Documente Academic
Documente Profesional
Documente Cultură
Incertidumbre
Conceptos Bsicos: Contenido
Incertidumbre
Riesgo
Anlisis de Riesgo
Decisin
Estadstica de la Muestra
Distribuciones de Probabilidad no Paramtricas
Estadsticas de la Muestra
Influencia del Tamao de Muestra en el clculo de las estadsticas
Estadstica de la Poblacin
Distribuciones de Probabilidad Paramtricas
De la Estadstica de la Muestra a la de la Poblacin Caracterizacin Probabilstica Contenido
Caracterizacin Probabilstica de Variables desde los Datos de la Muestra
Caracterizacin Probabilstica de Variables desde la Opinin de Expertos
CERTIDUMBRE TOTAL
Niveles de Conocimiento
INCERTIDUMBRE
IGNORANCIA TOTAL
El grado de separacin entre nuestro nivel de conocimiento del proceso, y el estado de certidumbre total se
define como nuestro nivel de incertidumbre
Incertidumbre
Incertidumbre Riesgo
Riesgo
El riesgo es un trmino de naturaleza probabilstica, que se define como egresos o prdidas probables
consecuencia de la ocurrencia de un evento no deseado o falla.
Matemticamente el riego asociado a una decisin o la ocurrencia de una falla o evento viene dado por la
expresin:
Ra(t) = pa(t) x ca(t)
Ra(t): Riesgo del evento a en el tiempo t
pa(t): Probabilidad de que ocurra el evento no deseado a en el tiempo t
Ca(t): Consecuencias de la probable ocurrencia del evento no deseado a en el tiempo t
Anlisis de Riesgo
Debilidad: Complejidad
Decisin
Para tomar decisiones hay que prever el futuro, hay que predecir y calcular las consecuencias de cada una de las
posibles acciones.
Decisiones en la Industria del Gas y del Petrleo Marco Referencial
A lo largo de la vida de un activo de produccin se toman muchas decisiones que generan acciones que se
ejecutan sobre el mismo.
La mayora de estas decisiones y acciones y muy especialmente las asociadas a las primeras fases de la
vida del proyecto, influyen en gran medida en la rentabilidad global de un negocio de explotacin de
hidrocarburos.
Las personas encargadas de tomar estas decisiones, fundamentan las mismas en criterios tcnicos,
operativos y financieros; no obstante, el cada vez ms complejo mundo del negocio de los hidrocarburos,
exige ampliar el espectro de criterios que soportan estas decisiones, agregando consideraciones tales
como
Como colofn, este competido ambiente exige adems que las decisiones sean auditables y trazables,
para generar confianza en los inversionistas pblicos y/o privados.
Probabilidad y
Estadstica
Descriptiva
Marco matemtico para predecir el futuro
modelando la experiencia.
Probabilidad y Estadstica
0 P(A) 1
El evento o escenario El evento o escenario
A no se presentar. A se presentar.
Enfoque N
Enfoque Frecuentista Pr(A) lim A
Clsico NT NT
Basada en la historia de
ocurrencias
NA= Numero de observaciones en las que ocurre el evento A
Escuelas de
NT= Numero total de observaciones
Probabilidad
Poblacin: es el conjunto de todos los elementos que son objeto del estudio estadstico.
NOTA: Para seleccionar una muestra deben utilizarse tcnicas de muestreo para que los individuos o
elementos de este subconjunto tengan las caractersticas distintivas de la poblacin; pero que a la vez
representa la heterogeneidad de dicha poblacin respecto a otras caractersticas y atributos.
Muestra Representativa
Para considerar que una muestra es representativa, la misma debe ser:
Robusta: La muestra contiene la cantidad suficiente de datos para que se puedan hacer inferencias
vlidas y minimizar el margen de error.
Fidedigna: Los elementos de la muestra reproducen la realidad de los procesos y variables bajo
anlisis; es decir, los atributos del dato son coherentes y corresponden a las condiciones y
caractersticas del proceso.
Justa (sin sesgo): La muestra debe tener elementos de todas las reas del proceso, para
representar adecuadamente su heterogeneidad.
Estandarizada: Los datos de la muestra deben tener atributos y formato predefinido para reducir
inconsistencias.
