おきさら＠役職定年サラリーマン

SoftBank world2021(2021/9/15)

2021-09-22T13:04:00.005+09:00

孫　正義社長　基調講演

・ヒューマノイド

・日本成長のカギ⇒スマボ：スマートロボット

・スマボ⇔ガラボ

・AI学習、〇臨機応変、全産業

・Boston Dynamics／ヒュンダイ80%、SB20%

・ロボット3,000万台⇒労働人口の１億人に相当

・ロボットは24時間働ける⇒人の3倍以上、生産性3.5倍

・3x3.5=10倍、人の10倍以上の能力

・AutoStore：グリット型荷物収納、配送

数値流体解析のためのアニメーション#1

2021-05-26T19:33:00.002+09:00

#1はPythonを用いたアニメーションの基礎をお勉強します。

Pythonでアニメーションを実装する方法の一つに、

「matplotlib.animation」モジュールの「ArtistAnimation」メソッドを

用いる方法がある。

以下に、$sin$カーブのアニメーションのソースコードを示す。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation

fig = plt.figure()
x = np.arange(0, 10, 0.1)
ims = []

for a in range(50):
...     y = np.sin(x - a)
...     im = plt.plot(x,y, "r")
...     ims.append(im)


ani = animation.ArtistAnimation(fig, ims)

plt.show()

ani.save("hoge.gif")

〇ソースコードの解説

*fig = plt.figure():figureオブジェクトを生成し引数figと命名

figureオブジェクトの概念は以下

*ims = []:空のリストを生成し引数imsを命名

*im = plt.plot(x, y, "r"):座標(x,y)の値を赤色("r")でプロットする。

ただし、xはx=[0,0.1,0.2,...,9.9]。

aは、0~49の整数が入り、for文で回す。

よって、a=5の場合、y=[sin(0-5),sin(0.1-5),sin(0.2-5),...,sin(9.9-5)]と

なり、一つのaに対し、100個の座標(x,y)ができる。

これをプロットし引数imに渡す。

*ims.append(im):リストimsに要素imを追加する。

forを回した結果、50行100列のリストimsができる。

*ani.save("hoge.gif"):アニメーションをgifファイルで保存する。

出力はカレントディレクトリ。

**ani = animation.ArtistAnimation(fig, ims):

プロットデータ(imsの各要素)をfigureオブジェクトに格納した

各フレームを200ミリ秒毎に表示する。※パラパラ漫画の原理と同じ

青木仁志氏（アチーブメント（株）社長）

2021-05-22T14:22:00.004+09:00

日時：２０２１年５月１７日

場所：Zoom

・恐怖をマネジメントに使ってはいけない。

⇨仕組み化する。

・人件費はコストじゃない。優秀な人材は投資。

・考える時間を持つ。

⇨目標を達成するための計画を立案する。

・決断の質と時間は無関係。

・願望の明確化

・採用と育成（日々のマネジメント）

・事実、真実、現実

・能力の６掛けでも成果がでる成果が上がる仕組みを作る

⇨仕組みを考える

・銀行の支店長を無料のコンサルタントとして使う

・会社は水槽⇨水質（企業文化）を良くする

・努力よりも正しい選択を優先する。

・外部コントロール✖️、内部コントロール◯

・三方良しーtriple win

・居酒屋甲子園、てっぺん、内山さん

数値流体解析のための数学#2

2021-05-19T20:41:00.000+09:00

#2は「離散化」をお勉強します。

尚、ここでのお勉強は下記の教科書に基づいて行っております。

①離散化とは？

離散化とは、連続である物理現象を単位時間や有限の場所で評価する方法。

これにより近似的に現象を再現できる。

数学的には、連続な関数を有限な点数における値の分布で近似する事を離散化と呼ぶ。

②ボールの投げ上げ問題

・解析解の計算

ある高さ$h_{0}$から一定速度$v_{0}$でボールを投げ上げた時、そのボールの高さ$h$は

時間$t$の関数として以下で表される。

$h = - \frac{1}{2} g t^2 + v_{0} t + h_{0}・・・(1)$

また$h =h_{0}$の時、つまり、投げ始めと最高点まで達して元の位置まで

戻ってくる時間$t$は、

$h_{0} = - \frac{1}{2} g t^2 + v_{0} t + h_{0}$

$0 = - \frac{1}{2} g t^2 + v_{0} t$

ゆえに$ t = 0, \frac{2 v_{0}}{g}$

これをpythonで実装する

import numpy as np
import matplotlib.pyplot as plt
g = 9.8
v0 = 10
h0 = 0
t = np.linspace(0, 2 * v0 / g, 50)
h = -(1/2) * g * t ** 2 + v0 * t + h0
plt.scatter(t, h)

plt.show()

・数値解の計算

※この場合、(1)式は定まってない（分かってない）。

$t_{i+1} \equiv t_{i} + \Delta{t}$

$h(t_{i}) \equiv h_{i}$

$h_{i+1} \equiv h_{i} + \Delta{h}・・・(2)$

を定義する。

$\Delta{h}$と$\Delta{t}$の関係を考える時、

実験もしくは観察より、以下が分かった（とする）。

$\frac{\Delta{h}}{\Delta{t}}= -gt + v_{0}.・・・(3)$

これを(2)式に代入すると

$h_{i+1} = h_{i} + (-g t_{i} + v_{0}) \Delta{t}$

となる。

これをpythonで実装する

import numpy as np
import matplotlib.pyplot as plt
g = 9.8
v0 = 10
h0 = 0
dt = 0.1

t = 0
h = h0
while h >= h0:
...     plt.scatter(t,h)
...     h = h + ( -g *t + v0) * dt
...     t = t + dt
...
plt.show

・解析解と数値解の比較

import numpy as np
import matplotlib.pyplot as plt
g = 9.8
v0 = 10
h0 = 0
dt = 0.1
t = 0
h = h0
while h >= h0:
...     plt.scatter(t,h)
...     h = h + ( -g *t + v0) * dt
...     t = t + dt
...
...     h = h + ( -g *t + v0) * dt
...     t = t + dt
...
T = np.linspace(0, 2 * v0 / g, 50)
H = -(1/2) * g * T**2 + v0 * T + h0
plt.scatter(T, H)
plt.legend()
plt.show()

③まとめ

重要なのは、微分係数（ここでは(3)式）がわかれば

再帰的に値が求まる事。

この再帰的に求まった値を近似する事で微分方程式の解

(つまり解析解)に近づく事(検証する)ができる。

よって、数値計算における離散化とは、微分係数及び

ステップの幅を定義する事である。

Small Stock プライバシーポリシー

2021-04-17T12:39:00.002+09:00

Small Stock プライバシーポリシー

第三者に個人を特定できる情報を提供することはありません。

個人情報の管理には最新の注意を払い、以下に掲げた通りに扱います。

・収集する情報

アプリのご利用に際して、広告配信のためにGoogle AdMobを使用しております。

広告配信のために広告IDを取得していますが、個人を特定するためなどには使用しておりません。

取得する情報、利用目的、第三者への提供等の詳細につきましては、以下のプライバシーポリシーのリンクよりご確認ください。

AdMob（Google Inc.）

・免責事項

本アプリがユーザーの特定の目的に適合すること、期待する機能・商品的価値・正確性・有用性を有すること、および不具合が生じないことについて、何ら保証するものではありません。

