, 61, 39, 31, 43, 36, 31, 28, 49, 36, 44, 44, 33, 34, 44, 31, 33)

2. n = 83 　中華蕎麦 2013.09(密着) 21*6.5*1.5cm 200g 繰り返し数 =2
gr2 <- c( 29, 47, 46, 38, 35, 45, 41, 44, 36, 36, 42, 40, 45, 44, 42, 40, 44, 66, 41, 45, 50, 45, 41, 40, 46, 38, 38, 33, 42, 37, 39, 37, 44, 40, 40, 38, 47, 33, 36, 34, 38, 30, 44, 51, 31 ,
31, 45, 43, 45, 35, 45, 39, 37, 36, 48, 53, 46, 35, 35, 38, 32, 35, 36, 49, 36, 27, 39, 47, 35, 38, 40, 42, 29, 38, 38, 32, 48, 40, 41, 31, 39, 45, 33)

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -0.3518, 自由度 = 200, P値 = 0.7254
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -2.251647 1.569861
標本推定値:
平均値x 平均値y
39.64706 39.98795
有意ではない。試料とバックグラウンドに差異があるかどうか不明。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -0.3598, 自由度 = 189.347, P値 = 0.7194
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -2.209616 1.527830
標本推定値:
平均値x 平均値y
39.64706 39.98795
有意ではない。試料とバックグラウンドに差異があるかどうか不明。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 1.2886, 第1自由度 = 118, 第2自由度 = 82, P値 = 0.2222
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.8566679 1.9100408
標本推定値:
分散比
1.288563
有意。分散に差異があるので（Welchの方法）を使用する。
>

40.0 - 39.6 = 0.04 CPM
0.04 * 0.47 = 0.019 Bq
比重 200 / (21 * 6.5 * 1.5) = 0.97
受光深さ 0.37cm, 容積 7cm3, 7g
0.019 * 1000 / 7 = 2.62Bq/kg

スレまとめ　低ベクレル順
１．測定対象 　JヌードルコーポレーションBK こだわりの熟成　20g
２．測定結果　　0Bq/kg 　

１．測定対象 中華蕎麦
２．測定結果　2.62Bq/kg

１．測定対象 北海道富良野産玉葱　12g
２．測定結果　　2-20Bq/kg Bq/kg （カリウムを除いたベクレル数）

１．測定対象 　栃木県産　ふきのとう 19g
２．測定結果　28 Bq/kg 　

１．測定対象 タマノイ穀物酢 2013.12.16
２．測定結果 42 Bq/kg

１．測定対象 カットわかめ　2012.12.17 中国原産 KKジャパンスパイス」
２．測定結果　45 Bq/kg

１．測定対象 　栃木産菜の花
２．測定結果　51 Bq/kg(カリウム込)

１．測定対象 国産鶏胸肉2012.02.08購入
２．測定結果 200Bq/kg 　

１．測定対象 　栃木県産　乾燥椎茸
２．測定結果　1000 Bq/kg

１．測定対象 栃木産しいたけ
２．測定結果　　2700 Bq/kg

>>176
＞条件が合えば、分離可能です。

ピークって何のピーク？　もともと次元量が同じだから分離できませんよ。

【神奈川】「西日本にまで汚染を広げてはならない」とツイッターに書き込み町議の辞職勧告案可決
http://sankei.jp.msn.com/politics/news/120428/lcl12042800450001-n1.htm

西日本が汚染されたら食べ物どうするんだ？環境省の官僚の方達は何がしたいのだろうか。。
官僚のみなさんの子供たちには安全な西日本の食品を食べて長生きしてほしいですよね。
瓦礫はぜんぶ津波対策で東北に防波堤として埋め立てるのがよいと思うのですが。

>>186
http://www.geocities.jp/haku1569/pasocom/microsoft/excel/explain/0001.html
正規分布から歪みのある度数分布の場合は、
多山分布と考えて、複数の正規分布が重なったことが原因として、それぞれの正規分布曲線を探します。

カリウムが少ない場合には、バックグラウンドと試料の２山分布になるはずですが
http://upo-net.ouj.ac.jp/tokei/xml/kw1_01125.xml
バックグラウンドが乱れて、２山分布(30のピークと40のピーク)になっています。

放射線の場合、分散σがピーク値(平均値 u)の平方根ですから
σ = √u
と鳴りますので、正規分布　N(u, u)で示されます。

ピーク値が u0, u1, u2, u3、対応する度数を c0, c1, c2, c3 とすると
全体の分布は c0*N(u0, u0) + c1*N(u1, u1) + c2*N(u2, u2) + c3*N(u3, u3) で示されます。
実際の正確な計算は省略して、直感と暗算で、u0,u1,u2,u3 を求め
それぞれ 35, 40, 45, 50 としました。

>>188
＞カリウムが少ない場合には、バックグラウンドと試料の２山分布になるはずですが

その根拠は？　セシウムでもカリウムでも変わらないとおもうけれど。

>>189
試料に含まれている放射線濃度と、BGに含まれている放射線濃度が異なる
試料によるBGから放射される放射線の遮蔽はない
という仮定条件で
それぞれの濃度をu2, u0 とすると、
放射線ですから、それぞれの放射線の測定値の分布は、 N(u2, u2)とN(u0, u0) になります。
検出器で測定されるのは、両者の和になります。
カリウムが存在する場合には、カリウムの濃度 u3 とすると、測定値の分布は、 N(u3, u3)
検出器で測定されるのは、３者の和になります。

>>190
だから？　総量が量れるだけでセシウムとカリウム分離はできないってことだよね。

ぜんぶカリウムと思うなら、福島産食品を毎日食べて応援してください。
日本政府と原子力村は安全安心と言っていますよ。
あと原子力村からお小遣いをもらっている人も安全安心と言っていますね。
カリウムがほとんどない食品もあるわけで。
九州産や海外産の同じ食品と比較すれば、カリウムだけなのか放射性物質を含むのかわかると思います。

データ数(試料の大きさ)が十分大きければ、加法定理(名称は疑問)が使えるのですが
データ数が少ないので、複数の正規分布の和になります。
http://www.aandt.co.jp/jpn/qc/basic/seiki_kahou.htm

カリウムの少ない食品を測定して汚染していたら放射性物質ということです。
http://wholefoodcatalog.com/nutrient/%E3%82%AB%E3%83%AA%E3%82%A6%E3%83%A0/low/%E9%A3%9F%E5%93%81/

このスレでインスペクター＋を持っているのは栃木県さんとやわらか銀行だけ。。。
あとは冷やかしと原子力村の一味。。

>>192
＞九州産や海外産の同じ食品と比較すれば、カリウムだけなのか放射性物質を含むのかわかると思います。

そんな面倒な事しなくても　スペクトルの判る器械で測ればいいんじゃね？

>>191
カリウムとセシウムの濃度の違いから、多山分布が得られますので
他の情報(主にカリウム濃度)と、BGの分布関数から、
セシウム等の分布関数の位置が見当つけられます。

>>196
＞カリウムとセシウムの濃度の違いから、多山分布が得られますので

カリウムとセシウムの濃度が未知なのに、どう分けるのかしら？

>>195
たしかにいえてる。
漏れの「間違った測定値」よりも、γ線スペクトルを取ったほうが手っ取り早い。
β線で測定する気だったから、インスペクターを買ったけど、
γ線で測定するならば、スペクトルの取れる機械を買ってるわ。

＞カリウムとセシウムの濃度が未知なのに
カリウム濃度は未知でないでしょう。
http://www.mext.go.jp/b_menu/shingi/gijyutu/gijyutu3/toushin/05031802.htm
で、多少のずれはあるでしょうけど、民法上正しい値として推定する「通達」が存在しますから。

長屋さん。このスレは統計データを書き込むスレです。
インスペクターの別スレにてお願いします。

このスレに書き込まれるデータの信頼性を検討してるんだけど？　何か？

>>199
全てのものにちゃんと定率で入ってるわけじゃなくてバラツキがあるからダメでしょう

それでOKなのは、初めからカリウムが殆ど入ってない食品だけですよ。

>>201
そんな、ばかげたことはやめなさい。
漏れの測定値は、「間違っている」と明記しているのだから、
信頼性なんて、まったくありません。
にちゃんねるは、嘘を嘘と見抜ける人だけが利用する掲示板。
嘘だ、と明記している内容を検討する必要はない。

スペクトルの取れる機械てγ線で測定してるよね。
ストロンチウムやプルトニウムやセリウム、ルテニウムは測定できるのかな？
セシウムしか測定していないのはなんでだろう？

福島第一原発から飛散した主な放射性同位体（核種）全31種・放出量
http://savechild.net/archives/3891.html

>>202
O() っていう関数知っているかしら。
大学の一般教養で学ぶ内容だから、ちょっと高度なんだけど
数学の教授に言わせれば、「算数だ」って内容。

タバコの葉１本分を測ったら相当汚染していた。
あれもカリウムだったのか？

>>204
200＞　このスレは統計データを書き込むスレです。

自分で言ってたのにｗｗｗ

>>205
それorderとちゃうの？　

>>208
そう。フルスペルはね。
桁さえあっていれば見当つくでしょう。
放射線による濃度測定なんて、精度が１桁だから。

>>203
間違ってると指摘されたくないなら２ｃｈに書き込まないことだね。

cpmは正しいとしても、Bq換算するためにはちゃんとした論拠が必要ですよ。

>>209
じゃあ、100Bq/kg と　1000Bq/kg は、インスペクターの測定では誤差範囲ってことですね。

>>208
それともうひとつ。民事訴訟法の規定で、疑わしきは被告に有利に、の原則。
２つ山が見つかったらば、高濃度側のピークをカリウムだと解釈してしまう、という方法がある。
結構強烈な解釈が可能な、法規制だ(民法上は規定がないけど、民法では拡大解釈が可能なので、他の法令の規定を見つけてきて、それを準用するという解釈が可能)。

>>206
タバコは、ラドン娘核種、具体的に言えば、鉛やビスマスが蓄積するという報告がある。
どっちか忘れたけど、β線だし照るから、(カリウム0にして)全部ラドン娘核種由来にしてしまう。
タバコがまだ育っていないので、サンプルの入手が困難。
梅雨明けになれば、わきめ摘みの作業が始まるので、タバコ農家からサンプルが入手可能になる。

>>212
だから〜、そもそもピークなんて物理量的には無いの
便宜的にｃｐｍとしてカウントしてるだけだよ。

もし実体としてあるなら、どういう単位系か言えるはずでしょ。

>>210
根拠は出しているでしょう。
どこが間違いなのよ。

>>211
違うよ。1CPSと10CPSが誤差範囲。
BqはCPSからの換算値だから、換算方法によって誤差の範囲が変わる。
誤差の伝播を理解して。

>>212
あとタバコのポロニウム含有は有名だけど、α崩壊だから違うもの言ってるのかな？

>>214
だからCPSなんて単位系はないでしょ。つまり独立の次元量を持ってない。
それにピークが有るって言っても、何を基準にノーマライズすればOK?

もちろん、ノーマライズはご存知ですよね？

>>213
単位系は、MKS使っているけど。
ピークって、物理量に関係ないでしょう。
グラフの解釈だから。
漢字表記だと「山谷肩(又は鞍)」、
カタカナ表記だと、「ピーク、(使わないので忘却)、コル」
文系の人だと、「天井、底、もみ合い」

>>214
＞1CPSと10CPSが誤差範囲
それって　1cps=60cpm, 10cps=600cpm でいいのですか？

>>215
α線は計る気がないので除外した。

>>218
CPM でやるならば
1cpmと10cpm が誤差範囲。

>>217
じゃあ　cps　のディメンジョンは何？

>>221
次元は使っていない。

>>220
おっ、引っかからなかったねｗ

じゃあ、平均１０cps分散１cpsは、ｃｐｍであらわすとどうなる？

>>222
時間方向に平均可能なのに、次元使ってないわけなかろうｗ

>>224
引っかかったのね。
ということで、
あら探しやっているだけの嵐さんで、教えてチャンではないから、ほなさいなら。

ふ〜ん。　間違いを指摘すると、あら探しなんですねｗｗｗ　おやすみ。

長屋うざい。

原子力村から1レス10円もらって荒らしているて本当だね。相手にしないで無視。

平均値の異なる正規分布を分布関数とするいくつかの群を混ぜたらば、
高原状態(2つの平均値の近い分布を重ねた場合)、三角形(3つか4つぐらいの平均値がちょっと離れた分布を重ねた場合)になります。
分散が異なる場合場合、幅の広い分布に幅の狭い分布を重ねた場合とか、度数の異なる分布を重ねた場合とか、ちょっと言葉では説明できません。

本来だったらば、正規分布になるはず( http://www.aandt.co.jp/jpn/qc/basic/seiki_kahou.htm )の分布関数が分かれているから、
異なる群が混ざっていると、考えて、層別に分けて考えるという作業に入ります。
http://www.geocities.jp/haku1569/pasocom/microsoft/excel/explain/0001.html

2山分布は近年の学校の成績で頻繁にあらわらる内容です。
http://edupoison.blog53.fc2.com/blog-entry-138.html

１．測定対象
「栃木県内で販売されていた米」の測定。
約300gをポリ袋に入れて、密着させ、測定。

２．測定結果
1. n=35 糊台
x <- c(30, 45, 44, 28, 40, 38, 37, 38, 45, 30, 38, 49, 55, 44, 48, 43, 41, 38, 46, 27, 47, 40, 49, 39, 30, 48, 60, 35, 33, 33, 47, 23, 40, 45, 35)