Ejemplos de Clculos de nA
Pr( A ) = lim nA: Nmero de veces que se observa el evento
Probabilidad: n n A
n: Nmero total de observaciones o tamao
de muestra
En los ltimos 3 aos, se han perforado 100 pozos Probabilidad de Completar el Nuevo Pozo en el
en campos similares geolgica y estructuralmente Objetivo Geolgico planeado (Evento A):
al campo en el cual se perforar el Pozo LM 85
14022003. Adicionalmente se ha comprobado que Pr( A ) = = 0.85
100
los pozos perforados son mecnica y Probabilidad de Completar el Pozo en un Objetivo
tecnolgicamente equivalentes al nuevo pozo. Geolgico distinto al planeado (Evento B):
MUESTRA # 1 MUESTRA # 2
valor xi .083
.042
Variables Aleatorias Discretas: Son variables aleatorias que slo pueden tomar valores enteros, es
decir, un nmero finito de valores contables.
Variables Aleatorias Continuas: Son variables aleatorias que pueden tomar infinitos valores en un
intervalo dado.
Las variables aleatorias discretas se identifican y diferencian de las continuas, porque para cuantificar
su frecuencia hay que contar, mientras que para las variables aleatorias continuas hay que medir.
Distribuciones de Probabilidad
Las Distribuciones de Probabilidad, son modelos grficos que relacionan los diversos probables
valores que puede tomar una variable aleatoria, ramdon o distribuida, con la frecuencia de ocurrencia
de cada uno de estos probables valores.
Las Distribuciones de Probabilidad se clasifican en dos familias:
Distribuciones de la Muestra (Histogramas de Frecuencia)
Distribuciones de la Poblacin (Distribuciones o Modelos Paramtricos)
x x
Estadstica de la Muestra
Estadstica de la Muestra - Distribuciones de Probabilidad de la Muestra
Histogramas de Frecuencias
Es un tipo de grfico que agrupa un conjunto de datos de una variable aleatoria, de forma tal que
puedan apreciarse el comportamiento de la frecuencia de repeticin de los mismos
En un histograma pueden observarse los siguientes aspectos:
.- La forma en que estn distribuidos los mismos (comportamiento de la frecuencia de repeticin)
.- El grado de dispersin,
.- Los valores con mas alta probabilidad de ocurrencia. Histograma de Frecuencia
0.35
0.3
0.25
Frecuencia 0.2
0.15
0.1
0.05
0
9.1 - 9.4 9.4 - 9.7 9.7 10.0 10.0 10.3 10.3 10.6 10.6 10.9
Clases
Estadstica de la Muestra - Distribuciones de Probabilidad de la Muestra
Tipos de Histogramas de Frecuencias 0.35
Histograma de Frecuencia
0.3 El histogram
preguntas
0.25
Frecuencia
Cul es la
0.2
valor xi?
0.15
Histogramas de Frecuencias
Cul es el
0.1 probabilida
0.05
De qu m
0 X?
9.1 - 9.4 9.4 - 9.7 9.7 10.0 10.0 10.3 10.3 10.6 10.6 10.9
Clases
Frecuencias Frecuencias
1.2
Probabilidad Acumulada
Relativas Acumuladas 0.8
0.6
0.4
0.2
0
9.1 - 9.4 9.4 - 9.7 9.7 10.0 10.0 10.3 10.3 10.6 10.6 10.9
Directas Inversas
Aceleracin de Gravedad (mts/seg2)
Probabilidad Acumulada
1
0.8
0.6
0.4
0.2
0
Lectura Complementaria No 1 - Extracto Tomo I. Disciplinas (pg 62 - 66 ) - 9.1 - 9.4 9.4 - 9.7 9.7 10.0 10.0 10.3 10.3 10.6 10.6 10.9
OBLIGATORIA Aceleracin de Gravedad (mts/seg2)
Estadstica de la Muestra Estadsticas de uso frecuente
1 n 1 n 2
X = xi s . xi X .
n i 1 n 1 i 1
Percentiles 0.9
Estadstica de la Poblacin
Estadstica de la Poblacin - Distribuciones de Probabilidad Paramtricas
Una distribucin de probabilidad paramtrica es una funcin matemtica terica, que describe la
forma en que se espera que varen los probables valores de una variable random, es decir, una
funcin matemtica que relaciona los diversos probables valores que puede tomar una variable
random con la probabilidad de ocurrencia de cada uno de ellos.
f(x i)
f(x)
xi X
Estadstica de la Poblacin - Distribuciones de Probabilidad Paramtricas - Formatos
Al igual que para los histogramas de frecuencia, existen dos formatos para cada distribucin paramtrica, el formato
de frecuencia relativa o densidad y el formato acumulado.
