Арматура распределительная: АРМАТУРА РАСПРЕДЕЛИТЕЛЬНАЯ | это… Что такое АРМАТУРА РАСПРЕДЕЛИТЕЛЬНАЯ?

рабочая распределительная монтажная арматура хомуты

Как указывалось ранее, в качестве арматуры употребляют главным образом круглую сталь и сталь периодического профиля в виде отдельных прутков диаметром до 40 мм, а также сваренную или связанную в арматурные каркасы.

Для элементов массивных железобетонных гидротехнических сооружений, например шлюзов, имеющих большие размеры сечений, целесообразно применять стержни крупных диаметров до 90—120 мм. Кроме круглой стали, в качестве арматуры применяют сталь и других профилей.

По назначению в бетоне арматуру разделяют на рабочую, распределительную, монтажную и хомуты.

Рабочая арматура воспринимает на себя главным образом растягивающие усилия, возникающие в железобетонных конструкциях от собственного веса и внешних нагрузок.

Распределительная арматура служит для равномерного распределения нагрузок между рабочими стержнями и для обеспечения совместной работы всех стержней арматуры.

Распределительная арматура соединяется с рабочей сваркой или проволочной скруткой, в результате чего образуется сетка или каркас.

Хомуты служат для предохранения от появления косых трещин в балке около опор и для связывания арматуры в каркас.

Монтажная арматура никаких усилий не воспринимает и служит как для сборки каркаса, так и для обеспечения во время бетонирования точного положения рабочей арматуры и хомутов. При бетонировании монтажная арматура иногда вынимается.

Рис. 42. Типы крюков на концах гладких арматурных стержней: 1 — полукруглый крюк прп машинном гнутье: 2 — полукруглый крюк с прямым участком прн ручном гнутье

Для лучшего закрепления арматуры в бетоне концы арматурных стержней, работающих на растяжение, делают загнутыми в виде крюков (рис. 42).

Арматура периодического профиля (см. главу VI), благодаря надежной анкеровке и повышенному сцеплению с бетоном, позволяет отказаться от крюков, что способствует экономии металла.

Для совместной работы арматуры с бетоном необходимо, помимо устройства крюков, оставлять вокруг каждого стержня слой бетона; для этого расстояние в свету между отдельными рядами арматурных стержней делается не меньше 25 мм, как показано на рис. 43. На этом же рисунке показан так называемый защитный слой бетона (между арматурными стержнями и поверхностью конструкции), предохраняющий арматуру от воздействия огня при пожаре и от ржавления.

Рис. 43. Расстояние между стержнями арматуры и величина защитного слоя бетона в железобетонной балке и плите (размеры в мм): а — армированной обычной арматурой: 1 — монтажные стержни; 2 — рабочие стержни плиты; 3 — распределительные стержни плиты; 4—рабочие стержни балки; б — армированной сварными сетками и каркасами: 1 — каркасы балки; 2 — сетки плиты

В соответствии с техническими условиями толщина защитного слоя для рабочей арматуры конструкций из тяжелого бетона должна быть:

При диаметре продольной арматуры более 35 мм рекомендуется толщина защитного слоя не менее 30 мм, а при применении фасонных прокатных профилей — 50 мм.

Хомуты и поперечные стержни должны отстоять от поверхности бетона не меньше чем на 15 мм. В железобетонных трубах расстояние от стержня продольной арматуры до внутренней поверхности трубы должно быть не меньше, чем до наружной.

В сборных железобетонных конструкциях заводского изготовления из тяжелого бетона марки не менее 200 толщина защитного слоя может быть уменьшена на 5 мм, но в любом случае должна быть не меньше 10 мм для плит и 20 мм для балок и колонн.

Классификация арматуры и технические требования к сталям

Классификация арматуры и технические требования к сталям

Классификация арматуры. Арматура железобетонных конструкций воспринимает в основном растягивающие усилия. Это дает возможность, применяя ее совместно с бетоном, изготовлять железобетонные конструкции разнообразного назначения.

По назначению различают арматуру рабочую и монтажную. Рабочая арматура воспринимает усилия, возникающие под действием нагрузок на конструкцию. Количество арматуры рассчитывают в соответствии с этими нагрузками. В зависимости от ориентации в железобетонной конструкции рабочая арматура может быть продольной или поперечной.