2. n=35 栃木県内で販売されていた米(密着)
x <- c(38, 29, 28, 37, 49, 32, 41, 41, 48, 51, 39, 40, 42, 48, 39, 38, 39, 38, 47, 40, 40, 32, 45, 45, 48, 34, 44, 42, 41, 49, 36, 44, 50, 37, 38)

3. n=31 糊台
x <- c(37, 46, 21, 40, 35, 29, 37, 42, 41, 30, 41, 30, 47, 43, 41, 44, 53, 43, 37, 33, 32, 53, 33, 47, 37, 43, 32, 40, 35, 41, 40)

4. n=31 栃木県内で販売されていた米(密着)
x <- c(44, 36, 39, 37, 37, 46, 34, 56, 37, 36, 48, 26, 39, 46, 38, 41, 48, 45, 45, 37, 31, 47, 38, 34, 43, 33, 40, 31, 56, 34, 38)

5. n=42 糊台
x <- c(33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28)

４.　データ貼り付け
全体の分析
x <- c(30, 45, 44, 28, 40, 38, 37, 38, 45, 30, 38, 49, 55, 44, 48, 43, 41, 38, 46, 27, 47, 40, 49, 39, 30, 48, 60, 35, 33, 33, 47, 23, 40, 45, 35 ,
38, 29, 28, 37, 49, 32, 41, 41, 48, 51, 39, 40, 42, 48, 39, 38, 39, 38, 47, 40, 40, 32, 45, 45, 48, 34, 44, 42, 41, 49, 36, 44, 50, 37, 38 ,
37, 46, 21, 40, 35, 29, 37, 42, 41, 30, 41, 30, 47, 43, 41, 44, 53, 43, 37, 33, 32, 53, 33, 47, 37, 43, 32, 40, 35, 41, 40 ,
44, 36, 39, 37, 37, 46, 34, 56, 37, 36, 48, 26, 39, 46, 38, 41, 48, 45, 45, 37, 31, 47, 38, 34, 43, 33, 40, 31, 56, 34, 38 ,
33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 39.39080
> var(x)
[1] 47.7539
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 1.4437, 第1自由度 = 4, 第2自由度 = 169, P値 = 0.2217
有意。群別に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 4.0272, 自由度 = 4, P値 = 0.4023
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 1.6376, 第1自由度 = 4.000, 第2自由度 = 82.206, P値 = 0.1726
有意。群別に差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 3 1.7241379 1.724138
25 9 5.1724138 6.896552
30 27 15.5172414 22.413793
35 55 31.6091954 54.022989
40 38 21.8390805 75.862069
45 33 18.9655172 94.827586
50 4 2.2988506 97.126437
55 4 2.2988506 99.425287
60 1 0.5747126 100.000000
>

BGと試料の比較
x <- c(30, 45, 44, 28, 40, 38, 37, 38, 45, 30, 38, 49, 55, 44, 48, 43, 41, 38, 46, 27, 47, 40, 49, 39, 30, 48, 60, 35, 33, 33, 47, 23, 40, 45, 35 ,
38, 29, 28, 37, 49, 32, 41, 41, 48, 51, 39, 40, 42, 48, 39, 38, 39, 38, 47, 40, 40, 32, 45, 45, 48, 34, 44, 42, 41, 49, 36, 44, 50, 37, 38 ,
37, 46, 21, 40, 35, 29, 37, 42, 41, 30, 41, 30, 47, 43, 41, 44, 53, 43, 37, 33, 32, 53, 33, 47, 37, 43, 32, 40, 35, 41, 40 ,
44, 36, 39, 37, 37, 46, 34, 56, 37, 36, 48, 26, 39, 46, 38, 41, 48, 45, 45, 37, 31, 47, 38, 34, 43, 33, 40, 31, 56, 34, 38 ,
33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 2.4691, 第1自由度 = 1, 第2自由度 = 172, P値 = 0.1179
有意。バックグラウントと試料に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.2029, 自由度 = 1, P値 = 0.2728
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 2.6212, 第1自由度 = 1.000, 第2自由度 = 150.544, P値 = 0.1075
有意。バックグラウントと試料に差異がある。

>

繰り返しによる影響

1. n = 108 BG 繰り返し数 =3
x <- c( 30, 45, 44, 28, 40, 38, 37, 38, 45, 30, 38, 49, 55, 44, 48, 43, 41, 38, 46, 27, 47, 40, 49, 39, 30, 48, 60, 35, 33, 33, 47, 23, 40, 45, 35 ,
37, 46, 21, 40, 35, 29, 37, 42, 41, 30, 41, 30, 47, 43, 41, 44, 53, 43, 37, 33, 32, 53, 33, 47, 37, 43, 32, 40, 35, 41, 40 ,
33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 38.75
> var(x)
[1] 51.6285
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 1.4128, 第1自由度 = 2, 第2自由度 = 105, P値 = 0.2481
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 2.189, 自由度 = 2, P値 = 0.3347
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 1.3504, 第1自由度 = 2.000, 第2自由度 = 65.585, P値 = 0.2662
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 3 2.777778 2.777778
25 6 5.555556 8.333333
30 18 16.666667 25.000000
35 34 31.481481 56.481481
40 24 22.222222 78.703704
45 18 16.666667 95.370370
50 2 1.851852 97.222222
55 2 1.851852 99.074074
60 1 0.925926 100.000000
>

2. n = 66 栃木県内で販売されていた米(密着) 繰り返し数 =2
x <- c( 38, 29, 28, 37, 49, 32, 41, 41, 48, 51, 39, 40, 42, 48, 39, 38, 39, 38, 47, 40, 40, 32, 45, 45, 48, 34, 44, 42, 41, 49, 36, 44, 50, 37, 38 ,
44, 36, 39, 37, 37, 46, 34, 56, 37, 36, 48, 26, 39, 46, 38, 41, 48, 45, 45, 37, 31, 47, 38, 34, 43, 33, 40, 31, 56, 34, 38)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 40.43939
> var(x)
[1] 40.31166
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.2769, 第1自由度 = 1, 第2自由度 = 64, P値 = 0.6006
有意。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.8275, 自由度 = 1, P値 = 0.363
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.2714, 第1自由度 = 1.000, 第2自由度 = 59.276, P値 = 0.6043
有意。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 3 4.545455 4.545455
30 9 13.636364 18.181818
35 21 31.818182 50.000000
40 14 21.212121 71.212121
45 15 22.727273 93.939394
50 2 3.030303 96.969697
55 2 3.030303 100.000000
>

BGと試料の比較

1. n = 108 BG 繰り返し数 =3
gr1 <- c( 30, 45, 44, 28, 40, 38, 37, 38, 45, 30, 38, 49, 55, 44, 48, 43, 41, 38, 46, 27, 47, 40, 49, 39, 30, 48, 60, 35, 33, 33, 47, 23, 40, 45, 35 ,
37, 46, 21, 40, 35, 29, 37, 42, 41, 30, 41, 30, 47, 43, 41, 44, 53, 43, 37, 33, 32, 53, 33, 47, 37, 43, 32, 40, 35, 41, 40 ,
33, 45, 55, 36, 37, 38, 43, 42, 32, 33, 47, 49, 37, 26, 40, 39, 46, 49, 38, 22, 39, 36, 37, 37, 37, 44, 37, 35, 35, 40, 39, 39, 33, 35, 37, 33, 36, 27, 33, 32, 38, 28)

2. n = 66 栃木県内で販売されていた米(密着) 繰り返し数 =2
gr2 <- c( 38, 29, 28, 37, 49, 32, 41, 41, 48, 51, 39, 40, 42, 48, 39, 38, 39, 38, 47, 40, 40, 32, 45, 45, 48, 34, 44, 42, 41, 49, 36, 44, 50, 37, 38 ,
44, 36, 39, 37, 37, 46, 34, 56, 37, 36, 48, 26, 39, 46, 38, 41, 48, 45, 45, 37, 31, 47, 38, 34, 43, 33, 40, 31, 56, 34, 38)

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -1.5713, 自由度 = 172, P値 = 0.1179
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -3.8115318 0.4327439
標本推定値:
平均値x 平均値y
38.75000 40.43939
有意。試料とバックグラウンドに差がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -1.619, 自由度 = 150.544, P値 = 0.1075
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -3.7511263 0.3723385
標本推定値:
平均値x 平均値y
38.75000 40.43939
有意。試料とバックグラウンドに差がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 1.2807, 第1自由度 = 107, 第2自由度 = 65, P値 = 0.2807
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.8158035 1.9633381
標本推定値:
分散比
1.280734
有意。分散に差異があり、（Welchの方法）を使用する
>

３.補足コメント
40.4 - 38.8 = 1.6 CPM
1.6 * 0.47 = 0.75 Bq
嵩比重が 0.85 (http://www.benricho.org/doryoko_cup_spoon/) だから
受光深さ 0.42 cmで、円柱容積 8cm3, 7g
よって、104 Bq/kg
試料は、35と45にピークがある。35がBG, 45が試料。
カリウム量 88mg/100g ( http://genmaiyanogensan.web.fc2.com/pdf/eiyouso.pdf )より、(3.09*8.8=)27.19Bq/kg。
度数分布では2山とは読み取れない(nが十分大きければ、すべての分布は正規分布に近似できる)。
ソフトを作って、cpm (質量・試料寸法) → Bq/kg の換算を自動化しました。結果だけしか書きません。
すべての放射線をβ線として、試料を比重1のプラスチックと仮定し、深さ0.365cmの円柱から発する放射線は全量検出器に到着する。これを超える範囲の試料から放射線は完全に遮蔽されている。
という近似です。
政府の発表している食品分析値のほとんど全部の測定値が、NDでした。γ線を考えない理由がこれです。
一部検出されているのもありますけど、政府の発表どおり、γ線をND、検出されない(検出されたとしても十分小さい値)としています。
セシウムとして表記しています。政府の分析方法では、測定が容易なセシウムで測定を行い係数を乗ずることで他の成分の線量を勘案する、という条項があります。
したがって、すべての福島由来核種からの線量は互いに一次従属で示される(ひとつの分布関数で示せる)としています。

意味の無い計測ごっこｗｗｗ

http://uni.2ch.net/test/read.cgi/radiation/1331053172/7 より
正規分布表の値
Ke ,e
0.00,0.5000
1.00,0.1587　５０００個中1587個が1σ線外にでる
2.00,0.0228　５０００個中228個が2σ線外にでる
3.00,0.0013　５０００個中13個が3σ線外にでる

平均値の度数を、私の測定では、50個位ですので、50とします。
σは、放射線だから√50 = 7。
50-7 = 43, 以下, 36, 29
50+7 = 57, 以下, 64, 71
よって、43の時の値が 16, 36の値が 2, 29の値が0となります。
同様に、57の時の値が 16, 64の値が 2, 71の値が0となります。
私の度数分布では、切りの良い数字として5を使っていますので近い値をとりますと
45, 35, 30
55, 65, 71
の時の度数になります。度数で2個以下を0と近似すると、隣接する2つの枠(45,40, 又は55,60)が7割程度、
それよりも離れる(35以下、又は65以上)と0になります。正確な数値は、正規分布表を引いてください。
このように考えると、グラフを眺めただけで、どのような正規分布の重複になっているか、が見当つくでしょう。
なお、加法定理( http://www.aandt.co.jp/jpn/qc/basic/seiki_kahou.htm )は、nが無限大のときに成立するのであって、nが有限のときは成立しません。

>>273
おほめいただきありがとうございます。
計量法の規定を無視した状態で測定していますので、法的には無意味なお遊びです。
意味のある計測でしたらば、こちらで公開されていますので、ご覧ください。
http://search.kankyo-hoshano.go.jp/food/servlet/food_in?pageSID=139277

栃木県内で販売されていた米について、カリウムを除いたベクレル数は27.19Bq/kg。
カリウムを含めると104 Bq/kg ということでしょうか？

>>227　>>228

(内モンゴル自治区)って、何の貢献もしていないくせに文句だけは一人前だよなあｗｗｗ
　

>>239
ガイガーではカリウム分を分離はできませんよ。

分離したいのなら、スペクトルの判る器械で測ればいいだけで簡単なことです。

荒らしは無視してください。荒らしにレスするのも荒らしと同じです。

>>242
ワロタｗｗ

>>237
計測する事自体は無意味だとは思いません。cpmの実測値として有無の確認は結構なこと
ただBqとかデタラメに導出してくると、それはウソの領域になるから反論しちゃうけどね。

>>239
全体で、104Bq/kg
白米中に含まれるカリウム(88mg/100g)の放射線が27.19です。(計算間違いをしたのです)。
と書きました。

計算間違いの内容は、
自然界の同位体分離されていないカリウムは 30.9 Bq/g (3.09 Bq/100mg)です。
白米1kg中のカリウム(安定同位体を含む)は、88 * 10 = 0.88g
0.88 * 3.09 = 2.7
小数点の位置を間違えました。

>>245
で、体積の内側から発生した放射線の遮蔽率はどのように計算しました？
γ線以外では、１ｍｍの厚さでも大きな影響を受けるはずですよ。
β線も計測してるならそれを補正しないと、計測値はデタラメにちかいですよ。

