日常のexodus

softbank光からIIJmioひかりに変えた際のメモ

2018-02-18T15:28:00.000+09:00

softbank光からIIJmioひかりに変えた際のメモ

1.softbankをやめた理由、IIJmioを選択した理由

①契約２年目の節目
　・解約金が発生しないタイミングだったので考え直すことに
②携帯会社の兼ね合い
　・家族はIIJmioを利用。
　・softbank携帯ユーザーがこの２年で家族にいなくなった。
③現在は賃貸マンションに住居
　・新規回線工事が不要であること。
　　→auやnuroは除外した。
　・引越した時も新規契約扱いにならないこと。
　　→IIJは引越し時も新規契約扱いにはならないっぽい。（工事費などはかかる）
④通信関連の契約をシンプルに
　・IIJに移行し、通信関連の契約を一本化しておいた方が管理しやすいと期待
　・softbankなど大手３社の複雑な契約が嫌い

2.よくわからなかった点

①vdslとIPoE
　現在のマンションはvdsl方式のため、IPoEのオプション契約をしても意味ないかと思っているが、そんなことない様子。
　現状、速度には満足しているので、IPoEオプションはないままにしている。
　IPoEオプションを入れるとどれだけ速度は変わるのだろうか？

②IIJmioひかりが遅いという噂
　IIJmioひかりの通信速度が遅い。という評判をチラホラ確認。
　
　しかし、以下の点を考慮して契約。
・通信速度の遅い評判は地域性があり、自分の住んでいる地域の情報は出てこなかった
・IIJ側も改善していく意向の様子
・そもそも自分がそこまで通信速度を必要としていない
・IPoEのオプション契約で改善？テザリングで補う？など改善案はあると考えた

ベストエフォート型ってやってみないと分からないのが難点ですね・・・

3.契約の流れ

光コラボから光コラボへの移行なので、一度softbank光を解約し、その後にIIJmioひかりを契約する必要があります。
そのため、自宅のネットワーク環境が空白になる期間が発生しました。

①softbankに解約の電話をいれる
　softbankに電話して、解約希望を伝える。
　↓
　次はどこにするの？と聞かれる。
　↓
　IIJmioひかりに変えると伝える
　↓
　うちも今なら値引きできますよ？って言われて、IIJmioひかりと同じ値段いわれる。
　↓
　色々と面倒なので断る
　↓
　解約日を調整。特に訪問工事なしで解約決定

②IIJmioひかりの新規契約希望を申し込み
　ネットからIIJmioひかりに契約希望を申し込み
　↓
　後日電話くる（本当に契約する確認）
　↓
　実際に契約に向けて工事などの調査が開始
　↓
　後日電話くる
　↓
　現在、ポートがないため訪問工事が必要といわれ、壁に穴を開けるといわれる。
　↓
　恐らく、NTT側に解約の情報が伝わっていないと推測し、もう一度時間を空けて調査して欲しいと伝える。
　↓
　いや新規工事が必要です。と言われ、出先だったのでひとまず保留して切る。
　↓
　改めて電話すると担当者が変わった。状況を理解してくれて、後日改めて調査すると言ってくれた。
　↓
　後日、ポートが空いたことが確認できたので、訪問工事なしで新規契約を実施するとの回答。無事に目論見通りに進んで良かった。
　↓

　ネット環境の空白期間は２週間ほど発生してしまったが新規契約が済み、無事開通。

４.結果

Wi-Fi通信速度
下り：15.57MBps
上り：20.79MBps

vdslなので、そもそもそんなに早くないですが、個人的な不満はないです。
softbankの時と大きな違いも感じていません。

個人的には契約料や、契約状態がシンプルになったので、そちらの満足が大きいです。

5.最後に

以下のページからIIJmio（SIM）を契約すると、契約者からの紹介ということで、10%のデータ増量キャンペーン中です。ご利用ください。
https://www.iijmio.jp/campaign/mgm/invite/?id=485274964455762&sns=0
※IIJmio光ではなく、sim（携帯）のキャンペーンです。

専業主婦は２億円損をする。を読んで

2018-01-04T21:47:00.000+09:00

無料でKindleで読めたので、自分用にメモを残します。

自分が印象に残った内容は３つ

１.学歴とマッチしない圧倒的少数な女性管理職
２.子供の親より大事な関係
３.ニューリッチ層や生涯現役層の存在

１.学歴とマッチしない少数な女性管理職

日本の会社の女性管理職の少なさは自分自身も実感しています。
実際に、男性高卒社員の方が女性大卒社員よりもはるかに高い割合で管理職になるようです。

これは、幼い子供がいる女性には、残業ができないために昇進のための評価が十分得られない。
また、昇進するに十分な仕事を与えない。などの原因が推測されています。

確かに、自分の周りでも似たようなケースが思いつく話です。

筆者は、これを江戸時代の日本社会と呼びます。
学歴や役職も含めた「能力」で評価されていないのは、近代的ではないということです。

学歴で評価はそもそもできない。と感じる方もいるかもしれませんが、男女間の学歴と役職の差が大変多きいのは、女性が働きにくい社会であることを端的に表していると思います。

２.子供の親より大事な関係

育児に関しては、母親の責任が大きく問われる日本。これも自分の実体験からも共感できる指摘であります。

個人的に、より印象的だったのがジュディスリッチハリスが子育ての大誤解で主張する、子の成長の影響は、親よりも接する時間の長い外的要因（友達関係）が影響しやすいという点です。

なのに、子供が健全に育ってないと母親の影響ばかり指摘されてしまう。これを筆者は女性にとっての「罠」と呼んでいます。

3.ニューリッチ層や生涯現役の存在

ソロリッチ同志がカップルになる「ニューリッチ」の存在です。

ニューリッチの何より良い点は、それぞれ忙しく働いているけども時間的融通はある。ということでしょう。

ブルジョアとボヘミアンを組み合わせてBOBOS（ボボス）と呼ばている、カジュアルなお金持ちです。確かに現代的で、お洒落です。

こういったニューリッチなどが生業とするフリーエージェントは何故時間的融通がききやすいのでしょうか？

毎日、通勤電車にゆられ、会議の参加時間の多いサラリーマンは、年間にして３ヶ月の労働時間をそういった時間にとられているといいます。

一方でフリーエージェントは、会議が少なく働く場所も融通がききやすいため、オンオフを切り分けた時間の使い方が取りやすいためです。

生涯現役の場合は、老後問題の資産の問題の解消がしやすいといった利点があります。しかし、長く働くためには自分の好きなことと利益を得られる専門性を明確にする必要があります。

改めて自分も、現在の本業以外にも長く続けられるものを、今年はより遂行していきたいと思います。

ちなみに、フリーエージェントや生涯現役の考え方は、ワーク・シフトなどの方が詳しく議論されていますので、参考にしてください。

最後に

自分はまさに今子育て世代であり、多くの同世代の女性がキャリア形成に悩む場面に出くわしてきました。改めて、日本が女性にとって働きにくい場所だということを認識します。

これからキャリアを積みはじめる学生などの方々にこそ、実感は得られないかもしれませんが、異なった視点を持つという意味で読んで欲しい本だと思いました。

イーロン・マスク　未来を創る男　を読んで

2017-12-03T12:37:00.000+09:00

断片的なセンセーショナルな記事でしか、知らなかったイーロン・マスク。

そんな彼をきちんと知るのに良い本です。

どういった流れでスペースXやテスラ、ソーラーシティの事業に携わったのか、知らない方多いと思います。

また、何故、宇宙やエネルギー分野に挑戦するのか？
彼なりの哲学や生い立ちを理解すると、彼が進もうとしている方向が分かります。

ものづくりの姿勢も、エンジニアとして見習う部分が多いですよ。

いくつかメモを残します。

”テスラはディーラー網を持たず、ウェブで直接販売する。・・・販売後の保守点検で儲けるようなビジネスモデルは考えていない。”
→素晴らしいですね。でも、まだ、テスラの収益モデルは構築段階という理解で良いんですかね？スマートモビリティやエネルギー産業などと呼ばれる切り口で、収益を得る方向に舵を切っていくんでしょうか？
このまま赤字続きで終わらないで欲しいです。

”彼はヒューズやジョブズとは比べものにならないくらい壮大な目標を持っているようだ。航空宇宙や自動車のような、すでに米国があきらめかけていた産業にあえて打って出て、これまでにない素晴らしい産業に再構築しようとしている。”
→厨二病と言われそうなアイデアを実現してしまう所が、彼の強みだと思います。
特にハードウェアが大きく絡む部分で、ここまで差別化し挑戦しているのは勇気がわきますね。
是非、今のプロジェクトもビジネスとしても成功して欲しいです。

”厳しい危機に見舞われても集中し続ける能力は、たしかにマスクの強みに違いない。
「普通の人間ならば、あれだけのプレッシャーにさらされたら、どこかで判断ミスを起こすでしょう。イーロンはそんな状況でも明快で長期的な意思決定が下せる人間でる。難しければ難しいほど、彼は力を発揮するんですよ」”
→プライベートも含めて、マスクみたいな人生を耐えることはできないと思います。

”（ダイムラー幹部の）訪問前に、試作車２台を完成させてダイムラー幹部らを驚かせてやろうと考えた。訪問当日、何も知らない幹部らは、テスラでこれから話し合うはずの「AクラスEV版」を目の当たりにし、バッテリーパック4000個を即座に注文した。後にトヨタにも同様の”歓待ぶり”を披露し、契約を獲得している。”
→こういう職場羨ましいわ。

”大手ならアルファ版で200台、さらにベータ版になっても数百〜数千台を使う。それがテスラでは１５台ほどで衝突試験からインテリアデザインまで終わらせてしまうのだから、信じられないのも無理はない。・・・
いちいち会議を開いて、何の代替案もないまま問題点を報告するよりは、優秀なエンジニアがその場で対処したほうが話は早いのである。”
→これは良し悪しあると思うけど、そういうスピード感や、それで完成車を市場に出した力はすごいと思います。

”『物理学のレベルまで掘り下げろ』”
→個人的には、一番ぐっと来ました。

”（ギガファクトリーについて）そんなことは電池メーカーがやればいいんだから、くだらないアイデアだとね。でも・・・どこも数十億ドルを投資する気はさらさらないと言っている。・・・自動車メーカーは電池の大量購入を保証しない。だから電池メーカーはこれ以上作れない。つまり自前で作らなければ、十分な量を確保できないできないんです。”
→電池産業を制するものが、今後のビジネスを制しそうですね。

”欧州も日本もロシアも中国も人口構造の内部崩壊に向かっている。・・・優秀な人々も子供を持つべきだと言っているんだ。少なくとも人口置き換え水準は維持しないと人口は減るばかりだからね。特に優秀な女性たちがまったく子供を産まないか、産んでも１人なんだ。そう聞けばとんでもない危機であることが分かるでしょう？”
→子供好きの一面もあるようです。
また、人類を存続させるという課題認識があるので、人口構造の問題も気にしているみたいです。

”本当に「たゆまぬ追求」という言葉が似合う人物との思いをあらためて強くした。しかも、その追求の精神は、我々の想像をはるかに超えたレベルなのだ。ここまで熱い思いで何かを追い続ける人を私は見たことがない。”
→普通は無理な解決策だと思ってしまうところを、可能にしてしまいますよね。それに、前人未到の数と規模の新規事業創出者。技術的にもビジネス的にもハードルの高いものに挑戦しいくつかの成功を得ているのが本当にすごいところです。

医療業界に破壊的イノベーションを「医療イノベーションの本質」

2017-05-18T22:55:00.000+09:00

はじめに

自分は、エンジニアとして、医療業界に関連した仕事をしています。

しかし、医療業界は、非常に複雑な業界であるため、なかなか全体像を把握しにくく、俯瞰的に業界の問題や今後の方向性を考えるのが難しいと感じていました。

その中で、イノベーションのジレンマで有名なクリステンセンが、医療業界での破壊的イノベーションについて記した本書に出会ったため、読んでみました。

本書は、医療業界のコストを劇的に下げ、より品質の高いサービスを提供するには、どうすれば良いか？という問いに答える作品になっています。

医療業界にも破壊的イノベーションが必要

医療業界のコストを劇的に下げ、より品質の高いサービスを提供するにはどうすれば良いか？

その実現には、他の業界と同様に破壊的イノベーションが医療の世界でも必要だとクリステンセンは主張します。
それは、他の業界を見てきても明らかなように、コストを下げ品質も向上させることが可能なのは破壊的イノベーションだけだからです。（一つの例外もなく！）

一方で、医療業界には、国などが定める償還制度や規制があり、更には古くからの組織制度が残っている部分があります。

古くからの組織制度やビジネスモデルは、破壊的イノベーションを実施することを困難とさせています。

同様に古くなった償還制度の一部は、破壊的イノベーションを阻害する要因にもなります。

それは、様々な技術革新が業界を大きく変えるチャンスを逃すことにつながっています。

破壊的イノベーションを促すために必要な総合病院の変化とは

本書での大きな一つの主張は、複数のビジネスモデルを抱えてしまっている総合病院をそれぞれのビジネスモデルへ解体することです。

病院は下記の３つのビジネスモデルを実施してしまっている。と、クリステンセンは主張します。
・ソリューションシップ型
・価値付加プロセス型事業
・ネットワーク促進型事業

それぞれのビジネスモデルは以下のような特徴をもっています。

・ソリューションシップ型
問題を診断し、解決策を提示する。出来高払いで支払いを受ける
精密医療ではなく直感的医療に頼るような疾病、治療を扱う

・価値付加プロセス型

確定診断のついた問題を比較的標準化された手順で治療する

アウトカムに基づく支払いを受ける

・ネットワーク促進型

専門家や患者が情報交換し、助け合う

調整役は通常会費による支払いを受ける
慢性的な疾病が扱いやすい

適したビジネスモデルをもった組織に解体することで、非常に高額で不明瞭となってしまった、莫大な間接費の削減を狙います。

現状では、それぞれのビジネスモデルは異なった利益創出の方法を抱えているにも関わらず、組織が一つのため、組織体制やビジネスモデルを最適化することを拒み、問題を解決することができず、かなり歪んだ形で間接費を加えた価格設定になってしまっています。

解体することにより、コストだけでなく患者の用務に応じた合理的な統合を果たすことも可能となり、質も高まると主張します。

更に、病院が解体されると同時に、第２の波が来ると主張します。
それは、いわゆるテレメディシン（テレメディスン）です。

今の医療は解決策のある高コストな病院へ、患者を来院させるのが一般的ですが、音楽が自宅でダウンロードできるようになったように、解決策をより身近な場所へ移行し、医療費の発生場所を変える流れが来るだろうと主張します。

簡易的な自己診断は、すでにウェアラブル端末なども含めて実現されてきていますが、そういった流れがより一層強まる方向に進むということでしょう。
（もちろん電子カルテや通信技術などのインフラが整ったことも重要な要素です。）