INTERPRETACIN:
F(xi)=Pr(x xi)
F( x ) 0.5
INTERPRETACIN:
F(xi) PROBABILIDAD DE OBSERVAR VALORES xi
0
xi
C(xi)=Pr(x xi)
C(x)=1-F(x)
INTERPRETACIN:
1
C(xi)
F(x)
xi
C(x)
Pr( x xi ) C( xi ) 1 f ( x )dx f ( x )dx
F(xi) xi
0
X
xi
Estadstica de la Poblacin - Distribuciones de Probabilidad Paramtricas - Estadsticas
=Desviacion estandar
(Medida de la dispersion incertidumbre
asociada a la variable)
XM X
XL=5% XU=95%
LIMITE LIMITE
INFERIOR 90 % INTERVALO DE SUPERIOR
Pr(X< XL)=0.05 CONFIANZA Pr(X< XU)=0.95
Pr(L<X<U)=0.9
f(x) f(x)
x m x 50 % X xm X
x50%
m=media; xm: moda; x50%: mediana
x.f ( x )dx f ( x )
x mediana
E( X )
0 p( X xmediana ) f ( x )dx 0.50
x x xm
Estadstica de la Poblacin - Distribuciones de Probabilidad Paramtricas Estadsticas
Medidas de Dispersin (Desviacin Estndar)
1
2
( x ) .f ( x )dx
2
Estadstica de la Poblacin - Distribuciones de Probabilidad Paramtricas Estadsticas
Percentiles Estadsticos
x X
Estadstica de la Poblacin - Distribuciones de Probabilidad Paramtricas Estadsticas
Intervalos de Confianza
f(x)
Distribucin Normal
Distribucin Lognormal
Distribucin Exponencial Distribucin Binomial
Variables Variables Distribucin de Poisson
Distribucin de Weibull
Aleatorias Aleatorias
Continuas Distribucin Beta Discretas Dist. Hipergonomtrica
Distribucin Triangular
Distribucin Uniforme
x x
1 n
Media de la Muestra X = xi
n i 1
Media de la Poblacin x.f ( x )dx
1
1 n
2
. xi X .
2
Muestra SD s Poblacin SD ( x )2 .f ( x )dx
n 1 i 1
De la Estadstica de la Muestra a la Estadstica de la Poblacin
Caracterizacin Probabilstica de Variables Test de Bondad de Ajuste
Test de Chi Cuadrado
Estas pruebas consideran las siguientes
.158 Hiptesis etapas:
(Modelo
Matemtico) Valor del Test
.119 Etapa 1: Graficar cada una de las curvas de las
distribuciones hiptesis tericas, con el
.079 Histograma
de los datos histograma de los datos de la muestra.
.040
Etapa 2: Calcular para cada distribucin
hiptesis el valor llamado valor del test y
.000 compararlo contra el valor llamado valor
4 8 12 15 crtico.
Test de Kolmogorov-Smirnov / Anderson Darling Etapa 3: Si el valor del test es menor que el
1.00 valor crtico entonces la distribucin hipottica
se considera un buen ajuste y la hiptesis no es
.750 rechazada. Si por el contrario, el valor del test
es mayor que el valor crtico, la hiptesis se
.50
rechaza.
Valor del Test
.25
Para cada Nivel de Confianza (),existe un
Valor Crtico.
.00 Si el Valor del Test < Valor Crtico
La Hiptesis es aceptada, de lo contrario se
4 8 12 15
Rechaza.
De la Estadstica de la Muestra a la Estadstica de la Poblacin
Caracterizacin Probabilstica de Variables Hiptesis Sugeridas
Variables
Variables
Variables Fsicas
Fsicas
Fsicas
Variables Fsicas
VariablesRelacionadas
Variables
Variables Relacionadascon
Relacionadas con
con Tiempo
Tiempo
Tiempo Variablespor
Variables
Variables por
por Opinin
Opinin
Opinin Expertos
Expertos
Expertos
Variables Relacionadas con Tiempo Variables por Opinin
Beta Expertos
BetaPert
Pert
Beta Pert
Beta Pert
Caracterizacin probabilstica de la
muestra o Cmo seleccionar el modelo
de distribucin de probabilidad para una
muestra dada?