Продольная рабочая арматура воспринимает усилия растяжения или сжатия, действующие по продольной оси элемента. Например, в изображенной на рис. 15 балке, опирающейся по концам, продольная рабочая арматура выполнена из стержней, которые сопротивляются растягивающим усилиям в нижней зоне конструкции. Для восприятия усилий, действующих при изгибе под углом 45° к продольной оси балки, стержни отгибают. В колоннах продольную арматуру устанавливают для повышения сопротивляемости усилиям сжатия.

Рис. 15. Армирование балки:
1 — распределительная арматура, 2, 3. 5 — продольные рабочие арматурные стержни, 4 — поперечная арматура (хомуты), 6 — монтажные петли

Поперечная арматура воспринимает усилия, действующие поперек оси балки. Такую арматуру выполняют в виде хомутов либо расположенных поперечно отрезков стержней в сварных каркасах и сетках.

Монтажную арматуру устанавливают в зависимости от конструктивных и технологических требований. Ее подразделяют на распределительную и конструктивную. Распределительная арматура позволяет закреплять рабочую арматуру в проектном положении. В этом важное технологическое значение распределительной арматуры. Кроме того, она служит для более равномерного распределения усилий между отдельными стержнями рабочей арматуры. Стерэкни рабочей и распределительной арматуры сваривают либо связывают в единый пространственный каркас или плоские сетки.

Конструктивная арматура служит для восприятия таких усилий, на которые конструкцию не рассчитывают. В частности, сюда относятся усилия от усадки бетона, температурных изменений. Конструктивную арматуру обязательно устанавливают в местах резкого изменения сечения конструкций, где происходит концентрация напряжений. Конструкции, подвергающиеся действию динамических нагрузок, например подкрановые балки и консоли колонн, на которые они опираются, также нуждаются в конструктивной арматуре.

По способу изготовления стальную арматуру железобетонных конструкций подразделяют на горячекатаную стержневую и холоднотянутую проволочную.

Стержневую арматуру поставляют в прутках диаметром не менее 12 мм и длиной до 13 м, проволочную диаметром З…8мм — в мотках или бунтах массой до 1300 кг.

По способу последующего упрочнения горячекатаная арматура может быть термически упрочненной, т.

По форме поверхности различают арматуру периодического профиля и гладкую. Стержни арматуры периодического профиля снабжены выступами, благодаря которым улучшается сцепление ее с бетоном. На поверхности проволочной арматуры для этой цели создают рифы (вмятины). Гладкую арматуру выпускают в виде горячекатаных стержней диаметром 6…40 мм или проволоки диаметром 3…8 мм. Чтобы исключить проскальзывание гладкой арматуры в бетоне, ее заанкери-вают.

По способу применения при армировании железобетонных конструкций различают напрягаемую арматуру, подвергаемую предварительному натяжению, и ненапрягаемую.

В некоторых случаях используют так называемую жесткую арматуру в отличие от обычно применяемых гибких стержней и проволоки. Жесткую арматуру выполняют из сортового проката — швеллеров, двутавров, равнобоких и неравнобоких уголков. До отвердевания бетона такая арматура работает как металлическая конструкция на нагрузку от собственного веса, веса прикрепляемой к ней опалубки и свежеуложенной бетонной смеси. Жесткую арматуру применяют при бетонировании большепролетных перекрытий, сильно загруженных колонн нижних этажей многоэтажных зданий.

Рис. 16. Сцепление арматуры с бетоном:
1 — бетон, 2—гладкая арматура, 3 — арматура периодического профиля

Технические требования к арматурной стали. К ним относятся требования по прочности, пластичности, свариваемости, хладноломкости.

Прочность определяют путем испытания образцов стали на растяжение. Основной характеристикой прочности малоуглеродистых арматурных сталей служит предел текучести.

Прочность горячекатаной стержневой арматурной стали существенно — в несколько раз — повышают термическим или термомеханическим упрочнением, проволочной — холодным деформированием. Термическое упрочнение состоит из закалки и частичного отпуска стали. Закалку осуществляют нагревом стержней до температуры 800…900 °С и быстрым охлаждением, отпуск — нагревом до температуры 300…400 °С и постепенным охлаждением. Термомеханическое упрочнение производят путем нагрева, пластического деформирования и последующей термообработки арматуры. Это повышает прочность стержневой арматуры до 1800 МПа.

