Win-Tensor User Guide: Statistics Module 1

By Damien Delvaux

Based on version 2.2, last update : 20/07/2010

Módulo de estadísticas
El módulo de estadísticas en Win-Tensor permite caracterizar la distribución de los datos de
orientación y separarlas en subconjunto. El análisis de la distribución discrimina entre racimo y
la faja de distribución y proporciona la orientación y el promedio de los datos de error de
deslizamiento en el caso de la distribución de clúster y el polo del gran círculo de mejor ajuste
en el caso de las distribuciones de la faja. La separación subconjunto se basa en el procedimiento
para la separación de los conjuntos heterogéneos de datos de orientación en subconjuntos
desarrollados por Huang y Charlesworth (1989). En este módulo, los datos de superficie
(definidos por su polo) y datos lineales se tratan por separado. También se proporcionan los
parámetros de concentración: la longitud normalizada del vector resultante R y el ángulo de
cono de confianza.

Este módulo se ilustra con la ayuda de GirdleCluster.wtd archivo compuesta en sólo datos
planas, agrupados en 4 subconjuntos con diferentes tipos de distribución: una distribución de la
faja (29 de datos), una distribución de cluster (29) datos de una distribución homogénea (17
datos) y un conjunto fuertemente en clúster (20 datos). Este conjunto de datos contiene datos
lineales, pero el proceso de análisis de la distribución y la separación es similar que para los
datos planas. La ponderación de todos los datos se ha establecido en 2, de modo activar /
desactivar la función de ponderación no tendrá ningún efecto.

Figura X.1a: panel Estadísticas de la Hoja de procesamiento, con estadísticas de orientación para los datos
seleccionados agrupados en un solo conjunto de datos.
 Win-Tensor User Guide: Statistics Module 2
By Damien Delvaux

El panel Estadísticas (Fig. X.1a) se compone de línea de puño que indica el número de los datos
seleccionados y que permite controlar la opción de ponderación, y el valor del ángulo de
intersección limitante.

En virtud de esta primera línea, dos grupos similares de los controles aparecen el izquierdo para
la orientación de los datos planas y el más adecuado para los datos lineales. Cada uno de estos
grupos se compone de una lista desplegable que define el número de subconjuntos, un área de
texto donde se presentan los resultados de los análisis, una zona de la imagen que muestra un
estereograma y un botón "Evaluar" Índices de subconjunto que está inicialmente desactivado.

Cuando sólo un subconjunto se define en la lista desplegable, el módulo de Estadísticas

caracteriza la distribución de los datos de orientación seleccionados (Fig. X1a). Cuando se
definen varios subconjuntos (máx. 5), que permite separar los conjuntos de datos iniciales en
subconjuntos homogéneos (Fig. X.1b).

1/ Distribution of orientation data

Estadísticas de datos de orientación agrupada

La orientación promedio y dispersión estadística (o concentración) de datos de orientación lineal

se calculan mediante la suma vectorial de sus cosenos de dirección, teniendo en cuenta el factor
de ponderación asociado a cada dato. En este proceso, los polos hasta planos y líneas se
consideran como vector. Como vectores se definen por su dirección, los vectores se da la vuelta
para que apunte en la misma dirección del eje principal antes de su suma, no teniendo en cuenta
tanto vectores paralelos en la oposición de dirección orientaciones como similares como en la
distribución bipolar Watson (Fisher et al., 1987 ). La implementación de esta estadística en Win-
Tensor se ha inspirado en los programas publicados Watson (Dzik, 1992) y Orient
(Charlesworth et al., 1989).

La orientación del eje principal del vector resultante representa la orientación promedio de la
serie de datos de orientación. La longitud (o magnitud) de los vectores unitarios se multiplican
por el peso de los datos de orientación correspondientes antes de que se resumen en un vector
resultante R. La longitud de este último se divide por la suma de todos los factores de
ponderación (o el número de datos si no se aplica la ponderación), lo que lleva una media
resultante Rm vector. La longitud (o magnitud) de Rm expresa el grado de agrupamiento de los
vectores. Oscila entre un máximo de 1 para las poblaciones perfectamente agrupados en el que
todos los datos de orientación estrictamente paralelo y que disminuye progresivamente con la
dispersión de los datos que a ~ 0,5 para los datos distribuidos de manera uniforme
(perfectamente repartidas) en la esfera.