当方の都合によりアプリの仕様を変更できます。開発元は、本アプリの提供の終了、変更、または利用不能、本アプリの利用によるデータの消失または機械の故障もしくは損傷、その他本アプリに関してユーザーが被った損害につき、賠償する責任を一切負わないものとします。

・著作権・知的財産権等

著作権その他一切の権利は、当方又は権利を有する第三者に帰属します。

・連絡先

https://twitter.com/Okinawa_salary

$Python$を使った数値流体解析#6

2021-04-14T18:41:00.003+09:00

尊敬する「宇宙い入ったカマキリ」さんの

ブログをなぞり、Pythonを使い数値流体

解析を行います。

カマキリさんのURLはこちら↓↓↓

https://takun-physics.net/10186/

#6は「2次元ポアソン方程式をPythonで実装する」

に挑戦します。

①ポアソン方程式

$\frac{\partial^2 p}{\partial x^2} + \frac{\partial^2 p}{\partial y^2} = b(x,y)$

物理現象の例：点電価と電位の関係

$\frac{\partial^2 \phi}{\partial x^2} + \frac{\partial^2 \phi}{\partial y^2} = - \frac{\rho ( \vec{r})}{ \epsilon}$

$\phi $：電位（V）

$\rho ( \vec{r})$：点電荷（C）

②ポアソン方程式の離散化

離散化方法として、空間に対しては２次精度中心差分を用いる。

※2次精度中心差分については、こちらを参考にして下さい。

「位置xを位置番号i、位置yを位置番号j、時間tを計算のステップ数n」で

置き換えて整理する。

$\frac{p^{n}_{i+1,j} -2p^{n}_{i,j} + p^{n}_{i-1,j}}{\Delta x^2} + \frac{p^{n}_{i,j+1} -2p^{n}_{i,j} + p^{n}_{i,j-1}}{\Delta y^2} = b^{n}_{i,j}$

$p^{n}_{i,j}$で整理すると、

$p^{n}_{i,j}=\frac{(p^{n}_{i+1,j} + p^{n}_{i-1,j})\Delta y^2 + (p^{n}_{i,j+1} + p^{n}_{i,j-1})\Delta x^2 - b^{n}_{i,j} \Delta x^2 \Delta y^2}{2(\Delta x^2 + \Delta y^2)}・・・(1)$

③境界条件の設定

$0 \le x \le 2 $、$0 \le y \le 2 $のx-y平面を考える。

・x-y平面の縁において$p=0$、つまり、$p_{0,j},p_{i,0},p_{nx,j},p_{i,ny}=0$

とする。ただし、$0 \le i \le nx $、$0 \le j \le ny $

・$i = \frac{1}{4} nx, j = \frac{1}{4} nx$ において$b_{i,j} = 100$、

$i = \frac{3}{4} nx, j = \frac{3}{4} nx$ において$b_{i,j} = -100$ とする。

④ポアソン分布を$python$で実装する。

・境界条件

---

>>> nx = 50

>>> ny = 50

>>> nt = 100

>>> xmin = 0

>>> xmax = 2

>>> ymin = 0

>>> ymax = 2

>>>

>>> dx = (xmax - xmin) / (nx -1)

>>> print(dx)

0.04081632653061224

>>> type(dx)

>>> dy = (ymax - ymin) / (ny -1)

>>> print(dy)

0.04081632653061224

---

・初期状態

---

>>> import numpy as np

>>> p = np.zeros([ny,nx])

>>> print(p)

[[0. 0. 0. ... 0. 0. 0.]

[0. 0. 0. ... 0. 0. 0.]

...

[0. 0. 0. ... 0. 0. 0.]

[0. 0. 0. ... 0. 0. 0.]]

>>> type(p)

>>> pd = np.zeros([ny,nx])

>>> print(pd)

[[0. 0. 0. ... 0. 0. 0.]

[0. 0. 0. ... 0. 0. 0.]

...

[0. 0. 0. ... 0. 0. 0.]

[0. 0. 0. ... 0. 0. 0.]]

>>> b = np.zeros([ny,nx])

>>> print(b)

[[0. 0. 0. ... 0. 0. 0.]

[0. 0. 0. ... 0. 0. 0.]

...

[0. 0. 0. ... 0. 0. 0.]

[0. 0. 0. ... 0. 0. 0.]]

>>> x = np.linspace(xmin, xmax, nx)

>>> print(x)

[0. 0.04081633 0.08163265 0.12244898 0.16326531 0.20408163

0.24489796 0.28571429 0.32653061 0.36734694 0.40816327 0.44897959

0.48979592 0.53061224 0.57142857 0.6122449 0.65306122 0.69387755

0.73469388 0.7755102 0.81632653 0.85714286 0.89795918 0.93877551

0.97959184 1.02040816 1.06122449 1.10204082 1.14285714 1.18367347

1.2244898 1.26530612 1.30612245 1.34693878 1.3877551 1.42857143

1.46938776 1.51020408 1.55102041 1.59183673 1.63265306 1.67346939

1.71428571 1.75510204 1.79591837 1.83673469 1.87755102 1.91836735

1.95918367 2. ]

>>> y = np.linspace(ymin, ymax, ny)

>>> print(y)

[0. 0.04081633 0.08163265 0.12244898 0.16326531 0.20408163

0.24489796 0.28571429 0.32653061 0.36734694 0.40816327 0.44897959

0.48979592 0.53061224 0.57142857 0.6122449 0.65306122 0.69387755

0.73469388 0.7755102 0.81632653 0.85714286 0.89795918 0.93877551

0.97959184 1.02040816 1.06122449 1.10204082 1.14285714 1.18367347

1.2244898 1.26530612 1.30612245 1.34693878 1.3877551 1.42857143

1.46938776 1.51020408 1.55102041 1.59183673 1.63265306 1.67346939

1.71428571 1.75510204 1.79591837 1.83673469 1.87755102 1.91836735

1.95918367 2. ]

---

*numpy.zeros(配列の形式)：要素が全て０の配列を生成

・点源

---

>>> b[int(ny /4), int(nx /4)] = 100

>>> b[int(3 * ny /4), int(3 * nx /4)] = -100

>>> print(b)

[[0. 0. 0. ... 0. 0. 0.]

[0. 0. 0. ... 0. 0. 0.]

...

[0. 0. 0. ... 0. 0. 0.]

[0. 0. 0. ... 0. 0. 0.]]