Проволочную арматурную сталь упрочняют холодным деформированием, пропуская ее через несколько последовательно уменьшающихся в диаметре отверстий. Чтобы получить структуру стали, необходимую для такого холодного волочения, проволоку подвергают предварительной термообработке — патентированию. Оно заключается в нагреве проволоки до температуры 870…950 °С, быстром охлаждении до температуры 500 °С, выдержке и охлаждении на воздухе. По такой технологии изготовляют высокопрочную арматурную проволоку.

Прочностные характеристики арматуры нормируют, как правило, по сопротивлению растягивающим усилиям. В некоторых конструкциях арматуру используют как элемент, усиливающий работу бетона на сжатие. В этом случае нормируют сопротивление арматуры сжатию. Его принимают равным расчетному сопротивлению при растяжении, но не более 400 МПа.

Пластические свойства арматурных сталей важны для нормальной работы железобетонных конструкций под нагрузкой, механизации арматурных работ. Снижение пластических свойств стали может стать причиной хрупкого (внезапного) разрыва арматуры в конструкциях, хрупкого излома напрягаемой арматуры в местах резкого перегиба или при закреплении в захватах. Поэтому пластические свойства арматурных сталей обязательно нормируют. Пластичность характеризуют полным относительным удлинением после разрыва образца, %, а также по результатам испытания на загиб в холодном состоянии.

Свариваемость арматурных сталей характеризуется надежным сварным соединением, отсутствием трещин и других пороков металла в швах и прилегающих зонах. Это свойство используют при изготовлении сварных каркасов и сеток, стыковке стержневой арматуры. Горячекатаные малоуглеродистые и низколегированные арматурные стали свариваются хорошо. Нельзя сваривать стали, упрочненные термически или вытяжкой, так как в результате сварки эффект упрочнения утрачивается: в термически упрочненной стали происходят отпуск и потеря закалки, а в проволоке, упрочненной вытяжкой, — отжиг и потеря наклепа.

Хладноломкость характеризуется склонностью арматурных сталей к хрупкому разрушению при температурах ниже —30 °С. Хладноломкостью обладают горячекатаные стали периодического профиля, изготовленные из полуспокойной мартеновской или конвертерной стали. Менее склонны к хрупкому разрушению при низкой температуре термически упрочненные арматурные стали, а также высокопрочная проволока.

Читать далее:
Теплоизоляционные материалы
Основные свойства строительных материалов
Фиксаторы арматуры
Материалы для смазывания форм
Сборные бетонные и железобетонные конструкции
Арматурные изделия и закладные детали
Проволочная арматура
Стержневая арматура
Обработка давлением
Термическая и химико-термическая обработка стали

Распределительный фитинг | BPI Consulting

Сентябрь 2016 г.

(Примечание: все предыдущие публикации в категории базовой статистики перечислены справа. Выберите «Вернуться к категориям», чтобы перейти на страницу со всеми публикациями, отсортированными по категориям. Выберите эту ссылку для получения информации о программном обеспечении SPC для Excel.)

В рамках процесса PPAP вы должны предоставить клиенту анализ возможностей процесса для только что выполненного пробного производственного цикла. Гистограмма собранных вами данных не выглядит нормально распределенной. График нормальной вероятности подтверждает ваши опасения — вы имеете дело с ненормальными данными. Вы запускаете преобразование Бокса-Кокса, чтобы увидеть, можно ли преобразовать данные в нормальное распределение. Трансформация не работает. Что теперь делать?

Для анализа возможностей процесса требуется нормальное распределение, чтобы можно было вычислить значение Cpk. Вы не сможете использовать Cpk. Вам придется провести нестандартный анализ возможностей процесса. Но чтобы выполнить этот анализ, вы должны определить, какое распределение лучше всего соответствует вашим данным.

В этой публикации объясняется, как выполняется подгонка распределения на примере экспоненциального распределения. Публикация в следующем месяце расширит это, чтобы сравнить несколько дистрибутивов, чтобы увидеть, какой дистрибутив лучше всего соответствует вашим данным.

В этом выпуске:

• Что такое распределительный фитинг?
• Не все соответствует нормальному распределению
• Определение лучшего дистрибутива
• Параметры распределения
• Оценка параметра
• Пример
• Подходит ли он?
• Резюме
• Быстрые ссылки

Пожалуйста, не стесняйтесь оставлять комментарии в конце этой публикации. Вы также можете скачать pdf-копию этой публикации по этой ссылке.

Что такое распределительный фитинг?

Подгонка распределения — это процесс, используемый для выбора статистического распределения, которое наилучшим образом соответствует данным. Примеры статистических распределений включают нормальное, гамма-распределение, распределение Вейбулла и распределение наименьших экстремальных значений.