El parámetro de concentración Ficher KA = (n - 2) / n - I), donde R es la longitud del vector

resultante, va de cero para los datos distribuidos de manera uniforme sobre la esfera y hasta el
infinito para un conjunto de datos perfectamente agrupado (Huang y Charlersworth , 1989;.
Charlersworth et al, 1989).

La distancia media entre los vectores individuales y el vector medio (Media cono de ángulo) se
define por el ángulo medio-ápice MCA = arco coseno (Rm) del cono circular alrededor de la
dirección media eje principal. El ángulo de cono media es significativa para las distribuciones de
racimo válido (Fisher), pero no es más válido para las distribuciones de puntos que no son de
clúster simple.

Los resultados de los análisis se muestran en el área de texto y se ilustran en la pantalla gráfica
estereográfica (Ejemplo X.1). Las opciones gráficas son controlados por las ventanas de
opciones gráficas que se pueden abrir con un clic derecho en la imagen o en el Menú / Gráficos /
 Win-Tensor User Guide: Statistics Module 3
By Damien Delvaux

Opción gráfica. El contenido del cuadro de texto se pueden destacar y copiar al portapapeles o
verlos en una ventana separada mediante el menú de comandos / Editar / Pantalla

Resultados. El contenido se puede copiar al portapapeles por un clic derecho y seleccionar la

opción Copiar gráfico al portapapeles en el menú flotante.

Nota: Los cosenos directores son los tres componentes de un vector unidad obtenida a partir de
los parámetros de orientación (acimut y de inmersión de un poste para avión o de una línea)
como sigue:
X = sin(azimuth) * cos (plunge)
Y = cos(azimuth) * cos(plunge)
Z = -sin(plunge)

distribuciones de la faja

En lugar de ello, hemos desarrollado un método práctico y sencillo para el análisis de datos
distribuidos a lo largo de un gran círculo en una proyección hemisférica.

Cilíndricos pliegues donde la normal a los planos de estratificación medidos de forma desigual
en la superficie cilíndrica plegada se encuentran todos en un solo plano y la trama en una
proyección estereográfica a lo largo de un gran círculo de mejor ajuste, la orientación del eje de
plegado correspondiente al polo de ese plano ( por ejemplo, Lisle y Leyshon, 2004). Además, la
intersección entre cualesquiera pares de planos de estratificación se extiende sobre la superficie
cilíndrica plegada (b-ejes) también trazar en la proximidad del eje de plegado. Por extensión y
teniendo en cuenta que una distribución perfecta faja de polos de orientación define un plano
cuyo polo es sub-paralelo al eje B de cualquier par de planos que se cortan, un procedimiento
rápido se ha desarrollado para describir estadísticamente distribuciones faja.

Se trata primero el cálculo de la orientación de la B-ejes de todos los posibles pares de aviones
en el conjunto de datos. El número de intersecciones ni = (n ^ 2 - n) / 2 con n = el número de
datos en el conjunto. La distribución grupo de los b-ejes se calcula que el anterior, con la
orientación media que representa el polo del gran círculo ajuste mejor la distribución cinto de
polos. La longitud de la media resultante vector sumando todos los b-ejes (Rm_b-ejes) es una
expresión del grado de agrupamiento de los ejes de intersección, como el parámetro de
concentración y el cono de confianza ángulo KA derivada. Estos parámetros de dispersión son
buenas estimaciones del grado de adaptación del gran círculo para la distribución faja. Ellos se
pueden comparar para los mismos datos establecidos para los parámetros de dispersión de las
distribuciones de racimo, con (Rm_poles) como la longitud de la media resultante vector
sumando todos los polos a los planos.