イノベーションを阻害する償還制度

償還制度もイノベーションの阻害要因となります。

本書では、慢性腎不全を例にあげています。

動静脈シャントと透析センターが作られ、急性疾患から慢性疾患へと多くの腎不全は移行していきました。

しかし、近年では在宅透析が、透析センターと同様のインパクトと一層のコスト削減効果があるにも関わらず、その普及を遠ざけている現状があるようです。

その理由は透析センターなどを前提に作られた償還制度にあると筆者は主張します。

医薬品業界の未来

破壊的イノベーションを促す重要な要素の一つに牽引技術があります。

医療業界の牽引技術を持つのは、医薬品メーカーや、医療機器メーカーが主となるでしょう。

製薬業界では以下のような変化が発生すると考えられます。

①分散化、精密化された将来の医療では、ブロックバスター薬は滅多にみられなくなるだろう

②自己診断が医療の出発点となり、患者に直接医薬品を売り込む手法が広がりを見せるだろう

③診断薬が採算性の良いものとなり、償還制度も見直される可能性があるだろう

④現在巨大な製薬メーカーは、誤ったアウトソーシングを実施し、他の業界でも起こったように、将来の利益創出として重要な分野を自ら切り離すだろう

その重要な分野とは、臨床試験の管理と精密な診断薬の開発である

何故なら将来の牽引技術は、精密な診断と効果の期待できる治療を結びつける行為が利益の中心となると考えられるからだ

⑤ジェネリック薬品がメーカーが特許医薬品の開発を実施し、上位市場へ参入するだろう

注目すべきは、精密な診断が一層可能になるにあたって、治療薬の選択肢が分散化されると同時に、効果が期待される治療と診断内容を結びつける行為が利益の中心となることです。

それにより、現在巨大製薬メーカーが現在のビジネスモデルの最適化からアウトソーシングしようとしている臨床試験の管理と精密な診断薬の開発が、今後のイノベーションの中心となると予言している点でしょう。

また、精密な診断は、医学の専門性自体が誤って定義されていたことを認識させるという主張も注目する点ではないでしょうか？

医療機器業界の未来

続いて医療機器業界の破壊的イノベーションです。

まず、診断機器は集約されていたものから、再び分散化すると考えられます。
それは、通信事業が電報局から家庭電話、携帯電話に変わったのと同様です。

例えば、血液検査や検体の分析作業は広範囲に近年集約化されましたが、小形な分析装置により一部は再び顕微鏡の時代のように医者の元に分散化されていくと考えられます。
また、それが個人の手元に移行すれば、テレメディシンをより助長することにも繋がります。

また、画像診断などは、より低コストの場所で、より高度な治療を行う事を可能とし、低コストの医療提供者が高コストの同業者を破壊する助けとなる。と主張します。

つまり、プロの専門性をコモディティ化することを医療機器メーカーは助長し、それは従来の病院組織の解体を助長することにも繋がります。

もちろん、医療機器は診断だけでなく、治療方法を根底から変えていくことも可能です。
これはすでに始まっている血管内治療がいい例だと本書では述べています。

そして何より、医療機器業界は、直感的医療経験的医療精密医療という流れに沿って疾患を推し進める組織となることができます。

これは医療がアートの分野からサイエンスになることを助長し、コストを大きく下げる要因につながるでしょう。

クリステンセン曰く医療の牽引的技術は診断能力です。

医療だけでなくどの業界にも、問題を精密に定義することは、解決策を開発する前提となるからです。

医療機器メーカーや製薬メーカーは、診断能力という索引技術を有する組織であり、その影響は、様々な分野にわたることを本書を通じて改めて実感しました。

最後に

本書はこれ以外にも、医療教育や、償還制度など多岐に渡るイノベーションの可能性について述べています。

米国に限定したような部分や、守備範囲の広さから理解に苦しむ部分もありますが、多くの医療業界に関連する人が読んで、ヒントを得ることができる一冊だと思います。

WORK SHIFT を読んで

2017-04-03T23:28:00.000+09:00

・技術革新と人生観の変化

本書の構成は、将来（2025年）の働き方を想像するにあたり、どういった変化が世の中に生じ、自分達はどういった働き方に〈シフト〉していくべきか、どういった選択肢が広がっていくか、人生を積極的に生きるにはどうするべきかを、かなり幅広い視点から論じています。
話題の範囲は豊富なので、自分に必要な部分を本書から補っていけば良いと思います。

そう説明すると、なんだか将来予想図のように感じますが、この本は将来の仕事について語った本ではく、今まさに自分のキャリアや人生の価値観をどう考えるか。私達の日々の直近の問題を扱った本だと自分は感ています。

なぜなら、本書を読んで強く感じたのは、多くの技術革新が世界中の人の働き方や人生の価値観を変えることになります。そして、それは、今後ますます助長されることになり、恐らく非可逆的なものになるでしょう（トランプ政権みたいな、懐古的な話もありますが・・・）
そして、そういった本書で扱っている非可逆的な変化は、今すでに断片的にも発生していることがほとんどだからです。

こういった変化は今でも多くの仕事を奪うだけでなく、多くの人の人生観をネガティブにもポジティブにも変えています。
そして気をつけたいのは、多くの人には、知らぬうちに環境が変わってしまうことだと思います。
更に、もっと怖いのは、環境の変化から気づかぬうちに人生観も変わってしまうことが起こり得ることです。つまり、自分自身の変化にも意識的に気づかないことです。

そういったことを防ぐために、どういった変化が起こるかを考え、その変化に積極的に対応するために何をすべきか、本書から学ぶキッカケを得ることができると思います。

・来る社会の変化とは

今後予想される社会の大きな変化の流れについて、本書では５つの要因としてまとめています。

１．テクノロジーの進化

インターネットの更なる普及、A.I.の進化、ソーシャルな参加の増加、メガ企業とミニ起業家の台等などがあげらています。
もうすでに始まっている話だと思いますが、今後影響度が更に高まるのでしょう。
　
A.I.の進化でいえば、単純労働はもちろん、課題やルールが明示的な作業（囲碁や将棋が良い例でしょう）や一部の知的産業は、どんどんヒトと置き換えが進むと考えられています。

それは、より専門性の高い職種や置き換えが少ない職種へと意識的に変化してく必要があることを示唆していると思います。

２．グローバル化の進展

まだまだ、この大きなグルーバル化の流れは変わらないと予想します。

新興国型のイノベーションの発生、インドと中国が人材輩出大国へ、世界中でメガシティが形成、同時にスラム街も形成　等があげらています。

先進国が甘い蜜を吸っていた時代は幕を閉じ、人材のライバルは世界中に出現する時代と変わっていきます。
また格差も広がります。格差は劣等感と恥の意識を広げることに繋がり、孤独感を感じやすい社会を増長します。

また、「デコボコな世界」と呼ばれるような、地域の差異が顕著になります。これは、メガシティ、巨大生産拠点、クリエイティブクラスター、地方部といったような分類がなされ、各地域にその特色に見合った人が集まり、それらの人にむけて必要なサービスが発生します。

３．人口構成の変化と長寿命化

人口増加や移住の増加、更には長寿命化という影響が、働き方にも影響を与えます。

寿命が長くなることで労働できる年齢も増えます。
そのため、一つの仕事を続けて60歳で仕事を辞めるという旧来型の働き方ではなく、長い労働年齢の間で仕事を変えたり、時には30代40代のどこかで大学で学んだり、長い休暇をとったり、１年間ボランティアをしたりといった働き方にシフトするヒトも増えるでしょう。

４．社会の変化

表現を変えれば、価値観の変化です。

家族、自分、仕事とその他のバランス対する価値観の変化、大企業や政府への不信感、幸福感の減少、余暇時間の増加

などがあげられています。

こういった価値観の変化と現在の社会構造が提供する価値観が歪な状態にあると思います。特に日本は人材の流動性が低いことが、問題を難しくしていると感じます。

また、2025年には今の若い世代（Y世代）が社会への影響度を増すポジションに移行します。この世代は、自由な仕事を好み、専門性に磨きをかけ、自分たちの願望を雇用主が満たさない場合の我慢が短い世代と捉えられているようです。

５．エネルギー・環境問題の深刻化

目に見える形で被害が大きくなることで、持続可能性を重んじる文化が世界的に形成されたり、エネルギー価格の上昇や課税などによって、物理的な移動のコストが上昇する可能性があると著者は主張します。

・我々が取るべき行動は

上記の変化に対応するために、著者は３つの〈シフト〉が必要だと考えています。

1.専門技能のシフト（知的資本の強化）

　ゼネラリストの時代が幕を下ろし「専門技能の連続的習得」を通じて、自分の価値を高めていかく必要があります。ゼネラリストはA.I.やインターネットの普及や、何より一つの会社が社員と長い契約を今後も結ぶことが考えにくいため、必要性が減ると考えられます。また、時代の変化のスピードも増えるだけでなく、労働できる年齢も増え、更には、世界中にライバルが登場するため、専門技能を１つに絞ることは大変危険だと主張します。これは10年後、生き残る理系の条件と通じる部分があります。

　未来にどういう技能と能力が必要かを知り、その分野で高度な技能を磨くと同時に、状況に応じて柔軟に専門分野を変えることが求められます。

　個人の差別化も難しくなるので、自分の技量を証明する必要性も出てきてそういったサービスも登場するだろうと主張します。

　個人的に、肝に銘じておきたいことは、専門技能の習得には時間がやはり必要ということです。仕事がそういう場をたまたま提供したり、必要に迫られるも十分な時間が確保できる場合はいいですが、自分から横の領域に広げるには、ある程度の時間を有することになります。

　こういったことを助けるためにも、テクノロジーの進化や、下記の人的ネットワークというのが重要になります。

2.個人主義と競争主義を見直し人的ネットワークの時代へ（人間資本の強化）

　多様性のあるコミュニティや、精神のバランスを保つための愛情のある人間関係を意識的に形作っていく必要があると主張します。

　社会変化からも高度な課題が増え、イノベーションは、多くの人数で実践する必要も出てきます。こういったマスイノベーションが増えると著者は予想しています。
　
　人的ネットワークは、１の専門技能のシフトにも通じます。自分のキャリアを脱皮させる手助けにも人的ネットワークは力添えをしてくれます。学び合いの共同体を築くことができるからです。

　人的ネットワークを築くのが苦手な人がいます。私もそうです。著者は、カメレオン人間になれ。というアドバイスを送っています。自分の振る舞いをそのグループの暗黙のルールに合わせることが重要だと述べています。これは、核となる信念がないこととは異ります。

3.ライフスタイルの見直し（情緒的資本の強化）
　
　モノを消費するスタイルから、質の高い経験と人生のバランスを重んじる姿勢への変化の必要性を述べています。

　個人的には、残業して家庭をないがしろにし、リタイアすると何もない。という生き方を選択する人は今後減っていくと思います。もちろん、リタイアそのものの考え方も変わってくることでしょう。

最後に

上記のように整理すると、やはりこれは10年後の問題ではありません。今まさに直近で起こっていることばかりです。そのため、今後より一層こういった流れが増えていくのだと感じさせます。

自分自身に振り返ってみると、改めて専門領域を増やす必要性と大切さが身にしみます。
また、人的ネットワークは積極的に広げてこなかったタイプなので、もっと広げた方が良かったと反省しています。
特に、ポッセと呼ばれる同じ志を持つ仲間。こういった人を見つけるのは、自分は苦労するタイプですが、自分の働き方の選択肢を広げるにあたっては重要かと思いました。

Rで計算する、タグチメゾット（品質工学）を使ったパラメータ設計　に関するメモ② （Design of experiments & Taguchi method）

2017-02-26T22:29:00.000+09:00

前回は、静特性のパラメータ設計についてまとめました。

■動特性のパラメータ設計について

今回は、動特性のパラメータ設計について学びます。

入力の水準に応じて、結果が変わる特性を動特性と呼びます。

動特性を行う際の直交表は、内側配置に制御因子を、外側配置に信号因子を用いることが多いようです。また、誤差因子と信号因子を組み合わせた場合もあるようです。

動特性の場合も、静特性の場合の様に、いくつかに大きく区分できます。
ゼロ点比例式、基準点比例式、一次式、などに別れるようです。
以下では、一次式の事例をあげていますが、本質的にどの様に誤差計算を実施しているかが理解できれば、様々なモデルに応用できると思います。

では、動特性の場合の感度とSN比について確認していきたいと思います。

外側配置の信号因子M1,・・・,Mnがで構成されている場合に、その解きの第i番目の制御因子の組み合わせに対する出力をyi1,yi2,・・・,yinとします。

その際に、第i番目の制御因子の水準組み合わせにおいて、応答yと因子Mの間における、以下の関係について考えます。

上記の式から、傾きであるβ1iが大きいほどその出力は敏感であると考えられます。一方で、データは上記の直線の周辺にバラつきます。そのバラつきをあらわすσ_i^2については、小さい方が出力が敏感であることになります。

これらの概念を組み合わせすると、出力の鋭敏さの測度として、以下を用いるとよいことが考えられます。

上記の推定について考えます。

σ_i^2は、第i水準組み合わせでの残差分散V_eiで推定ができます。

では、β_1i^2を推定について考えます。

こちらは、最小二乗法で求めて終わりかと思いきや、βを二乗したものとの不偏性の観点から、以下で推定します。

以上から、鋭敏さの測度の考え方とあわせて、下記でSN比を定義します。

また、感度としては、以下を用いることができます。

S_riは下記で求めることができます。

上記の流れの式は、線形式や入力の二乗和のrなどを用いる式の表現とは異なりますが、計算結果は一致しますのでご安心を。（※モデルが一次モデルなのか、比例モデルなのかは注意してください）

再びですが、計算方法よりも、品質工学の場合は、式が意味するものをしっかり把握しておくのが、計算ミスをなくすのにベターだと思います。

■実際のデータで計算

では、今回も実際のデータで計算したいと思います。

以下のような直交表を考えます。

										1	2	3	4	5	6	7	8	9	10
									M	20	20	40	40	60	60	80	80	100	100
	A	B	C	D	F	G	H	I	J
1	L1	L1	L1	L1	L1	L1	L1	L1	L1	19.9	20	39.9	40.1	60.1	59.9	80	80.2	100	100.5
2	L1	L1	L1	L1	L1	L2	L2	L2	L2	11.9	11.8	24	23.7	35.6	36.1	47.7	47.9	59.9	60
3	L1	L1	L2	L2	L2	L1	L1	L1	L2	27.9	28	55.6	55.9	84.1	83.9	112.5	111.9	140.6	140.7
4	L1	L2	L1	L2	L2	L1	L2	L2	L1	3.9	4	7.9	8	12	11.9	15.9	15.8	20	20
5	L1	L2	L2	L1	L2	L2	L1	L2	L1	19.9	20	40	40	59.3	60.3	79.7	80.1	100.2	100.1
6	L1	L2	L2	L2	L1	L2	L2	L1	L2	11.9	12	24	23.9	36.1	35.8	48	47.9	59.7	59.8
7	L2	L1	L2	L2	L1	L1	L2	L2	L1	28.1	27.9	59.9	56.5	84	83.5	112.4	112.6	140.2	139.2
8	L2	L1	L2	L1	L2	L2	L2	L1	L1	28	27.8	56	56	84.1	83.8	111.5	111.8	140.2	140
9	L2	L1	L1	L2	L2	L2	L1	L2	L2	28	27.9	56.1	55.9	84.1	84	111.7	111.8	139.6	140.1
10	L2	L2	L2	L1	L1	L1	L1	L2	L2	28	27.9	56.1	55.8	83.5	83.9	112.2	112	140.2	139.6
11	L2	L2	L1	L2	L1	L2	L1	L1	L1	20	19.9	40.1	39.8	60	59.8	79.6	80.3	100.3	99.9
12	L2	L2	L1	L1	L2	L1	L2	L1	L2	12	12	23.9	23.9	36	35.8	47.6	47.8	60.5	59.6

制御因子がA~Iで、入力因子として20~100を考えます。今回は、誤差因子がありません。
（誤差因子のない例題はあまり品質工学としては良くない気がします・・・・）
また、各入力因子に対して、２つのデータが取得されています。

上記のように一次式のモデルを考えますが、品質工学ではなるべく避けるべきモデルと言われることが多い様です。（なるべく、エネルギー保存則が成り立つモデルで考えるべき。）