>>246
過去スレ　http://uni.2ch.net/test/read.cgi/radiation/1331598144/　に記載しています。
そちらを参考にしてください。

荒らしは無視してください。荒らしにレスするのも荒らしと同じです。

>>247
ないと思うよ。読んだら覚えてるｗ

あー、読む価値ないなあと思うような薄っ〜い内容だったら忘れてるかもｗ

2005-2008年度の放射能調査資料を見てくれ。
今の基準が安全かどうかは、原発事故前の資料と比較するべき。
http://www.kankyo-hoshano.go.jp/08/soukatsu_lib/h20_suijun.pdf

魚類セシウム１３７　最大値0.16Bq/kg 平均値0.085Bq/kg
魚類ストロンチウム９０　最大値　0.040Bq/kg　平均値0.0012Bq/kg
お米セシウム１３７　最大0.42Bq/kg　平均0.015Bq/kg

１．測定対象
「栃木産たけのこ 乾燥後10.5g」の分析
2012.04.28収穫、4日間乾燥後、測定。

２．測定結果
1. n=46 糊台
x <- c( 37, 41, 35, 51, 64, 32, 42, 32, 49, 38, 35, 39, 47, 38, 42, 57, 40, 49, 36, 37, 46, 39, 38, 41, 41, 39, 42, 47, 37, 36, 35, 47, 35, 36, 33, 27, 48, 45, 40, 35, 35, 42, 43, 35, 38, 32)

2. n=31 栃木産たけのこ 乾燥後10.5g
x <- c(138, 123, 149, 118, 129, 118, 124, 92, 95, 97, 112, 137, 115, 103, 99, 97, 116, 103, 110, 85, 103, 112, 116, 137, 93, 94, 109, 136, 110, 132, 140)

3. n=31 糊台
x <- c( 36, 35, 30, 37, 45, 30, 38, 46, 33, 42, 39, 33, 49, 42, 39, 46, 35, 36, 38, 39, 41, 33, 38, 25, 34, 49, 38, 38, 48, 33, 42)

4. n=33 栃木産たけのこ 乾燥後10.5g
x <- c( 85, 99, 83, 84, 100, 97, 104, 106, 105, 83, 92, 69, 87, 105, 98, 87, 88, 80, 100, 91, 96, 113, 95, 102, 92, 88, 89, 94, 92, 91, 81, 77, 96)

5. n=138 糊台
x <- c( 49, 40, 27, 45, 53, 33, 42, 45, 36, 39, 28, 59, 45, 58, 46, 42, 31, 39, 54, 41, 44, 39, 53, 33, 50, 49, 40, 48, 46, 58, 31, 59, 53,
45, 41, 34, 42, 45, 38, 33, 34, 39, 38, 38, 44, 44, 52, 33, 40, 34, 39, 52, 44, 45, 50, 40, 38, 37, 36, 29, 42, 43, 37, 44, 54, 47, 41, 52,
55, 42, 35, 31, 44, 33, 52, 40, 38, 50, 46, 40, 39, 37, 34, 40, 47, 40, 29, 49, 44, 36, 38, 41, 44, 39, 35, 33, 41, 59, 39, 47, 29, 43, 35,
53, 37, 35, 37, 60, 47, 39, 39, 51, 52, 38, 39, 39, 36, 41, 46, 46, 48, 48, 32, 36, 50, 44, 41, 42, 42, 51, 40, 48, 44, 42, 37, 47, 43, 45)

6. (n=19) 2.測定後の糊台 試料による汚染と思われる。
x <- c( 59, 53, 54, 60, 64, 57, 44, 47, 77, 52, 56, 49, 42, 48, 61, 62, 72, 54, 62)

４.　データ貼り付け
全体の分析
x <- c( 37, 41, 35, 51, 64, 32, 42, 32, 49, 38, 35, 39, 47, 38, 42, 57, 40, 49, 36, 37, 46, 39, 38, 41, 41, 39, 42, 47, 37, 36, 35, 47, 35, 36, 33, 27, 48, 45, 40, 35, 35, 42, 43, 35, 38, 32 ,
138, 123, 149, 118, 129, 118, 124, 92, 95, 97, 112, 137, 115, 103, 99, 97, 116, 103, 110, 85, 103, 112, 116, 137, 93, 94, 109, 136, 110, 132, 140 ,
36, 35, 30, 37, 45, 30, 38, 46, 33, 42, 39, 33, 49, 42, 39, 46, 35, 36, 38, 39, 41, 33, 38, 25, 34, 49, 38, 38, 48, 33, 42 ,
85, 99, 83, 84, 100, 97, 104, 106, 105, 83, 92, 69, 87, 105, 98, 87, 88, 80, 100, 91, 96, 113, 95, 102, 92, 88, 89, 94, 92, 91, 81, 77, 96 ,
49, 40, 27, 45, 53, 33, 42, 45, 36, 39, 28, 59, 45, 58, 46, 42, 31, 39, 54, 41, 44, 39, 53, 33, 50, 49, 40, 48, 46, 58, 31, 59, 53,
45, 41, 34, 42, 45, 38, 33, 34, 39, 38, 38, 44, 44, 52, 33, 40, 34, 39, 52, 44, 45, 50, 40, 38, 37, 36, 29, 42, 43, 37, 44, 54, 47,
41, 52, 55, 42, 35, 31, 44, 33, 52, 40, 38, 50, 46, 40, 39, 37, 34, 40, 47, 40, 29, 49, 44, 36, 38, 41, 44, 39, 35, 33, 41, 59, 39,
47, 29, 43, 35, 53, 37, 35, 37, 60, 47, 39, 39, 51, 52, 38, 39, 39, 36, 41, 46, 46, 48, 48, 32, 36, 50, 44, 41, 42, 42, 51, 40, 48, 44, 42, 37, 47, 43, 45)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x) [1] 55.44444
> var(x) [1] 782.1974
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 619.7392, 第1自由度 = 4, 第2自由度 = 274, P値 < 2.2e-16
有意。群による差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 63.4772, 自由度 = 4, P値 = 5.385e-13
有意。分散が異なるので先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 345.9011, 第1自由度 = 4.000, 第2自由度 = 82.332, P値 < 2.2e-16
有意。群による差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 7 2.5089606 2.508961
30 25 8.9605735 11.469534
35 67 24.0143369 35.483871
40 51 18.2795699 53.763441
45 38 13.6200717 67.383513
50 18 6.4516129 73.835125
55 7 2.5089606 76.344086
60 2 0.7168459 77.060932
65 1 0.3584229 77.419355
70 0 0.0000000 77.419355
75 1 0.3584229 77.777778
80 5 1.7921147 79.569892
85 7 2.5089606 82.078853
90 9 3.2258065 85.304659
95 10 3.5842294 88.888889
100 7 2.5089606 91.397849
105 4 1.4336918 92.831541
110 5 1.7921147 94.623656
115 5 1.7921147 96.415771
120 2 0.7168459 97.132616
125 1 0.3584229 97.491039
130 1 0.3584229 97.849462
135 4 1.4336918 99.283154
140 1 0.3584229 99.641577
145 1 0.3584229 100.000000
>

BGと試料の比較
x <- c( 37, 41, 35, 51, 64, 32, 42, 32, 49, 38, 35, 39, 47, 38, 42, 57, 40, 49, 36, 37, 46, 39, 38, 41, 41, 39, 42, 47, 37, 36, 35, 47, 35, 36, 33, 27, 48, 45, 40, 35, 35, 42, 43, 35, 38, 32 ,
138, 123, 149, 118, 129, 118, 124, 92, 95, 97, 112, 137, 115, 103, 99, 97, 116, 103, 110, 85, 103, 112, 116, 137, 93, 94, 109, 136, 110, 132, 140 ,
36, 35, 30, 37, 45, 30, 38, 46, 33, 42, 39, 33, 49, 42, 39, 46, 35, 36, 38, 39, 41, 33, 38, 25, 34, 49, 38, 38, 48, 33, 42 ,
85, 99, 83, 84, 100, 97, 104, 106, 105, 83, 92, 69, 87, 105, 98, 87, 88, 80, 100, 91, 96, 113, 95, 102, 92, 88, 89, 94, 92, 91, 81, 77, 96 ,
49, 40, 27, 45, 53, 33, 42, 45, 36, 39, 28, 59, 45, 58, 46, 42, 31, 39, 54, 41, 44, 39, 53, 33, 50, 49, 40, 48, 46, 58, 31, 59, 53,
45, 41, 34, 42, 45, 38, 33, 34, 39, 38, 38, 44, 44, 52, 33, 40, 34, 39, 52, 44, 45, 50, 40, 38, 37, 36, 29, 42, 43, 37, 44, 54, 47,
41, 52, 55, 42, 35, 31, 44, 33, 52, 40, 38, 50, 46, 40, 39, 37, 34, 40, 47, 40, 29, 49, 44, 36, 38, 41, 44, 39, 35, 33, 41, 59, 39,
47, 29, 43, 35, 53, 37, 35, 37, 60, 47, 39, 39, 51, 52, 38, 39, 39, 36, 41, 46, 46, 48, 48, 32, 36, 50, 44, 41, 42, 42, 51, 40, 48, 44, 42, 37, 47, 43, 45)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 1747.565, 第1自由度 = 1, 第2自由度 = 277, P値 < 2.2e-16
有意。試料とバックグラウンドに差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 98.1799, 自由度 = 1, P値 < 2.2e-16
有意。分散が異なるので先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 766.9872, 第1自由度 = 1.000, 第2自由度 = 69.286, P値 < 2.2e-16
有意。試料とバックグラウンドに差異がある。

>

繰り返しによる影響

1. n = 215 BG 繰り返し数 =3
x <- c( 37, 41, 35, 51, 64, 32, 42, 32, 49, 38, 35, 39, 47, 38, 42, 57, 40, 49, 36, 37, 46, 39, 38, 41, 41, 39, 42, 47, 37, 36, 35, 47, 35, 36, 33, 27, 48, 45, 40, 35, 35, 42, 43, 35, 38, 32 ,
36, 35, 30, 37, 45, 30, 38, 46, 33, 42, 39, 33, 49, 42, 39, 46, 35, 36, 38, 39, 41, 33, 38, 25, 34, 49, 38, 38, 48, 33, 42 ,
49, 40, 27, 45, 53, 33, 42, 45, 36, 39, 28, 59, 45, 58, 46, 42, 31, 39, 54, 41, 44, 39, 53, 33, 50, 49, 40, 48, 46, 58, 31,
59, 53, 45, 41, 34, 42, 45, 38, 33, 34, 39, 38, 38, 44, 44, 52, 33, 40, 34, 39, 52, 44, 45, 50, 40, 38, 37, 36, 29, 42, 43,
37, 44, 54, 47, 41, 52, 55, 42, 35, 31, 44, 33, 52, 40, 38, 50, 46, 40, 39, 37, 34, 40, 47, 40, 29, 49, 44, 36, 38, 41, 44,
39, 35, 33, 41, 59, 39, 47, 29, 43, 35, 53, 37, 35, 37, 60, 47, 39, 39, 51, 52, 38, 39, 39, 36, 41, 46, 46, 48, 48, 32, 36,
50, 44, 41, 42, 42, 51, 40, 48, 44, 42, 37, 47, 43, 45)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 41.29302
> var(x)
[1] 49.90906
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 4.8533, 第1自由度 = 2, 第2自由度 = 212, P値 = 0.00869
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.9853, 自由度 = 2, P値 = 0.3706
有意。分散が異なるので先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 5.8206, 第1自由度 = 2.000, 第2自由度 = 73.467, P値 = 0.004503
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 7 3.2558140 3.255814
30 25 11.6279070 14.883721
35 67 31.1627907 46.046512
40 51 23.7209302 69.767442
45 38 17.6744186 87.441860
50 18 8.3720930 95.813953
55 7 3.2558140 99.069767
60 2 0.9302326 100.000000
>

2. n = 64 栃木産たけのこ 乾燥後10.5g 繰り返し数 =2
x <- c( 138, 123, 149, 118, 129, 118, 124, 92, 95, 97, 112, 137, 115, 103, 99, 97, 116, 103, 110, 85, 103, 112, 116, 137, 93, 94, 109, 136, 110, 132, 140 ,
85, 99, 83, 84, 100, 97, 104, 106, 105, 83, 92, 69, 87, 105, 98, 87, 88, 80, 100, 91, 96, 113, 95, 102, 92, 88, 89, 94, 92, 91, 81, 77, 96)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 102.9844
> var(x)
[1] 302.7140
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 41.4488, 第1自由度 = 1, 第2自由度 = 62, P値 = 1.998e-08
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 9.6906, 自由度 = 1, P値 = 0.001852
有意。分散が異なるので先の分散分析が無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 40.1036, 第1自由度 = 1.000, 第2自由度 = 46.621, P値 = 8.697e-08
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
65 1 1.5625 1.5625
70 0 0.0000 1.5625
75 1 1.5625 3.1250
80 5 7.8125 10.9375
85 7 10.9375 21.8750
90 9 14.0625 35.9375
95 10 15.6250 51.5625
100 7 10.9375 62.5000
105 4 6.2500 68.7500
110 5 7.8125 76.5625
115 5 7.8125 84.3750
120 2 3.1250 87.5000
125 1 1.5625 89.0625
130 1 1.5625 90.6250
135 4 6.2500 96.8750
140 1 1.5625 98.4375
145 1 1.5625 100.0000
>