La forma de la distribución se determina mediante la comparación de los parámetros de

dispersión de ambas distribuciones de racimo y la cintura para el mismo conjunto de datos. Una
distribución se considerarán juntos cuando su distribución de polos tienen ejes más largos Rm y
menores ángulos de cono Ka y la confianza que el correspondiente distribución de las B-ejes.
Por el contrario, las distribuciones Faja tienen ejes Rm más largos y menores ángulos de cono
Ka y la confianza para la distribución del eje B en comparación con la correspondiente
distribución de los polos.

Las grandes diferencias entre los parámetros de la distribución de los polos y las B-ejes bien
definidos caracteriza a las agrupaciones y fajas (puros) mientras que los valores similares,
indican que las agrupaciones que contienen fajas débiles o fajas que contienen grupos débiles.
 Win-Tensor User Guide: Statistics Module 4
By Damien Delvaux

Limitación del ángulo de intersección de las distribuciones de la faja

Los ajustes finos se pueden realizar para mejorar la significatividad de los resultados
estadísticos: el uso del factor de ponderación y / o el modo de ponderación diferente, como la
limitación del ángulo de intersección.

Para el cálculo de la B-intersecciones, no podría ser apropiado comparar pares de planos que son
sub-paralelos entre sí y pertenecientes al mismo grupo de los datos estrechamente relacionadas.
En el ejemplo utilizado anteriormente de una superficie cilíndrica plegada, planos de las dos
extremidades del pliegue de computación y orientado lejos unos de otros es probable que dé b-
ejes más fiables que los pares de planos procedentes de la misma extremidad y orientado de
cerca. Puede ser, por tanto, necesario para evitar las intersecciones de cómputo de este último
mediante el establecimiento de un (ángulo límite) ángulo mínimo por debajo del cual no se
considerarán pares de planos. Este ángulo o bien se puede tomar como la media del ángulo del
cono de confianza para la distribución de polos de establecer manualmente.

La aplicación de factor de ponderación y el modo de ponderación

Como se dijo anteriormente, la orientación promedio y dispersión estadística pueden tener en

cuenta el factor de ponderación asociado a cada dato. Si se comprueba la bandera de
ponderación, la longitud del vector unidad (dirección coseno) es simplemente multiplica por el
factor de ponderación.

Se verá en otro lugar que el propio factor de ponderación se puede aplicar en forma diferente
(esto puede ser controlado en las ventanas de diálogo opciones de gráficos). En el modo 1, el
peso dado a los datos en la base de datos se utiliza como un factor multiplicador. En el modo 2,
se utiliza el cuadrado del peso. En el modo 3, el peso se utiliza como el exponente en base 10.
Modo 1 es la más simple de usar y tiene un pequeño efecto sobre los resultados. Se recomienda
cuando no hay una atención particular ha sido puesto en este prólogo durante la recogida de
datos. Modo 2 es conveniente para los datos de error de deslizamiento y cuando la dimensión
del plano de falla medido ha sido expresada por uno de los lados de un cuadrado plano que se
ajustan a la superficie de la falla observada. El modo 3 está especialmente diseñado para los
datos terremoto culpa de deslizamiento, cuando el factor de peso corresponde a la magnitud
Distribución de datos lineales

For linear data, the procedure is exactly similar as with planar data. It uses directly the linear
data instead as converting first the planar data into poles. At the end of the procedure, the results
are converted back into linear data.
Para los datos lineales, el procedimiento es exactamente similar como con los datos planas. Se
utiliza directamente los datos lineales en lugar como convertir primero los datos planas en polos.
Al final del procedimiento, los resultados se convierten de nuevo en datos lineales.