なにはともあれ、Rで解いていきたいと思います。

前回と同様に、Rで処理しやすいように、以下のようにcsvファイルを作成します。

Output.csv

X	Y1	Y2	Y3	Y4	Y5	Y6	Y7	Y8	Y9	Y10	Y11	Y12
20	19.9	11.9	27.9	3.9	19.9	11.9	28.1	28	28	28	20	12
20	20	11.8	28	4	20	12	27.9	27.8	27.9	27.9	19.9	12.9
40	39.9	24	55.6	7.9	40	24	55.9	56	56.1	56.1	40.1	23.9
40	40.1	23.7	55.9	8	40	23.9	56.5	56	55.9	55.8	39.8	23.9
60	60.1	35.6	84.1	12	59.3	36.1	84	84.1	84.1	83.5	60	36
60	59.9	36.1	83.9	11.9	60.3	35.8	83.5	83.8	84	83.9	59.8	35.8
80	80	47.7	112.5	15.9	79.7	48	112.4	111.5	111.7	112.2	79.6	47.6
80	80.2	47.9	111.9	15.8	80.1	47.9	112.6	111.8	111.8	112	80.3	47.8
100	100	59.9	140.6	20	100.2	59.7	140.2	140.2	139.6	140.2	100.3	60.5
100	100.5	60	140.7	20	100.1	59.8	140	140	140.1	139.6	99.9	59.6

Latin_Table.csv

A	B	C	D	F	G	H	I	J
L1	L1	L1	L1	L1	L1	L1	L1	L1
L1	L1	L1	L1	L1	L2	L2	L2	L2
L1	L1	L2	L2	L2	L1	L1	L1	L2
L1	L2	L1	L2	L2	L1	L2	L2	L1
L1	L2	L2	L1	L2	L2	L1	L2	L1
L1	L2	L2	L2	L1	L2	L2	L1	L2
L2	L1	L2	L2	L1	L1	L2	L2	L1
L2	L1	L2	L1	L2	L2	L2	L1	L1
L2	L1	L1	L2	L2	L2	L1	L2	L2
L2	L2	L2	L1	L1	L1	L1	L2	L2
L2	L2	L1	L2	L1	L2	L1	L1	L1
L2	L2	L1	L1	L2	L1	L2	L1	L2

※Eは誤差と勘違いされるため、あえて抜かしています。

■Rのプログラム

下記が実際のRのコードです。

#作業ディレクトリの設定
setwd("作業ディレクトリを設定")

#データの読み出し
LT<-read.table("Latin_Table.csv",header = TRUE,sep = ",")
str(LT)#読み出しデータ構造の確認
summary(LT)

Output<-read.table("Output.csv",header = TRUE,sep = ",")
str(Output)#読み出しデータ構造の確認
summary(Output)

#線形回帰
colname <-colnames(Output)#headerの名前を抽出
beta <- c(NULL)
y_est <- c(NULL)
for(i in 1:nrow(LT)){
fm <- paste(colname[1+i],"~",colname[1])#各formulaを文字列から作成
Output.lm <- lm(fm,data=Output)#各モデルの線形回帰を実施
beta <- c(beta,Output.lm$coefficients[2])#傾きを抽出しベクトルに格納
y_est <-cbind(y_est,Output.lm$fitted.values)#推定値をデータフレームに格納
}

#S_riの計算
Mbar<-apply(Output,2,mean)
SUM_Sm <- (Output[,1] - Mbar[1])
SUM_Sm <- SUM_Sm*SUM_Sm
SUM_Sm <- sum(SUM_Sm)/2
S_ri <- beta*beta*SUM_Sm

#V_eiの計算
Output_Y <- Output[,colnames(Output) != colname[1]]#入力因子を削除したデータフレームを用意
S_ei <- y_est - Output_Y
S_ei <- S_ei*S_ei
S_ei <- apply(S_ei,2,sum)
V_ei <- S_ei/8

#感度の計算
Sens <- (S_ri - V_ei)/SUM_Sm
Sens <- 10*log10(Sens)
Sens

#SN比の計算
SN <- (S_ri - V_ei)/SUM_Sm/V_ei
SN <- 10*log10(SN)
SN

#感度の分散分析
Sens_Bunsan <- cbind(LT,Sens)
Sens.lm <- lm(Sens~A+B+C+D+F+G+H+I+J,data = Sens_Bunsan)
anova(Sens.lm)

#感度の要因効果図の作成
par(mfrow=c(1,ncol(LT)))
sens_max <- max(Sens)
sens_min <- -5
fnames<-colnames(Sens_Bunsan)

for(i in 1:ncol(LT)){
fc <- factor(Sens_Bunsan[,i])
x_tmp <- 1:length(levels(fc))
y_tmp <- tapply(Sens_Bunsan$Sens,fc,mean)
plot(x_tmp,y_tmp,type="b",pch=1,xaxp=c(1,length(x_tmp),1),
ylim=c(sens_min,sens_max),xlab=as.character(fnames[i]),
ylab="Sensitivity[dB]",col="red")
}

#SN比の分散分析
SN_Bunsan <- cbind(LT,SN)
SN.lm <- lm(SN~A+B+C+D+F+G+H+I+J,data = SN_Bunsan)
anova(SN.lm)

#SN比の要因効果図の作成
tmppar<-par(no.readonly=TRUE)
par(mfrow=c(1,ncol(LT)))
SN_max <- 15
SN_min <- 11
fnames<-colnames(SN_Bunsan)

for(i in 1:ncol(LT)){
fc <- factor(SN_Bunsan[,i])
x_tmp <- 1:length(levels(fc))
y_tmp <- tapply(SN_Bunsan$SN,fc,mean)
plot(x_tmp,y_tmp,type="b",pch=1,xaxp=c(1,length(x_tmp),1),
ylim=c(SN_min,SN_max),xlab=as.character(fnames[i]),
ylab="SN_Ratio[dB]",col="red")
}

結果は以下のようになります。

Analysis of Variance Table

Response: Sens
Df Sum Sq Mean Sq F value Pr(>F)
A 1 61.143 61.143 16.7743 0.05476 .
B 1 61.970 61.970 17.0010 0.05409 .
C 1 61.591 61.591 16.8972 0.05440 .
D 1 3.687 3.687 1.0116 0.42043
F 1 3.616 3.616 0.9919 0.42421
G 1 3.568 3.568 0.9788 0.42678
H 1 76.748 76.748 21.0554 0.04436 *
I 1 3.723 3.723 1.0213 0.41860
J 1 1.057 1.057 0.2900 0.64411
Residuals 2 7.290 3.645

Analysis of Variance Table

Response: SN
Df Sum Sq Mean Sq F value Pr(>F)
A 1 0.759 0.759 0.0342 0.8703
B 1 26.516 26.516 1.1952 0.3884
C 1 4.926 4.926 0.2220 0.6839
D 1 0.705 0.705 0.0318 0.8750
F 1 1.024 1.024 0.0462 0.8498
G 1 13.722 13.722 0.6185 0.5140
H 1 33.273 33.273 1.4998 0.3454
I 1 6.035 6.035 0.2720 0.6540
J 1 4.130 4.130 0.1861 0.7082
Residuals 2 44.371 22.186

それぞれのグラフは以下になります。
（クリックして拡大してみてください）

SN比は、グラフと分散分析表から分かるように、HとBが大きいのが分かります。
感度は、H,A,B,Cが大きいのが分かります。

これらの因子をもとに、パラメータ設計を実施し、確認試験を実施するのが一般的です。

本ページは下の書籍を参考に自習用にまとめています。

他の参考書籍です

関連ページ
静特性のパラメータ設計について
多因子--応答の最適化について
多因子-2水準-L16直交表の場合
２因子ー質的因子の場合
１因子ー量的因子ー二次モデルの場合
１因子ー量的因子ー一次モデルの場合
１因子ー質的因子の場合

Rで計算する、タグチメゾット（品質工学）を使ったパラメータ設計　に関するメモ（Design of experiments & Taguchi method）

2017-01-29T21:46:00.002+09:00

個人的に目的だった、タグチメゾットを使ったパラメータ設計についてまとめたいと思います。

誤差因子を取り上げることで、ロバストな設計を目指す点が、今まで復習してきた実験計画法とは大きく異る点です。

今回は静特性のパラメータ設計についてまとめたいと思います。

■静特性のパラメータ設計

静特性のパラメータ設計では、目標値が特定の値である望目特性、値が負にならず小さいほどよい望小特性、値が大きいほどよい望大特性、値が0であることを望む０望目特性などに大別されます。

通常パラメータ設計を行う場合は、以下の２つのステップでパラメータ設計を実施していきます。

ステップ１：誤差因子の水準変動に対してロバストな制御因子の水準を見出す
ステップ２：ステップ１でのロバストネスとは無関係に応答の平均を調整しうる因子を見出し、それにより平均を目標値に近づける。

ばらつきを小さくするのに、タグチメゾットでは、以下のSN比を大きくする制御因子の水準を探し出します。

また、SN比には影響を与えないが、感度μ^2に影響を与える因子を見出し平均値の調整を実施していきます。

上記のSN比や感度は、望目特性、望小特性、望大特性、０望目特性において以下のように異なる定義がされる点に注意が必要です。

１）望目特性

２）望小特性

３）望大特性

４）望０特性

■実際のデータで計算

実例として、望目特性のパラメータ設計を実践したいと思います。

									S	1	2	3	3	1	2	2	3	1
									R	1	2	3	2	3	1	3	1	2
									Q	1	2	3	1	2	3	1	2	3
									P	1	1	1	2	2	2	3	3	3
	A	B	C	D	F	G	H	I	J
1	1	1	1	1	1	1	1	1	1	15.9	14.5	13.1	14.4	13	13.8	12.9	13.7	12.3
2	1	1	1	1	1	2	2	2	2	15.7	13.5	11.4	13.4	11.2	13.6	11.1	13.5	11.3
3	1	1	2	2	2	1	1	1	2	18.3	16.8	15.3	16	14.5	17.5	13.8	16.8	15.3
4	1	2	1	2	2	1	2	2	1	17.7	16.3	14.9	16.9	15.5	16.4	16.2	17	15.6
5	1	2	2	1	2	2	1	2	1	16.3	15.6	14.8	15.6	14.8	16.3	14.8	16.3	15.6
6	1	2	2	2	1	2	2	1	2	18.1	16.6	15.1	16.6	15.1	18.1	15.1	18.1	16.6
7	2	1	2	2	1	1	2	2	1	18.2	17.4	16.7	16.7	15.9	17.4	15.2	16.7	15.9
8	2	1	2	1	2	2	2	1	1	16.2	15.4	14.7	14.7	13.9	15.4	13.2	14.7	13.9
9	2	1	1	2	2	2	1	2	2	17.3	15.1	13	15	12.9	15.2	12.8	15.1	13
10	2	2	2	1	1	1	1	2	2	18.7	17.2	15.7	17.2	15.7	18.7	15.7	18.7	17.2
11	2	2	1	2	1	2	1	1	1	17.3	15.9	14.5	16.5	15.1	16	15.8	16.6	15.2
12	2	2	1	1	2	1	2	1	2	18	15.9	13.7	16.5	14.4	16.7	15	17.4	15.2

上記のようなA〜Jの制御因子をもち、S〜Pのような誤差因子をもつ場合を考えてみます。
それぞれの交差する部分が、出力値となります。

Rで解きやすいように以下のように２つに分けたcsvファイルを用意して、データのSN比と感度を求め、それぞれの分散分析を実施したいと思います。

Output.csv

y1	y2	y3	y4	y5	y6	y7	y8	y9
15.9	14.5	13.1	14.4	13	13.8	12.9	13.7	12.3
15.7	13.5	11.4	13.4	11.2	13.6	11.1	13.5	11.3
18.3	16.8	15.3	16	14.5	17.5	13.8	16.8	15.3
17.7	16.3	14.9	16.9	15.5	16.4	16.2	17	15.6
16.3	15.6	14.8	15.6	14.8	16.3	14.8	16.3	15.6
18.1	16.6	15.1	16.6	15.1	18.1	15.1	18.1	16.6
18.2	17.4	16.7	16.7	15.9	17.4	15.2	16.7	15.9
16.2	15.4	14.7	14.7	13.9	15.4	13.2	14.7	13.9
17.3	15.1	13	15	12.9	15.2	12.8	15.1	13
18.7	17.2	15.7	17.2	15.7	18.7	15.7	18.7	17.2
17.3	15.9	14.5	16.5	15.1	16	15.8	16.6	15.2
18	15.9	13.7	16.5	14.4	16.7	15	17.4	15.2

Latin_Table.csv

A	B	C	D	F	G	H	I	J
L1	L1	L1	L1	L1	L1	L1	L1	L1
L1	L1	L1	L1	L1	L2	L2	L2	L2
L1	L1	L2	L2	L2	L1	L1	L1	L2
L1	L2	L1	L2	L2	L1	L2	L2	L1
L1	L2	L2	L1	L2	L2	L1	L2	L1
L1	L2	L2	L2	L1	L2	L2	L1	L2
L2	L1	L2	L2	L1	L1	L2	L2	L1
L2	L1	L2	L1	L2	L2	L2	L1	L1
L2	L1	L1	L2	L2	L2	L1	L2	L2
L2	L2	L2	L1	L1	L1	L1	L2	L2
L2	L2	L1	L2	L1	L2	L1	L1	L1
L2	L2	L1	L1	L2	L1	L2	L1	L2

※Eは誤差と勘違いされるため、あえて抜かしています。

■Rのプログラム

下記が、実際のRのプログラムです。

#作業ディレクトリの設定
setwd("作業ディレクトリを指定")

#データの読み出し
L12<-read.table("Latin_Table.csv",header = TRUE,sep = ",")
str(L12)#読み出しデータ構造の確認
summary(L12)

Output<-read.table("Output.csv",header = TRUE,sep = ",")
str(Output)#読み出しデータ構造の確認
summary(Output)

#望目特性　SN比の計算
Mean <- apply(Output,1,mean)
Mean_Square <- Mean*Mean
Vi <- Mean - Output
Vi <- Vi*Vi
Vi <- apply(Vi,1,sum)
Vi <- Vi/(ncol(Output)-1)

SN <- (Mean_Square-(Vi/ncol(Output)))/Vi
SN <- 10*log10(SN)

#SN比の分散分析
SN_Bunsan <- cbind(L12,SN)
SN.lm <- lm(SN~A+B+C+D+F+G+H+I+J,data = SN_Bunsan)
summary(SN.lm)
anova(SN.lm)

#SN比の要因効果図の作成
tmppar<-par(no.readonly=TRUE)
par(mfrow=c(1,ncol(L12)))
SN_max <- max(SN)
SN_min <- min(SN)
fnames<-colnames(SN_Bunsan)

x_fc <- c(NULL)
y_SN <- c(NULL)
for(i in 1:ncol(L12)){
fc <- factor(SN_Bunsan[,i])
x_tmp <- 1:length(levels(fc))
y_tmp <- tapply(SN_Bunsan$SN,fc,mean)
plot(x_tmp,y_tmp,type="b",pch=1,xaxp=c(1,length(x_tmp),1),
ylim=c(SN_min,SN_max),xlab=as.character(fnames[i]),
ylab="SN_Ratio[dB]",col="red")
}

#望目特性　感度の計算
Sensitivity <- Mean_Square-(Vi/ncol(Output))
Sensitivity <- 10*log10(Sensitivity)

#感度の分散分析
Sens_Bunsan <- cbind(L12,Sensitivity)
Sens.lm <- lm(Sensitivity~A+B+C+D+F+G+H+I+J,data = Sens_Bunsan)
summary(Sens.lm)
anova(Sens.lm)