De la Estadstica de la Muestra a la Estadstica de la Poblacin
Caracterizacin Probabilstica de Variables Muestras Grandes (n>15)
Caracterizacin probabilstica de la muestra o Cmo seleccionar el modelo de distribucin de probabilidad para una
muestra dada?
f(x)
9
f
8
F 1( X ,1 , 2 ) Fm ( X , 1 , 2 ) F 2( X ,1 , 2 )
6
Muestra x
1
F(x)
0
F
F(x)
1.2
1 1.2
X1
0.8
0.6 1
0.4
X2
0.2
x
0.8
0
0.064-0.086 0.086-0.108 0.108-0.13 0.13-0.152 0.152-0.174 0.174-0.196 0.196-0.218 0.218-0.24
0.6
X3
Establecer Distribucin de
0.4
X4
Probabilidad Hiptesis
0.2
. 0
0.064-0.086 0.086-0.108 0.108-0.13 0.13-0.152 0.152-0.174 0.174-0.196 0.196-0.218 0.218-0.24 X
. Test de Bondad de Ajuste
. f1 ( x,1 , 2 )
Hiptesis 1
Xn F1 ( x,1 , 2 )
n= nmero de datos f2 ( x,1 , 2 )
de la muestra o
tamao de muestra
Hiptesis 2
F2 ( x,1 , 2 ) F(2 X ,1 , 2 )
fm ( x, 1 , 2 ) Es el mejor ajuste para los Datos
Hiptesis m
Fm ( x, 1 , 2 ) de la Muestra
De la Estadstica de la Muestra a la Estadstica de la Poblacin
Caracterizacin Probabilstica de Variables Muestras Grandes (n>15) Ejemplo No 4
La tabla que se muestra a continuacin, muestra los valores de Costos de Perforacin de 30 pozos de un
yacimiento de petrleo. Se requiere:
Consultar Lectura No 4 Procedimiento para caracterizar variables Ver Ejemplo No 4 Caracterizacin Probabilista de Variables (Costos de
apoyados en Crystal Ball.pdf Perforacin).xls
De la Estadstica de la
Muestra a la de la Poblacin
La opinin de expertos representa una de las fuentes fundamentales de informacin para clculos en ingeniera y
es particularmente til cuando se trata de anlisis de riesgo.
Los expertos poseen valiossima informacin sobre las variables y su incertidumbre normalmente sustentada en la
observacin y experiencia con procesos similares.
El procedimiento para aprovechar la opinin de expertos como fuente de informacin puede dividirse en dos
reas:
1.- Tcnicas de Entrevistas del Experto o Grupo de Expertos, tales como el Mtodo de Delphi, que permite
obtener la opinin de expertos, documentarla y reducir su subjetividad.
2.- Tcnicas Matemticas para Modelar la Opinin; lo que implica:
Uso de Distribuciones de Probabilidad como BetaPert, LogNormal, Triangular y Uniforme para modelar la
opinin.
Teorema de Bayes; como mtodo matemtico para combinar la opinin de expertos, con evidencia o datos
propios.
De la Estadstica de la Muestra a la Estadstica de la Poblacin -
Caracterizacin Probabilstica de Variables desde la Opinin de Expertos
f(X
) )
Caso 1: Distribucin BetaPert: Se utiliza para representar
probabilsticamente la opinin de expertos en los siguientes casos:
0,45
0,4
0,35
0,3
La opinin del experto viene expresada en tres valores; un 0,25
0.00350
Probability
0.00200
haber un valor mas probable pero no puede estimarlo. 0.00150
0.00100
0.00000
una variable relacionada con tiempo. 0 0.1 0.2 0.3 0.4 0.5 0.6
X 5% X MIN X
X 95% X MAX
EXPERTO
De la Estadstica de la Muestra a la Estadstica de la Poblacin - Mnimo valor posible de la variab
Caracterizacin Probabilstica de Variables desde la Opinin de Expertos
EXPERTO Valor mas probable de la variabl
Mximo valor posible de la varia
f(x)
Caso 3: Distribucin Triangular: Se utiliza para representar
probabilsticamente la opinin de expertos en los siguientes casos:
La variable que se esta representando es una variable relacionada xmin xmprob. xmax X
con precios o costos.
