少しばかり面倒な問題を解いていたので間が開いてしまった。バリバリとコンピュータに計算させたのだが、それで9割の処理はあっという間に済んだものの、残り1割はどうしても手作業にならざるを得ず、そっちの労力が甚大だった。コンバインで刈り入れた後の落ち穂拾いが大変だったみたいな感じ。まあ、よくある話ですが…。

…で、これだけだと何なので、処理の途中で得られたちょっと面白そうな話でも。

いきなりであるが、太陽から地上にやってくる光は何[W/m²]位のエネルギーで、何時が一番大きいかご存知であろうか？
まあ、調べれば直ぐ分かるのだが、天気がいい時で、大体800[W/m²]位であり、太陽が南中にやってきた12時前後が最も強い（左図の赤線のようになる）。山の上だと1000[W/m²]いくこともあるが、決して、1367[W/m²]は超えない。何故ならば、1367[W/m²]は大気が無い場合の値だから、必ずそれ以下になる。

もっとも、大気が無かったとするならば、12時頃の光が強くなるということもなく、日の出から日の入りまで、ずっと1367[W/m²]の筈である。朝夕の光が弱くなるのは、通ってくる大気層が厚いからだ。

ちなみに、ここで言う太陽からの光の強さというのは、太陽に向いている面での光の強さのことである。水平な地面の場合、朝夕はナナメに光が来るから、その分弱くなってしまうが、ここではその効果は考えていない。

で、ここまでの話は、雲が太陽を隠していない場合という前提の話である。雲に覆われてしまうと、12時頃だろうとそれ以外であろうと、光の強さは極端に落ちて10[W/m²]以下になってしまう。だから、図の赤線のような綺麗なかまぼこ状の線になることは非常に希で、実際は、ところどころストンストンと出力が落ちることになる。

ここで、ふと思ったのだが、「じゃあ、雲の有無に関係なく、光の強さの月平均とかとったら、雲の多い時間帯とか分かるのではないか？」ということ。
で、実際にやってみると、これが青線のような感じになるのである。もちろん場所にもよるのだが、以外にも（以外でない？）左右対称であった。そういうわけで、雲がよく出る時間帯というのは、このデータを見る限りはあまりはっきりしない…というか、ランダムに出ているのだなという結論になった。

ただ、もう一つ、グラフをじっと見ていて気になった点があって、それは、平均値のグラフの山が尖っているということ。
その理由を考えてみたのだが、おそらくこんな感じではないか…。
雲は、いつも空間的にランダムに出ていると仮定する。それならば、任意の場所をパッと見たとき、雲が眼前にある確率は（ランダムに雲が出るのだから）どこでも全て同じ…と考えそうだが実はそうではない。朝夕に光が通過する大気層が昼に比べて厚いのと同様、同一視野角内に収まる雲が存在する空間は、真上よりもナナメの方が多くなる。地球の丸みを考慮しなければ、天頂角（真上が0度、真横が90度）をθとして、1/cosθに比例することになるだろう。
林の中で真上を見ると、まばらにしか木が見えなくても、横を向くと全然向こうが見えないのと同じ理屈である。

1/cosθの場合はθが90度の時に無限大になってしまう。地球の丸みと屈折を考慮した式としては、F. Kastenの式というものがある。

…ということで、窓から外を見ると「雲が多いなぁ」と感じる確率が多くなり、どこかの青春ドラマのように地面に寝転がって空を見ると「青いなぁ」と感じる確率が高くなるというオチは如何でしょう（←「如何でしょう」と言われても困るわな）。

先日、コンビニでみたらし団子を買うためレジにいった。コンビニに限らないが、最近のレジはほとんど全てがPOSシステムになっていて、買った物の品目や数量の他に、購入時刻や天候、購入者の性別、店員が見かけで判断した年齢を打ち込んでいる。で、これを何気なく…しかし厳しく(^^;)チェックしていると、その定員はポチッと50を押した。