2 / separación de los datos en subconjuntos

La separación de un conjunto de datos heterogéneos establecidos en subconjunto homogéneo se

basa en gran medida en el código de algoritmo y equipo de Huang y Charlesworth (1989).

método de separación

Con conjuntos heterogéneos de datos de orientación, la orientación media y la dispersión de los

datos no se pueden calcular numéricamente usando la media resultante vector R, el parámetro
Ficher concentración KA o la confianza del cono de ángulo tal como se describe por Fisher
 Win-Tensor User Guide: Statistics Module 5
By Damien Delvaux

(1953), Fisher et al. (1987) e implementado por Dzik (1992) y Charlersworth et al. (1989). Si las
concentraciones de datos se pueden observar visualmente en proyección estereográfica que se
pueden separar en subconjuntos homogéneos usando el método de clasificación iterativo
numérico basado en análisis de agrupamiento dinámico desarrollado por Cuelgue y
Charlersworth (1989).

Este método necesita una primera estimación del número de subconjuntos y su orientación.
Después de trazar todas las orientaciones sobre un hemisferio inferior y una identificación visual
de los subconjuntos, se dan las orientaciones medias estimadas de los subconjuntos. Estos
servirán como núcleo de atracción de datos de orientación durante el proceso de separación
iterativo. El número máximo de subconjuntos válidos procedentes de la separación se verá
limitado por el número de estimaciones iniciales. Si un núcleo especificado no atrae a los datos
durante el procedimiento, el subconjunto se considerará como inexistente. Especificando más
subconjuntos que la observada visualmente o especificando las orientaciones iniciales de forma
incorrecta no alterará los resultados de separación.

El uso de los núcleos iniciales, cada uno de los datos de orientación serán asignados al núcleo
apropiada dando el ángulo de desviación más pequeña. El vector de media de cada núcleo se
calcula utilizando las orientaciones simplemente asignados a ellos a fin de obtener una mejor
estimación de su orientación media. Este proceso se repite hasta que cada orientación de datos se
le asigna correctamente a un núcleo y estabiliza el sistema.

Con este método original, hemos añadido un ángulo de cono limitante para limitar la influencia
de atracción de los núcleos.

Aplicación en el módulo de estadísticas

En el panel de Estadísticas de la hoja de trabajo de procesamiento de las listas desplegables siguientes

etiquetas: "Los aviones Subconjuntos" y "Líneas: Los subconjuntos" (.. Fig X.1b) controlan el número de
subconjuntos para la separación de los conjuntos de datos heterogéneos en subconjuntos. Estableciendo
su valor a uno hará que el cálculo de las estadísticas de orientación bases de juegos individuales y
determinar su distribución de clúster o faja. Selección de más subconjuntos (máx. 5) se activará el
procedimiento de separación.

Después de especificar un número de subconjuntos de más de 1, la proyección estereográfica se

actualizará, y una cruz en movimiento aparecerá en el extremo de la flecha de ratón, junto con una
pequeña pequeño círculo rojo que representa la orientación propuesto para el primer núcleo y la una más
grande pequeño círculo de puntos rojos que representan el ángulo del cono limitante. La orientación
actual del puntero se muestra en el cuadro de texto por encima de la zambullida estereograma y los
ángulos de azimut. La orientación del primer núcleo se fija pulsando el botón derecho del ratón. La cruz
en movimiento volverá a aparecer con el segundo núcleo propuesto. hacer clic derecho lo arreglará una y
otra tesis pasos se repiten hasta que se hayan definido todos los núcleos. La separación se lleva a cabo y
los resultados se muestran numéricamente en el área de texto encima de la estereograma con el número
de subconjunto y el símbolo asociado, el número de datos atribuye la orientación estimado del núcleo, la
orientación calculada, el parámetro de concentración Fisher KA y el cono media ángulo de MCA. Los
subgrupos también se muestran en el estereograma con diferentes símbolos para cada

subconjunto, un punto sólido para los datos no atribuido, las orientaciones calculadas y el ángulo del
cono para cada subconjuntos (Fig. X.1.b)
 Win-Tensor User Guide: Statistics Module 6
By Damien Delvaux

Figura X.1b: panel Estadísticas de la Hoja de procesamiento, con estadísticas de orientación

para los subconjuntos separados de los datos seleccionados. Después de la separación en
subconjuntos, el botón "Evaluar Subconjuntos índices" se activa.