BGと試料の比較

1. n = 215 BG 繰り返し数 =3
gr1 <- c( 37, 41, 35, 51, 64, 32, 42, 32, 49, 38, 35, 39, 47, 38, 42, 57, 40, 49, 36, 37, 46, 39, 38, 41, 41, 39, 42, 47, 37, 36, 35,
47, 35, 36, 33, 27, 48, 45, 40, 35, 35, 42, 43, 35, 38, 32 , 36, 35, 30, 37, 45, 30, 38, 46, 33, 42, 39, 33, 49, 42, 39, 46, 35, 36,
38, 39, 41, 33, 38, 25, 34, 49, 38, 38, 48, 33, 42 , 49, 40, 27, 45, 53, 33, 42, 45, 36, 39, 28, 59, 45, 58, 46, 42, 31, 39, 54, 41,
44, 39, 53, 33, 50, 49, 40, 48, 46, 58, 31, 59, 53, 45, 41, 34, 42, 45, 38, 33, 34, 39, 38, 38, 44, 44, 52, 33, 40, 34, 39, 52, 44,
45, 50, 40, 38, 37, 36, 29, 42, 43, 37, 44, 54, 47, 41, 52, 55, 42, 35, 31, 44, 33, 52, 40, 38, 50, 46, 40, 39, 37, 34, 40, 47, 40,
29, 49, 44, 36, 38, 41, 44, 39, 35, 33, 41, 59, 39, 47, 29, 43, 35, 53, 37, 35, 37, 60, 47, 39, 39, 51, 52, 38, 39, 39, 36, 41, 46,
46, 48, 48, 32, 36, 50, 44, 41, 42, 42, 51, 40, 48, 44, 42, 37, 47, 43, 45)

2. n = 64 栃木産たけのこ 乾燥後10.5g 繰り返し数 =2
gr2 <- c( 138, 123, 149, 118, 129, 118, 124, 92, 95, 97, 112, 137, 115, 103, 99, 97, 116, 103, 110, 85, 103, 112, 116, 137, 93, 94, 109, 136, 110, 132, 140 ,
85, 99, 83, 84, 100, 97, 104, 106, 105, 83, 92, 69, 87, 105, 98, 87, 88, 80, 100, 91, 96, 113, 95, 102, 92, 88, 89, 94, 92, 91, 81, 77, 96)

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -41.8039, 自由度 = 277, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -64.59643 -58.78628
標本推定値:
平均値x 平均値y
41.29302 102.98438
有意。試料とバックグラウンドに差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -27.6945, 自由度 = 69.286, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -66.13489 -57.24781
標本推定値:
平均値x 平均値y
41.29302 102.98438
有意。試料とバックグラウンドに差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.1649, 第1自由度 = 214, 第2自由度 = 63, P値 < 2.2e-16
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.1080933 0.2406376
標本推定値:
分散比
0.1648720
有意。分散が異なるので、（Welchの方法）を使用する。

>

103 - 41 = 62 CPM , 29Bq, 2800Bq/kg。
10.5g, 直径4cm、厚さ1cm程度の分量になったので、全放射線が受光されたとする。
水分 91 g/100g, カリウム 533 mg/100g ( http://ja.wikipedia.org/wiki/%E3%82%BF%E3%82%B1%E3%83%8E%E3%82%B3 )
より、乾燥前質量 117g。
29 * 90 / 10.5 = 250 Bq/kg
カリウム量 5.33g/kg (16.46 Bq/kg)。
250 >> 16 なので、ほぼ全量がセシウムでしょう。

ジップロックお手軽パック小120枚入り( http://www.asahi-kasei.co.jp/saran/products/ziploc/items/easy_bag.html )を使って試料が漏れて、線量が減っている。最初の2回の測定を比較すると、

gr1 <- c( 37, 41, 35, 51, 64, 32, 42, 32, 49, 38, 35, 39, 47, 38, 42, 57, 40, 49, 36, 37, 46, 39, 38, 41, 41, 39, 42, 47, 37, 36, 35, 47, 35, 36, 33, 27, 48, 45, 40, 35, 35, 42, 43, 35, 38, 32)
gr2 <- c(138, 123, 149, 118, 129, 118, 124, 92, 95, 97, 112, 137, 115, 103, 99, 97, 116, 103, 110, 85, 103, 112, 116, 137, 93, 94, 109, 136, 110, 132, 140)
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -26.691, 自由度 = 75, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -79.49666 -68.45425
標本推定値:
平均値x 平均値y
40.28261 114.25806

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -23.1457, 自由度 = 36.766, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -80.45272 -67.49819
標本推定値:
平均値x 平均値y
40.28261 114.25806

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.1656, 第1自由度 = 45, 第2自由度 = 30, P値 = 8.479e-08
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.08338807 0.31471886
標本推定値:
分散比
0.1656402

>

114-40 = 74 CPM, 34.8 Bq
34.8 * 90 / 10.5 = 298 Bq/kg
となります。

>>250
＞あー、読む価値ないなあと思うような薄っ〜い内容だったら忘れてるかもｗ
そのような薄っ〜い内容を前提に置いていますので、今後のコメントはご遠慮ください。

このサンプルを取った竹やぶ周辺で、タケノコの窃盗が盛んです。
おそらく、観光地や路上販売でさばいていると思われます。

>>260
仲良し仲間だけでやりたいなら２ｃｈ使わないで、個人のサイトでやるべきだね。

ゴミ捨て場としてゴミを捨てられたら、文句言われて当然だよね
誰にとっても「ゴミ」に見えないなら、文句は出ないのでは？　やって見ればｗ

＞カリウム量 5.33g/kg (16.46 Bq/kg)。
＞250 >> 16 なので、ほぼ全量がセシウムでしょう。

それは、土中のアルカリ類がカリウム欠乏状態でないと起こらないのでは
でも、その状態だったらタケノコ自体が育たないよねｗｗｗ　矛盾してない？

ほとんど施肥しなくても、条件が合えば、育ちます。
細かいことは省略しますが、竹の生育では、カリの不足を考えることはありません。
ただし、タケノコの営利栽培時を除きます。カリの不足により生産量が低下します。

>>264
そんなことないよ。カリウム無いとあまりタケノコは生えてこない。
施肥しない＝カリウム不足ってわけじゃないし。

施肥したら、シーズンで50-100本の収穫がある。
食べきれるわけないだろ。
施肥しないで、あまり生えないようにして、
食べられる範囲だけ育つようにしている。

うちの自作地は慢性的なカリ不足だからねぇ。竹林まで施肥するわけない。

スレチだから、以後のレスは、園芸板で
http://awabi.2ch.net/test/read.cgi/engei/1273280784/l50
ニョキワサの方が良いかもしれません。

>>266
じゃあ、市販のタケノコと別物ってことだねｗｗｗ

で、それ測って自己満足？

>>268
ホレ。営利栽培は現在出荷停止中。
http://www.agrinews.co.jp/modules/pico/index.php?content_id=14036
http://www.shimotsuke.co.jp/biz/economics/agriculture/news/20120430/773389
うちのほうは産地でないから、路上販売が主体。新聞を遡れは゛、うちの近所(BGから地区を特定のこと)販売しているっていう記事がある。
つまり、うちのような栽培方法で収穫したヤツを売っている。

>>269
じゃあ厚生労働省の、コレはウソなの？

http://www.mhlw.go.jp/stf/houdou/2r985200000297bj-att/2r985200000297im.pdf

長屋は荒らしです。荒らしにレスしてはいけません。荒らしにレスするのも荒らしと同じです。

(内モンゴル自治区)って、このスレで何の貢献もしていないよねｗｗｗ

長屋は1レスするごとに原子力村から10円もらっているコジキです。無視してください。

(内モンゴル自治区)って、自由な脳内お花畑さんで羨ましいなあｗｗｗ

そろそろ、鉛シールド位は買ったらどうでしょう？

今のままだと、計れた数値より計測のバラツキの方が大きくて
計測値が誤差の３σより全然小さいから全然信用できません

普通の測定で言ったら、全てＮＤ（不検出）扱いにしかならないですよｗｗｗ

ゴールデンウィークも原子力村の工作員は活動しています。無視してください。レスした人も荒らしです。

インスペクターは自己ノイズでかいらしい
http://www.mikage.to/radiation/seintl_inspector_plus.html

＞鉛ブロックで囲って自己ノイズを測定したところ，0.02〜0.08μSv/hほどありました．

鉛ブロック使って補正しないで、食品を測っても自己ノイズだらけで無駄ですよ。

スレまとめ　低ベクレル順
１．測定対象 　JヌードルコーポレーションBK こだわりの熟成　20g
２．測定結果　　0Bq/kg 　

１．測定対象 中華蕎麦
２．測定結果　2.62Bq/kg

１．測定対象 北海道富良野産玉葱　12g
２．測定結果　　2-20Bq/kg Bq/kg

１．測定対象 　栃木県産　ふきのとう 19g
２．測定結果　28 Bq/kg 　

１．測定対象 タマノイ穀物酢 2013.12.16
２．測定結果 42 Bq/kg

１．測定対象 カットわかめ　2012.12.17 中国原産 KKジャパンスパイス」
２．測定結果　45 Bq/kg

１．測定対象 　栃木産菜の花
２．測定結果　51 Bq/kg(カリウム込)

１．測定対象 栃木県内で販売されていた米
２．測定結果 104Bq/kg

１．測定対象 国産鶏胸肉2012.02.08購入
２．測定結果 200Bq/kg 　

１．測定対象 栃木産たけのこ 乾燥後10.5g
２．測定結果 298 Bq/kg

１．測定対象 　栃木県産　乾燥椎茸
２．測定結果　1000 Bq/kg

１．測定対象 栃木産しいたけ
２．測定結果　　2700 Bq/kg

http://www.fnorio.com/0083radioactive_conversion_theory1/alpha_&_beta_ray1.html

これは見事な結果で、グラフより明瞭に
１．約0.005ｍｍ通過するごとに半分に弱まる放射能
２．約0.4ｍｍ通過するごとに半分に弱まる放射能
の二種類の放射線が存在することが解る。ラザフォードは１をα線、２をβ線と名付けた。

アルミホイルを重ねることで、α線は厚さ0.2mmで完全に遮断。β線は厚さ3mmで完全に遮断。

279訂正
アルミホイルを重ねることで、α線は厚さ0.02mmで完全に遮断。β線は厚さ3mmで完全に遮断。

「製菓詰め合わせ」 2012.6.22 DN の分析
煎餅で、直径が5cmよりもちょっと大きいのが主体。重さを推定するのが面倒で、CPMだけ。
米つぶ付せんべいを除くと、有意差有り。
合計４日間もかかった超大作。とにかく疲れた。

1. n=30 糊台
x <- c( 43, 35, 50, 50, 56, 45, 47, 50, 45, 49, 46, 49, 65, 53, 40, 39, 58, 38, 45, 60, 43, 34, 58, 50, 51, 42, 54, 39, 43, 31)

2. n=30 ,あられ
x <- c( 31, 35, 50, 37, 40, 38, 37, 46, 44, 37, 54, 40, 48, 44, 52, 38, 46, 39, 37, 50, 45, 31, 41, 47, 46, 44, 50, 21, 30, 51)

3. n=31 ,海苔付せんべい
x <- c( 36, 52, 38, 47, 43, 60, 45, 44, 40, 34, 47, 53, 53, 44, 43, 38, 40, 41, 40, 54, 33, 44, 38, 47, 32, 42, 51, 38, 45, 53, 51)

4. n=30 , 米つぶ付せんべい
x <- c( 43, 32, 46, 45, 43, 51, 35, 34, 36, 56, 47, 48, 44, 38, 38, 50, 29, 34, 41, 63, 29, 36, 48, 48, 45, 43, 38, 33, 38, 40)

5. n=32 糊台
x <- c( 27, 44, 48, 50, 33, 41, 39, 40, 47, 26, 36, 58, 39, 41, 31, 52, 48, 40, 43, 45, 41, 48, 32, 42, 38, 26, 23, 39, 32, 45, 43, 35)

6. n=31 , ソフトサラダ
x <- c( 44, 34, 40, 50, 33, 41, 43, 42, 33, 27, 38, 40, 42, 43, 36, 38, 42, 38, 55, 44, 40, 32, 50, 46, 39, 38, 44, 38, 36, 31, 45)

7. n=76 , 黒糖あげ
x <- c( 48, 52, 34, 38, 52, 27, 46, 51, 35, 34, 40, 49, 43, 47, 48, 54, 34, 35, 48, 42, 44, 45, 51, 42, 42, 38, 32, 44, 53, 42, 44, 52, 32,
56, 46, 25, 54, 35, 40, 46, 41, 48, 49, 54, 46, 38, 34, 46, 47, 37, 36, 37, 48, 36, 51, 37, 37, 40, 32, 47, 43, 40, 35, 36, 40, 35, 51, 43, 46, 49, 43, 46, 35, 42, 50, 37)

8. n=33 , ソフト醤油
x <- c( 32, 43, 65, 36, 34, 32, 44, 33, 38, 33, 32, 55, 29, 50, 48, 36, 31, 52, 32, 32, 33, 30, 46, 34, 34, 38, 52, 28, 28, 31, 34, 37, 51)

9. n=37 糊台 (136 棄却前)
x <- c( 44, 43, 40, 29, 40, 37, 36, 44, 51, 44, 36, 34, 30, 32, 42, 50, 43, 30, 26, 52, 58, 42, 35, 45, 46, 50, 40, 42, 39, 33, 49, 37, 44, 136, 35, 41, 55)