В приведенном выше примере вы пытаетесь определить возможности вашего ненормального процесса. Это означает, что вы должны быть в состоянии определить, какое распределение лучше всего соответствует данным, чтобы вы могли определить вероятность того, что ваш процесс произведет материал, выходящий за рамки спецификаций. Важно иметь распределение, которое точно отражает ваши данные. Если вы выберете неправильное распределение, ваши расчеты будут неверными.

Коротко о самих данных. Данные должны быть непротиворечивыми и предсказуемыми, т. е. они должны быть получены в результате процесса, находящегося под статистическим контролем. Если процесс не находится под статистическим контролем, подгонка распределения не будет точной.

Не все соответствует нормальному распределению

Жизнь была бы прекрасна, если бы мы могли просто предположить, что наши данные имеют нормальное распределение. Это наиболее часто используемый дистрибутив. Почему? Потому что многие вещи нормально распределены. Но не все. Нормальное распределение определяется средним значением и стандартным отклонением. Он симметричен относительно среднего.

Распределения с асимметрией влево или вправо нельзя моделировать как нормальное распределение. Другие распределения ограничены и не могут быть смоделированы как нормальные распределения. И есть симметричные распределения, которые могут соответствовать вашим данным лучше, чем нормальное распределение.

Выбор неправильного распределения приводит к неточным результатам. Наша предыдущая публикация о ненормальных возможностях процесса представляет собой пример того, как ваши расчеты возможностей процесса для Cpk неверны, если нет нормального распределения.

Определение наилучшего распределения

Несколько распределений обычно проверяются на данных, чтобы определить, какое из них лучше всего соответствует данным. Вы не можете просто посмотреть на форму распределения и предположить, что она хорошо соответствует вашим данным.

Как определить наилучшее распределение? Статистические методы используются для оценки параметров различных распределений. После завершения этой оценки вы используете методы оценки соответствия, чтобы определить, какое распределение лучше всего соответствует вашим данным. Существуют также визуальные методы, которые помогут вам решить, какой дистрибутив лучше всего. Сюда входит изучение гистограммы с наложенным распределением и сравнение эмпирической модели с теоретической моделью. Ниже эти методы рассматриваются более подробно.

Параметры распределения

Параметры распределения определяют распределение. Есть четыре параметра, которые в основном используются при настройке распределения. Вот эти четыре параметра:

• Местоположение
• Весы
• Форма
• Порог

Не все параметры существуют для каждого распределения. Например, нормальное распределение имеет только два параметра: местоположение (среднее) и масштаб (стандартное отклонение). Эти два параметра полностью определяют нормальное распределение. Подгонка распределения включает в себя оценку параметров, определяющих различные распределения. Четыре параметра более подробно определены ниже.

Параметр местоположения распределения указывает, где находится распределение по оси x (горизонтальной оси). На рис. 1 показаны два нормальных распределения. Значения местоположения разные. Синее распределение имеет положение 5. Оранжевое распределение имеет положение 10. Оба имеют одинаковое стандартное отклонение (или шкалу в терминах параметров).

Рисунок 1: Нормальное распределение с различными местоположениями

Масштабный параметр распределения определяет степень разброса в распределении. Чем больше параметр масштаба, тем больше разброс в распределении. Чем меньше параметр масштаба, тем меньше разброс в распределении. На рис. 2 показано логистическое распределение с тремя различными параметрами шкалы: 2, 5 и 8. Положение всех трех кривых — 0,9.0005

Рисунок 2: Логистическое распределение с различными параметрами масштаба

Параметр формы распределения позволяет распределению принимать различные формы. Два приведенных выше распределения, нормальное и логистическое, не имеют параметра формы. Форма определяется расположением и масштабом этих двух распределений. Другие распределения имеют параметры формы. Чем больше параметр формы, тем больше отклонение распределения влево. Чем меньше параметр формы, тем больше отклонение распределения вправо. На рис. 3 показано, как изменение параметра формы влияет на гамма-распределение. Параметр масштаба для гамма-распределения на рисунке 3 равен 2. Гамма-распределение не имеет параметра местоположения.

Рисунок 3: Гамма-распределение с различными параметрами формы

Пороговый параметр распределения определяет минимальное значение распределения по оси x. Распределение не может иметь значений ниже этого порога. На рисунке 4 показано гамма-распределение с тремя различными пороговыми значениями: 3, 6 и 9. Параметр масштаба и формы равен 2.