>>> print(b[50/4,50/4])

Traceback (most recent call last):

File "<stdin>", line 1, in <module>

IndexError: only integers, slices (`:`), ellipsis (`...`), numpy.newaxis (`None`) and integer or boolean arrays are valid indices

>>> print(b[12,12])

100.0

>>> print(b[36,36])

0.0

>>> print(b[37,37])

-100.0

---

・(1)式を実装

$p^{n}_{i,j}=\frac{(p^{n}_{i+1,j} + p^{n}_{i-1,j})\Delta y^2 + (p^{n}_{i,j+1} + p^{n}_{i,j-1})\Delta x^2 - b^{n}_{i,j} \Delta x^2 \Delta y^2}{2(\Delta x^2 + \Delta y^2)}・・・(1)$

---

>>> for it in range(nt):

... pd = p.copy()

... p[1:-1,1:-1] = (((pd[1:-1,2:] + pd[1:-1, :-2]) * dy**2 + (pd[2:, 1:-1] + pd[:-2, 1:-1]) * dx**2 - b[1:-1, 1:-1] * dx**2 * dy**2) / (2 * (dx**2 + dy**2)))

...

>>> p[0, :] = 0

>>> p[ny-1, :] = 0

>>> p[:, 0] = 0

>>> p[:, nx-1] = 0

---

*q[0,:]：0番目の行、すべての列を取り出す

*q[1:-1,1:-1]：1番目から末尾の-1番目の行、1番目から末尾の-1番目の列を取り出す

*q[1:-1,2:]：1番目から末尾の-1番目の行、2番目以降の全ての列を取り出す

*q[1:-1,:-2]：1番目から末尾の-1番目の行、末尾の-2番目以前の列を取り出す

*pd = p.copy()：pのデータをpdにコピー(値渡し)する

**値渡しと参照渡し(pd = p)：参照渡しをすると、pの値が変わるとpdの値も連動してかわる

・p(x,y)をmatplotlibを使って可視化する

---

>>> from matplotlib import pyplot as plt

>>> from matplotlib import cm

>>> from mpl_toolkits.mplot3d import Axes3D

>>> def plot2D(x, y, p):

... fig = plt.figure(figsize=(11, 7), dpi=100)

... ax = fig.gca(projection = '3d')

... X, Y = np.meshgrid(x, y)

... surf = ax.plot_surface(X, Y, p[:], rstride=1, cstride=1, cmap=cm.viridis,linewidth=0, antialiased=False)

... ax.view_init(30, 225)

... ax.set_xlabel('x')

... ax.set_ylabel('y')

... ax.set_zlabel('p')

...

>>> plot2D(x, y, p)

>>> plt.show()

---

・ｐの圧力分布

・b(x,y)をmatplotlibを使って可視化する

---

>>> def plot2D(x, y, b):

... fig = plt.figure(figsize=(11, 7), dpi=100)

... ax = fig.gca(projection = '3d')

... X, Y = np.meshgrid(x, y)

... surf = ax.plot_surface(X, Y, b[:], rstride=1, cstride=1, cmap=cm.viridis,linewidth=0, antialiased=False)

... ax.view_init(30, 225)

... ax.set_xlabel('x')

... ax.set_ylabel('y')

... ax.set_zlabel('b')

...

>>> plot2D(x, y, b)

>>> plt.show()

---

・bの圧力分布

数値流体解析のための数学#1

2021-04-01T19:41:00.002+09:00

#1は「テイラー展開と近似手法」をお勉強します。

尚、ここでのお勉強は下記の教科書に基づいて行っております。

①テイラー展開とは

ある関数f(x)が値aをとる場合、aの付近において以下の多項式で近似できる。

$f(x) = f(a) + \frac{f'(a)}{1!}(x-a) + \frac{f''(a)}{2!}(x-a)^2 ＋・・・＋ \frac{f^{(n)}(a)}{n!}(x-a)^n ＋・・・ $ (1)

これは、f(x)という関数全体を多項式で近似する事はできないが、

値aの付近であれば、多項式で近似できる事を示している。

(1)式において、aをxに、xを$x+\Delta{x}$で置き換える。

$f(x+\Delta{x}) = f(x) + \frac{f'(x)}{1!}(\Delta{x}) + \frac{f''(x)}{2!}(\Delta{x})^2 ＋・・・＋ \frac{f^{(n)}(x)}{n!}(\Delta{x})^n ＋・・・ $ (2)

②テイラー展開の離散化

テイラー展開を用いて離散化近似式をつくる。

つまり、関数f(x)を機知の離散点上の値を利用して記述する事を考える。

$f(x-\Delta{x}) = q_{j-1}$、$f(x) = q_{j}$、$f(x+\Delta{x}) = q_{j+1}・・・$と離散化して考える場合、

以下の式が得られる。

$q_{j+1} = q_{j} + \Delta{x} \frac{\partial q_{j}}{\partial x} + \frac{1}{2} (\Delta{x})^2 \frac{\partial^2 q_{j}}{\partial x^2} + \frac{1}{6} (\Delta{x})^3 \frac{\partial^3 q_{j}}{\partial x^3} + ・・・$ (3)

$q_{j-1} = q_{j} - \Delta{x} \frac{\partial q_{j}}{\partial x} + \frac{1}{2} (\Delta{x})^2 \frac{\partial^2 q_{j}}{\partial x^2} - \frac{1}{6} (\Delta{x})^3 \frac{\partial^3 q_{j}}{\partial x^3} + ・・・$ (4)

③２次精度中心差分

(3)式から(4)式を引いて$\frac{\partial q_{j}}{\partial x}$について解く

$\frac{\partial q_{j}}{\partial x} = \frac{q_{j+1} - q_{j-1}}{2 \Delta{x}} + O(\Delta{x}^2)$

$O(\Delta{x}^2)$は、2次以上の高次項を無視する事を示している。

この様な近似を「2次精度近似」と呼ぶ。

また、jを中心に、左右に対称な値を利用する事から「中心差分」と呼ぶ。

④2階微分の２次精度中心差分

(3)式と(4)式を足して$\frac{\partial^2 q_{j}}{\partial x^2}$について解く

$\frac{\partial^2 q_{j}}{\partial x^2} = \frac{q_{j+1} - 2 q_{j} + q_{j-1}}{ (\Delta{x})^2} + O(\Delta{x}^2)$

$Python$を使った数値流体解析#5

2021-03-11T18:52:00.041+09:00

尊敬する「宇宙い入ったカマキリ」さんの

ブログをなぞり、Pythonを使い数値流体

解析を行います。

カマキリさんのURLはこちら↓↓↓

https://takun-physics.net/9538/

#5は引き続き「１次元の移流方程式をPythonで実装する」

①離散化した１次元の移流方程式

$u^{n+1}_i = u^n_i - c \frac{\Delta t}{\Delta x} (u^n_i - u^n_{i-1})$

②Pythonで実装する

---

>>> un = []

>>> u = np.ones(nx)

>>> u[int(.5 / dx):int(1 / dx + 1)] = 2

>>> for n in range(nt):

... un = u.copy()

... for i in range(1, nx):

... u[i] = un[i] - c * dt /dx * ( un[i] - un[i-1])

...