9. n=37 糊台 (136 棄却後)
x <- c( 44, 43, 40, 29, 40, 37, 36, 44, 51, 44, 36, 34, 30, 32, 42, 50, 43, 30, 26, 52, 58, 42, 35, 45, 46, 50, 40, 42, 39, 33, 49, 37, 44, 136, 35, 41, 55)

10. n=36 糊台
x <- c( 54, 46, 40, 28, 48, 42, 36, 34, 46, 38, 28, 49, 47, 30, 41, 39, 38, 41, 39, 27, 51, 36, 40, 44, 41, 49, 39, 50, 45, 35, 45, 53, 36, 48, 44, 38)

11. n=33 糊台
x <- c( 54, 32, 43, 33, 35, 31, 46, 55, 39, 41, 36, 32, 38, 52, 44, 53, 37, 49, 38, 30, 38, 33, 39, 35, 33, 40, 34, 38, 42, 31, 39, 41, 38)

12. n=30 , あられ
x <- c( 49, 38, 48, 40, 40, 49, 38, 40, 40, 47, 39, 43, 41, 43, 35, 55, 40, 41, 34, 43, 50, 31, 47, 41, 39, 43, 37, 41, 47, 32)

13. n=36 , 海苔付せんべい
x <- c( 30, 43, 46, 42, 44, 59, 55, 39, 51, 57, 40, 38, 35, 40, 36, 46, 47, 45, 42, 46, 35, 32, 48, 41, 41, 43, 46, 32, 47, 42, 45, 52, 44, 41, 70, 49)

14. n=31 , 米つぶ付せんべい
x <- c( 37, 56, 36, 35, 41, 39, 27, 37, 27, 40, 32, 37, 38, 52, 36, 39, 32, 49, 48, 37, 38, 42, 56, 43, 32, 42, 46, 46, 39, 30, 70)

15. n=31 糊台
x <- c( 42, 31, 43, 30, 31, 42, 44, 42, 37, 39, 49, 42, 35, 45, 42, 49, 33, 43, 45, 41, 43, 36, 41, 43, 34, 33, 30, 54, 34, 43, 48)

16. n=47 , ソフトサラダ
x <- c( 33, 37, 36, 37, 39, 35, 37, 41, 40, 47, 42, 25, 39, 39, 35, 35, 40, 34, 47, 41, 51, 35, 38, 49, 31, 40, 36, 44, 48, 49, 44, 39, 48, 40, 38, 35, 46, 47, 31, 36, 43, 44, 40, 45, 30, 44, 36)

17. n=71 , 黒糖あげ
x <- c( 34, 44, 42, 34, 43, 42, 36, 47, 45, 30, 38, 45, 45, 38, 38, 40, 53, 33, 41, 28, 29, 37, 44, 34, 41, 36, 34, 38, 38, 43, 35, 32, 32, 48, 46, 57, 52, 40, 35, 34, 54, 47, 35,
43, 56, 32, 43, 23, 40, 45, 39, 43, 47, 43, 43, 32, 39, 33, 40, 39, 44, 43, 30, 55, 43, 34, 37, 36, 40, 48, 41)

18. n=41 , ソフト醤油
x <- c( 46, 42, 37, 31, 41, 33, 44, 40, 45, 38, 39, 37, 40, 57, 42, 44, 35, 46, 41, 45, 40, 34, 43, 32, 48, 33, 44, 33, 40, 37, 34, 44, 48, 47, 28, 57, 38, 41, 35, 30, 39)

19. n=30 糊台
x <- c( 38, 32, 43, 30, 54, 38, 36, 38, 31, 34, 43, 41, 46, 41, 35, 38, 41, 34, 33, 43, 30, 38, 46, 41, 33, 33, 32, 36, 28, 49)

インスペクターは自己ノイズでかいらしい
http://www.mikage.to/radiation/seintl_inspector_plus.html

＞鉛ブロックで囲って自己ノイズを測定したところ，0.02〜0.08μSv/hほどありました．

鉛ブロック使って補正しないで、食品を測っても自己ノイズだらけで無駄ですよ。

インスペクターどころか安物エアカウンタースレでは食品汚染の判別はできるだろとか
キチガイが横行してるからな
放射脳極まってるわなwww

エアカウＳは0.05uSvで足切りされる時点で、食品測定なんて使えないでしょ。

鉛ブロックで囲ったら、測定値低すぎてうまく測れないと思う。

１．測定対象
「栃木県産さんしょう若芽 5.6g, 2012.05.05採取, 40度6時間乾燥」の分析
市町村名はBG測定値から推定してください。

２．測定結果
1. n=30 糊台
x <- c( 38, 32, 43, 30, 54, 38, 36, 38, 31, 34, 43, 41, 46, 41, 35, 38, 41, 34, 33, 43, 30, 38, 46, 41, 33, 33, 32, 36, 28, 49)

2. n=32 さんしょう 5.6g, 2012.05.05採取, 40度6時間乾燥
x <- c( 46, 36, 44, 38, 46, 51, 63, 58, 38, 50, 34, 53, 51, 53, 47, 59, 66, 61, 45, 64, 58, 53, 54, 63, 50, 68, 50, 57, 61, 50, 67, 57)

3. n=30 糊台
x <- c( 36, 39, 42, 27, 42, 26, 48, 40, 36, 52, 27, 40, 41, 40, 29, 36, 33, 27, 42, 37, 42, 39, 45, 47, 34, 40, 33, 32, 32, 33)

4. n=31 さんしょう 5.6g, 2012.05.05採取, 40度6時間乾燥
x <- c( 62, 62, 55, 57, 58, 60, 65, 67, 58, 54, 65, 50, 69, 57, 59, 42, 50, 62, 62, 68, 52, 61, 81, 67, 57, 52, 69, 56, 44, 74, 57)

5. n=33 糊台
x <- c( 40, 28, 34, 36, 33, 46, 33, 32, 45, 32, 46, 32, 44, 37, 33, 46, 48, 39, 43, 36, 42, 46, 38, 41, 40, 32, 41, 40, 38, 49, 45, 35, 49)

４.　データ貼り付け
全体の分析
x <- c( 38, 32, 43, 30, 54, 38, 36, 38, 31, 34, 43, 41, 46, 41, 35, 38, 41, 34, 33, 43, 30, 38, 46, 41, 33, 33, 32, 36, 28, 49 ,
46, 36, 44, 38, 46, 51, 63, 58, 38, 50, 34, 53, 51, 53, 47, 59, 66, 61, 45, 64, 58, 53, 54, 63, 50, 68, 50, 57, 61, 50, 67, 57 ,
36, 39, 42, 27, 42, 26, 48, 40, 36, 52, 27, 40, 41, 40, 29, 36, 33, 27, 42, 37, 42, 39, 45, 47, 34, 40, 33, 32, 32, 33 ,
62, 62, 55, 57, 58, 60, 65, 67, 58, 54, 65, 50, 69, 57, 59, 42, 50, 62, 62, 68, 52, 61, 81, 67, 57, 52, 69, 56, 44, 74, 57 ,
40, 28, 34, 36, 33, 46, 33, 32, 45, 32, 46, 32, 44, 37, 33, 46, 48, 39, 43, 36, 42, 46, 38, 41, 40, 32, 41, 40, 38, 49, 45, 35, 49)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 45.47436
> var(x)
[1] 136.4703
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 61.0363, 第1自由度 = 4, 第2自由度 = 151, P値 < 2.2e-16
有意。群間に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 9.3643, 自由度 = 4, P値 = 0.05261
有意差有り。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 53.8153, 第1自由度 = 4.000, 第2自由度 = 74.852, P値 < 2.2e-16
有意。群間に差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 7 4.4871795 4.487179
30 25 16.0256410 20.512821
35 24 15.3846154 35.897436
40 27 17.3076923 53.205128
45 19 12.1794872 65.384615
50 17 10.8974359 76.282051
55 14 8.9743590 85.256410
60 11 7.0512821 92.307692
65 10 6.4102564 98.717949
70 1 0.6410256 99.358974
75 0 0.0000000 99.358974
80 1 0.6410256 100.000000
>

BGと試料の比較
x <- c( 38, 32, 43, 30, 54, 38, 36, 38, 31, 34, 43, 41, 46, 41, 35, 38, 41, 34, 33, 43, 30, 38, 46, 41, 33, 33, 32, 36, 28, 49 ,
46, 36, 44, 38, 46, 51, 63, 58, 38, 50, 34, 53, 51, 53, 47, 59, 66, 61, 45, 64, 58, 53, 54, 63, 50, 68, 50, 57, 61, 50, 67, 57 ,
36, 39, 42, 27, 42, 26, 48, 40, 36, 52, 27, 40, 41, 40, 29, 36, 33, 27, 42, 37, 42, 39, 45, 47, 34, 40, 33, 32, 32, 33 ,
62, 62, 55, 57, 58, 60, 65, 67, 58, 54, 65, 50, 69, 57, 59, 42, 50, 62, 62, 68, 52, 61, 81, 67, 57, 52, 69, 56, 44, 74, 57 ,
40, 28, 34, 36, 33, 46, 33, 32, 45, 32, 46, 32, 44, 37, 33, 46, 48, 39, 43, 36, 42, 46, 38, 41, 40, 32, 41, 40, 38, 49, 45, 35, 49)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 211.6335, 第1自由度 = 1, 第2自由度 = 154, P値 < 2.2e-16
有意。バックグラウンドと試料に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 12.6535, 自由度 = 1, P値 = 0.0003749
有意差有り。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 182.0564, 第1自由度 = 1.000, 第2自由度 = 98.642, P値 < 2.2e-16
有意。バックグラウンドと試料に差異がある。

>

繰り返しによる影響

1. n = 93 BG 繰り返し数 =3
x <- c( 38, 32, 43, 30, 54, 38, 36, 38, 31, 34, 43, 41, 46, 41, 35, 38, 41, 34, 33, 43, 30, 38, 46, 41, 33, 33, 32, 36, 28, 49 ,
36, 39, 42, 27, 42, 26, 48, 40, 36, 52, 27, 40, 41, 40, 29, 36, 33, 27, 42, 37, 42, 39, 45, 47, 34, 40, 33, 32, 32, 33 ,
40, 28, 34, 36, 33, 46, 33, 32, 45, 32, 46, 32, 44, 37, 33, 46, 48, 39, 43, 36, 42, 46, 38, 41, 40, 32, 41, 40, 38, 49, 45, 35, 49)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 38.18280
> var(x)
[1] 38.30318
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 1.0016, 第1自由度 = 2, 第2自由度 = 90, P値 = 0.3714
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.4444, 自由度 = 2, P値 = 0.8008
有意ではない。先の分散分析は有効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 1.0112, 第1自由度 = 2.000, 第2自由度 = 59.251, P値 = 0.3700
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 7 7.526882 7.526882
30 24 25.806452 33.333333
35 21 22.580645 55.913978
40 24 25.806452 81.720430
45 15 16.129032 97.849462
50 2 2.150538 100.000000
>

2. n = 63 さんしょう 5.6g, 2012.05.05採取, 40度6時間乾燥 繰り返し数 =2
x <- c( 46, 36, 44, 38, 46, 51, 63, 58, 38, 50, 34, 53, 51, 53, 47, 59, 66, 61, 45, 64, 58, 53, 54, 63, 50, 68, 50, 57, 61, 50, 67, 57 ,
62, 62, 55, 57, 58, 60, 65, 67, 58, 54, 65, 50, 69, 57, 59, 42, 50, 62, 62, 68, 52, 61, 81, 67, 57, 52, 69, 56, 44, 74, 57)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 56.2381
> var(x)
[1] 86.86175
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 9.8585, 第1自由度 = 1, 第2自由度 = 61, P値 = 0.002606
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.2826, 自由度 = 1, P値 = 0.595
有意ではない。先の分散分析は有効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 9.8894, 第1自由度 = 1.000, 第2自由度 = 60.745, P値 = 0.002573
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
30 1 1.587302 1.587302
35 3 4.761905 6.349206
40 3 4.761905 11.111111
45 4 6.349206 17.460317
50 15 23.809524 41.269841
55 14 22.222222 63.492063
60 11 17.460317 80.952381
65 10 15.873016 96.825397
70 1 1.587302 98.412698
75 0 0.000000 98.412698
80 1 1.587302 100.000000
>

BGと試料の比較

1. n = 93 BG 繰り返し数 =3
gr1 <- c( 38, 32, 43, 30, 54, 38, 36, 38, 31, 34, 43, 41, 46, 41, 35, 38, 41, 34, 33, 43, 30, 38, 46, 41, 33, 33, 32, 36, 28, 49 ,
36, 39, 42, 27, 42, 26, 48, 40, 36, 52, 27, 40, 41, 40, 29, 36, 33, 27, 42, 37, 42, 39, 45, 47, 34, 40, 33, 32, 32, 33 ,
40, 28, 34, 36, 33, 46, 33, 32, 45, 32, 46, 32, 44, 37, 33, 46, 48, 39, 43, 36, 42, 46, 38, 41, 40, 32, 41, 40, 38, 49, 45, 35, 49)