Рисунок 4. Гамма-распределение с различными пороговыми значениями

Оценка параметров

Для оценки параметров распределения можно использовать ряд статистических методов. SPC для Excel использует метод оценки максимального правдоподобия (MLE). В качестве примера мы будем использовать экспоненциальное распределение.

Экспоненциальное распределение является широко используемым распределением в проектировании надежности и используется для моделирования времени между отказами, когда блоки имеют постоянную частоту отказов. Это распределение имеет один параметр, и существует аналитическое решение для нахождения этого параметра. Предположим, у нас есть выборка размера n из одного распределения. Мы хотим знать, получена ли выборка из экспоненциального распределения.

Вы начинаете с функции плотности вероятности (PDF) для распределения. Экспоненциальная PDF определяется как:

, где b — параметр шкалы; b должно быть больше 0. Наша цель – найти значение b на основе наших выборочных данных. Каждый x _i имеет один и тот же PDF-файл, поскольку образцы взяты из одного и того же дистрибутива.

Функция правдоподобия случайной выборки L определяется как произведение каждого отдельного PDF:

Замена в экспоненциальном PDF дает:

Мы хотим найти значение b, которое максимизирует эту функцию правдоподобия. Вот хитрость с MLE. Легче свести к минимуму отрицательную логарифмическую вероятность. Взятие отрицательного журнала обеих частей приведенного выше уравнения преобразует произведение PDF в сумму PDF:

Подстановка экспоненциальной PDF дает:

Приведенное выше выражение можно упростить до следующего:

Мы хотим найти значение b, которое минимизирует эту функцию. Чтобы найти это, вы берете частную производную от -ln L по b и устанавливаете это уравнение равным 0,9.0005

Решение для b дает следующее:

Это просто уравнение для среднего. Для экспоненциального распределения параметр масштаба, равный среднему значению, минимизирует логарифмическую функцию правдоподобия.

Это подход MLE. Расчеты становятся более сложными для большинства других распределений. Функция логарифмического правдоподобия должна быть дифференцирована по каждому оцениваемому параметру, при этом каждое из результирующих уравнений должно быть установлено равным нулю. Затем уравнения должны быть решены одновременно, чтобы найти параметры распределения. Численные методы должны использоваться для большинства распределений.

Пример

Предположим, у нас есть выборка из 100 точек данных. Скачать использованные данные можно по этой ссылке. Гистограмма (рис. 5) из 100 точек данных показывает, что данные не имеют нормального распределения.

Рисунок 5: Гистограмма выборочных данных

Обычно несколько распределений проверяются, чтобы определить, какое из них лучше всего соответствует данным. Для этой публикации мы просто будем использовать экспоненциальное распределение. Мы уже показали, что минимум логарифмической функции правдоподобия для экспоненциального распределения имеет место, когда параметр масштаба b равен среднему значению.

Среднее значение набора данных равно 2,975. Таким образом, экспоненциальная PDF становится:

Мы определили экспоненциальное распределение на основе наших данных. Но насколько хорошо это соответствует данным?

Подходит ли он?

Из вышеизложенного мы знаем, что когда параметр масштаба равен среднему значению, логарифмическая функция правдоподобия минимизируется, и это лучше всего соответствует экспоненциальному распределению. Но годится ли это?

Существует несколько способов оценки соответствия. Очень распространенный способ — вычислить статистику Андерсона-Дарлинга и определить p-значение, связанное с этой статистикой. Тест предполагает, что данные соответствуют указанному распределению. Низкое значение p означает, что предположение неверно и данные не соответствуют распределению. Высокое значение р означает, что предположение верно и данные соответствуют распределению.

В более ранней публикации было описано, как рассчитать статистику Андерсона-Дарлинга для нормального распределения. Процесс такой же для других распределений, за исключением того, что вы используете кумулятивную функцию распределения (CDF) для этого распределения в расчетах. Данные были проанализированы с использованием программного обеспечения SPC для Excel, и для экспоненциального распределения были получены следующие результаты:

• Статистика Андерсона-Дарлинга = 6,374
• p-значение < 0,001

Поскольку p-значение очень мало, вы делаете вывод, что экспоненциальное распределение не соответствует данным.

Есть также визуальные методы, которые можно использовать, чтобы определить, насколько хорошо они подходят. Один из них — наложение PDF-файла распределения на гистограмму данных. Это показано на рисунке 6.