>>> plt.plot(u)

[<matplotlib.lines.Line2D object at 0x000001FAF0B21730>]

>>> plt.show()

③初期状態と最終状態の比較

u(x - ct)は、「初期状態のまま形を変えずに+x方向に伝播する解」

なのだが、形が変化している。

これは離散化の影響と考える。

④まとめ

移流方程式を離散化して、空間に対し後退差分で数値計算を行った。

結果は、初期状態から+x方向に形が変化して伝播した。

これは、離散化手法による影響と考え、離散化手法を見直す事により

精度の高い（+x方向に伝播しても形の変化が小さい）計算結果が得られると

推察する。

$Python$を使った数値流体解析#4

2021-03-10T18:54:00.000+09:00

尊敬する「宇宙い入ったカマキリ」さんの

ブログをなぞり、Pythonを使い数値流体

解析を行います。

カマキリさんのURLはこちら↓↓↓

https://takun-physics.net/9538/

#4は引き続き「１次元の移流方程式をPythonで実装する」

①離散化した１次元の移流方程式

$u^{n+1}_i = u^n_i - c \frac{\Delta t}{\Delta x} (u^n_i - u^n_{i-1})$

②Pythonで実装する

・ライブラリのインポート

---

>>> import numpy as np

>>> import matplotlib.pyplot as plt

---

・初期条件の設定

時間刻み（$ = \Delta t$）は、0.25[s]

速度cは、1[m/s]

空間xは０~２mを41分割する。

---

>>> nx = 41

>>> dx = 2 / (nx -1)

>>> nt = 25

>>> dt = 0.25

>>> x = np.linspace(0, 2, nx)

>>> print('dx= ' ,dx)

dx= 0.05

>>> print('x= ' ,x)

x= [0. 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65

0.7 0.75 0.8 0.85 0.9 0.95 1. 1.05 1.1 1.15 1.2 1.25 1.3 1.35

1.4 1.45 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.95 2. ]

>>> print(len(x))

>>> print(type(x))

---

・uの初期状態

ある空間(位置)のみ2をとり、その他はすべて１をとるものとする。

そこでnp.onesを使用する。

---

>>> u = np.ones(nx)

>>> print(u)

[1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.

1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]

>>> print(len(u))

>>> print(type(u))

---

nx=41の要素のうち「10~21」の要素の値を「2」とする。

---

>>> u[int(0.5/dx):int(1/dx + 1)] = 2

>>> print(u)

[1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 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.]

---

matplotlibでuの形を見る。

---

>>> plt.plot(x, u)

[<matplotlib.lines.Line2D object at 0x0000016113A5D700>]

>>> plt.xlabel('x')

Text(0.5, 0, 'x')

>>> plt.ylabel('u')

Text(0, 0.5, 'u')

>>> plt.grid(alpha = 0.3)

>>>

>>> plt.show()

---

今日はここまでです。

引き続きを$Python$ で実装し、

手を動かしていきます。

$Python$を使った数値流体解析#3

2021-03-09T18:26:00.000+09:00

尊敬する「宇宙い入ったカマキリ」さんの

ブログをなぞり、Pythonを使い数値流体

解析を行います。

カマキリさんのURLはこちら↓↓↓

https://takun-physics.net/9538/

#3は「１次元の移流方程式Pythonで実装する」

①一次元の移流方程式の定義

$\frac{\partial u}{\partial t} +c \frac{\partial u}{\partial x} = 0 $

熱や物質が運ばれる現象を「移流」という。

$u = u(x,t) $は、求めるべき物理量を表す。

一次元の移流方程式の一般解

$u(x,t) = u(x-ct) $

$u(x-ct) $が一次元の移流方程式の一般解である事の確認

$ x-ct = D $とすると、$u(x-ct) = u(D) $

よって、

$\frac{\partial u}{\partial t} +c \frac{\partial u}{\partial x} = \frac{\partial u}{\partial D} \frac{\partial D}{\partial t}+c \frac{\partial u}{\partial D} \frac{\partial D}{\partial x} $

$\frac{\partial D}{\partial t} = -c $、$\frac{\partial D}{\partial x} = 1 $

ゆえに、

$\frac{\partial u}{\partial D} (-c)+c \frac{\partial u}{\partial D} (1) = 0$

②移流方程式の離散化

・第１項（時間微分の項）

$\frac{\partial u}{\partial t} \approx \frac{u(t + \Delta t) - u(t)}{\Delta t}$

・第２項（空間微分の項）

$\frac{\partial u}{\partial x} \approx \frac{u(x) - u(x - \Delta x)}{\Delta x}$

上記を移流方程式に加味し、「位置xを位置番号i、

時間tを計算のステップ数n」で置き換えて整理する。

$\frac{u^{n+1}_i - u^n_i}{\Delta t} + c \frac{u^n_i - u^n_{i-1}}{\Delta x} = 0$

$u^{n+1}_i$について解く

$u^{n+1}_i = u^n_i - c \frac{\Delta t}{\Delta x} (u^n_i - u^n_{i-1})$

今日はここまでです。

次は、上記式を$Python$ で実装し、

手を動かしていきます。

$Python$を使った数値流体解析#2

2021-02-13T13:02:00.001+09:00

尊敬する「宇宙い入ったカマキリ」さんの

ブログをなぞり、Pythonを使い数値流体

解析を行います。

カマキリさんのURLはこちら↓↓↓

https://takun-physics.net/9466/

#2は「リスト型とnumpy.ndarrayの違い」

①リスト同士の足し算

---

>>> list1 = [1,2,3,4,5]

>>> list2 = [1,2,3,4,5]

>>> print(list1 + list2)

[1, 2, 3, 4, 5, 1, 2, 3, 4, 5]

---

list1の要素にlist2の要素が追加されただけとなり、

行列の足し算とはならない。

②ndarray同士の足し算

---

>>> import numpy as np

>>>

>>> ui1 = np.linspace(0,5,5)

>>> ui2 = np.linspace(0,5,5)

>>> print(ui1)

[0. 1.25 2.5 3.75 5. ]

>>> print(ui2)

[0. 1.25 2.5 3.75 5. ]

>>> print(ui1+ui2)

[ 0. 2.5 5. 7.5 10. ]

>>> type(ui1)

>>> type(ui2)

---

配列の要素ごとに足し算を行う事ができる。

③リスト型をnumpy.ndarrayにするnumpy.array(リスト)

---

>>> vi1 = [0,1,2,3,4,5]

>>> type(vi1)

>>> x = np.array(vi1)

>>> type(x)

>>> print(x)

[0 1 2 3 4 5]

>>> vi2 = [0,1,2,3,4,5]

>>> y = np.array(vi2)

>>> type(y)

>>> print(x+y)

[ 0 2 4 6 8 10]

---

リスト型をnumpy.ndarrayに変換して

配列の要素ごとに足し算を行う事ができる。

④numpy.ndarrayの要素を抽出する

---

>>> z = np.arange(0,10,1)

>>> type(z)

>>> print(z)

[0 1 2 3 4 5 6 7 8 9]

>>> print(z[0])

>>> print(z[3])

>>> print(z[9])