Para ilustrar la robustez del método de separación, para los mismos conjuntos de datos iniciales,
definimos un total de 4 núcleos, 3 de ellos en las proximidades de los subconjuntos identificados
pero no en su centro aproximado y el último en un área donde no hay salidas de datos . El
proceso separa correctamente los datos originales en 3 resultados válidos proceso de separación
subconjuntos, casi idénticos a los obtenidos en el período anterior con sólo 3 núcleos iniciales.
El núcleo sucesivamente han atribuido sin datos y dos datos no han sido atribuidos a cualquier
subconjunto, por ser demasiado lejos de los núcleos iniciales, teniendo en cuenta un ángulo de
cono limitante de 30º.

Una vez más, el proceso se puede personalizar mediante el ajuste del ángulo límite y el factor de
ponderación para conjuntos de datos individuales.

Trabajar con índices de subconjunto (recordatorio)

Antes de seguir adelante, puede ser útil recordar el principio general de trabajar con índices de
subconjunto (esto se describe en detalle en el documento de datos de gestión de subconjuntos de
la Guía del usuario de Win-Tensor).

Para un procesamiento eficiente de los datos estructurales para el análisis de tensión estadística o
tectónica, es conveniente agrupar algunos datos seleccionados en subconjuntos, en función de su
tipo (por ejemplo, los planos de estratificación, foliación, fallas, fracturas ...), su agrupación
(este módulo) o su conforme a un tensor de tensiones en particular. Para este propósito, un
Índice de subconjunto se ha introducido.
 Win-Tensor User Guide: Statistics Module 7
By Damien Delvaux

En Win-Tensor, los Índices de subconjunto se definen como un índice asociado a cada fila de
datos en la base de datos, la definición de su pertenencia a un subconjunto. Los índices se
introducen inicialmente en la Hoja de datos como índices de entrada. En la Hoja de trabajo de
procesamiento, los Índices de subconjunto que se transfieren en la única columna editable (con
un color de fondo blanco) y se muestran como índices de trabajo. El subconjunto de grupos de
administrador de los datos en subconjuntos y controla la selección de subconjuntos. Los índices
de subconjunto se componen de una parte de 2 dígitos enteros (de 0 a 99) y una parte decimal de
1 dígito (del 0 al 9) con una coma como separador. La parte entera constituye el mayor (parte de
la) Índice y la parte decimal, el menor (parte de la) Índice).

La evaluación de índices de subconjunto de los datos separada

Después de la separación iterativo en subconjuntos homogéneos, la distancia angular entre la

orientación de los datos y los núcleos calculados para cada subconjunto se muestra en la tabla
de datos en la parte inferior de la hoja de trabajo de procesamiento, por cada fila de datos (Fig.
X.2, columnas etiquetadas Nucl 0,1, Nucl.2, ...). Los datos de orientación se ha asignado a un
subconjunto sobre la base de la distancia angular más pequeña entre su orientación y los
núcleos. Este subconjunto se identifica por un número almacenado en la columna Asignado
subconjunto.

Figura X.2. Cerca de la tabla de datos, hacer zoom en la columna de visualización de la distancia
angular entre cada dato y todos los núcleos calculados, con una columna adicional que contiene
el índice del subconjunto seleccionado.

Una vez que una separación satisfactoria en subconjuntos se ha realizado, la parte decimal de los índices
de subconjunto de trabajo (columna con un fondo blanco) puede ser re-define de acuerdo con la separación
realizada. Esto se puede hacer mediante una llamada al evaluar en cuadro de diálogo de subconjuntos
haciendo clic en el botón Evaluar Índices de subconjunto que ha sido activado después de la separación
(con un círculo en la figura X.1a).