Рисунок 6: Гистограмма с экспоненциальным pdf0002 Другой визуальный способ увидеть, соответствуют ли данные распределению, — это построить график PP (вероятность-вероятность). P-P отображает эмпирические значения CDF (на основе данных) в сравнении с теоретическими значениями CDF (на основе указанного распределения). CDF для экспоненциального распределения определяется как:

Если график PP близок к прямой линии, то указанное распределение соответствует данным. На рис. 7 показан график PP для данных в зависимости от экспоненциального распределения.

Рисунок 7: График PP для экспоненциального распределения

Данные на рисунке 7 не ложатся на прямую линию — еще одно свидетельство того, что экспоненциальное распределение не соответствует данным.

Краткий обзор

В данной публикации представлена ​​распределительная арматура. Распределения определяются параметрами. Были введены различные параметры (местоположение, масштаб, форма и порог). Метод оценки максимального правдоподобия используется для оценки параметров распределения по набору данных. В качестве примера использовалось экспоненциальное распределение. Также были введены методы проверки того, насколько «хорошо» распределение соответствует данным. Эти методы согласия включают статистику Андерсона-Дарлинга, сравнение гистограммы с функцией плотности вероятности и построение графика PP для сравнения теоретической кумулятивной функции плотности с эмпирической кумулятивной функцией плотности. В нашей следующей публикации мы рассмотрим, как сравнивать несколько распределений при попытке найти распределение, которое лучше всего соответствует данным.

Быстрые ссылки

Программное обеспечение SPC для Excel

Посетите нашу домашнюю страницу

Обучение SPC

Консультации SPC

Информация для заказа

Большое спасибо за то, что прочитали нашу публикацию. Мы надеемся, что вы найдете его информативным и полезным. Удачных графиков, и пусть данные всегда поддерживают вашу позицию.

С уважением,

Доктор Билл МакНиз
BPI Consulting, LLC

Свяжитесь с нами

Распределительная арматура | Статистическое программное обеспечение для Excel

Подгонка распределения проверяет, существенно ли отличается распределение выборки данных от теоретического распределения. Сделайте это в Excel с помощью XLSTAT.

Что такое подгонка распределения

Подгонка распределения к выборке данных состоит после выбора типа распределения в оценке параметров распределения таким образом, чтобы выборка была наиболее вероятной из возможных (относительно максимальной вероятности ) или что, по крайней мере, некоторые статистические данные выборки (например, среднее значение, дисперсия) максимально точно соответствуют статистическим данным распределения.

Методы подбора, используемые в XLSTAT

XLSTAT предлагает два метода подбора:

Моменты для подбора распределения

Этот простой метод использует определение моментов распределения как функции параметров для определения последних. Для большинства распределений достаточно использования среднего значения и дисперсии. Однако для некоторых распределений достаточно среднего значения (например, распределения Пуассона), а если нет, то также требуется коэффициент асимметрии (например, распределение Вейбулла).

Максимум правдоподобия для подбора распределения

Параметры распределения оцениваются путем максимизации правдоподобия выборки. Этот метод, более сложный, имеет преимущество точности для всех распределений и позволяет получить приблизительные стандартные отклонения для оценок параметров. Метод максимального правдоподобия предлагается для отрицательного биномиального распределения типа II, распределения Фишера-Типпета, распределения GEV и распределения Вейбулла.

Доступное распределение фитингов в XLSTAT

XLSTAT предоставляет следующие распределения:

Бета, Биномиальное, Отрицательное биномиальное, Хи-квадрат, Эрланг, Экспоненциальное, Фишера, Фишера-Типпета, Гамма, GEV, Гамбеля, Логнормальное, Нормальное, Парето, Пуассона, Студенческое, Равномерное, Вейбулла .

Проверка согласия

После оценки параметров выбранного распределения необходимо проверить гипотезу, чтобы проверить, соответствует ли явление, наблюдаемое в выборке, рассматриваемому распределению.

XLSTAT предлагает два теста на соответствие:

• CHI-Square Test of Fit Test
• Kolmogorov-Smirnov Goodse of Fit

Результаты для распределения.

Статистические данные, оцененные на основе входных данных и рассчитанные с использованием оценочных параметров распределения: Эта таблица используется для сравнения среднего значения, дисперсии, коэффициентов асимметрии и эксцесса, рассчитанных по выборке, с коэффициентами, рассчитанными по значениям параметров распределения.