---

今日はここまでです。

次は、１次元の移流方程式$Python$で

実装するために手を動かして計算を

行っていきます。

【営業コミュ力改善】早いレスポンスが良い結果を生む。

2021-02-12T21:07:00.001+09:00

コミュニケーションを考える時、

会話の内容は言うまでもなく重要です。

しかしながら、広い意味でコミュニケーションを

考える場合、レスポンス＝回答の早さも、

コミュニケーションの重要な要素の一つだと、

私は考えています。

早速結論を言うと、レスポンスが早い人ほど、

良い結果をもたらします。

商売の場面で具体的な話をします。

営業を例にいうと、見積もりを受けて、

今日回答が欲しいというお客さんがいます。

その見積回答をするためには、原価を入手しなければならない。

自社製で原価をすぐ把握できる場合はすぐで回答ますが、

購入先から原価を入手する必要がある場合は、

先方からの回答を待つ分、レスポンスが遅くなります。

そんな時どうすれば良いか。

例えば、過去の実績から概算という形でお客さんに断りをいれ、

回答するという方法もあります。

過去の実績から概算では「これくらい」になると。

ただ正式な回答はいついつまでにさせて下さいと。

そうすればお客さんの質問に対し、早くレスポンスできますね。

その時重要になってくるのがとのくらい信頼性を

もって回答するか。

いわれたことに１００％の内容で、１００％の信頼性を

もって回答する事はベストな方法ですが、それでスピードが

滞る場合には、７０％の信頼性で早く回答し、後でその信頼性を

高める方が大きな成果を生みます。

お客さんがスピードを求めている場合はその方が「正解」です。

また、小分けにして部分的に回答する事もレスポンプの速さに

つながります。

同じ見積の例えだと、金額と納期を一気にすべてを

回答するのではなく、金額をすぐ回答して、３日後に納期を回答するとか。

また、Aという商品とBという商品２つの見積依頼受けたときに

回答し易いAをすぐに回答し、後でBを回答するとか。

まとめると、広い意味でコミュニケーションを考えると、

レスポンスの早さも重要です。

特に営業という仕事の場合は良い結果をもたらします。

スピードの速さはお金に値するものだと考えて下さい。

ただ、その時重要になってくるのが情報の信頼性。

後で情報の信頼性を高めるフォローが必要です。

$Python$を使った数値流体解析#1

2021-02-09T20:53:00.001+09:00

尊敬する「宇宙い入ったカマキリ」さんの

ブログをなぞり、Pythonを使い数値流体

解析を行います。

カマキリさんのURLはこちら↓↓↓

https://takun-physics.net/9466/

#1は「numpyの使い方の確認」

①numpy本体のパスを確認

---

>>> import numpy

>>> print(numpy.__file__)

C:\Users\H5114\anaconda3\lib\site-packages\numpy\__init__.py

---

②円周率$\pi$の出力

---

>>> x = numpy.pi

>>> print(x)

3.141592653589793

---

③$\sin$関数の出力

---

>>> x = numpy.pi

>>> y = numpy.sin(x)

>>> print(x)

3.141592653589793

>>> print(y)

1.2246467991473532e-16

---

$\sin(\pi)=0$なので、

「1.2246467991473532e-16」は誤差の範囲。

④等間隔の配列を生成する方法

numpy.linspace(始め、終わり、要素数)

---

>>> x = numpy.linspace(0,5,10)

>>> print(x)

[0. 0.55555556 1.11111111 1.66666667 2.22222222 2.77777778

3.33333333 3.88888889 4.44444444 5. ]

>>> print(len(x))

>>> print(type(x))

---

⑤等間隔の配列を生成する方法

numpy.arange(始め、終わり、分割幅)

---

>>> x = numpy.arange(0,5,0.1)

>>> print(x)

[0. 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1. 1.1 1.2 1.3 1.4 1.5 1.6 1.7

1.8 1.9 2. 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3. 3.1 3.2 3.3 3.4 3.5

3.6 3.7 3.8 3.9 4. 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9]

>>> print(len(x))

>>> print(type(x))

今日はここまでです。

次は、numpyのデータ型に着目し、

手を動かして計算を行っていきます。

【営業コミュ力改善】お客さんの反応をみながら話すという事

2021-01-25T19:02:00.007+09:00

　お客さんおしゃべりをする時は、ゆっくりと話しをしたの方が良い。
早くしゃべると自分はわかっているつもりでも、
聞いてる人には伝わらない事が多々ある。
早口でしゃべる方が頭がよく見え、難しいカタカナ言葉使うプレゼンとかであるけど、
結局お客さんには伝わらないことが多い。

　営業マンとして大切な事は、商品やサービスの理解をお客さんに促すということなので、
一方的にすらすら早口でしゃべって、まくしたてて詰め込むというよりは、反応をみながら、
言葉を選んでわからないことを補足しながら話すということが大切。

　まとめると、早口で話すよりも、ゆっくりとお客さんの反応をみながら、
つとつと話す方が大切。同じ地元の人であれば、なまりや方言とかを交えながら話すことが
効果的という事。

【営業コミュ力改善】相手の目を見て話す？

2020-12-29T20:13:00.020+09:00

「相手の目を見て話す事が重要だ」というのは良く聞く話しです。
でも、私達口下手営業マンは実際に相手の目を見て話すと緊張しますよね。
では良い方法はないものでしょうか？

方法の一つに、相手の鼻先や眉間を見て、
「見つめる」という状態を避ける方法があります。
目だけでなく、顔も見ないで話しをする営業マンは、決して良いとは言えないですが、逆に「見つめ続ける」という行為も相手からすると、
「睨んでいる」ように見えよろしく無いです。
なので、相手の目を見て話しをしつつも、
時折、視線を鼻先や眉間に落とす事は、
私達口下手営業マンが緊張を避け、相手を不愉快にさせない、
テクニックの一つです。

また、資料を用いる事も大切です。
別の機会でも説明しますが、
毎回何かしら資料を持参する事をおすすめします。
私たち口下手営業マンは全てを口頭で説明するのが苦手です。
緊張してしまい自分でもわけが分からない説明をしてしまいます。
こんな時に資料を用いて説明すると、相手も資料に目を落としくれます。
資料作りは案外得意ですよね。
相手から見つめられる事も少なくなるので緊張も軽減されるのではないでしょうか。

相手が資料に目を落としてくれている間に出来るだけ相手を観察しましょう。
相手が理解しているのか、そうでないのか。
私は対面営業をする意味や意義、極意はここにあると考えます。
私達が「伝えたい内容(製品やサービス)を理解してもらえているのかを感じとる」事が対面営業をする意味だと思っています。
なので、私達口下手営業マンはそこに集中して下さい。
そうしていくうちに視線が気にならなくなります。

話は逸れますが、相手の髪型や服装、時計などを観察する事も重要です。
話しをする際のネタになります。
例えば、あるお客さんにミッキーのネクタイピンを付けている方がいました。
たまたま、半年前くらいに家族でディズニーランドに行ったので、
商談そっちのけでその話しをしました。
そのお客さんは初対面だったのですが、それをきっかけに仲良くなる事ができました。
この事例からもわかる様に、雑談のきっかけは相手との共通項を探しです。
外見からでもいいですが、例えば、野球やゴルフ、釣りなどは共通項になりやすい。
部屋を観察する事も必要です。相手が社長さんなら社長室に当然その方の趣味が
色濃く出てます。
この様に、相手との共通項を探すためにも時々は視線を外す事は、
営業マンとして重要な習慣です。

『論語と算盤と私』朝倉祐介(仕掛中)