2. n = 63 さんしょう 5.6g, 2012.05.05採取, 40度6時間乾燥 繰り返し数 =2
gr2 <- c( 46, 36, 44, 38, 46, 51, 63, 58, 38, 50, 34, 53, 51, 53, 47, 59, 66, 61, 45, 64, 58, 53, 54, 63, 50, 68, 50, 57, 61, 50, 67, 57 ,
62, 62, 55, 57, 58, 60, 65, 67, 58, 54, 65, 50, 69, 57, 59, 42, 50, 62, 62, 68, 52, 61, 81, 67, 57, 52, 69, 56, 44, 74, 57)

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -14.5476, 自由度 = 154, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -20.50711 -15.60349
標本推定値:
平均値x 平均値y
38.18280 56.23810
有意。試料とバックグラウンドに差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -13.4928, 自由度 = 98.642, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -20.71058 -15.40002
標本推定値:
平均値x 平均値y
38.18280 56.23810
有意。試料とバックグラウンドに差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.441, 第1自由度 = 92, 第2自由度 = 62, P値 = 0.0003533
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.2757597 0.6906669
標本推定値:
分散比
0.4409672
有意。分散が異なるので（Welchの方法）を使用する。
>

56.2 - 38.2 = 18 CPM 8.46 Bq/kg
全量を受光しているとして、1500 Bq/kg。
葉の水分は85%( http://okwave.jp/qa/q7342041.html )より、試料は 37.3 g。
水分85%として、
1500 * 15 / 100 = 225 Bq/kg

１．測定対象
「茨城産白ネギ　40度5日乾燥 7.2g」(2012.04.28 入手)の分析。

２．測定結果
1. n=38 糊台
x <- c( 36, 33, 42, 42, 35, 41, 30, 42, 40, 47, 29, 31, 32, 44, 38, 43, 29, 42, 49, 37, 30, 38, 52, 26, 44, 40, 42, 28, 37, 44, 38, 36, 41, 44, 31, 38, 40, 32)

2. n=31 茨城産白ネギ　40度5日乾燥 7.2g
x <- c( 63, 54, 51, 68, 57, 55, 68, 71, 69, 69, 60, 69, 54, 59, 63, 56, 71, 78, 56, 68, 62, 66, 48, 72, 56, 68, 60, 60, 61, 60, 67)

3. n=30 糊台
x <- c( 36, 41, 36, 41, 32, 38, 43, 29, 48, 35, 48, 44, 39, 41, 42, 43, 41, 34, 36, 39, 49, 38, 35, 37, 49, 43, 38, 43, 33, 38)

4. n=30 糊台
x <- c( 44, 38, 49, 30, 35, 41, 40, 36, 35, 38, 51, 59, 42, 42, 32, 30, 42, 39, 42, 30, 42, 40, 47, 37, 44, 43, 49, 50, 38, 31)

5. n=36 茨城産白ネギ　40度5日乾燥 7.2g
x <- c( 61, 66, 54, 64, 71, 62, 66, 48, 62, 73, 68, 61, 65, 57, 69, 59, 68, 61, 62, 74, 65, 64, 50, 69, 48, 70, 60, 70, 61, 67, 76, 49, 59, 61, 62, 48)

6. n=35 糊台
x <- c( 32, 35, 27, 40, 27, 47, 29, 44, 38, 35, 36, 34, 45, 38, 36, 40, 45, 37, 43, 50, 30, 30, 41, 32, 36, 38, 33, 38, 31, 37, 33, 30, 35, 44, 44)

４.　データ貼り付け
全体の分析
x <- c( 36, 33, 42, 42, 35, 41, 30, 42, 40, 47, 29, 31, 32, 44, 38, 43, 29, 42, 49, 37, 30, 38, 52, 26, 44, 40, 42, 28, 37, 44, 38, 36, 41, 44, 31, 38, 40, 32 ,
63, 54, 51, 68, 57, 55, 68, 71, 69, 69, 60, 69, 54, 59, 63, 56, 71, 78, 56, 68, 62, 66, 48, 72, 56, 68, 60, 60, 61, 60, 67 ,
36, 41, 36, 41, 32, 38, 43, 29, 48, 35, 48, 44, 39, 41, 42, 43, 41, 34, 36, 39, 49, 38, 35, 37, 49, 43, 38, 43, 33, 38 ,
44, 38, 49, 30, 35, 41, 40, 36, 35, 38, 51, 59, 42, 42, 32, 30, 42, 39, 42, 30, 42, 40, 47, 37, 44, 43, 49, 50, 38, 31 ,
61, 66, 54, 64, 71, 62, 66, 48, 62, 73, 68, 61, 65, 57, 69, 59, 68, 61, 62, 74, 65, 64, 50, 69, 48, 70, 60, 70, 61, 67, 76, 49, 59, 61, 62, 48 ,
32, 35, 27, 40, 27, 47, 29, 44, 38, 35, 36, 34, 45, 38, 36, 40, 45, 37, 43, 50, 30, 30, 41, 32, 36, 38, 33, 38, 31, 37, 33, 30, 35, 44, 44)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5 ,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6,6)
> mean(x)
[1] 46.635
> var(x)
[1] 170.042
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 122.4464, 第1自由度 = 5, 第2自由度 = 194, P値 < 2.2e-16
有意。群間に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 5.8805, 自由度 = 5, P値 = 0.318
有意。再起の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 107.4051, 第1自由度 = 5.000, 第2自由度 = 89.329, P値 < 2.2e-16
有意。群間に差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 8 4.0 4.0
30 24 12.0 16.0
35 41 20.5 36.5
40 43 21.5 58.0
45 17 8.5 66.5
50 9 4.5 71.0
55 10 5.0 76.0
60 20 10.0 86.0
65 18 9.0 95.0
70 8 4.0 99.0
75 2 1.0 100.0
>

BGと試料の比較
x <- c( 36, 33, 42, 42, 35, 41, 30, 42, 40, 47, 29, 31, 32, 44, 38, 43, 29, 42, 49, 37, 30, 38, 52, 26, 44, 40, 42, 28, 37, 44, 38, 36, 41, 44, 31, 38, 40, 32 ,
63, 54, 51, 68, 57, 55, 68, 71, 69, 69, 60, 69, 54, 59, 63, 56, 71, 78, 56, 68, 62, 66, 48, 72, 56, 68, 60, 60, 61, 60, 67 ,
36, 41, 36, 41, 32, 38, 43, 29, 48, 35, 48, 44, 39, 41, 42, 43, 41, 34, 36, 39, 49, 38, 35, 37, 49, 43, 38, 43, 33, 38 ,
44, 38, 49, 30, 35, 41, 40, 36, 35, 38, 51, 59, 42, 42, 32, 30, 42, 39, 42, 30, 42, 40, 47, 37, 44, 43, 49, 50, 38, 31 ,
61, 66, 54, 64, 71, 62, 66, 48, 62, 73, 68, 61, 65, 57, 69, 59, 68, 61, 62, 74, 65, 64, 50, 69, 48, 70, 60, 70, 61, 67, 76, 49, 59, 61, 62, 48 ,
32, 35, 27, 40, 27, 47, 29, 44, 38, 35, 36, 34, 45, 38, 36, 40, 45, 37, 43, 50, 30, 30, 41, 32, 36, 38, 33, 38, 31, 37, 33, 30, 35, 44, 44)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,
2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 598.8913, 第1自由度 = 1, 第2自由度 = 198, P値 < 2.2e-16
有意。バックグラウントと試料に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 2.2995, 自由度 = 1, P値 = 0.1294
有意。再起の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 539.1536, 第1自由度 = 1.000, 第2自由度 = 115.438, P値 < 2.2e-16
有意。バックグラウントと試料に差異がある。

>

繰り返しによる影響

1. n = 133 BG 繰り返し数 =4
x <- c( 36, 33, 42, 42, 35, 41, 30, 42, 40, 47, 29, 31, 32, 44, 38, 43, 29, 42, 49, 37, 30, 38, 52, 26, 44, 40, 42, 28, 37, 44, 38, 36, 41, 44, 31, 38, 40, 32 ,
36, 41, 36, 41, 32, 38, 43, 29, 48, 35, 48, 44, 39, 41, 42, 43, 41, 34, 36, 39, 49, 38, 35, 37, 49, 43, 38, 43, 33, 38 ,
44, 38, 49, 30, 35, 41, 40, 36, 35, 38, 51, 59, 42, 42, 32, 30, 42, 39, 42, 30, 42, 40, 47, 37, 44, 43, 49, 50, 38, 31 ,
32, 35, 27, 40, 27, 47, 29, 44, 38, 35, 36, 34, 45, 38, 36, 40, 45, 37, 43, 50, 30, 30, 41, 32, 36, 38, 33, 38, 31, 37, 33, 30, 35, 44, 44)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4)
> mean(x)
[1] 38.63158
> var(x)
[1] 37.73445
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 2.4187, 第1自由度 = 3, 第2自由度 = 129, P値 = 0.06919
有意。繰り返しによる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 2.831, 自由度 = 3, P値 = 0.4184
有意。再起の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 2.3181, 第1自由度 = 3.00, 第2自由度 = 70.28, P値 = 0.0829
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 8 6.0150376 6.015038
30 24 18.0451128 24.060150
35 41 30.8270677 54.887218
40 43 32.3308271 87.218045
45 12 9.0225564 96.240602
50 4 3.0075188 99.248120
55 1 0.7518797 100.000000
>

2. n = 67 茨城産白ネギ　40度5日乾燥 7.2g 繰り返し数 =2
x <- c( 63, 54, 51, 68, 57, 55, 68, 71, 69, 69, 60, 69, 54, 59, 63, 56, 71, 78, 56, 68, 62, 66, 48, 72, 56, 68, 60, 60, 61, 60, 67 ,
61, 66, 54, 64, 71, 62, 66, 48, 62, 73, 68, 61, 65, 57, 69, 59, 68, 61, 62, 74, 65, 64, 50, 69, 48, 70, 60, 70, 61, 67, 76, 49, 59, 61, 62, 48)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 62.52239
> var(x)
[1] 51.91995
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 7e-04, 第1自由度 = 1, 第2自由度 = 65, P値 = 0.9784
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.0814, 自由度 = 1, P値 = 0.7754
有意ではない。再起の分散分析は有効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 7e-04, 第1自由度 = 1.000, 第2自由度 = 64.339, P値 = 0.9783
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
45 5 7.462687 7.462687
50 5 7.462687 14.925373
55 9 13.432836 28.358209
60 20 29.850746 58.208955
65 18 26.865672 85.074627
70 8 11.940299 97.014925
75 2 2.985075 100.000000
>

BGと試料の比較

1. n = 133 BG 繰り返し数 =4
gr1 <- c( 36, 33, 42, 42, 35, 41, 30, 42, 40, 47, 29, 31, 32, 44, 38, 43, 29, 42, 49, 37, 30, 38, 52, 26, 44, 40, 42, 28, 37, 44, 38, 36, 41, 44, 31, 38, 40, 32 ,
36, 41, 36, 41, 32, 38, 43, 29, 48, 35, 48, 44, 39, 41, 42, 43, 41, 34, 36, 39, 49, 38, 35, 37, 49, 43, 38, 43, 33, 38 ,
44, 38, 49, 30, 35, 41, 40, 36, 35, 38, 51, 59, 42, 42, 32, 30, 42, 39, 42, 30, 42, 40, 47, 37, 44, 43, 49, 50, 38, 31 ,
32, 35, 27, 40, 27, 47, 29, 44, 38, 35, 36, 34, 45, 38, 36, 40, 45, 37, 43, 50, 30, 30, 41, 32, 36, 38, 33, 38, 31, 37, 33, 30, 35, 44, 44)

2. n = 67 茨城産白ネギ　40度5日乾燥 7.2g 繰り返し数 =2
gr2 <- c( 63, 54, 51, 68, 57, 55, 68, 71, 69, 69, 60, 69, 54, 59, 63, 56, 71, 78, 56, 68, 62, 66, 48, 72, 56, 68, 60, 60, 61, 60, 67 ,
61, 66, 54, 64, 71, 62, 66, 48, 62, 73, 68, 61, 65, 57, 69, 59, 68, 61, 62, 74, 65, 64, 50, 69, 48, 70, 60, 70, 61, 67, 76, 49, 59, 61, 62, 48)

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -24.4723, 自由度 = 198, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -25.81597 -21.96565
標本推定値:
平均値x 平均値y
38.63158 62.52239
有意。試料とバックグラウンドに差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -23.2197, 自由度 = 115.438, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -25.92879 -21.85283
標本推定値:
平均値x 平均値y
38.63158 62.52239
有意。試料とバックグラウンドに差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.7268, 第1自由度 = 132, 第2自由度 = 66, P値 = 0.1234
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.4700811 1.0906355
標本推定値:
分散比
0.7267814
有意。分散が異なるので、（Welchの方法）を使用する。

>

３.補足コメント
62.5 - 38.6 = 23.9 CPM 11.2Bq
小さいので全量の光を受光したとして、1560 Bq/kg。

水分　92%、カリウム 180mg/100g ( http://www.yasainavi.com/eiyou/eiyouhyou/ )より、カリウム 5.6 Bq/kg。
1560 * 8 / 100 = 124.8 Bq/kg
124.8 >> 5.6 でカリウムの影響はわずかな量。

測定お疲れ様です。
福島、宮城、茨城は３大汚染地域です。
子供には、この地域の食品や加工食品を食べさせてはいけません。
特に茨城に駄菓子メーカーが多いのが気になります。
日本政府が規制すべきでは。。官僚や政治家の子供も駄菓子を食べるのですから。
絆とか言っている場合ではありません。