Este cuadro de diálogo (Fig. X.3a) muestra las listas desplegables en lo que se refiere a los subconjuntos
de números que definen la parte decimal de los índices de subconjuntos de que tienen que ser atribuido a
los datos separados. Tenga en cuenta que el rango de aplicación tiene que ser definido antes (selección / y
todos los subconjuntos de datos).
 Win-Tensor User Guide: Statistics Module 8
By Damien Delvaux

Figura X.3.a: cuadro de diálogo Evaluar al subconjunto antes de la aplicación cambiando los
índices de subconjunto empujando el botón Aplicar. b: el mismo cuadro de diálogo después de
evaluar los índices.

Al hacer clic en Aplicar para aviones (o líneas) afectará a la parte menor de los índices
subconjunto de los datos seleccionados. Esto hará que también botones etiquetados "usarla" que
aparezca y también desactivarlo en el botón Aplicar (Fig. X.3b). Empujar en uno de estos
botones de "usarlo", seleccione el índice correspondiente subconjunto menor (parte decimal) de
todos los principales índices de subconjuntos (partes enteras) y anule la selección de los otros,
con el fin de activar sólo los datos del subconjunto seleccionado. Al mismo tiempo, las listas
desplegables dentro del módulo actual se restablecen a 1, proporcionando las estadísticas de
distribución para el subconjunto seleccionado. Esto se puede repetir con el fin de obtener las
estadísticas de todos los subconjuntos separados.

El cuidado debe ser pagado durante esta operación para evitar que los datos ya presentes en los
índices de subconjuntos menores de algunos índices importantes.
 Win-Tensor User Guide: Statistics Module 9
By Damien Delvaux

References

Angelier, J., Manoussis, S., 1980. Classification automatique et distinction des phases
superposées en tectonique de faille. Compte rendus de l’Académie des Sciences de Paris
290(D), 651-654.
Huang, Q., Angelier, J., Mechler, P., 1987. Filtrage et diagrammes d’iso-densité: un apport à
l’analyse de données orientées. Compte rendus de l’Académie des Sciences de Paris
304(II, 8), 377-382.
Charlersworth, H., Cruden, D., Ramsden, J., Huang, Q., 1989. Orient: An interactive Fortran
77 program for processing orientations on a microcomputer. Computer and
Geosciences 15(3), 275-293.
Dzik, D.J., 1992. WATSON : a computer program to calculate principal axis orientation and
confidence cone for unimodal bipolar orientation data. Computer and Geosciences
18(2/3), 367-383.
 Win-Tensor User Guide: Statistics Module 10
By Damien Delvaux

Fisher, N.I., Lewis, T.L., Embleton, B.J.J., 1987. Statistical analysis of spherical data.
Cambridge University Press, Cambridge, 329p.
Fisher, R.A., 1953. Dispersion on a sphere. Proc. Roy. Soc. London. Ser. A, 217, 295-305.
Huang, G., Charlesworth, H., 1989. A FORTRAN-77 program to separate a heterogeneous set
of orientations into subsets. Computer and Geosciences 15, 1-7.
Lisle, R.J. and Leyshon, P.R., 2004. Stereographi projection techniques for Geologists and Civil
Engineers Cambridge University Press, Cambridge, 112p.
 Win-Tensor User Guide: Statistics Module 11
By Damien Delvaux

Cluster distribution

A/ Computed with limiting angle of 30° B/ Intersections for limiting angle of 30°

C/ Intersections for limiting angle of 30° D/ All 406 intersections

Example X.1: orientation statistics of the cluster data subset.

A: 29 poles of planes (black), average orientation of poles (bold small red circle), Confidence Cone
angle (20.2°, solid red small circle), limiting cone angle of 30° (small circle with thin red dots)
and great circle normal to the average orientation (large red dots).
B: Similar as A, with planes represented by dark great circles.
C. Similar as A, with intersection plotted as small dots in orange. Note the good fit between the great
circle and the girdle distribution of the intersections
D. Similar as D, with all 406 intersections (0°) limiting angle.
Limiting angle : 30° Limiting angle : 0°
Orientation statistics of Poles of Planes (n=29) Orientation statistics of Poles of Planes (n=29)
N Data Orient. Rm Ka MCA Distrib. N Data Orient. Rm Ka MCA Distrib
29 Poles 23/151 0,94 15,7 20,2° Cluster 29 Poles 23/151 0,94 15,7 20,2° Cluster
153 b-axes 10/213 0,69 3,2 46,3° 406 b-axes 10/215 0,65 2,9 49,2°
 Win-Tensor User Guide: Statistics Module 12
By Damien Delvaux

Girdle distribution

A/ Computed with limiting angle of 30° B/ Intersections for limiting angle of 30°

C/ Intersections for limiting angle of 30° D/ All 406 intersections

Example X.1: orientation statistics of the cluster data subset.