2020-12-27T16:48:00.011+09:00

サッカー元日本代表監督、岡田武史氏の
「リーダーシップになぜ開き直りが必要か」は秀逸。

Python入門サイト集(仕掛中)

2020-12-27T16:39:00.012+09:00

①．『ゼロからのPython入門講座』
https://www.python.jp/train/index.html
Pythonの基本的な構文を知るのにおすすめ。
まずはここで示されている例文を実際に
手を動かして勉強。

・ライブラリを使う時はAnacondaコマンドプロンプトを使う。クラス(class)：属性。そのコードが何に所属しているかを示す。モジュール：パイソン自身にはない新しい機能。外部より取り入れる(import)

AI学習を数学的(具体的)に表現すると。(仕掛中)

2020-12-27T15:53:00.012+09:00

・データを分析するためには、それを説明する数学的モデルが
必要となる。
その数学的モデルにはパラメータと呼ばれる定数が含まれ、
このパラメータをデータにできるだけフィットするように決定する事を
最適化と呼ぶ。
この最適化の事をAIを擬人化して「学習」という。
つまり、AIの「学習」とは、目的関数を最小化するパラメータを
求める事に終着する。
・目的関数を最小化するパラメータを求めるために、「勾配法」というアルゴリズムを用いて自動化する。
・機械学習型プログラミングが知性を瞬間を捉える。
・「微分」をプログラミングする場合、解析的にはできないので、「数値微分」で実装する。その場合、前方差分ではなく、中心差分となるので注意する。
・近年の人工知能の知性とは、「予測」と「認知」を指す。そのアルゴリズムとして機械学習が用いられる。機械学習の回帰⇒予測を示し、分類⇒認知を示す。
・過学習と汎化性能。赤ちゃんのようにニューロンが多く重みが小さい汎化性能が
高い脳が、経験を重ねるに連れ最適化が進み、重みが大きくなる。その結果、
回帰と分類の性能が高くなるか、勾配という思考のクセによって
過学習が起こり、悩む。

株式投資とファンダメンタル分析の基本

2020-05-28T18:07:00.001+09:00

株式投資と分析方法の種類

株式投資をするに当たり、「なんとなく良さげ」と
自分の直感頼りではなく、ある程度理論立てた再現性が
ある投資を行いたいのではないでしょうか。
そこで個別銘柄を研究するのですが、チャートやらPERやら
日経平均等々。。。
難しい言葉が散乱し、勉強する気力が萎えてしまいます。
今回のブログでは、分析手法や指標を整理し解説することで、
長期投資の基本を学んでいきたいと思います。

ファンダメンタル分析とは？

株式投資の個別銘柄を分析する方法は大きく２つあります。
１つは、「テクニカル(チャート)分析」と、２つめは、
「ファンダメンタル分析」です。
テクニカル分析とは、かっこ書きにもあるように株価チャートを
分析する方法で、デイトレーダーのような短期の売買に
向いていると言われています。
それに対しファンダメンタル(ファンダメンタルズ)分析とは、
経済指標や株価指標に基づいた分析を行う方法で、
長期投資に向いていると言われています。

私のブログでは、セミリタイアを目標とした長期投資を
前提としてます。
なので、今回のブログでは、ファンダメンタル分析を通して、
「長期投資ができる＝倒産の危険性が少なく、
配当金がしっかり確保できる」銘柄の研究手法を説明します。

経済指標と株価指標

前述しましたが、ファンダメンタル分析とは「経済指標や
株価指標に基づいた分析を行う方法」です。

「経済指標」とは、経済状況を構成する要因を数値化したものに対し、
「株価指標」とは、企業の株価を評価するために財務諸表の
勘定科目を比較分析した数値です。

それでは、次の指標に着目してファンダメンタル分析を行います。

長期投資を行う場合の経済指標は、「(東証)業種別株価指数」を
見ましょう。
経済指標はこれ１つだけでOKです。
確認するポイントとしては、その業種の将来性です。
１～３年のトレンドを見て、その業種が成長していくのか、
衰退していくのかを大まかにで良いのでつかみましょう。

次に株価指標は、「自己資本比率」「当期純利益率」「株主構成」の
３つです。
まずはじめに「自己資本比率」について説明します。
「自己資本比率」とは、「自己資本比率＝自己資本／総資本」です。
自己資本は、貸借対照表の純資産の部の事です。
総資本は、自己資本＋他人資本の事で、他人資本とは、
貸借対照表の負債の部の事です。
つまり自己資本比率とは、借金(負債)と自己資本(会社の資産)の
バランスを表す指標になります。
自己資本比率が高いほど、借金が少なく事業を運営していることを表し、
目安としては40%以上が優良企業といわれております。
つぎに、「当期純利益率」について説明します。
「当期純利益率」とは、「当期純利益率＝当期純利益／売上高」です。
損益計算書の当期純利益を売上高で割った値で、目安としては
3%以上が優良企業とされています。
ちなみに過去のブログでも書いてますが、配当金の源泉は
当期純利益なので、当期純利益及び当期純利益率をトレンドとして
定点観測していくことは重要です。
最後の「株主構成」は、「だれが株主か？」という事ではなく、
50%以上を構成するに当たり、１株主なのか、多株主なのかを
確認して下さい。
１株主であれば今後も安定して経営ができるだろうと考えられるので、
昨年度と同様な業績を見込めるでしょう。
逆に多株主であれば、何かの拍子で経営者が変わるかもしれないので、
注視している必要があり、めんどくさいです。

まとめ

ファンダメンタル分析を通して、「長期投資ができる＝倒産の危険性が
少なく、配当金がしっかり確保できる」銘柄の研究しましょう。
その場合の経済指標は、「(東証)業種別株価指数」を見ましょう。
経済指標はこれ１つだけで良いです。
株価指標は、「自己資本比率」「当期純利益率」「株主構成」の３つを
確認しましょう。