インスペクターは自己ノイズでかいらしい
http://www.mikage.to/radiation/seintl_inspector_plus.html

＞鉛ブロックで囲って自己ノイズを測定したところ，0.02〜0.08μSv/hほどありました．

鉛ブロック使って補正しないで、食品を測っても自己ノイズだらけで無駄ですよ。

284 名前

１．測定対象
栃木産「葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 赤道内にて採取、1g」の分析。

２．測定結果
1. n=30 糊板
x <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42)

2. n=31 葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 採取、1g
x <- c( 38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41)

3. n=35 糊板
x <- c( 36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26)

4. n=33 葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 採取、1g
x <- c( 31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38)

5. n=31 糊板
x <- c( 32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)

４.　データ貼り付け
全体の分析
x <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42 ,
38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41 ,
36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26 ,
31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38 ,
32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 40.76875
> var(x)
[1] 49.72606
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 5.0578, 第1自由度 = 4, 第2自由度 = 155, P値 = 0.0007389
有意。群間に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 10.5554, 自由度 = 4, P値 = 0.03204
有意。分散が異なるので先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 5.2784, 第1自由度 = 4.000, 第2自由度 = 76.692, P値 = 0.0008272
有意。群間に差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 5 3.125 3.125
30 20 12.500 15.625
35 52 32.500 48.125
40 40 25.000 73.125
45 22 13.750 86.875
50 12 7.500 94.375
55 7 4.375 98.750
60 1 0.625 99.375
65 1 0.625 100.000
>

BGと試料の比較
x <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42 ,
38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41 ,
36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26 ,
31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38 ,
32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)
g <- c(2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,
2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,
2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 19.7818, 第1自由度 = 1, 第2自由度 = 158, P値 = 1.629e-05
有意。バックグラウントと試料に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 4.3494, 自由度 = 1, P値 = 0.03702
有意。分散が異なるので先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 18.007, 第1自由度 = 1.000, 第2自由度 = 113.154, P値 = 4.525e-05
有意。バックグラウントと試料に差異がある。

>

繰り返しによる影響

2. n = 96 糊板 繰り返し数 =3
x <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42 ,
36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26 ,
32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 38.85417
> var(x)
[1] 35.78904
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.4568, 第1自由度 = 2, 第2自由度 = 93, P値 = 0.6347
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 5.4362, 自由度 = 2, P値 = 0.066
有意。分散が異なるので先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.6028, 第1自由度 = 2.000, 第2自由度 = 60.393, P値 = 0.5505
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 4 4.166667 4.166667
30 15 15.625000 19.791667
35 39 40.625000 60.416667
40 23 23.958333 84.375000
45 8 8.333333 92.708333
50 5 5.208333 97.916667
55 2 2.083333 100.000000
>

3. n = 64 葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 採取、1g 繰り返し数 =2
x <- c( 38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41 ,
31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 43.64063
> var(x)
[1] 57.56721
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0, 第1自由度 = 1, 第2自由度 = 62, P値 = 0.9963
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.7844, 自由度 = 1, P値 = 0.3758
有意。分散が異なるので先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0, 第1自由度 = 1.000, 第2自由度 = 61.424, P値 = 0.9963
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 1 1.5625 1.5625
30 5 7.8125 9.3750
35 13 20.3125 29.6875
40 17 26.5625 56.2500
45 14 21.8750 78.1250
50 7 10.9375 89.0625
55 5 7.8125 96.8750
60 1 1.5625 98.4375
65 1 1.5625 100.0000
>

BGと試料の比較

2. n = 96 糊板 繰り返し数 =3
gr1 <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42 ,
36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26 ,
32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)

3. n = 64 葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 採取、1g 繰り返し数 =2
gr2 <- c( 38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41 ,
31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38)
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -4.4477, 自由度 = 158, P値 = 1.629e-05
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -6.911995 -2.660921
標本推定値:
平均値x 平均値y
38.85417 43.64063
有意。試料とバックグラウンドで差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -4.2435, 自由度 = 113.154, P値 = 4.525e-05
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -7.021114 -2.551802
標本推定値:
平均値x 平均値y
38.85417 43.64063
有意。試料とバックグラウンドで差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.6217, 第1自由度 = 95, 第2自由度 = 63, P値 = 0.03562
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.3907350 0.9685172
標本推定値:
分散比
0.6216913
有意。分散が異なるので、（Welchの方法）を使用する。

>

３.補足コメント
43.6 - 38.9 = 4.7 CPM (2.2 Bq)
2.2 * 1000 / 1 = 2200 Bq/kg
乾燥ぜんまい１００gは水で戻すと平均して約６００gになります。( http://www5b.biglobe.ne.jp/~tomosuke/vegs/zennmai.htm ) なので、6で除して、乾燥前の状態を求める。
2200 / 6 = 370 Bq/kg
参考として、メスぜんまいは食用にしますが、オスゼンマイは食べません。
時機が遅くて葉が開いてしまいました。開いたメスは食用にしません(硬くて食べられません)。前述サイトの写真にあるように、葉が開く前に収穫します。したがって通常の収穫ではありません。
群番号を見ればわかるとおり、おかしな番号が付されています。r形式への変換に間違いがあるかもしれません。

>>298
どれをupしたか、わけワカメな状態になっているので、upやめたけど
冷麦の測定値では、大阪と兵庫と香川と九州の業者が高かった。
茨城の業者が10で、他は50-100位。
兵庫の業者は、ロットがアルファベット1文字の場合が低くて、2文字が高い。
(都道府県名が帰されていない)国産小麦を使っているのかな。

小麦は海外産を使っているような気もするけど。チェルノブイリ周辺の小麦だったりして。
こんにゃくは関税の関係で国内産が多いような気がする。

関税率
コンニャクイモ 1706%
えんどう豆 1085%
コメ 778%
落花生 593%
タピオカでんぷん 583%
小豆 403%
バター 360%
粗糖 328%
大麦 256%
小麦 252%
生糸 245%
いもでんぷん 234%
脱脂粉乳 218%

こんにゃくは、ほぼ100%国産のはずなんだけど、
2011年産こんにゃく粉を入手していません。
かといって、こんにゃくを掘って試料にする元気はない(通常の収穫なら、5kg位の芋を掘る)。
手持ちの粉こんにゃくを全部食べたらば、買ってきましょう。
粉こんにゃくで問題がないようならば、芋こんにゃくを製造すべく、収穫します。
1日仕事なので気合と根性がないと作る気になれない。約10kgのこんにゃくを食べる根性がないと作る気になれません。
こんにゃくの測定は今年の秋以降です。

私の測定は、インスペクターによるβ線を使った測定です。
国のサイトを見ると、福島産品のほとんどがNDで、γ線が検出されていません。
したがって、試料からのγ線を0として、試料台(机です)からの線量は一定、大気からのγ線が変化すると近似できる。
β線は金属板1枚でシールド可能だから、試料台で下からのβ線は防護されている。
上空からのβ線は、インスペクターのプラスチック製ケースで防護されている。
γ線検出を前提とする鉛ブロックなんていらないのよね。
試料からのγ線を検出しようとしたら、必要でしょうけど。

ＮＤとは下限値を100Bq/kgにすれば、99Bq/kgでＮＤになるという都合のよい言葉。
原発事故前は0.0012Bq/kgと表示していた。

2008年度の放射能調査資料
http://www.kankyo-hoshano.go.jp/08/soukatsu_lib/h20_suijun.pdf

魚類セシウム１３７　最大値0.16Bq/kg 平均値0.085Bq/kg
魚類ストロンチウム９０　最大値　0.040Bq/kg　平均値0.0012Bq/kg
お米セシウム１３７　最大0.42Bq/kg　平均0.015Bq/kg

http://wwwcms.pref.fukushima.jp/download/1/mon240501mv.pdf
福島県の原木椎茸（露地）が25Bq/kgだと？
絶対にウソだろ。２５０００Bq/kgの間違いだろ。

これからは堆肥や土や飼料、濃縮されて山から移動してきた
放射性物質で全国の汚染が加速するから、
原発から遠くても安心できないな。

１．測定対象
「栃木産タラッペ, 2012.05.06採取, 40度2日間乾燥 1.7g」の分析。

２．測定結果
1. n=32 糊板
x <- c( 41, 39, 35, 40, 45, 54, 55, 33, 35, 38, 24, 39, 48, 39, 49, 31, 34, 44, 42, 32, 46, 39, 29, 38, 41, 51, 36, 41, 50, 37, 39, 33)

2. n=30 栃木産タラッペ, 2012.05.06採取, 40度2日間乾燥 1.7g
x <- c( 50, 58, 54, 50, 43, 49, 53, 44, 53, 45, 51, 66, 63, 56, 55, 67, 52, 60, 70, 53, 44, 56, 46, 49, 47, 48, 54, 62, 51, 53)

3. n=34 糊板
x <- c( 38, 27, 39, 47, 37, 35, 42, 37, 37, 39, 36, 46, 39, 44, 37, 46, 42, 54, 33, 40, 40, 36, 41, 45, 30, 32, 49, 32, 43, 33, 41, 33, 51, 37)

4. n=31 栃木産タラッペ, 2012.05.06採取, 40度2日間乾燥 1.7g
x <- c( 58, 75, 51, 54, 55, 50, 52, 68, 58, 47, 57, 71, 52, 62, 64, 44, 61, 51, 54, 53, 76, 71, 75, 59, 50, 64, 58, 60, 41, 66, 54)

5. n=47 糊板
x <- c( 45, 43, 48, 46, 50, 49, 30, 41, 51, 30, 36, 36, 31, 35, 35, 32, 53, 38, 44, 37, 34, 57, 42, 39, 30, 44, 31, 38, 34, 25, 29, 50, 42, 36, 46, 46, 46, 30, 54, 52, 39, 39, 26, 30, 44, 39, 27)

４.　データ貼り付け
全体の分析
x <- c( 41, 39, 35, 40, 45, 54, 55, 33, 35, 38, 24, 39, 48, 39, 49, 31, 34, 44, 42, 32, 46, 39, 29, 38, 41, 51, 36, 41, 50, 37, 39, 33 ,
50, 58, 54, 50, 43, 49, 53, 44, 53, 45, 51, 66, 63, 56, 55, 67, 52, 60, 70, 53, 44, 56, 46, 49, 47, 48, 54, 62, 51, 53 ,
38, 27, 39, 47, 37, 35, 42, 37, 37, 39, 36, 46, 39, 44, 37, 46, 42, 54, 33, 40, 40, 36, 41, 45, 30, 32, 49, 32, 43, 33, 41, 33, 51, 37 ,
58, 75, 51, 54, 55, 50, 52, 68, 58, 47, 57, 71, 52, 62, 64, 44, 61, 51, 54, 53, 76, 71, 75, 59, 50, 64, 58, 60, 41, 66, 54 ,
45, 43, 48, 46, 50, 49, 30, 41, 51, 30, 36, 36, 31, 35, 35, 32, 53, 38, 44, 37, 34, 57, 42, 39, 30, 44, 31, 38, 34, 25, 29, 50, 42, 36, 46, 46, 46, 30, 54, 52, 39, 39, 26, 30, 44, 39, 27)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 45.32759
> var(x)
[1] 120.5221
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 47.0858, 第1自由度 = 4, 第2自由度 = 169, P値 < 2.2e-16
有意。群による差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 6.1503, 自由度 = 4, P値 = 0.1882
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 42.7374, 第1自由度 = 4.000, 第2自由度 = 81.184, P値 < 2.2e-16
有意。群による差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 1 0.5747126 0.5747126
25 6 3.4482759 4.0229885
30 21 12.0689655 16.0919540
35 35 20.1149425 36.2068966
40 26 14.9425287 51.1494253
45 23 13.2183908 64.3678161
50 32 18.3908046 82.7586207
55 12 6.8965517 89.6551724
60 8 4.5977011 94.2528736
65 4 2.2988506 96.5517241
70 3 1.7241379 98.2758621
75 3 1.7241379 100.0000000
>

BGと試料の比較
x <- c( 41, 39, 35, 40, 45, 54, 55, 33, 35, 38, 24, 39, 48, 39, 49, 31, 34, 44, 42, 32, 46, 39, 29, 38, 41, 51, 36, 41, 50, 37, 39, 33 ,
50, 58, 54, 50, 43, 49, 53, 44, 53, 45, 51, 66, 63, 56, 55, 67, 52, 60, 70, 53, 44, 56, 46, 49, 47, 48, 54, 62, 51, 53 ,
38, 27, 39, 47, 37, 35, 42, 37, 37, 39, 36, 46, 39, 44, 37, 46, 42, 54, 33, 40, 40, 36, 41, 45, 30, 32, 49, 32, 43, 33, 41, 33, 51, 37 ,
58, 75, 51, 54, 55, 50, 52, 68, 58, 47, 57, 71, 52, 62, 64, 44, 61, 51, 54, 53, 76, 71, 75, 59, 50, 64, 58, 60, 41, 66, 54 ,
45, 43, 48, 46, 50, 49, 30, 41, 51, 30, 36, 36, 31, 35, 35, 32, 53, 38, 44, 37, 34, 57, 42, 39, 30, 44, 31, 38, 34, 25, 29, 50, 42, 36, 46, 46, 46, 30, 54, 52, 39, 39, 26, 30, 44, 39, 27)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 177.8743, 第1自由度 = 1, 第2自由度 = 172, P値 < 2.2e-16
有意。試料とバックグラウンドに差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.7617, 自由度 = 1, P値 = 0.1844
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 162.7614, 第1自由度 = 1.000, 第2自由度 = 108.427, P値 < 2.2e-16
有意。試料とバックグラウンドに差異がある。