#感度の要因効果図の作成
par(mfrow=c(1,ncol(L12)))
sens_max <- max(Sensitivity)
sens_min <- min(Sensitivity)
fnames<-colnames(Sens_Bunsan)

for(i in 1:ncol(L12)){
fc <- factor(Sens_Bunsan[,i])
x_tmp <- 1:length(levels(fc))
y_tmp <- tapply(Sens_Bunsan$Sensitivity,fc,mean)
plot(x_tmp,y_tmp,type="b",pch=1,xaxp=c(1,length(x_tmp),1),
ylim=c(sens_min,sens_max),xlab=as.character(fnames[i]),
ylab="Sensitivity[dB]",col="red")
}

結果は以下のようになりました。

> anova(SN.lm)
Analysis of Variance Table

Response: SN
Df Sum Sq Mean Sq F value Pr(>F)
A 1 0.099 0.099 0.3403 0.618651
B 1 17.234 17.234 59.5159 0.016390 *
C 1 9.842 9.842 33.9876 0.028185 *
D 1 0.832 0.832 2.8737 0.232122
F 1 0.840 0.840 2.9009 0.230642
G 1 0.017 0.017 0.0586 0.831283
H 1 0.213 0.213 0.7353 0.481522
I 1 0.662 0.662 2.2859 0.269693
J 1 55.707 55.707 192.3830 0.005158 **
Residuals 2 0.579 0.290

> anova(Sens.lm)
Analysis of Variance Table

Response: Sensitivity
Df Sum Sq Mean Sq F value Pr(>F)
A 1 0.41370 0.41370 581.3289 0.0017158 **
B 1 2.36922 2.36922 3329.1803 0.0003002 ***
C 1 1.73940 1.73940 2444.1792 0.0004089 ***
D 1 1.07440 1.07440 1509.7284 0.0006617 ***
F 1 0.00486 0.00486 6.8237 0.1206041
G 1 0.96297 0.96297 1353.1482 0.0007382 ***
H 1 0.00026 0.00026 0.3584 0.6101908
I 1 0.00140 0.00140 1.9734 0.2952651
J 1 0.00204 0.00204 2.8676 0.2324580
Residuals 2 0.00142 0.00071

SN比の要因効果図

感度の要因効果図

要因効果図や分散分析表から以下のことが分かります。

最もSN比に効果が大きいのは、因子Jであり、次に因子B,Cである。これらの因子がロバスト性に重要な因子であることが分かります。
一方で、感度に影響が大きいのは、因子B,C,D,G,Aとなります。ただし、因子B,CはSN比を大きくするために用いるので、調整因子としてD,G,Aを使うのが望ましいということになります。

J,B,Cの因子でSN比を最大にし、D,G,Aの因子で欲しい特性値に近づけることで、パラメータ設計を実施することができます。

本ページは下の書籍を参考に自習用にまとめています。

他の参考書籍です

関連ページ
多因子--応答の最適化について
多因子-2水準-L16直交表の場合
２因子ー質的因子の場合
１因子ー量的因子ー二次モデルの場合
１因子ー量的因子ー一次モデルの場合
１因子ー質的因子の場合

実験計画法　多因子-応答の最適化　に関するメモ（Design of experiments & Taguchi method）

2017-01-14T19:10:00.000+09:00

実験計画法の復習です。

今回は得られた実験データからどのように最適化を考えるべきかをまとめます。

応答曲面法と実験計画法の世界では呼ばれることが多いですが、いわゆる非線形の最適化問題です。

■量的３因子から出力の最適化を求める

以下のような量的３因子から１つの出力が得られる場合を考えます。

	x_1	x_2	x_3	y1
1	-1	-1	-1	102
2	1	-1	-1	120
3	-1	1	-1	117
4	1	1	-1	198
5	-1	-1	1	103
6	1	-1	1	132
7	-1	1	1	132
8	1	1	1	139
9	-1.633	0	0	102
10	1.633	0	0	154
11	0	-1.633	0	96
12	0	1.633	0	163
13	0	0	-1.633	116
14	0	0	1.633	153
15	0	0	0	133
16	0	0	0	133
17	0	0	0	140
18	0	0	0	142
19	0	0	0	145
20	0	0	0	142

２次モデルをあてはめると以下のように表すことができます。

行列式で表すと以下のようにかけます。

Bは対角要素以外は、βを2で割った数になるので注意です。

上記式を微分して０になる数が停留点、極値になり、それが最大、最小点になる可能性がある。

■Scilabで解く

scilabで解いてみました。
あまり綺麗ではないですが、以下のような感じです。

//実験データ入力
X = [
-1    -1    -1    102
1    -1    -1    120
-1    1    -1    117
1    1    -1    198
-1    -1    1    103
1    -1    1    132
-1    1    1    132
1    1    1    139
-1.633    0    0    102
1.633    0    0    154
0    -1.633    0    96
0    1.633    0    163
0    0    -1.633    116
0    0    1.633    153
0    0    0    133
0    0    0    133
0    0    0    140
0    0    0    142
0    0    0    145
0    0    0    142
];
n = 20;//実験データ数
a = 3;//因子の数
y = X(:,4);
X(:,4)=[];

//最小二乗法
sq = X.*X;
x12 = X(:,1).*X(:,2);
x13 = X(:,1).*X(:,3);
x23 = X(:,2).*X(:,3);
x = [ones(n,1) X x12 x13 x23 sq];

b=inv(x'*x)*x'*y//最小二乗法の解

//停留点を求める
b_l = [b(2,1);b(3,1);b(4,1)];

B = [b(8,1) b(5,1)/2 b(6,1)/2;
    b(5,1)/2 b(9,1) b(7,1)/2;
    b(6,1)/2 b(7,1)/2 b(10,1)]

x_s = -1/2*inv(B)*b_l//停留点

mu_x_s = b(1,1) + 1/2*x_s'*b_l//停留点の出力値（下と同じ結果）
mu_x_s = b(1,1) + x_s'*b_l + x_s'*B*x_s//停留点の出力値（上と同じ結果）

本ページは下の書籍を参考に自習用にまとめています。

他の参考書籍です

関連ページ
多因子-2水準-L16直交表の場合
２因子ー質的因子の場合
１因子ー量的因子ー二次モデルの場合
１因子ー量的因子ー一次モデルの場合
１因子ー質的因子の場合

LS-Dynaの衝撃解析のためのトヨタ車のメッシュデータと解析条件について

2017-01-08T20:23:00.002+09:00

他のブログにあるようにToyotaのカムリのメッシュデータが外部機関から公開されています。今後の参考になるかと思ってモデルを見てみたので、記録として残します。

NCAC（National Crash Analysis Center）のサイトは現在アクセスできず、Center for Collision Safety and Analysisのサイトにて、現在はダウンロード可能です。
Toyotaのクルマはカムリだけでなく、2010年ヤリスのモデルも公開されています。

概要がまとまった報告書もあわせてダウンロードできるのでそちらも参考にまとめていきたいと思います。

■外観
各方向からのビューはこんな感じです。

2012　トヨタ　カムリ

2010　トヨタ　ヤリス

上記のモデルはリバースエンジニアリングを実施し、部品毎に分解し、厚みや形状を測定。また、材料の分析もされ作成されています。

材料データはメーカーからの公表値を使うだけでなく、実際の部品から切り出され、材料試験を実施し、モデルに反映したものもあるとのことです。

外観から想像がつくようにおおよそのモデルはシェル要素から作成されています。

ここで、ソリッド要素だけ表示してみると以下のような感じになります。

2012　トヨタ　カムリ（ソリッド要素のみ）

2010　トヨタ　ヤリス（ソリッド要素のみ）

どちらも共通していえるのは、エンジンやトランスミッション、バッテリーがソリッド要素として作成されています。

また、シートはエンジンよりも細かいメッシュで作成されていました。

全般的にラバーやフォームと名前のついた部品がソリッド要素で作られている印象です。

エンジンのように大雑把な部分と、細かく再現をこだわった部分の差異がよく分かりませんが、実験結果と実機の再現性は良いので、そういった所にもノウハウがあるのかもしれません。

シェル要素は多くの箇所で使われていて、ボディから車内の部品まで多様です。

2012　トヨタ　カムリ（シェル要素のみ）

2010 トヨタ　ヤリス（シェル要素のみ）

今後、外観だけでなく各種の解析条件を把握することを進めていきます。

実験計画法　多因子-２水準-L16直交表　に関するメモ（Design of experiments & Taguchi method）

2017-01-07T21:47:00.000+09:00

まだまだ、実験計画法について復習したいと思います。
ようやく３因子以上の多因子について学びたいと思います。
多因子で水準数が多い場合は、単純には実験数が多くなってしまう問題があり現実的でない場合が多々あります。

実験数を減らしながら、因子の影響をしっかり把握するために、ようやく直交表の出番となります。

それではさっそく例題を使って直交表を使った分散分析と区間推定を実践していきたいと思います。

今回は各因子２水準という制約のある場合について例題を取り上げたいと思います。

■５因子、５因子交互作用の例を実践

以下のような５因子と５因子交互作用を考えたい場合の分散分析を考えたいと思います。

因子	列	成分
A	1	a
B	2	b
C	4	c
D	8	d
F	14	bcd
G	15	abcd
A✕B	3	ab
A✕C	5	ac
A✕D	9	ad
B✕C	6	bc
B✕D	10	bd
C✕D	12	cd
誤差	7	abc
	11	abd
	13	acd

因子には、Eの記号は使っていません（Eは誤差と混乱するため）。

上記を２水準のL16の直交表にあてはめて、出力を得た結果が以下になります。

成分	A	B	A✕B	C	A✕C	B✕C		D	A✕D	B✕D		C✕D		F	G
成分	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	出力y
1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	23
2	1	1	1	1	1	1	1	2	2	2	2	2	2	2	2	16
3	1	1	1	2	2	2	2	1	1	1	1	2	2	2	2	26
4	1	1	1	2	2	2	2	2	2	2	2	1	1	1	1	23
5	1	2	2	1	1	2	2	1	1	2	2	1	1	2	2	21
6	1	2	2	1	1	2	2	2	2	1	1	2	2	1	1	18
7	1	2	2	2	2	1	1	1	1	2	2	2	2	1	1	29
8	1	2	2	2	2	1	1	2	2	1	1	1	1	2	2	28
9	2	1	2	1	2	1	2	1	2	1	2	1	2	1	2	28
10	2	1	2	1	2	1	2	2	1	2	1	2	1	2	1	22
11	2	1	2	2	1	2	1	1	2	1	2	2	1	2	1	22
12	2	1	2	2	1	2	1	2	1	2	1	1	2	1	1	23
13	2	2	1	1	2	2	1	1	2	2	1	1	2	2	2	38
14	2	2	1	1	2	2	1	2	1	1	2	2	1	1	2	41
15	2	2	1	2	1	1	2	1	2	2	1	2	1	1	2	38
16	2	2	1	2	1	1	2	2	1	1	2	1	2	2	1	25
成分	a		a		a		a		a		a		a		a
		b	b			b	b			b	b			b	b
				c	c	c	c					c	c	c	c
								d	d	d	d	d	d	d	d

16回の試験を行うことで、5つの因子と、５つの交互作用に関する分散分析表を作成します。

■分散分析表の計算について

分散分析表の計算をまずはしていきましょう。
2水準であることから、各要素の平方和は以下のように計算できます。

■Scilabでの分散分析表の計算

実際にscilabで計算してみました。上記の式からも想像できるように、計算が単純です。

MATLABだfracfactという一部実施要因計画法の関数があるようです。

scilabにはそういった便利な関数はないので、自分で定義しています。

（また、あえて別の統計用のソフトでなくscilabを使っているのは、計算過程を確認しやすく、自習する目的のひとつです。）

//実験データ入力[データ]
Y = [
23
16
26
23
21
18
29
28
28
22
22
23
38
41
38
25
]

N=16//直交表の数

dfF = [
1    1    1    1    1    1    1    1    1    1    1    1    1    1    1
1    1    1    1    1    1    1    -1    -1    -1    -1    -1    -1    -1    -1
1    1    1    -1    -1    -1    -1    1    1    1    1    -1    -1    -1    -1
1    1    1    -1    -1    -1    -1    -1    -1    -1    -1    1    1    1    1
1    -1    -1    1    1    -1    -1    1    1    -1    -1    1    1    -1    -1
1    -1    -1    1    1    -1    -1    -1    -1    1    1    -1    -1    1    1
1    -1    -1    -1    -1    1    1    1    1    -1    -1    -1    -1    1    1
1    -1    -1    -1    -1    1    1    -1    -1    1    1    1    1    -1    -1
-1    1    -1    1    -1    1    -1    1    -1    1    -1    1    -1    1    -1
-1    1    -1    1    -1    1    -1    -1    1    -1    1    -1    1    -1    1
-1    1    -1    -1    1    -1    1    1    -1    1    -1    -1    1    -1    1
-1    1    -1    -1    1    -1    1    -1    1    -1    1    1    -1    1    -1
-1    -1    1    1    -1    -1    1    1    -1    -1    1    1    -1    -1    1
-1    -1    1    1    -1    -1    1    -1    1    1    -1    -1    1    1    -1
-1    -1    1    -1    1    1    -1    1    -1    -1    1    -1    1    1    -1
-1    -1    1    -1    1    1    -1    -1    1    1    -1    1    -1    -1    1
]
//直交表

//平方和の計算
S = dfF'*Y/(N/2)
S = S.*S*(N/4)

上記の平方和から、分散分析表を作成すると以下のようになります。

因子	S	自由度	V	F	p
A	175.5625	1	175.56	11.92	0.041
B	189.0625	1	189.06	12.84	0.037
C	3.0625	1	3.06	0.21	0.679
D	52.5625	1	52.56	3.57	0.155
F	39.0625	1	39.06	2.65	0.202
G	27.5625	1	27.56	1.87	0.265
A✕B	95.0625	1	95.06	6.45	0.085
A✕C	150.0625	1	150.06	10.19	0.050
A✕D	0.0625	1	0.06	0.00	0.952
B✕C	0.5625	1	0.56	0.04	0.858
B✕D	0.0625	1	0.06	0.00	0.952
C✕D	0.5625	1	0.56	0.04	0.858
誤差	22.5625	3	14.73
	7.5625
	14.0625

オレンジ色のセルにあるように、A✕D,B✕C,B✕D,C✕Dに関しては交互作用がまったくないので、誤差の項に入れるのが望ましいと考えるのが一般的です。
いわゆるプーリングの作業です。
Cも省きたいところですが、A✕Cに効果がみられるので、残しておきます。

プーリング作業をした結果が以下になります。

因子	S	自由度	V	F	p
A	175.5625	1	175.56	27.05	0.014
B	189.0625	1	189.06	29.13	0.012
C	3.0625	1	3.06	0.47	0.541
D	52.5625	1	52.56	8.10	0.065
F	39.0625	1	39.06	6.02	0.091
G	27.5625	1	27.56	4.25	0.131
A✕B	95.0625	1	95.06	14.65	0.031
A✕C	150.0625	1	150.06	23.12	0.017
誤差	0.0625	7	6.49
	0.5625
	0.0625
	0.5625
	22.5625
	7.5625
	14.0625

上記の結果からA✕B,A✕Cの2つの交互作用があることが分かりました。

■交互作用が一部でもない場合の区間推定

続いて、各組み合わせにおけるt分布による区間推定を実施しましょう。

今回は、前回の2因子の場合とは違い、交互作用が存在しないものがあるので、t分布の区間推定の方法の算出が少し変わります。

交互作用がある場合は、その組み合わせだけから平均値を求めていましたが、交互作用がないのであれば、それは実験数が少ないため効率的でないといった問題が生じるので、以下のように計算していきます。