ど素人による配当金での資産運用

2020-04-21T14:31:00.002+09:00

私の「株」デビューは２０歳の頃です。

ちょうどそのころ、ホリエモンこと堀江貴文さんが、

ライブドアで話題になっていた時でした。

私ももれなくライブドアの株を買っており、

その事件の後、株価が暴落してしまい、

今となっては良い勉強と思います。

その頃の私は、株を持ってれば漠然と

儲かる、と思ってました。

しかし、株によるマネタイズには２つの方法が

あることを、身銭を切って覚えてきました。

まず一つ目は、「株式売買」です。

デイトレーダーのように、安い時に買い、高い時に売り、

その差額で売却益を得るものです。

メリットは即金性が高いことですが、

デメリットは、損失がでるリスクが高いことと、

株価情報を得るため時間が割かれる

というところです。

また、まとまった金額で売買しないと、

売買手数料の分逆ザヤとなるところでしょうか。

そして、２つ目は、「配当金」によるものです。

株を保有しているだけで、定期的にお金が振り込まれてくる

ものです。

メリットは、ほど確実に利益が得られるのですが、

デメリットは、年に１回か２回程度と即金性が低いことでしょうか。

このブログでは、「配当金」について、解説をしてきたいと

思います。

株による配当金とは？

まず、基本的に「配当金」とは何かというと、

「株主＝会社のオーナー＝株を持っている人」へ、

会社が利益に応じて還元するお金のことです。

すごく単純な話しで、会社が儲かったので、

オーナーへその儲け分を支払うというものです。

※株の歴史を考えると、配当金こそが、株でマネタイズする

本来の姿で、株式売買はその派生ですが、

ここでは詳しい説明は割愛します。

なので、会社によってその金額は異なりますし、

そもそも利益がでてない会社は配当を出すことができません。

（出ている会社は怪しい会社です）

次に、いつ配当金が支払われるかというと、

これも会社によって異なり、多くが決算月となります。

また、本決算月に１回の会社もあれば、中間決算と

合わせて２回の会社もあります。

どのような会社の株を買えばいいのか？

いわゆる「銘柄選定」です。

これはいろいろな考えがあり、

逆にありすぎると思いますので、

私たちのような素人は３つに絞りましょう。

１．配当利回りが高い銘柄

配当利回りとは株価に対する配当金を％で

示したものです。

要するに配当利回りが高いほど、

得られる配当金が高いということです。

ではどのくらいの％というと、2%以上であることが、

必須です。

それは、日経平均の上昇率が平均で約2%なので、

個別で銘柄を購入するよりもインデックス投資をした方が良い、

という考えになるので、それ以上の利益が求められます。

この考え方は重要なので覚えて下さいね。

できるのであれば、3%～5%が望ましく、

これはいわゆる高配当銘柄という部類に属します。

ここで注意が必要なのが、税引き後の利回りを押さえること。

よく公表されている配当利回りは税引き前の％なので、

0.8を掛け算して下さい。※税率は20.315％を単純化してます。

配当利回りが5%であれば、実質利回りは約4%となります。

２．当期純利益が出ているか？

配当金の原資は当期純利益です。

単純な話しで、会社としては、いろいろな支払いを終えて

最終的に出てきた利益をオーナーである株主に支払うこと

なります。

なので、当期純利益が出てなければ配当金は出ないし、

出している会社は、何かおかしいと考えた方が

良いでしょう。

３．継続性があるか？

要はつぶれないことです。

配当金投資で重要となるのが「長期保有」をすることです。

デイトレーダーのような株の売却益は、投資に対し一度だけしか

利益を産みません。

それに対し、配当金投資は株を売却しない限り、

何度も利益を産むことで投資資金を償却し、

しかもその投資資金が資産化します。

なので、会社がつぶれない限り保有すればするほど、

有益な投資となります。

しかしながら、未来のことはだれもわかりません。

そのため、私たち個人の判断となります。

日ごろから日経新聞などから、購入する銘柄の

会社情報を勉強しておきましょう。

まとめ

配当利回りが高い銘柄へ投資し、

長期保有しましょう。

銘柄を選ぶとき重要となるのが、

１．配当利回り、２．当期純利益、３．会社の継続性

です。

そのために日頃から情報収集し、勉強しましょう。

QRコード(２次元バーコード)を作ります

2020-04-11T18:37:00.002+09:00

あなたに変わってQRコード／2次元バーコードを作ります。作ったQRコードはポップやwebサイト、名刺等に活用できます。料金は1件100円。お支払い方法は、LINEペイ、メルペイ、その他、ご相談させて下さい。ご連絡は以下にDMをお願い致します。 https://mobile.twitter.com/okinawa_salary

【人物研究解説】三菱サラリーマンさん

2020-04-07T19:08:00.002+09:00

セミリタイアに成功した人とその方法

みなさんの周りにセミリタイアを

実際にした人はいますか？

「した人」というよりは「できた人」

かもしれまんね。

残念ながら私の周りにはいません。

なので、セミリタイアを志した当初は、

具体的なイメージを持つことができません

でした。

そこで「メンター」と呼べる人と

探し求めているとある方にたどり着くことが

できました。

それが、「三菱サラリーマン」さんです。

三菱サラリーマン

みなさんはご存知でしょうか？

三菱サラリーマンさんは30歳にして

セミリタイアを実現した方です。

私もリアルで知っているわけではなく、

ブログやツイッターを拝見、

勝手にメンターと崇めているだけですw

三菱サラリーマンさんのブログ
https://freetonsha.com/

三菱サラリーマンのツイッター/@FREETONSHA

30歳でセミリタイアを実行

三菱サラリーマンさんは、2019年10月に

会社をやめてセミリタイアを実行します。

月々の不労所得(株からの配当金)が支出(生活費)を

平均して上回ったのは、2019年5月頃からです。

それまでは、給料の80%を株へ投資し、

配当金を得、それを再投資することで資産を

積み上げていきました。

三菱サラリーマンさんの貯金はいくら？
資産は？

三菱サラリーマンさんは、資産を公表しており、

その額は「7000万円」です。

それを、サラリーマン生活を７年半で積み上げたことに

なります。

時系列でまとめると以下になります。

2012年4月：資産額？(サラリーマンを入社日にやめることを決意し、

セミリタイアのため貯蓄を開始)