>

2. n = 113 糊板 繰り返し数 =3
x <- c( 41, 39, 35, 40, 45, 54, 55, 33, 35, 38, 24, 39, 48, 39, 49, 31, 34, 44, 42, 32, 46, 39, 29, 38, 41, 51, 36, 41, 50, 37, 39, 33 ,
38, 27, 39, 47, 37, 35, 42, 37, 37, 39, 36, 46, 39, 44, 37, 46, 42, 54, 33, 40, 40, 36, 41, 45, 30, 32, 49, 32, 43, 33, 41, 33, 51, 37 ,
45, 43, 48, 46, 50, 49, 30, 41, 51, 30, 36, 36, 31, 35, 35, 32, 53, 38, 44, 37, 34, 57, 42, 39, 30, 44, 31, 38, 34, 25, 29, 50, 42, 36, 46, 46, 46, 30, 54, 52, 39, 39, 26, 30, 44, 39, 27)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 39.59292
> var(x)
[1] 53.17209
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.0478, 第1自由度 = 2, 第2自由度 = 110, P値 = 0.9533
有意ではない。繰り返しよる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 3.3749, 自由度 = 2, P値 = 0.185
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.056, 第1自由度 = 2.00, 第2自由度 = 70.78, P値 = 0.9456
有意ではない。繰り返しよる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
20 1 0.8849558 0.8849558
25 6 5.3097345 6.1946903
30 21 18.5840708 24.7787611
35 35 30.9734513 55.7522124
40 21 18.5840708 74.3362832
45 16 14.1592920 88.4955752
50 11 9.7345133 98.2300885
55 2 1.7699115 100.0000000

3. n = 61 栃木産タラッペ, 2012.05.06採取, 40度2日間乾燥 1.7g 繰り返し数 =2
x <- c( 50, 58, 54, 50, 43, 49, 53, 44, 53, 45, 51, 66, 63, 56, 55, 67, 52, 60, 70, 53, 44, 56, 46, 49, 47, 48, 54, 62, 51, 53 ,
58, 75, 51, 54, 55, 50, 52, 68, 58, 47, 57, 71, 52, 62, 64, 44, 61, 51, 54, 53, 76, 71, 75, 59, 50, 64, 58, 60, 41, 66, 54)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 55.95082
> var(x)
[1] 71.58087
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 5.7948, 第1自由度 = 1, 第2自由度 = 59, P値 = 0.01922
有意。繰り返しよる差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 1.9662, 自由度 = 1, P値 = 0.1609
有意。先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 5.8446, 第1自由度 = 1.000, 第2自由度 = 56.179, P値 = 0.01889
有意。繰り返しよる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
40 5 8.196721 8.196721
45 7 11.475410 19.672131
50 21 34.426230 54.098361
55 10 16.393443 70.491803
60 8 13.114754 83.606557
65 4 6.557377 90.163934
70 3 4.918033 95.081967
75 3 4.918033 100.000000
>

BGと試料の比較

1. n = 113 糊板 繰り返し数 =3
gr1 <- c( 41, 39, 35, 40, 45, 54, 55, 33, 35, 38, 24, 39, 48, 39, 49, 31, 34, 44, 42, 32, 46, 39, 29, 38, 41, 51, 36, 41, 50, 37, 39, 33 ,
38, 27, 39, 47, 37, 35, 42, 37, 37, 39, 36, 46, 39, 44, 37, 46, 42, 54, 33, 40, 40, 36, 41, 45, 30, 32, 49, 32, 43, 33, 41, 33, 51, 37 ,
45, 43, 48, 46, 50, 49, 30, 41, 51, 30, 36, 36, 31, 35, 35, 32, 53, 38, 44, 37, 34, 57, 42, 39, 30, 44, 31, 38, 34, 25, 29, 50, 42, 36, 46, 46, 46, 30, 54, 52, 39, 39, 26, 30, 44, 39, 27)

2. n = 61 栃木産タラッペ, 2012.05.06採取, 40度2日間乾燥 1.7g 繰り返し数 =2
gr2 <- c( 50, 58, 54, 50, 43, 49, 53, 44, 53, 45, 51, 66, 63, 56, 55, 67, 52, 60, 70, 53, 44, 56, 46, 49, 47, 48, 54, 62, 51, 53 ,
58, 75, 51, 54, 55, 50, 52, 68, 58, 47, 57, 71, 52, 62, 64, 44, 61, 51, 54, 53, 76, 71, 75, 59, 50, 64, 58, 60, 41, 66, 54)

> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -14.2091, 自由度 = 199, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -17.51376 -13.24502
標本推定値:
平均値x 平均値y
40.57143 55.95082
有意。試料とバックグラウンドに差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -12.7204, 自由度 = 90.739, P値 < 2.2e-16
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -17.78108 -12.97771
標本推定値:
平均値x 平均値y
40.57143 55.95082
有意。試料とバックグラウンドに差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.5639, 第1自由度 = 139, 第2自由度 = 60, P値 = 0.006326
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.3595051 0.8519892
標本推定値:
分散比
0.5638625
有意。分散に差異があるので（Welchの方法）を使用する。
>

３.補足コメント
56.0 - 40.6 = 15.4 CPM (7.23 Bq)
7.23 * 1000 / 1.7 = 4230 Bq/kg
水分 90.2%, カリウム 460 mg/100g (14.2 Bq/kg) ( http://foodslink.jp/syokuzaihyakka/syun/vegitable/taranome.htm )。
よって、乾燥前は、
4230 * 9.8 / 100 = 415 Bq/kg。
415 >> 14.2 より、カリウム分よりもかなり多くセシウム等が含まれている。
注意。本来ならば葉が開く前に収穫するのです(前述サイト参照)が、葉が開いてから採取しました。
したがって、内容が異なっている場合があります。
「タラッペ」というのは、「タラの芽」を意味する方言です。
採取市町村は、バックグラウンドの線量から推定してください。

１．測定対象
栃木産「葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 道路内にて採取、1g」の分析。

２．測定結果
1. n=30 糊板
x <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42)

2. n=31 葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 採取、1g
x <- c( 38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41)

3. n=35 糊板
x <- c( 36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26)

4. n=33 葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 採取、1g
x <- c( 31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38)

5. n=31 糊板
x <- c( 32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)

４.　データ貼り付け
全体の分析
x <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42 ,
38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41 ,
36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26 ,
31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38 ,
32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4 ,
5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5)
> mean(x)
[1] 40.76875
> var(x)
[1] 49.72606
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 5.0578, 第1自由度 = 4, 第2自由度 = 155, P値 = 0.0007389
有意。群間に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 10.5554, 自由度 = 4, P値 = 0.03204
有意。分散が異なるので先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 5.2784, 第1自由度 = 4.000, 第2自由度 = 76.692, P値 = 0.0008272
有意。群間に差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 5 3.125 3.125
30 20 12.500 15.625
35 52 32.500 48.125
40 40 25.000 73.125
45 22 13.750 86.875
50 12 7.500 94.375
55 7 4.375 98.750
60 1 0.625 99.375
65 1 0.625 100.000
>

BGと試料の比較
x <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42 ,
38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41 ,
36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26 ,
31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38 ,
32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)
g <- c(2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,
2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,
2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 19.7818, 第1自由度 = 1, 第2自由度 = 158, P値 = 1.629e-05
有意。バックグラウントと試料に差異がある。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 4.3494, 自由度 = 1, P値 = 0.03702
有意。分散が異なるので先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 18.007, 第1自由度 = 1.000, 第2自由度 = 113.154, P値 = 4.525e-05
有意。バックグラウントと試料に差異がある。

>

いつもありがとうございます。

繰り返しによる影響

2. n = 96 糊板 繰り返し数 =3
x <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42 ,
36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26 ,
32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2 ,
3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3)
> mean(x)
[1] 38.85417
> var(x)
[1] 35.78904
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0.4568, 第1自由度 = 2, 第2自由度 = 93, P値 = 0.6347
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 5.4362, 自由度 = 2, P値 = 0.066
有意。分散が異なるので先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0.6028, 第1自由度 = 2.000, 第2自由度 = 60.393, P値 = 0.5505
有意。繰り返しによる差異がある。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 4 4.166667 4.166667
30 15 15.625000 19.791667
35 39 40.625000 60.416667
40 23 23.958333 84.375000
45 8 8.333333 92.708333
50 5 5.208333 97.916667
55 2 2.083333 100.000000
>

3. n = 64 葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 採取、1g 繰り返し数 =2
x <- c( 38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41 ,
31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38)
g <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1 ,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2)
> mean(x)
[1] 43.64063
> var(x)
[1] 57.56721
> oneway.test(x ~ g, var = T)
一元配置分散分析

データ: x と g
F = 0, 第1自由度 = 1, 第2自由度 = 62, P値 = 0.9963
有意ではない。繰り返しによる差異は不明。

> bartlett.test(x, g)
分散の一様性の検定（バートレット検定）

データ: x と g
バートレットのK二乗値 = 0.7844, 自由度 = 1, P値 = 0.3758
有意。分散が異なるので先の分散分析は無効。

> oneway.test(x ~ g)
一元配置分散分析（等分散を仮定しない場合）

データ: x と g
F = 0, 第1自由度 = 1.000, 第2自由度 = 61.424, P値 = 0.9963
有意ではない。繰り返しによる差異は不明。

> dosuu.bunpu(x, 5)
freq pcnt cum.pcnt
25 1 1.5625 1.5625
30 5 7.8125 9.3750
35 13 20.3125 29.6875
40 17 26.5625 56.2500
45 14 21.8750 78.1250
50 7 10.9375 89.0625
55 5 7.8125 96.8750
60 1 1.5625 98.4375
65 1 1.5625 100.0000
>

BGと試料の比較

2. n = 96 糊板 繰り返し数 =3
gr1 <- c( 40, 39, 36, 45, 36, 38, 42, 36, 39, 45, 36, 34, 38, 43, 31, 40, 35, 33, 36, 29, 45, 43, 38, 40, 31, 35, 31, 44, 40, 42 ,
36, 51, 39, 28, 38, 35, 44, 44, 39, 39, 36, 37, 39, 49, 30, 38, 37, 41, 31, 56, 46, 50, 41, 40, 40, 39, 38, 42, 43, 37, 33, 36, 42, 38, 26 ,
32, 46, 39, 45, 36, 31, 36, 51, 50, 46, 37, 37, 35, 40, 42, 44, 42, 34, 31, 32, 36, 35, 52, 38, 43, 34, 55, 39, 32, 26, 36)

3. n = 64 葉が開いたメスのぜんまい(40度26時間乾燥) 2012.04.04 採取、1g 繰り返し数 =2
gr2 <- c( 38, 48, 39, 40, 47, 48, 45, 55, 45, 50, 51, 55, 50, 57, 30, 29, 52, 41, 34, 44, 46, 41, 44, 44, 46, 42, 43, 36, 35, 37, 41 ,
31, 36, 56, 39, 50, 45, 47, 51, 45, 57, 40, 35, 46, 46, 45, 40, 54, 41, 41, 42, 31, 47, 35, 44, 66, 42, 34, 38, 60, 39, 37, 42, 38)
> t.test(gr1, gr2, v=T)
二標本t検定（分散が等しいと仮定できるとき）

データ: gr1 と gr2
t値 = -4.4477, 自由度 = 158, P値 = 1.629e-05
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -6.911995 -2.660921
標本推定値:
平均値x 平均値y
38.85417 43.64063
有意。試料とバックグラウンドで差異がある。

> t.test(gr1, gr2)
二標本t検定（Welchの方法）

データ: gr1 と gr2
t値 = -4.2435, 自由度 = 113.154, P値 = 4.525e-05
対立仮説: 母平均の差は，0ではない
95 パーセント信頼区間: -7.021114 -2.551802
標本推定値:
平均値x 平均値y
38.85417 43.64063
有意。試料とバックグラウンドで差異がある。

> var.test(gr1, gr2)
二群の等分散性の検定

データ: gr1 と gr2
F = 0.6217, 第1自由度 = 95, 第2自由度 = 63, P値 = 0.03562
対立仮説: 分散比は，1ではない
95 パーセント信頼区間: 0.3907350 0.9685172
標本推定値:
分散比
0.6216913
有意。分散が異なるので、（Welchの方法）を使用する。

>

３.補足コメント
43.6 - 38.9 = 4.7 CPM (2.2 Bq)
2.2 * 1000 / 1 = 2200 Bq/kg
乾燥ぜんまい１００gは水で戻すと平均して約６００gになります。( http://www5b.biglobe.ne.jp/~tomosuke/vegs/zennmai.htm ) なので、6で除して、乾燥前の状態を求める。
2200 / 6 = 370 Bq/kg
参考として、メスぜんまいは食用にしますが、オスゼンマイは食べません。
時機が遅くて葉が開いてしまいました。開いたメスは食用にしません(硬くて食べられません)。前述サイトの写真にあるように、葉が開く前に収穫します。したがって通常の収穫ではありません。

連続制限に引っかかってしもうた。