誰が50歳やねん！

…耳から手つっこんで奥歯ガタガタいわしたろか！とも思ったが、大人げないので止めた（いや、思っただけで充分大人げないし、このフレーズが出てくるだけで歳がバレるというものなのだが）。
気を取り直して考えて見るに、買ったのがみたらし団子だったからかと分析し、後日、ショートケーキにしたら、チャンと年相応であった。

まあ、年齢的に数歳しか違わんかったりするのだけど…。ちなみに、甘いもんも酒のツマミも両方好きです。

しかし、これはこれで、システムとして問題である。
そもそも、POSシステムは、物品の在庫管理とかに使われるシステムなのだから、ある店舗にやってくる購買者の年齢分布と、ある商品を買って行く購買者の年齢分布は独立に集計されねばならない。要するに、みたらし団子の購買者の年齢層を把握するためにデータを集計することを考えた時、「みたらし団子を買う客は年齢的に上だろう」という店員の憶測が入っていたとすれば、集計そのものが本末転倒となる。店員は、顔や身なりだけで年齢を判断すべきであって、購買物によって判断を変えてはならないのである。

もちろん、店員によって推測した客の年齢が実年齢からズレることはあり得る（Fig.A）。ただ、客の顔や身なりだけで判断しているのならば、店員個々の真値からのズレの傾向は一定になるであろう。店側がどの程度、店員やアルバイトの、この認識ズレを把握しているかは知らないが、きちんと測れば、個々の店員の入力に何らかの補正係数をかけることで、真値に近づけることが可能だ（実際にレジ担当になる前に、100名程の年齢が分かっている老若男女の写真を見せて、店員の認識ズレを調べるというのはどうか？）。
このような処理を施した上で、今度はFig.Bのように、買った品目別に集計すると、個々の品目に対する正確な購買者年齢分布が分かる筈である。
しかしながら、買った品目で年齢の推定がズレるならば、この集計は何だかよく分からないものとなる。まあ、買う品目でどの程度年齢推定に誤差が生じるかを新たな変数で導入すればいいのだが（同じ人物でも、PerfumeのCDを買うと-2歳若く見え、舟木一夫のCDを買うと+5歳老けて見られるとか）、推測に推測を重ねる作業はあまりよろしく無い。なるべく、「年齢推定は顔と身なりだけで」と教育しておいた方が無難である。

ところで、これら集計データをどう使うかを考えて見ると、おそらく、店舗毎の年齢層から店舗に置く品目の数量調整に使うのだろうFig.C。また、距離的に近い店舗同士だと客層が重なっているから、年齢層は似たようなものになる。ということは、2店舗の間に新店舗を出す場合は、店舗からの距離で重みをつけて新店舗の売れ筋がある程度推定できると思われる（ここで言う“距離”は直線距離ではなく、交通の便を考えた距離になるだろう）。
もっとも、例えば学校の真正面にある店舗だったりするとFig.Cの店舗Cで描いたみたいに特異な購買年齢層になることもあり得ると思うが、これはこれで、Fig.Bで得られた品目別の購買年齢層を考慮して品揃えを配置すればよいことになる。

…で、ここから冒頭の「誰が50歳やねん！」に話が戻るのだが、折角のデータなのだから、是非とも客に情報公開して欲しいと思う。もちろん、他人の情報までくれとは言わない。店員がポチッと押した推定年齢情報をレシートの片隅に書いといて欲しいだけである。この情報をどう使うかというと、集計して自らの見かけ年齢を客観的に判断する情報に使うのである。まあ、5歳とか10歳単位刻みではあるが、誤差論を持ち出すまでもなく、沢山集計する事で誤差は減らせるので面白いかなと（全然分野が違うが、画像処理の“超解像技術”に近い方法が使えそう…）。

でも、Fig.D見たいに真値（実年齢）より老けたところにピークが出ると結構落ち込むかもね…。