A: 29 poles of planes (purple), average orientation of b-axes (bold red triangle), Confidence Cone
angle for b-axes (20.2°, solid red small circle), limiting cone angle of 30° (small circle with
thin red dots), and great circle normal to average b-axis fitting the girdle distribution of poles
(large red dots).
B: Similar as A, with planes represented by dark great circles.
C. Similar as A, with intersection plotted as small arrange dots. Note the good fit between the great
circle and the girdle distribution of the intersections
D. Similar as D, with all 406 intersections (0°) limiting angle.
Limiting angle : 30° Limiting angle : 0°
Orientation statistics of Poles of Planes (n=29) Orientation statistics of Poles of Planes (n=29)
N Data Orient. Rm Ka MCA Distrib. N Data Orient. Rm Ka MCA Distrib.
29 Poles 27/160 0,77 4,2 39,8° 29 Poles 27/160 0,77 4,2 39,8°
238 b-axes 27/146 0,98 55,4 10,9° Girdle 406 b-axes 25/147 0,88 8,1 28,7° Girdle
 Win-Tensor User Guide: Statistics Module 13
By Damien Delvaux

Mixed distribution

1653 intersections for 0° limiting angle 1300 intersections for 20° limiting angle
Preferred orientation: Cluster Preferred orientation: Cluster

999 intersections for 30° limiting angle 470 intersections for 50° limiting angle
Preferred orientation: Girdle Preferred orientation: Girdle

30°

Example X.3: orientation statistics of a mixed cluster and girdle data subset.
Mixed data set formed by 29 poles of planes from the cluster data sets used above (black) and 29 poles
from the girdle distribution (purple). Average orientations, Confidence Cone Angle, limiting
cone angle and great circles as above.
This series of stereograms illustrate the effect of the progressive increase of the limiting angle between
pairs of planes for computing the b-axes. The b-intersections are widely dispersed with no or
limited angular limitation (limiting angle < 21°) and the poles are more clustered than the b-
axes. With increasing limitation angle, the b-axes become progressively more clustered and
their clustering surpasses the clustering of the poles. In consequence, the preferred distribution
is cluster when the limiting angle is small, and girdle when it is high (more than 21° in the
present case).
 Win-Tensor User Guide: Statistics Module 14
By Damien Delvaux

Separation into subsets

Limiting angle: 30°

Subset N Estim. Calcul. Rm Ka MCA
(+) 1 : 15 49/210 48/210 0,97 34,5 12,9
(x) 2 : 28 24/148 25/154 0,95 20,1 17,5
(o) 3 : 14 50/082 44/087 0,97 31,7 13,3
Non-attributed data :1

Limiting angle: 30°

Subset N Estim. Calcul. Rm Ka MCA
(+) 1 : 11 75/082 47/084 0,98 45,4 10,9
(x) 2 : 25 52/140 28/142 0,96 23,1 16,2
(o) 3 : 20 50/235 42/209 0,96 21,7 16,6
(^) 4 : 0 56/337
Non-attributed data :2

Example X.4: Orientation statistics of the subsets separated from the mixed cluster and girdle
data subset used in Example X.3.
Mixed data set formed by 29 poles of planes from the cluster data sets used above (black) and 29 poles
from the girdle distribution (purple). Intersection of great circles plotted as small dots in
orange. Average orientations, Confidence Cone Angle, limiting cone angle and great circles as
above. Small blue dotted circles: estimated orientations of the nuclei.