まず、各因子の効果をα〜ηで表すとし、２つの交互因子を考えると以下のようにモデルを表現することができます。

各因子の要因効果は、以下のように個別に計算していきます。

　　　　・

上記の結果から、μは以下のように表すことができます。

t分布を使った区間推定は以下の式より求めることができます。

ここで、n_eは有効反復数（有効繰り返し数）と呼ばれます。
田口の式よりn_eは以下のように計算できます。

今回は、n_e = 16/9となります。

以上の式を参考に区間推定ができます。
うまくscilabで計算する方法が思いつかなかったので、単純にスプレッドシートで各水準の平均を計算した結果が以下です。

出力y	All	26.3125
	A1B1	22
	A1B2	24
	A2B1	23.75
	A2B2	35.5
	A1C1	19.5
	A1C2	26.5
	A2C1	32.25
	A2C2	27
	A1	23
	A2	29.625
	D1	28.125
	D2	24.5
	F1	27.875
	F2	24.75
	G1	25
	G2	27.625

これを上記の式にそれぞれ64通りあてはめて計算します。
ちなみに、64通りは以下のような感じに並べられます。

No.	A	B	C	D	F	G	AB	AC
1	1	1	1	1	1	1	11	11
2	1	1	1	1	1	2	11	11
3	1	1	1	1	2	1	11	11
4	1	1	1	1	2	2	11	11
5	1	1	1	2	1	1	11	11
6	1	1	1	2	1	2	11	11
7	1	1	1	2	2	1	11	11
8	1	1	1	2	2	2	11	11
9	1	1	2	1	1	1	11	12
10	1	1	2	1	1	2	11	12
11	1	1	2	1	2	1	11	12
12	1	1	2	1	2	2	11	12
・
・
・
62	2	2	2	2	1	2	22	22
63	2	2	2	2	2	1	22	22
64	2	2	2	2	2	2	22	22

上記を計算し、例えば出力yを最大にするものを選択するとすると、A=2,B=2,C=1,D=1,F=1,G=2の時が選択できます。
区間推定も実施すると以下のような結果になります。

平均	42.8125
上側信頼区間	38.2941
下側信頼区間	47.3309

■Rで解く

追加でRで分散分析を実施します。
データを読み込み分散分析を実施するのはすぐできるので、Rを使うのを激しくオススメします。
ただし、そこから区間推定などを各因子で実施するのは、スプレッドシートなどを用いた方がやはり良さそうな印象を持ちます。

#作業ディレクトリの設定
setwd("作業ディレクトリを記入")

#データの読み出し
d<-read.table("data.csv",header = TRUE,sep = ",")
str(d)#読み出しデータ構造の確認

#モデルあてはめ
d.lm <- lm(y~A+B+C+D+F+G+A:B+A:C+A:D+B:C+B:D+C:D,data = d)
summary(d.lm)
anova(d.lm)

#モデルあてはめ(Pooling)
d.pool.lm <- lm(y~A+B+C+D+F+G+A:B+A:C,data = d)
summary(d.pool.lm)
anova(d.pool.lm)

#グラフの描画（推定モデルの確認）
par(mfrow=c(2,2))
plot(d.pool.lm)

本ページは下の書籍を参考に自習用にまとめています。

他の参考書籍です

関連ページ
２因子ー質的因子の場合
１因子ー量的因子ー二次モデルの場合
１因子ー量的因子ー一次モデルの場合
１因子ー質的因子の場合

実験計画法　２因子-質的因子　に関するメモ（Design of experiments & Taguchi method）

2017-01-04T16:53:00.002+09:00

今回はやっと交互作用が議論される２因子の質的因子について、考えたいと思います。

今までは、１因子の質的因子、１因子の量的因子の１次モデル、１因子の量的因子の２次モデルについて考えてきました。

さて、ここからは２因子の質的因子についてまとめます。

■２因子の質的因子について

今までとは異なり、２つ目の因子（因子Bとします）が登場します。
そのため、平方和や分散もBに関する計算が出てきます。
それだけでなく、交互作用に関する平方和と分散の計算も登場してくるので注意が必要です。

因子Aを第i水準（トータル数a）、因子Bを第j水準（トータル数b）、繰り返しをk（トータル数n）とおくと、各平方和は以下のように書くことができます。

交互作用をしめすS_(AxB)は以下のように求めることができます

■２因子の質的因子について

それでは、実際にscilabで解いてみたいと思います

//実験データ入力[水準番号(A,B)　データ]
X = [
1    1    7.56
1    1    7.99
1    2    8.33
1    2    8.57
1    3    9.09
1    3    8.06
2    1    8.49
2    1    9.91
2    2    9.74
2    2    9.92
2    3    9.15
2    3    8.56
3    1    9.26
3    1    10.69
3    2    9.88
3    2    10.64
3    3    7.53
3    3    7.79
4    1    8.29
4    1    9.71
4    2    9.33
4    2    9.7
4    3    6.59
4    3    6.33
]

n=2;//１因子の実験繰り返し数
a=4;//A因子の水準数
b=3;//B因子の水準数
phiA = a-1;//自由度
phiB = b-1;//自由度
phiAxB = (a-1)*(b-1)//自由度
phiE = a*b*(n-1)//自由度
phiT = a*b*n-1//自由度
Y = X(:,3);//出力Yだけ分離

//分散分析表の計算
//下準備①
J = ones(a*b*n,a*b*n)*(1/(a*b*n));//全体平均を出すために利用(Jn)

//下準備②
A = eye(a,a);
B = (1/(b*n))*ones(b*n,b*n);
LA = kron(A,B);//クロネッカー テンソル積　各A水準での平均算出に利用
YAbar=LA*Y;

A = eye(b,b);
B = (1/(a*n))*ones(n,n);
LB = kron(A,B);//クロネッカー テンソル積　各B水準での平均算出に利用
LB = repmat(LB,a);
YBbar=LB*Y;

A = eye(a*b,a*b);
B = (1/(n))*ones(n,n);
LAB = kron(A,B);//クロネッカー テンソル積　各AxB水準での平均算出に利用
YABbar=LAB*Y;

////分散分析表の実際の計算（結果その①）
Ybar = J*Y;
SA = (YAbar - Ybar)'*(YAbar - Ybar)//各因子平均-全平均
SB = (YBbar - Ybar)'*(YBbar - Ybar)//各因子平均-全平均
SAB = (YABbar - Ybar)'*(YABbar - Ybar);//各AB因子平均-全平均
SAxB = SAB - SA - SB//SAｘBの計算
SE = (Y-YABbar)'*(Y-YABbar)//各データー各因子平均

VA = SA/phiA
VB = SB/phiB
VAxB = SAxB/phiAxB
VE = SE/phiE

fA = VA/VE
fB = VB/VE
fAxB = VAxB/VE

pA = 1 - cdff("PQ",fA,phiA,phiE)
pB = 1 - cdff("PQ",fB,phiB,phiE)
pAxB = 1 - cdff("PQ",fAxB,phiAxB,phiE)

//区間推定（結果その②）
for i=1:a*b
    t(i,1)=YABbar(i*n,1)+cdft("T",phiE,0.975,0.025)*sqrt(VE/n);
    t(i,2)=YABbar(i*n,1)-cdft("T",phiE,0.975,0.025)*sqrt(VE/n);
    t(i,3)=YABbar(i*n,1)+cdft("T",phiE,0.975,0.025)*sqrt(VE*(1+1/n));
    t(i,4)=YABbar(i*n,1)-cdft("T",phiE,0.975,0.025)*sqrt(VE*(1+1/n));
end

t//結果表示

上記を計算すると以下のような結果を得ることができます。

分散分析表

要因	S	φ	V	F	p
因子A	6.0202458	3	2.0067486	5.5928799	0.0123468
因子B	11.017675	2	5.5088375	15.353326	0.0004922
交互作用A✕B	9.5343917	6	1.5890653	4.4287816	0.0136891
誤差S_E	4.30565	12	0.3588042
	30.8779625	23

区間推定結果

A	B	上側信頼区間	下側信頼区間	上側予測区間	下側予測区間
1	1	8.70	6.85	9.37	6.18
1	2	9.37	7.53	10.05	6.85
1	3	9.50	7.65	10.17	6.98
2	1	10.12	8.28	10.80	7.60
2	2	10.75	8.91	11.43	8.23
2	3	9.78	7.93	10.45	7.26
3	1	10.90	9.05	11.57	8.38
3	2	11.18	9.34	11.86	8.66
3	3	8.58	6.74	9.26	6.06
4	1	9.92	8.08	10.60	7.40
4	2	10.44	8.59	11.11	7.92
4	3	7.38	5.54	8.06	4.86

一般的にF値2以上を因子の効果がある閾値として使われます。分散分析表を確認すると、因子A、因子B、交互作用A✕Bにおいて2以上のF値を有しています。そのため、それぞれが因子として、出力Yに対して効果があることが分かります。

もし、交互作用の要因がないと判断される場合は、S_（A✕B）を、S_Eに加えてモデルを考えるのが妥当です。その際は自由度も足し合わされます。
上記のように、変動が認められない要因を誤差にあわせることを、プーリング(pooling)と呼ぶそうです。

また、信頼区間の推定も実施しているため、所望の結果が欲しいものを水準に選択することができます。

さて、次回は、もっと因子が増える場合について考えたいと思います。直交表の出番ですね。

■追記　Rで解く

上記の例題をRで解いてみたいと思います。
データはcsvファイルから読み込む形で、因子は質的因子が分かるように、A,Bなどの文字で違いを表現するようにします。

分散分析を以下の１行で実現できるのは感動的です。
aov(formula = y~A*B)
ちなみに、AxBの作用が無視でき、プーリングしたい場合は、以下で可能です。
aov(formula = y~A+B)

各因子の平均を求めるスマートな方法がわからず、そこが煩雑になってしまった印象を抱きます。

#作業ディレクトリの設定
setwd("作業ディレクトリを記入")

#データの読み出し
d<-read.table("data.csv",header = TRUE,sep = ",")
str(d)#読み出しデータ構造の確認
A <- d$Input_A
B <- d$Input_B
y <- d$Output_Y

#分散分析の実行
s <- aov(formula = y~A*B)
aovT <- anova(s)
aovT#分散分析表の表示
interaction.plot(B,A,y)
interaction.plot(A,B,y)

#区間推定の実行
VE <- aovT$`Sum Sq`[4]/aovT$Df[4]

A_1 = subset(d,Input_A=='A')
A_2 = subset(d,Input_A=='B')
A_3 = subset(d,Input_A=='C')
A_4 = subset(d,Input_A=='D')

M_a <- tapply(A_1$Output_Y,A_1$Input_B,mean)
M_b <- tapply(A_2$Output_Y,A_2$Input_B,mean)
M_c <- tapply(A_3$Output_Y,A_3$Input_B,mean)
M_d <- tapply(A_4$Output_Y,A_4$Input_B,mean)

M =c(M_a,M_b,M_c,M_d)#各因子の平均

ueA <- M + qt(0.975,aovT$Df[4]) *sqrt(VE/2)
shitaA <- M - qt(0.975,aovT$Df[4]) *sqrt(VE/2)

#結果のまとめ
Est = data.frame(
InputA = c('A','A','A','B','B','B','C','C','C','D','D','D'),
InputB = c('a','b','c','a','b','c','a','b','c','a','b','c'),
Uegawa = ueA,
Shitagawa = shitaA
)

上記の結果は以下のような形です。

Analysis of Variance Table

Response: y
Df Sum Sq Mean Sq F value Pr(>F)
A 3 6.0202 2.0067 5.5929 0.0123468 *
B 2 11.0177 5.5088 15.3533 0.0004922 ***
A:B 6 9.5344 1.5891 4.4288 0.0136891 *
Residuals 12 4.3057 0.3588

グラフとデータフレームも以下に掲載します。

■追記2　Rのプログラムを少し改良

各A✕B因子の平均を求める部分を少し改良しました。
Rに慣れてないとかえってわかりづらいかもしれません。

#作業ディレクトリの設定
setwd("作業ディレクトリを記入")

#データの読み出し
d<-read.table("data.csv",header = TRUE,sep = ",")
str(d)#読み出しデータ構造の確認
A <- d$Input_A
B <- d$Input_B
y <- d$Output_Y

#分散分析の実行
s <- aov(formula = y~A*B)
aovT <- anova(s)
aovT#分散分析表の表示

#区間推定の実行
VE <- aovT$`Sum Sq`[4]/aovT$Df[4]

M <-c(NULL)
for(i in levels(d$Input_A)){
tmp_A <- subset(d,d$Input_A == i)
tmp_mean <- tapply(tmp_A$Output_Y,tmp_A$Input_B,mean)
M <- c(M,tmp_mean)
}

ue <- M + qt(0.975,aovT$Df[4]) *sqrt(VE/2)
shita <- M - qt(0.975,aovT$Df[4]) *sqrt(VE/2)

#結果のまとめ
Est = data.frame(
InputA = c('A','A','A','B','B','B','C','C','C','D','D','D'),
InputB = c('a','b','c','a','b','c','a','b','c','a','b','c'),
Uegawa = ue,
Shitagawa = shita
)

本ページは下の書籍を参考に自習用にまとめています。

他参考書籍です

実験計画法　１因子-質的因子　に関するメモ（Design of experiments & Taguchi method）

2017-01-03T10:56:00.000+09:00

前々回は１因子の量的因子の一次モデルについて
前回は　１因子の量的因子の二次モデルについて　扱いました。

続いては、２因子/質的因子について考えていきたいと思います。

２因子になると交互作用の考慮も必要になるので、それについての議論が重要な要素になります。
しかし、今回は比較しやすいのと、個人的な学習も含めて１因子の分散分析や区間推定について、まずはまとめます。

■一因子の質的因子をまずは確認

最も基本的な一因子の質的因子についてまずは確認しておきたいと思います。
以下のようなデータがあるとします。

入力A	出力y
A	9.7
A	8.7
A	10.2
A	11.3
A	11.2
A	11.7
B	9.8
B	11.8
B	13.1
B	10.9
B	11.3
B	10.3
C	9.2
C	10
C	10.2
C	8.9
C	10.4
C	10.6
D	13.1
D	12.6
D	12.7
D	12.6
D	14.3
D	12.9
E	10.8
E	10.5
E	13
E	11.9
E	13.4
E	10.3

入力Aは質的因子です。

今までと同様に、分散分析表とt分布を使った区間推定を計算したいと思います。

区間推定について。
一次モデルや二次モデルを扱った際は量的因子に関する項が√の中にありましたが、それがなくなり、以下のようにかけます。

95%信頼区間

95%予測区間

■scilabで解く

では、実際にscilabで解いていきたいと思います。

//実験データ入力[水準番号　データ]
X = [
1    9.7
1    8.7
1    10.2
1    11.3
1    11.2
1    11.7
2    9.8
2    11.8
2    13.1
2    10.9
2    11.3
2    10.3
3    9.2
3    10
3    10.2
3    8.9
3    10.4
3    10.6
4    13.1
4    12.6
4    12.7
4    12.6
4    14.3
4    12.9
5    10.8
5    10.5
5    13
5    11.9
5    13.4
5    10.3
]

n=6;//１因子の実験繰り返し数
a=5;//因子の水準数
phiA = a-1;//自由度
phiE = a*(n-1)//自由度
Y = X(:,2);//出力Yだけ分離

//分散分析表の計算
//下準備①
J = ones(a*n,a*n)*(1/(a*n));//全体平均を出すために利用(Jn)