2015年1月：500万円

2017年1月：2,300万円

2018年1月：3,400万円

2019年5月：5,000万円

2019年10月：7,000万円

これを年利4%程度で運用しているので、

月々約20万円の配当を得ることが可能となります。

もちろん、三菱サラリーマンさんはその名の通り、

三菱系の会社(たぶん商社系。。)なので、

年収1千万を超えていると思います。

「だからこんなに資産をつくれるんじゃん！」と

思考停止してはいけません。

三菱サラリーマンさんから学ぶべきは、次の3つと思います。

学ぶべき事

①支出(生活費)を最小限にし、投資資金を最大限化する。

②高配当株へ投資し、配当金を得、再投資する。

③あとは、①と②を繰り返し、配当資産を雪だるま式に増やしていく。

サラリーマンとして、7年半で7,000万円の貯蓄は、

私のような平凡なサラリーマンには難しいかもしれません。

しかし、私の年収が三菱サラリーマンさんの半分とすると、

2倍の時間をかければ可能ということになりますので、

十分実現できる目標だと思います。

平均以上の貯金を達成する方法

2020-03-23T21:48:00.003+09:00

貯金どれくらい必要か？

貯金はどれくらい必要か？

まずは、日本人の世代別(パート有り)の実際の平均貯金額です。

20代:100万円
30代:400万円
40代:550万円
50代:900万円
60代:1000万円

ザックリですよ。

では、これより少ないと問題があるのでしょうか？

詳しく説明しますね。

私の結論を言いますね。

「貯金額は月の生活費の3倍だけで良い」

月20万円で生活してるのであれば、

60万円だけですね。

ただ、そこで重要なのは、

「貯金」が生活費の3倍であって、

貯蓄はまた別の話しですね。

貯金と貯蓄の違いを説明していきますよ。

貯金と貯蓄の違い

貯金とは、

「すぐに利用できる財貨を貯めること」

すぐに利用できる財貨とは「現金」のことです。

財布や金庫、銀行等に現金を保有することを意味してます。

それに対し貯蓄とは、

「すぐに利用できない財貨も含めそれを貯めること」

すぐに利用できない財貨とは、株や投資信託等の

一度現金化のために手続きを要するものを

指します。

つまり貯金は、「事故や入院といった緊急時の

事態に対する備えとして必要」なのに対して、

貯蓄は、「老後といった緊急を要しない

未来に対しての備え」となります。

現金の使い道を「貯金」なのか「貯蓄」なのかを

区別することは重要だと考えます。

なので、まずは貯金をし、生活費の3倍を

達成したら貯蓄へと移行しましょう。

では、まずどの様に貯金をスタートさせていくか、

具体的に説明しますね。

先取り貯金のすすめ

よくやってしまうのは「余った現金貯金」

ではないでしょうか。

ひと月の給料を、家賃、光熱費、ケイタイ代。。。と

使って、残った現金を貯金する。

そうすると、毎月決まった金額ではなく、

今月は2千円、先月は千円といった、

一定した金額を貯金できてない。

これでは、人生の計算ができません。

そこでおすすめなのが、

「収入の10％を貯金する」

です。

「バビロン大富豪の教え」という本を

ご存知でしょうか？

約100年も前に書かれた本ですが、

今も世界中で読まれている資産運用に関する名著です。

その中で上げている極意の一つが、

「収入の10％を貯金する」です。

つまり、給料が振り込まれた時に

使う前に10%を別の口座に移し貯金する。

はじめの一歩はこの「先取り貯金」から

開始しましょう。

欲望に優先順位をつけ支出を減らす

次は「節約」の実践的です。

「収入の10％を貯金」したために生活の質を

落としてしまっては、人生を楽しむ意味が

ありません。

そこで重要になってくるのが、

「欲望に優先順位をつけ」優先順位の低い欲望は

切り捨てる、という考え方です。

この考え方も「バビロン大富豪の教え」にあるものです。

また、生活費の固定費を見直すことも重要です。

電気料金を見直す。

ケイタイ代を見直す。

ふるさと納税で食費を補填し節税する等々。

生活の質を下げずに収入の70%で生活することを

目標にしましょう。

節約の細かい方法は長くなるので、

また別の回で説明しますね。

まとめ

まずは先取り貯金をはじめましょう。

それから欲望に優先順位をつけ節約し、

収入の70%で生活することを目指す。

バビロンの教えは100年以上も読み継がれてる

世界的名著なのでぜひ読んで勉強しましょう。

セミリタイアで失敗しない方法

2020-03-19T21:49:00.003+09:00

セミリタイアにはいくら必要？

早速ですが、結論を言います。

それは、「年間の生活費の25倍」です。

次で詳しく説明しますね。

「年間の生活費の25倍」の前提条件があります。

それは、「4%の利率で資産運用していること」です。

具体的に説明しますね。

例えば．．．年間の生活費が240万円(ひと月当たり20万円)の人が

いるとします。

240万円×25倍⇒6000万円

この6000万円を4%で運用すると

6000万円×4%⇒240万円

となり、資産運用だけで生活費が捻出できることがわかります。

セミリタイアの年齢は？

年齢は関係ありませんが、

重要なのは「いつまでに目標の資産額を達成するか」です。

つまり、貯金がたまるのがいつまでかが重要です。

上の例でいうと6000万円をいつまでに達成できるかですね。

それだけではないので説明しますね。

それだけではなく、貯金がたまるまでの間に投資を経験し、

運用利率の感覚をつかんでおくことも重要です。

4%の配当を得る方法

ずばり、私のおすすめをいいますね。

それは「投資信託」です。

次で詳しく説明しますね。

資産運用にはいろいろあります。

まっさきに思い浮かぶのが「株式投資」とかではないでしょうか。

しかしながら、株式投資は、専門会社や投信のプロが

莫大なお金をかけて「情報」や「アルゴリズム取引(コンピュータを

使って0.01秒でおこなう取引)」を行う世界ですので、

素人が安定して4%の運用利率をだすことは難しです。

なんで、良く聞いて下さね。

その分、投資信託は逆に投信のプロ(=ファンド)に資産を

預けて、その配当を得るものなので、比較的4%は難しい利率ではありません。

女性がセミリタイアするには？

セミリタイアに男女の関係はありませんが、

ライフスタイルが大きく変わるので、

女性の場合は出産をどのように考えるかが重要なのでは

ないでしょうか。

出産やパートナーによって、その後の生活に応じた資産が

変わってきますね。

まとめ

セミリタイアするためには、

貯金⇒投資⇒配当（不労所得）の順番が必要となります。

年間の生活費を把握し、その生活費の25倍を貯金、

それを投資し、4%の利率で運用することで、生活費を捻出し、

生活のために働かないセミリタイアを実現します。

おきさら＠役職定年サラリーマン

SoftBank world2021(2021/9/15)

数値流体解析のためのアニメーション#1

青木仁志氏（アチーブメント（株）社長）

数値流体解析のための数学#2

Small Stock プライバシーポリシー

$Python$を使った数値流体解析#6

数値流体解析のための数学#1

$Python$を使った数値流体解析#5

$Python$を使った数値流体解析#4

$Python$を使った数値流体解析#3

$Python$を使った数値流体解析#2

【営業コミュ力改善】早いレスポンスが良い結果を生む。

$Python$を使った数値流体解析#1

【営業コミュ力改善】お客さんの反応をみながら話すという事

【営業コミュ力改善】相手の目を見て話す？

『論語と算盤と私』朝倉祐介(仕掛中)

Python入門サイト集(仕掛中)

AI学習を数学的(具体的)に表現すると。(仕掛中)

株式投資とファンダメンタル分析の基本

株式投資と分析方法の種類

ファンダメンタル分析とは？

経済指標と株価指標

まとめ

おすすめ本

・『バビロン大富豪の教え』(漫画版)ジョージ・S・クレイソン著

・『週4時間だけ働く』ティモシー・フェリス著

・『論語と算盤』渋沢栄一著

・『人生は生きがいを探す旅』神谷美恵子著

・『FIRE 最強の早期リタイア術』クリスティ・シェン、ブライス・リャン共著

ど素人による配当金での資産運用

株による配当金とは？

どのような会社の株を買えばいいのか？

１．配当利回りが高い銘柄

２．当期純利益が出ているか？

３．継続性があるか？

まとめ

１．配当利回り、２．当期純利益、３．会社の継続性

QRコード(２次元バーコード)を作ります

【人物研究解説】三菱サラリーマンさん

セミリタイアに成功した人とその方法

三菱サラリーマン

三菱サラリーマンさんは30歳にして

セミリタイアを実現した方です。

30歳でセミリタイアを実行

三菱サラリーマンさんの貯金はいくら？ 資産は？

学ぶべき事

平均以上の貯金を達成する方法

貯金どれくらい必要か？

「貯金額は月の生活費の3倍だけで良い」

貯金と貯蓄の違い

「すぐに利用できる財貨を貯めること」

「すぐに利用できない財貨も含めそれを貯めること」

先取り貯金のすすめ

「収入の10％を貯金する」

欲望に優先順位をつけ支出を減らす

まとめ

セミリタイアで失敗しない方法

セミリタイアにはいくら必要？

セミリタイアの年齢は？

4%の配当を得る方法

女性がセミリタイアするには？

まとめ

三菱サラリーマンさんの貯金はいくら？
資産は？