ラベル１〜１６の通常アイテムの範囲内で特に目立つのは１２と１３の出現数の少なさと、次いで少ない１と３の出現数である。
そこで（２、４〜１１、１４〜１６）の平均から推測される確率を求めてみると、約15/255となる。
では１、３の出現数は15/255の誤差の範囲内であるのかどうかを検定してみる。
詳しい方法は省略するが（どうしても知りたければ確率統計学の書籍を読んでくれ）、95%の確率で15/255ではないと分かる。
次に、１〜１６の範囲で最も出現数の少ない１３の出現率を計算すると0.00445≒1/255となる。
上でさも当たり前のように確率の分母に255を用いたのはこのため。
プログラム的にも255という数字はキリがいいので、おそらく分母は255で間違いないだろう。
ではこの出現率を元に１〜１６のアイテムの出現率を求めると次のようになる。
１，３＝12/255(±4/255)
２、４〜１１、１４〜１６＝19/255(±2/255)
１２＝2/255(＋17/255〜−1/255)
１３＝1/255(＋11/255）
＊括弧内は測定誤差の範囲

では次に１７〜２５のアイテムの出現率を考えてみる。
まず明かに出現率の少ない２４の出現率を求めてみると、2/255となる。
次に残りのアイテムの出現率を同じものと過程して確率を求めると、およそ31.5/255となる。
しかし、分子に少数が現れるということは考えにくいため「残りのアイテムの出現率は全て同じ」という仮定が間違っていることになる。
だがサンプル数が少ないため、このデータからではどうしても測定誤差が±4.3%出てしまう（≒±11/255）。
では測定誤差を抑えるためにはどの程度のサンプルが必要なのか。
仮に測定誤差を±2%に抑えると仮定して必要サンプル数を求めると、およそ1039個と分かる。
現在既にあるサンプル数222個を差し引いたおよそ800個を入手するためには時間にしておよそ66.6時間必要となる。
いくらなんでもそんなに集めることは不可能に近いため、仕方がないので以下に「１７〜２３、２５の出現率が同じ」という仮定を前提とした出現率を表記する。
１７〜２３、２５＝31.5/255(±11/255)
２４＝2/255(＋3/255〜−1/255)
＊括弧内は測定誤差の範囲