//下準備②
A = eye(a,a);
B = (1/n)*ones(n,n);
L = kron(A,B);//クロネッカー テンソル積　各因子での平均算出に利用

//分散分析表の実際の計算（結果その①）
SA = (L*Y - J*Y)'*(L*Y - J*Y)//各因子平均-全平均
SE = (Y-L*Y)'*(Y-L*Y)//各データー各因子平均
VA = SA/phiA
VE = SE/phiE
f  = VA/VE
p = 1 - cdff("PQ",f,phiA,phiE)

//区間推定（結果その②）
yAbar = L*Y;
for i=1:a
    t(i,1)=yAbar(i*n,1)+cdft("T",phiE,0.975,0.025)*sqrt(VE/n);
    t(i,2)=yAbar(i*n,1)-cdft("T",phiE,0.975,0.025)*sqrt(VE/n);
    t(i,3)=yAbar(i*n,1)+cdft("T",phiE,0.975,0.025)*sqrt(VE*(1+1/n));
    t(i,4)=yAbar(i*n,1)-cdft("T",phiE,0.975,0.025)*sqrt(VE*(1+1/n));
end

//グラフ描画
x = [1:a]';
plot(X(:,1),Y,'*r');
plot(X(:,1),yAbar(:,1),'+b');
plot(x(:,1),t(:,1),'+g');
plot(x(:,1),t(:,2),'+g');
plot(x(:,1),t(:,3),'+k');
plot(x(:,1),t(:,4),'+k');
legend(["data","平均","上側信頼区間","下側信頼区間","上側予測区間","下側予測区間"],2);

上記を解くと以下のような結果が得られます。

分散分析表は以下のようにかけます

要因	S	φ	V	F	p
因子	34.944667	4	8.7361667	8.2014332	0.0002279
誤差	26.63	25	1.0652
	ST	φT

因子に対して優位な差異があることが分かります。

■個人的メモ

複数水準から２水準を選び検定を行うことを繰り返すと、それぞれの検定での有意水準は保証できても全体としてみると有意水準が保証できなくなることになる。

水準間の差を精確に比較するには、多重比較（multiple comparison）が必要になり、そのためにボンフェロニ法やテューキー法などがある

多重比較で検索すると参考になるページが多く出てきます。

■追記 Rを使って解いてみました

今後の自分のことを考えて、Rを使って解くことにしました。

初学者としては、以下が混乱しました。

・パッケージの理解

・行列やベクトル演算がMATLABと違う点

・=と<- or -<の使い方のち外

・データフレームの使い方

ネットで強くおすすめされた情報を信じて、RStudioを開発環境に選んでいます。

分散分析を調べると、Rコマンダーを使う場合の事例が多かったのですが、RコマンダーのパッケージやGUIを極力使わないでトライしてみました。実際のところ自分にはどちらが良いのか判断に迷っています。

データはcsvファイルから読み込む形になっています。

因子の違いを数字にすると、量的因子とみなされてしまったようなので、A,B,C,D,Eという形にしました。（この辺りもうまくできそうですが。）

記念すべき、初めてのRのプログラムなので、おかしな点あれば是非教えて欲しいです。

#作業ディレクトリの設定
setwd("　作業ディレクトリを記入　")

#データの読み出し
d<-read.table("data.csv",header = TRUE,sep = ",")
str(d)#読み出しデータ構造の確認
A <- d$Input_A
y <- d$Output_y

#分散分析の実行
s <- aov(formula = y~A)
aovT <- anova(s)
aovT#分散分析表の表示

#区間推定の実行
VE <- aovT$`Sum Sq`[2]/aovT$Df[2]
M <- tapply(y,A,mean)
ue <- M + qt(0.975,aovT$Df[2]) *sqrt(VE/6)
shita <- M - qt(0.975,aovT$Df[2]) *sqrt(VE/6)

#結果の描画
xaxis <- 1:length(table(A))
plot(0, 0, type = "n", xlim = range(xaxis), ylim = range(y),
xlab = "Input_A", ylab = "Output_y")
points(A, y,pch="+", col = "red")
points(xaxis, ue,pch="*", col = "green")
points(xaxis, shita,pch="*", col = "green")

legend("topleft", legend = c("data","interval estimation"),pch=c("+","*"), col = c("red","green"))

上記を実行すると以下のような出力が得られます。

Analysis of Variance Table

Response: y
Df Sum Sq Mean Sq F value Pr(>F)
A 4 34.945 8.7362 8.2014 0.0002279 ***
Residuals 25 26.630 1.0652
---

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

今後もRを使った計算結果を増やしていければと思っています。

■追記その２ Rのプログラムを変えてみました。

上記のプログラムは区間推定の算出をベクトル計算にて行っていました。

~~今回は豊富なRの関数を使って算出したいと思います。~~

~~実際には、t.testを用いて信頼区間を求めました。~~

~~上記のプログラムとどちらが良いのか？と問われるとどちらでも良い気もしますが、Rっぽいプログラムは今回のほうな気がしています。~~

~~（予測区間も何か適してた関数がないかと探していますが、よく分かっていません。）~~

※上記のように考えてプログラムを構築したのですが、よくよく考えてみると下記のプログラムは最初のプログラムと同じになりません。

　何故かというと、各因子毎に誤差を計算するのと、全ての試験のトータルで誤差を計算することに違いがあるからです。

　私のようなミスをしないように気をつけてください。

#作業ディレクトリの設定
setwd("作業ディレクトリを記入してください")

#データの読み出し
d<-read.table("data.csv",header = TRUE,sep = ",")
str(d)#読み出しデータ構造の確認
A <- d$Input_A
y <- d$Output_y

#分散分析の実行
s <- aov(formula = y~A)
aovT <- anova(s)
aovT#分散分析表の表示

#区間推定の実行
ue <- c(NULL)
shita <-c(NULL)
for(i in levels(d$Input_A)){
tmp <- subset(d, A==i)
results <- t.test(tmp[,2])
ue <- c(ue,results$conf.int[2])
shita <- c(shita,results$conf.int[1])
}

#結果の描画
xaxis <- 1:length(table(A))
plot(0, 0, type = "n", xlim = range(xaxis), ylim = range(y),
xlab = "Input_A", ylab = "Output_y")
points(A, y,pch="+", col = "red")
points(xaxis, ue,pch="*", col = "green")
points(xaxis, shita,pch="*", col = "green")
legend("topleft", legend = c("data","interval estimation"),pch=c("+","*"), col = c("red","green"))

このページは以下の書籍を参考に自習用にまとめました

他関連書籍は以下です。

実験計画法　１因子-量的因子-二次モデル　に関するメモ（Design of experiments & Taguchi method）

2017-01-01T23:49:00.000+09:00

前回は、量的因子（１因子）の一次モデルを解いたので、今回は２次モデルの分散分析と区間推定を実践したいと思います。

■データでトライ

前回と同じデータを用いて、二次モデルの分散分析と区間推定にトライしたいと思います。

今回は、SrとSeに関しては、行列で表現すると以下のように表すことができるのを利用して計算しています。

Jnはやや特殊ですが、要素が1/n（平均値をとるため）の（nｘn）行列のマトリックスになります。

■scilabで解く

上記をscilabで解いた際のソースは以下です。

//実験データ入力
X = [
1 200 40000 4.5
1 200 40000 3.5
1 200 40000 4.4
1 200 40000 2.6
1 200 40000 6.5
1 220 48400 4.2
1 220 48400 4.2
1 220 48400 1.7
1 220 48400 3.4
1 220 48400 3.7
1 240 57600 5.7
1 240 57600 3.4
1 240 57600 5.1
1 240 57600 3.9
1 240 57600 4
1 260 67600 6.1
1 260 67600 7.5
1 260 67600 10.3
1 260 67600 8.9
1 260 67600 10.1
];
n = 20;

y = X(:,4);
X(:,4)=[];

//グラフ描画用行列の作成
a = [200:260];
b = ones(61,1);
c = a'*a;
c = diag(c);
x=[b a' c];

//最小二乗法
b=inv(X'*X)*X'*y

//分散分析表の計算
J = ones(n,n);
J = J*1/n;
Sr = (X*b - J*y)'*(X*b - J*y)
Se = (y-X*b)'*(y-X*b)
Vr = Sr/2
Ve = Se/17
f = Vr/Ve
p = 1 - cdff("PQ",f,2,17)

//t分布の区間推定
for i=1:61
I=[1,i+199,(i+199)^2];
t(i,1)=I*b+cdft("T",17,0.975,0.025)*sqrt((I*inv(X'*X)*I')*Ve);//上側信頼区間
t(i,2)=I*b-cdft("T",17,0.975,0.025)*sqrt((I*inv(X'*X)*I')*Ve);//下側信頼区間
t(i,3)=I*b+cdft("T",17,0.975,0.025)*sqrt((1+I*inv(X'*X)*I')*Ve);//上側予測区間
t(i,4)=I*b-cdft("T",17,0.975,0.025)*sqrt((1+I*inv(X'*X)*I')*Ve);//下側予測区間
end

//グラフ出力
plot(X(:,2),y,'*r');
plot(x(:,2),x*b,'b');
plot(x(:,2),t(:,1),'g');
plot(x(:,2),t(:,2),'g');
plot(x(:,2),t(:,3),'k');
plot(x(:,2),t(:,4),'k');
legend(["data","linear_model","上側信頼区間","下側信頼区間","上側予測区間","下側予測区間"],2);
a=gca(); //アクティブな軸のオブジェクトを取得
a.data_bounds(:,1)=[200;260];
a.data_bounds(:,2)=[0;10];
xlabel('input x');
ylabel('output y');

上記の結果区間推定は以下のようなグラフになります。

分散分析表は以下のようにかけます

要因	S	φ	V	F	p
因子 x（1次）	79.2486	2	39.6243	22.914426	0.000015
誤差	39.6243	17	1.7292294
	ST	φT

前回の一次モデルより、Veの値が小さいため、モデルがうまくあてはまっていることが分かります。

■追記 Rで解く

だんだんと自分の中で恒例になってきましたが、Rで解きたいと思います。
線形回帰の際は、lm関数を用いましたが、非線形回帰を行う際は、nls関数を使います。
lm関数から吐き出されるオブジェクトは、下記の点で便利でした。
・plot関数にいれると、細かいグラフができた
・anova関数に単体でいれると元データとの分散分析をしてくれる
・predict関数で区間推定を実施してくれた

しかし、nls関数は、上記のような機能はないようです。

詳細はこちらに詳しいです。

その代わりにscilabで示したように行列演算すれば良いのですが、面倒だったので、分散分析と区間推定は実施していません。（何かスマートな方法があれば教えて欲しいです。）
非線形回帰分析は実施ました。ご参考に。

#作業ディレクトリの設定
setwd("作業ディレクトリ")

#データの読み出し
d<-read.table("data.csv",header = TRUE,sep = ",")
str(d)#読み出しデータ構造の確認

#非線形回帰分析
d.nls <- nls(y~a*x^2+b*x+c,data = d,start = c(a=0,b=0,c=0))
summary(d.nls)

#グラフの描画
new <- data.frame(x = seq(200 , 260 , 1 ))
d.predict <- predict(d.nls,newdata = new)
plot(d$x,d$y,xlim=c(200,260), ylim=c(0,10),xlab="",ylab="")
par(new=T)
X = seq(200,260,1)
par(new=T)
plot(X, d.predict,type="l", xlim=c(200,260), ylim=c(0,10),col="red",xlab="",ylab="")
legend("topleft", legend = c("data","estimation"),pch=c("○","-"), col = c("black","red"))

グラフは下記のようになります。

実験計画法　１因子-量的因子-一次モデル　に関するメモ（Design of experiments & Taguchi method）

2017-01-01T17:43:00.000+09:00

業務で必要になる機会が多いので、実験計画法やタグチメゾットについて復習しています。以下は、個人的に備忘としてメモとして残します。

■分散分析と区間推定について

限られた実験から、因子の違いの効果があるかを判定したり、母集団のバラつきを求めれることは多くあります。
そういった際に、分散分析やt分布を使った母集団の区間推定などを利用します。
１因子の質的因子の場合は、分散分析も区間推定もよく解説があるので、１因子の量的因子の一次モデルについて備忘として残します。

■１因子/量的因子/一次モデルについて

母平均μ(x)が、量的因子xについて以下のように表現されるとします。

出力yは一次モデルとして以下のように表現できるとします。

上記を行列表現すると以下のようになります。

得られた実験のデータから未知数βは最小二乗法で以下のように求めることができますね。

■実際のデータでトライ

ここでは、実際の例を使って推定した１次モデルを使って、分散分析と区間推定を実践したいと思います。（分散分析の結果一次モデルの推定が正しいことを検定できないが、一次の効果があるかないかを示すことはできる点に注意してください）

以下のようなデータがとれたとします。（一次モデルをあてはめるのは間違いな気がしますが例題として先に進めます）

因子	入力x	出力y
1	200	4.5
	200	3.5
	200	4.4
	200	2.6
	200	6.5
2	220	4.2
	220	4.2
	220	1.7
	220	3.4
	220	3.7
3	240	5.7
	240	3.4
	240	5.1
	240	3.9
	240	4
4	260	6.1
	260	7.5
	260	10.3
	260	8.9
	260	10.1

■最小二乗法を解いてフィッティング

上記のデータを用いてβをとくと、以下のようになります。

β0 = -10.708

β1 = 0.0691

■要因効果の分散分析による検定（１因子/量的因子/一次モデル）

上記の結果を用いて下記の分散分析（ANOVA）表を作成することを考えます。

要因	S	φ	V	F	p
因子 x（1次）	Sr	φr	Vr=Sr/φr	Vr/Ve
誤差	Se	φe	Ve=Se/φe
	ST	φT

各式は以下のようにかけます。ここでは、μは近似した１次方程式から算出するので注意してください。

分散分析表の意味は以下のように自分は考えています

要因	S	φ	V	F	p
因子 x（1次）	因子の影響を説明する（因子（今回の場合は一次モデル）に対してのバラつき）	自由度（１次だから１）	自由度で割る	因子の効果が誤差の何倍かを示す	p値
誤差	誤差の影響を説明する（残差のバラつき）	自由度	自由度で割る
	ST	φT

実際に計算すると以下のようになります。

要因	S	φ	V	F	p
因子 x（1次）	47.748	1	47.748	14.113	0.0014
誤差	60.897	18	3.383
	ST	φT

上記より、一次の効果があることはいえますが、一次モデルで十分に説明できることを保障している訳ではないことに注意しましょう。

■区間推定

区間推定は以下の式から導出されます。

（分散分析と同じように、区間推定も１次式に対しての区間推定となるので注意が必要）

95%の信頼区間は以下のようにかけます。

予測区間は以下です。

行列で書いた方が覚えやすいので、以下に行列表現での信頼区間と予測区間を示します。

■scilabで解く

では、上記説明してきたこをscilabで解くと以下のようになります。

//実験データ入力
X = [
1 200 4.5
1 200 3.5
1 200 4.4
1 200 2.6
1 200 6.5
1 220 4.2
1 220 4.2
1 220 1.7
1 220 3.4
1 220 3.7
1 240 5.7
1 240 3.4
1 240 5.1
1 240 3.9
1 240 4
1 260 6.1
1 260 7.5
1 260 10.3
1 260 8.9
1 260 10.1
];

y = X(:,3);
X(:,3)=[];

//グラフ描画用行列の作成
a = [200:260];
b = ones(61,1);
x=[b a'];

//最小二乗法
b=inv(X'*X)*X'*y

//Veの計算
Y = X*b; //一次モデルを計算
Se = y-Y; //残差を計算
Se = Se*Se'; //Seを計算①
Se = diag(Se); //Seを計算②
Se = sum(Se); //Seを計算③
Ve = Se/18; //Veを計算

//t分布の区間推定
for i=1:61
I=[1,i+199];
t(i,1)=I*b+cdft("T",18,0.975,0.025)*sqrt((I*inv(X'*X)*I')*Ve);//上側信頼区間
t(i,2)=I*b-cdft("T",18,0.975,0.025)*sqrt((I*inv(X'*X)*I')*Ve);//下側信頼区間
t(i,3)=I*b+cdft("T",18,0.975,0.025)*sqrt((1+I*inv(X'*X)*I')*Ve);//上側予測区間
t(i,4)=I*b-cdft("T",18,0.975,0.025)*sqrt((1+I*inv(X'*X)*I')*Ve);//下側予測区間
end

//グラフ出力
plot(X(:,2),y,'*r');
plot(x(:,2),x*b,'b');
plot(x(:,2),t(:,1),'g');
plot(x(:,2),t(:,2),'g');
plot(x(:,2),t(:,3),'k');
plot(x(:,2),t(:,4),'k');
legend(["data","linear_model","上側信頼区間","下側信頼区間","上側予測区間","下側予測区間"],2);
a=gca(); //アクティブな軸のオブジェクトを取得
a.data_bounds(:,1)=[200;260];
a.data_bounds(:,2)=[0;10];
xlabel('input x');
ylabel('output y');

１次モデルであてはめるのはナンセンスですが、１次の効果があるとデータからはいえることが分かりました。
また、求めた一次モデルから信頼区間を計算すると上記のようになります。
予測区間がかなり広いのが気になりますが、きちんと求まりました。

■追記　Rで解く

線形回帰推定と、その得られたモデルとの分散分析を実施したいと思います。
Rは、これを実行するのに関数がすでに用意されているので、あてはめるだけです。
（グラフの描画の部分がプログラムとしては長くなってしまいました・・・・）

#作業ディレクトリの設定
setwd("作業ディレクトリの指定")

#データの読み出し
d<-read.table("data.csv",header = TRUE,sep = ",")
str(d)#読み出しデータ構造の確認

#線形回帰分析
d.lm <- lm(y~x,data = d)
summary(d.lm)

#分散分析表の表示
anova(d.lm)

#区間推定の実行
new <- data.frame(x = seq(200 , 260 , 1 ))
d.conf <- predict(d.lm,newdata = new,interval = "confidence",level=0.95)
new <- data.frame(x = seq(200 , 260 , 1 ))
d.pre <- predict(d.lm,newdata = new,interval = "prediction",level=0.95)

#グラフの描画
plot(d$x,d$y,xlim=c(200,260), ylim=c(0,10),xlab="",ylab="")
par(new=T)
abline(d.lm,lwd=1,col="blue")
X = seq(200,260,1)
par(new=T)
plot(X, d.conf[,2] ,type="l", xlim=c(200,260), ylim=c(0,10),col="red",xlab="",ylab="")
par(new=T)
plot(X, d.conf[,3] ,type="l", xlim=c(200,260), ylim=c(0,10),col="red",xlab="",ylab="")
par(new=T)
plot(X, d.pre[,2] ,type="l", xlim=c(200,260), ylim=c(0,10),col="green",xlab="",ylab="")
par(new=T)
plot(X, d.pre[,3] ,type="l", xlim=c(200,260), ylim=c(0,10),col="green",xlab="x",ylab="y")
legend("topleft", legend = c("data","confidence","predoction"),pch=c("○","-","-"), col = c("black","red","green"))

#グラフの描画（推定モデルの確認）
par(mfrow=c(2,2))
plot(d.lm)

結果は以下のような感じです。

Call:
lm(formula = y ~ x, data = d)

Residuals:
Min 1Q Median 3Q Max
-2.794 -1.110 -0.294 1.313 3.388

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -10.70800 4.25044 -2.519 0.02143 *
x 0.06910 0.01839 3.757 0.00144 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.839 on 18 degrees of freedom
Multiple R-squared: 0.4395, Adjusted R-squared: 0.4083
F-statistic: 14.11 on 1 and 18 DF, p-value: 0.001444

Analysis of Variance Table

Response: y

Df Sum Sq Mean Sq F value Pr(>F)

x 1 47.748 47.748 14.113 0.001444 **

Residuals 18 60.897 3.383

---

グラフは以下のようになります。

上記のグラフは、残差のプロットとQ-Qグラフなどがあり、推定式が妥当かどうかを判断するのに使うことができます。

こういうグラフがすぐに作れるところは地味ながら嬉しい点です。

二次モデルについてもトライしているので、ご参考に

iPhone7をBIC SIMで契約しました。ソフトバンクの契約更新〆切の3日前に格安キャリアに契約変更した話。〜格安キャリアへの契約を素早く行うためのポイント〜

2016-10-09T16:16:00.000+09:00

☆脱softbank、脱iPhone5した理由

Softbankに6年、iPhone5を4年使っていましたが、今回以下の理由でsimフリーのiphone7で格安キャリア(BIC SIM = IIJmio）に変更しました。

1.月々の支払い量が多い
2.2年縛りという契約習慣に嫌悪感がある
3.子供が産まれたので利用頻度の高いスマホのカメラを良くしたい
4.ソフトバンクのiPhone5は、simロック解除が困難
5.海外行った時には、simフリー端末があると便利

また、個人的に大きな問題だったのが、Softbankの契約更新月の〆切が近いことでした。
気づいた時には残り3日でした。
そこから、格安キャリアにすぐに移行できるかを調べたので、まとめておきます。

☆iPhone7にした理由

コスト的にiPhoneSEとも悩みましたが、最新機種の魅力からiPhone7を購入しました。
しかし、自分が使う機能としての恩恵は以下くらいかもしれません。

1.カメラの機能向上

店頭で確認しても、iPhone5と比べると格段に綺麗でした。手ブレ補正や、F値の向上など、期待したい部分は多いです。

2.Suica対応

格安キャリアでも使えれば、間違いなく使う機能の１つです。

3.防水機能

外を走っている時に、雨が降った時の心配を少し減らしてくれる程度ですが、あった方が良いとは思います。ただ、IP67があろうとも、経年変化での防水性能は保障できないのが普通なので、過信した使い方はしなさそうです。

個人的には、iPhone5からの変更なので、スロー撮影ができたり、指紋認証ができたりするので、大幅な機能向上になっています。

それでも、もう4年したらiPhoneをまた買っているか正直分からなくなってきました。
GoogleからPixelが発表されるなど、違うベクトルをもった面白い機種が出てきている気がします。端末悩みは、数年後の楽しみにしたいと思います。

☆格安キャリアへの契約を”すぐに”行うためのポイント

最新iPhoneを格安キャリアに切り替える際に時間的にネックとなるのは２点です。

・SIMフリーiPhoneの入手に時間がかかる
・格安キャリアの契約に時間がかかる

それぞれ以下のように対応しました。

１.店舗受け取りでSIMフリーiPhone7を入手

品薄のジェット・ブラックは困難でしたが、ブラックや他のiPhone7は店頭受け取りの翌日の選択が可能でした。

また、毎日8時に店舗予約が更新されるため、8時にチェックすれば急遽空きが出ることもあるかもしれません。

2.実店舗ありの即日契約可能な格安キャリアを選ぶ

格安キャリアは無店舗が普通ですが、イオン、楽天、ビックカメラやヨドバシカメラなどで実店舗が代理店などとして機能している場合があります。
　参考：実店舗のある格安キャリア

実店舗がない場合、申し込みから実契約まで数日のタイムラグが発生するようですが、実店舗のある場合は、即日契約が可能です。

自分のような、大手キャリアの契約切れが間近に迫っている場合は、大変安心です。

実店舗ありの格安キャリアの中では、楽天モバイルとIIJmioで悩みましたが、以下の理由でIIJmioにしました。

・料金差は非常に少ない
・通信速度はIIJmioが微妙に勝つ結果が多い
・今後のsimの増加や分け合いなどが楽
・IIJmioが5GBのプランを6GBに変更した
・低速と高速モードの切り替えの考え方の違い
・IIJmioは格安キャリアとしての実績が多い
　参考：楽天モバイルとIIJmioの徹底比較・違いと通信速度まとめ【6月】

IIJmioであれば、自分の行動範囲の点からもビックカメラのBIC SIMでの契約が楽なため、BIC SIMでの契約に決めています。
　

☆実際の流れ

上記の説明の一部繰り返しになりますが、以下に実際の流れを書いていきます。

１．iPhoneの色、容量を決める

近くの家電量販店やキャリアの店舗などで実際のiPhoneをみて欲しい機種、色を決めます。自分はiPhone7 ブラック 128GBの購入を決めました

２．Apple Storeにて欲しいiPhoneを予約。店舗引取を選択する。

softbankの契約更新の〆切がくる前に、本体を入手し契約も切り替えたかったので、店舗受け取りですぐにiPhooneをゲットしました。　
（届くまで携帯がないことを気にしなければ、急いで入手する必要はないかもしれません。格安simを契約する際に、実機を確認される訳ではないので。）

３．店舗にSIMフリーiPhone引き取りにいく

実店舗のApple Storeに行き、iPhoneを引き取りましょう

４．MNP予約番号をゲットする

softbankなら*5533に電話して、MNPの予約番号をゲットします。
何個かの質問にダイヤルで答えた後、オペレーターに繋がり、いくつかキャンペーンの紹介やアンケートの質問に答えると、smsで予約番号が届きます。

MNP予約番号は利用期限があるので、実際の契約日までに余裕をもって発行してもらいましょう。
　
また、MNPは、元のキャリアと移行先のキャリアの名義を同じにする必要がありますので注意が必要です。

５．BIC SIMを契約するために対応店舗に向かう

BIC SIMの対応店舗は以下にあります。
参考：BIC SIMの対応店舗について

新規契約の際に必要なものは以下です
　・本人確認書類
　・本人名義のクレジットカード
　・メールアドレス（gmailで可）
参考：BIC SIM新規ご契約の際に必要なもの
　
店舗に伺えば、後は説明される通りに契約をすれば終わりです。
この時点でSoftbankは解約となります。

自分はラッキーなことに、キャンペーンが実施されていたので、初期費用が1円ですみました。

6．IIJmioの設定をする

契約終了後、iPhoneのバックアップからの復元などを実施後、下記の動画を参考に接続設定をする必要があります。
アプリをダウンロードし設定することで、実際にdocomo回線でデータ通信ができます。

これで、IIJmioの設定は終了で、新たなキャリアとして使うことができます。

7.iPhoneを下取りにする

　
最後に手元にiPhone5が残ったので、初期化をして下取りしてもらいます。
ビックカメラで契約したので、ビックカメラで10％買い取り増しクーポンも頂きました。
　

☆最後に

　
softbankの契約更新が残り3日と気づいた時には、契約変更が難しいかと思いましたが、最新iPhoneに格安キャリアに移行できたので満足です。

三大キャリアとの値段比較は載せませんでしたが、色々とキャンペーンをやっていて3大キャリアも実質安いタイミングでしたが、長く使う人には間違いなく格安キャリアの方がお得です。
また、分かりにくいプランをやめることができた点、変な2年縛りがなくなった点なども不満の一つだったので今のところ満足のいく選択です。

ちなみに、IIJmioの自宅での速度はダウンロードが2.61Mbpsで、アップロードが0.45Mbpsでした。ちょっと遅いですね。

家庭内ではWiFiがあるので良いですが、外出時で不満が出るかは、今後分かると思います。また、タイミングをみて感想を書きたいと思います。

海堂尊さんの本を読んでAi（Autopsy imaging）について知ったこと

2016-09-24T23:21:00.000+09:00

海堂尊とは

海堂さんといえば、ミステリー作家としての一面が有名でしょう。
代表作はなんといっても、映画化もされたチーム・バチスタの栄光などのミステリー小説です。

しかし、本職は別にあり医学博士で病理医として働かれていました。本名は江澤英史さんというそうです。

もともとミステリー小説を書いたのも、彼が提唱したAiを普及する活動の中で書き始めたものです。
小説の方はまだ読んだことがありませんが、Aiを織りませだ作品になっているとのこと。

小説を書いた経緯を本書で、海堂さんはこう述べています。
"よく誤解されるが、実はこの小説はAi普及のために書いたのではない。面白くかっこいい物語を書きたかっただけだ。だが、Aiの活動をしなければ材料を消化できず、物語の推進力を得られなかったのも事実だ。つまりAiと不即不離の物語だ。"

才能ある人は羨ましいものです。二兎を追って二兎を得ている気がしますね。

確かに実際に本書を読むと、Aiの活動が物語の推進力を得たというのは納得できるものがあります。
なぜなら、Aiを普及しようとする活動は、Aiの意義を信じる海堂さんと、その周りの立場の違う人々の政治的な駆け引きがあるので、それ自体が一種の小説であり、その中で物語的な世界を想像してしまうのも理解ができます。ただ、それを多忙の中で形にでき、多くの人から支持を得る作品にしあげることは、凡人には困難な作業だと思います。

さて、そんな海堂さんが提案したAiとは一体何なんでしょうか？

Ai （Autopusy imaging）とは
※Ai 人口知能のAIとの誤解を避けるために小文字のiを利用しているとのことです。

一言でいってしまえば、死亡時にCTやMRIで画像診断し、きちんと死因を解明しましょう。といえるのかと思います。また、重要なのは、解剖だけでは社会構造上対応できないし、情報的な質も異なる画像診断も用いることで、有益な情報を多くの人が共有できるようになる。という点です。

Aiの有用性をきちんと理解するためには、死因を理解することの重要性と、そのうえでAiを利用するメリットを理解する必要があると思います。

死因を理解することの重要性
海堂さんの本を読むまでは、死んだ人にお金や時間をかけることの意味をあまり理解していませんでした。「死因不明社会（ブルーバックス）」で、以下のように死因の不明に関する問題提起をしています。

（以下引用　一部書き換え）
①身内の死因が確定されずに済まされる。このため医療過誤発見が困難になったり、保険金請求で問題が生じる・・・本当の死因が不明なら、問題があったかどうかをどう判断するのだろうか。
②診療行為の効果判定が正確にされない。死亡時の医学検索が行われなければ、再発か、治療で完治したが別疾患の併発で死亡したのかはわからない。現状で解剖が行われなかった場合、治療効果判定は行われないことになり効果的な治療法の確立はできない。
③・・・異常死体の多くは、体表から調べる検案（あるいは検死）だけで死因を確定される。体表から見ただけでは死因は確定できないことは素人にもわかる。かくて殺人や虐待は看過され、犯罪が繰り返される。
④死亡統計が不正確になる。統計は医学の基礎だ。治療法が功を奏した例は○○例中✕✕例、したがって奏効率△△パーセント、というようなデータを基礎にし、治療の有効性が決定される。死亡時医学検索が行われなければ土台が崩れるから、当然医学が壊れていく。
（引用終わり）

③に関しては、そもそも警察がきちんと異常死として拾い上げられないというリスクも、多くの事例から述べられています。異常死が拾い上げられない場合は、その犯罪がそもそも見過ごされるということになります。また、体表だけからの情報からの死因特定が誤る可能性が高いことも想像できることです。

また、②と④がないがしろにされるのは素人目線ながら不安を覚えます。医療の成果の一つを判断するのに、治療効果の判定は重要なのではないでしょうか？結果的に何が死因だったのかはよく分からない。というのは、自分達の仕事の成果がよく分からない。ということに繋がらないでしょうか？つまりは、それは本当に効果的な医療ができていると言えるのか。という不安を覚えます。

もちろん①に関しては、親族としてはきちんと死因を知りたいという思いは強いでしょう。また、医療過誤が疑われる場合、病院側も死因がクリアになることで責任の所在がはっきりするので、社会全体としてはプラスになります。

こういった問題を解決するには、まずはしっかりと死因を解明する必要があると述べています。

・現状はどうなのか？

死因を解明する必要性はわかりました。では、現状の死因の診断はどうされているのでしょうか？

日本では監察医制度がありますが、解剖を実施し死因を診断されるのは2%程度。それ以外は、ある意味外見のみから死因が診断されます。更に、臨床診断と病理診断が異なることは10~30%程度起こり得ているという研究結果も出ているとのことです。

こう考えると、ほとんどの死因はよく分からないか、間違っていることがあるのが世の中の常識になっていると想像できます。

また、日本の監察医制度は地域による格差が大きく、東京などの大都市では機能するが、それ以外はほとんど機能していない、もしくは存在しないという現実があります。つまりは、地域によって得られる医療の質が異なってしまうという問題もある訳です。

・では何故Aiが良いのか

死因を推定する方法はAiだけではありませんが、Aiが優れている点はなんでしょうか？
本書からAiの有効性について、抜粋してみました。

解剖の欠点を補いやすい利点が多数あるようです。例えば、
・広範囲の組織検索が行いやすい。
・腹水などの液体の存在状況が観察できる。
・解剖の質は均一性が困難だが、Aiでは実施しやすい。
・傷をつけないので、患者の遺族から理解が得やすい。
・医学情報を迅速に遺族に伝えやすい（解剖は診断結果が出るまでに時間がかかる）
・コストが解剖に比べて安い
・遠隔診断も可能なので、中立的な診断が行われやすい
・画像は保存しデーテベース化しやすい

また、日本の場合は、CT/MRI先進国のためインフラが比較的整いやすいという利点もあります。解剖の方が死因の特定率は75%と高いですが、AiもMRIなどを用いれば60％近くの死因の特定が可能なようです。

何よりも強調したいのが、解剖で死因特定を増やそうとすると、人的にもコスト的にも足りないので現実的に困難であるが、放射線技師や放射線科医の人数を考えるとAiを導入するのはまだ現実的な解であるだろう。という点です。

そう考えると、良いことづくしのAiに聞こえますが、何か問題があるのでしょうか？

・具体的な問題は何か

何事もそうですが、やはりヒト・モノ・カネを誰がコントロールし、設計するのか。ということになるのでしょう。
得にAiの場合は、カネを誰がどれだけ払うのか。誰が診察/撮影をするのか。という点が問題になります。
撮影をするのは放射線技師がいますが新たな業務の発生になります。診察は放射線科医か法医学の人間が行うのか。診療報酬が死者には出ないので、誰がお金を払うべきか？病理医の解剖との連携はどうするのか？といった課題が発生する様です。

医療の場合は公共性の高い仕事になるので、カネの設計をするのは厚生労働省になるでしょう。報酬がどう定義されるかで、医療現場の人々のインセンティブは大きく変わります。民間病院になればその傾向は顕著です。また、制度設計がしっかりしないと、現場では歪が生じてしまうのは素人からみても明らかです。

・国が決める部分が多い
・各学会で考え方が異なる
・医者の世界には白い巨塔的な側面がある
こういった状況を勝手に想像すると、政治的なアレコレが発生するのは想像しやすいところです。実際に著者の海堂さんもこういった渦中に飲み込まれ闘っていくわけです。それは、本書"ゴーゴーAi"を読んで頂ければよく分かることです。

海堂さんの主張するAiは以下のAiプリンシプルを読めば明らかです。
①Aiは医療現場の終点で医療従事者が行う
②Aiを行ったら診断レポートを作成し、その情報を遺族と社会にオープンにする
③Aiの費用は医療費外から医療現場に支払われる
プリンシプルとしてはよく理解できます。

個人的には以下の点が疑問としてあがってきます。
確かに、Aiは解剖より安くすむが、多くの人がスクリーニングのように実施するだけの費用を出すのは現実的には難しいのではないでしょうか？
また、そこまでの費用対効果があるかは現状として解明されているのでしょうか？
まずは優先度が高い人から実施するのが理解しやすいが、１個人としては、少なくとも患者が希望すれば実施できるようにあって欲しいと思います。しかし、そういった体制はどこまで作られているのでしょうか？

・最後に

なにはともあれ、2007年に「死因不明社会（ブルーバックス）」にて、以下のようにAiの制度導入の困難を述べていた海堂さんが、2011年の「死因不明社会２（ブルーバックス）」では、Aiの制度化への予言をもとにあとがきを終えているのは、感慨深いです。
こうやって社会制度が大きく変わり医療現場が変わっていくことに感動を覚えますが、同時に、新しいことを実施することが如何にハードルが高いかも伝わってくる面があります。

「死因不明社会（ブルーバックス）」プロローグより引用
”私は、Aiが制度として確立して欲しい、と祈るような気持ちで本書を上梓した。だが、そう言いながらも、このシステムが日本に根付かなければ、それはそれで仕方がない、という諦めの気持ちも半分混じっていることは、正直に告白しておきたいと思う。”

「死因不明社会２（ブルーバックス）」あとがきより引用
”2007年に前著『死因不明社会』を執筆して４年。社会のAiに対する理解が進んだことは、本書執筆陣を見れば一目瞭然だ。Aiは他分野の人々に広がり、その支持は確実に浸透している。本書が一般市民のAi理解に貢献し、日本社会に早晩、Aiを基本にした新しい死因究明制度が出現することを予言しつつ、擱筆したい。”

これをきっかに、チーム・バチスタの栄光を読んでみようと思います。

Evernoteの有料会員でなくてもできる、ノートを編集前の状態に戻す方法

2016-07-24T17:04:00.001+09:00

誤った状態でEvernoteを更新してしまい、過去の状態にノートの内容を戻したい時

TimeMachineでバックアップをとっていれば、Evernoteの有料会員でなくても、過去の状態にノートを戻すことができます。

以下はその手順です。

・Evernoteを起動し、メニューから”Evernote” → "Evernoteについて"を選択。
・Optionキーを押すと下記のように、"データベースフォルダを開く"が出現。選択。

・"www.evernote.com"フォルダに自動で移動します。
　"props"フォルダと"数字"フォルダが作成されていることを確認します。
・"数字"フォルダ内の"content"を選択。1ノート=1ディレクトリとして作成されています。

・元に戻したいノートを探しましょう。
　例えば、Evernoteで元に戻したいノートを保存しなおし、変更日でソートします。
　

・該当フォルダのquickLook.pngで該当のノートかを確認することもできます。
・一度ここで、Evernoteのアプリは終了させときます。

該当フォルダが分かったので、TimeMachineで復元させます。

・"content"フォルダにいる状態で"TimeMachineに入る"を選択します。
・元に戻したい時期に戻って元に戻したい該当ディレクトリを選択し、"復元"を選択
・改めてEvernoteを起動すると、ノートの内容が元に戻っています。

助かりますね。

ミニーおばさんって誰？ Who is Aunt Minnie ?

2016-07-22T22:48:00.000+09:00

画像診断のトリビア

posted with amazlet at 16.07.22

百島祐貴
中外医学社
売り上げランキング: 221,395

Amazon.co.jpで詳細を見る

画像診断の専門ではない自分には、取るに足らない事実（トリビア）が、その業界の背景を知る助けになって勉強になりました。

印象的な点をいくつか残します。

・硫酸バリウムは無毒だが、硫化バリウムは毒性がある
・ビスマスが有望だったが、大量に投与すると血液毒性がある事がわかった。
・バリウムは小麦に混ぜて重量をごまかしていたことから、安全では？と考えられた。

・血管造影を安全に実施するためのセルディンガー法を発見したセルディンガー氏はセルディンガー法では、学位がとれなかった。（単純すぎた）

・哺乳類の脊椎はほどんとが７個。これは、Hox遺伝子の影響が大きいとされている。
・フェルソン先生が提唱したシルエットサイン。「Fundamentals of Chest Roentgenology」フェルソン先生は鉄板。
　
・コントラストがないと病変はみえない。

・胆石内ガス像はメルセデス・ベンツサイン
・仙骨不全骨折の骨シンチグラム所見としてホンダサイン

・ミニーおばさんは誰か？
　ここでもフェルソン先生が由来だったんですね。

・シマウマ診断（Zebra diagnosis）
　一般的でない、まれな診断。（他人が診断できないような所見を見つけようと、変わった診断をすることを抑える意味がある）

・IVR→IR
　RI→NM(nuclear medicine）
　日本でしか使われなてない

エンジニアのジレンマ

2016-07-18T13:34:00.000+09:00

10年後、生き残る理系の条件

posted with amazlet at 16.03.26

竹内健
朝日新聞出版 (2016-01-20)
売り上げランキング: 4,234

Amazon.co.jpで詳細を見る

10年後、生き残る理系の条件

posted with amazlet at 16.03.26

朝日新聞出版 (2016-02-29)
売り上げランキング: 849

Amazon.co.jpで詳細を見る

イノベーションのジレンマで、クリステンセンは成功した企業ほど新たなイノベーションを成功させることが困難であることを述べました。
企業は新たな市場を創出することに失敗し、別の企業が作った市場に飲み込まれていってしまいます。

そういったビジネスの新陳代謝は、最近の日本メーカーに大打撃を与え、誰もがヒトゴトとしては考えられない時代になってきました。

そういったメーカーで働くエンジニア達は、ここまで不透明になった時代をどのように生きていけば良いのでしょうか？

エンジニアのキャリアを一緒に考え、確認していくのが本書です。

著者は、自身も東芝のエンジニアとして活躍しながら、アメリカでMBAを取得し、現在は大学教授として活躍する竹内氏です。

エンジニアのジレンマ

エンジニアは、一つの技術領域の専門性を高くすることが求められます。
しかし、産業の新陳代謝が早くなった今の時代では、それだけでは、新たな市場の登場に対応できない可能性があります。

会社のビジネスが突然成り立たなくなると同時に、エンジニアの仕事も存在しなくなる可能性があるということです。

ひとつの技術で成功している期間が長いほど、新たな技術領域の分野に転身することも非常に難しくなってしまいます。

これは、イノベーションのジレンマに習って、エンジニアのジレンマと言っても良いのではないでしょうか？

エンジニアのジレンマにどう対応するか？

このエンジニアのジレンマにどう対応するべきでしょうか？

恐らく一つの解はないと思いますが、いくつかヒントになることはあると思います。
個人的に、意識したいことをいくつか抜粋しました。

☆個人のスキルの伸ばし方
　・T型人材
　・階層的なスキル向上
　・一つの分野を深く掘った後は、横にその穴をつなげていくことが重要
　・自分の強みを抽象化する（隣の分野が分からないのはみんな同じ）
　（半導体の回路設計　→　
　　電子回路、ストレージ　→　
　　自動車、医療機器への応用　データベースやデータセンタなどのサービス）
　・技術を追っているだけでは勝つことができない
　・マネタイズの視点をもち、ソフトとハードの両輪でソリューションを提案する
　・課題解決の前に良質な情報のインプットを行うこと
　・ロールモデルを探す
　・シンプルなルール
　　1.新たに挑戦したい分野の先駆者に聞く
　　2.やると決めたら自分が挑戦することを周りの人に宣言する
　　3.チャンスが来たら全力でやり遂げる
　・人生は逆張り

☆組織と個人のあり方
　・よい時代は長くは続かず、次の苦境に備える必要がある
　・組織を飛び出す勇気も時には必要
　・組織が不安定だからこそ活躍するチャンスが与えられることも
　　（半導体のエンジニアはサービス企業に転身すればよい）
　・異分野連携のキーパーソンはエンジニアだ
　・ソフトとハードの最適化に成功するには、社内でバラバラのデータを統合・活用する必要がある　

☆その他
　・転職の活動をするには、推薦者などが2〜３名必要となる
　・大手企業の人事制度は国の制度とも連結し、実質空洞化している
　　

エンジニアも変わりましょう♪

保険を選ぶ際に学んだメモ

2016-05-04T23:25:00.000+09:00

最近、保険を見直し始めています。
その際に学んだことをメモします。

・ファイナンシャルプランナーに必ず相談する

保険の内容をいきなり理解することは難しいです。
とはいえ、人生で２番目に大きな買い物といわれているので、慎重に選びたいところです。

そこで助けになるのが、複数の保険会社の代理店となっている乗合代理店のFPです。

代理店が扱っている保険会社の種類や、担当となったFPの方の、FP技能士（国家資格）、AFPやTLCなどといった資格の有無を確認しましょう。

・学資保険は、返戻金のある死亡保障保険を利用する人も

子供が生まれると学資保険を検討する人がいると思います。

しかし最近では、学資保険の代わりに、低解約返戻金型保険を利用する人が増えているようです。
途中解約した時は返戻金が元本割れしますが、もらい方を自由にできたり返戻率が学資保険より高いものが多いなどメリットもいくつかあります。

以下を参考にしてください。
http://hokensc.jp/gakushi/teikaiyaku.html

・更新型の定期保険。若い時は安く見えるが、要注意。

自分はFPと、生命保険会社の営業マンの両者に生命保険を相談しました。
生命保険会社の営業マンから強く勧められたのが、更新型の定期付終身保険でした。

更新型の定期保険は、若いうちに入る時は保険額が安く見えますが、更新時に保険料が多く増え、払えなくなることや見直しをするのが一般的です。

実はこの保険、FPには強く否定され、生命保険会社の営業マンには強く勧められたため、印象深かったのを覚えています。

FPの方が仰る、必要な量に必要な額だけを最低限で保険をかけるべき。という考え方とはあっていなかったようです。

・家を買う前の方が死亡保障に必要な金額は増える

家を買う時は、ローンを組む際に、団信などの生命保険に加入するのが一般的です。

自分は家を買う時に生命保険に加入するのだから、賃貸の間は保障の少ない生命保険で良いだろう。と考えていました。

でも、それは必要な補償額を考えると誤りです。

家を買う前に生計主が亡くなった場合は、家族のその後の住居代が必要になるため、保障額が多くなってしまうからです。

なので、賃貸の場合は、そういった注意も必要です。

しかし、家を買うと死亡保障は減るものの、地震や火災などのリスクから家財や建物を守る保険が必要になってきますので、別途考えないといけないものも増えてきます。

・控除もあることを忘れずに

一般生命保険料控除、介護医療保険料控除、個人年金保険料控除があり、それぞれ最大４万円の所得税控除と2万８千円の住民税控除が期待できます。

・先進医療特約。使う可能性も少ないし、高額なものも限られるが。
先進医療特約は、使う可能性も少ないですし、意外に高額な治療となる先進医療も少ないです。しかし、月額負担も少ないため入る人が多いとのことです。
http://hokensc.jp/iryou/senshin.html

・保険会社の破綻リスク
頭の片隅に保険会社の破綻リスクがあることを覚えておきましょう。

・結婚も出産も晩年化している現代。早めにあえて保険に入るという選択肢も

子供が生まれてから保険に入るより、健康状態もよく出産時の保障も入りやすい若い時に保険に入ることを考えるのは悪くないと思います。

得に、今は晩婚化しているので、健康状態が悪くなり、必要となった時に保険の選択肢が限られてしまう可能性もないわけではありません。

自分は、一切保険に入らずに20代を終えようとしていましたが、何か病気になっていたらと思うと少し怖い部分がありました。

以下は、自分が読んだ本の中でオススメを残しておきます。

めちゃくちゃ売れてるマネー誌ザイが作った保険の本保険は三角にしなさい! 〜生命保険で500万円トクする魔法〜