EXPERTO
De la Estadstica de la Muestra a la Estadstica de la Poblacin -
Caracterizacin Probabilstica de Variables desde la Opinin de Expertos Ejemplo No 5
En la siguiente tabla se presentan los estimados realizados por expertos de Geociencias de los probables valores
para la variable Espesor Neto (h) o Arena Neta Petrolfera (ANP).
Ntese que estimacin del rea, est dada por tres valores (Un mximo, un mnimo y un ms probable)
Con esta informacin conteste las siguientes preguntas:
1.- Qu distribucin de probabilidades puede usarse para representar dicha variable? Justifique su seleccin.
h (pies)
19 34 150
Despus de un anlisis del comportamiento de produccin del yacimiento en el Campo XRM, el Ing. de
Yacimientos a cargo expresa su estimacin sobre la declinacin del mencionado yacimiento, tal como se muestra
en la tabla siguiente:
Ntese que la estimacin de la Velocidad de Declinacin, est dada por dos valores (un mximo y un mnimo).
Con esta informacin conteste las siguientes preguntas:
1.- Qu distribucin de probabilidades puede usarse para representar dicha variable? Justifique su seleccin.
Paso 3: Utilizando las facilidades de Excel explicadas en la Lectura No. 2, construya un histograma de frecuencias
relativas con los datos de la muestra y determine a partir del grfico, el Valor Moda o Valor Ms Probable.
Paso 4: Con los tres valores previamente calculados, construya una Distribucin BetaPert.
Paso 1: A partir de los datos de la muestra y utilizando la funcin PERCENTIL de Excel, calcule los Percentiles 5%
y 95% (P5% y P95%).
Paso 2: Con los dos valores previamente calculados, construya una Distribucin LogNormal.
Vecinos % Declinacion
Pozo 1 17.30%
Pozo 2 15.80%
Pozo 3 17.00%
Pozo 4 14.20%
Pozo 5 10.70%
Pozo 6 20.70%
Pozo 7 19.50%
Pozo 8 25.20%
Pozo 9 46.90%
Pozo 10 27.70%
L( X )g ( )
f ( / X )
Teorema de Bayes
L( X )g ( )d
De la Estadstica de la Muestra a la Estadstica de la Poblacin
Caracterizacin Probabilstica de Variables Muestras Pequeas (n<6)
Teorema de Bayes
f X
L X g
Teorema de Bayes
L X g d
1 2
X
L Evidencia g Genrica o Anloga
Virtud: Representativa Virtud: Robusta
Defecto: Poco Robusta Defecto: Poco Representativa
De la Estadstica de la Muestra a la Estadstica de la Poblacin
Caracterizacin Probabilstica de Muestras Pequeas (n<6) - Teorema de Bayes
Datos Anlogos u Opinin de Expertos
1 Informacin Previa
Distribucin Beta-Pert p 4 p pHIGT
LOW
Probabilidad de Fracaso p
0.00200
0.00180
0.00160
6 CASO 1: Teorema de Bayes
pHIGT pLOW
aplicado a la estimacin de
0.00140
Probability
X1 x
Trials (nPREVIA) 0.00080
6
la Probabilidad de xito o
0.00060
X2
0.00000
X4
fracaso
x
p pHIGT pLOW
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
. Probabilidad de Fracaso
.
pLOW p pHIGHT Prior Distribution
.
p
Xi x
HIGT
pLOW
pLOW p pHIGHT
0.00250
0.00200
0.00100
Esta aplicacin ha sido particularmente valiosa y exitosamente aplicada en la Industria del Gas y del Petrleo en
situaciones tales como:
Clculo de la Probabilidad de xito de una nueva tecnologa, es decir, tecnologas en fase de maduracin.
Clculo de la probabilidad de xito de tcnicas de recuperacin mejorada, para combinar los resultados de las
pruebas de campo con informacin anloga recolectada en otras partes del mundo.
Administracin de la
Incertidumbre como
principal elemento en
la mitigacin de Riesgo
Administracin de la
Incertidumbre
Administrar incertidumbre es el arte de tomar
decisiones cuantificando aquello que no se observa a
simple vista, evaluando su impacto en el modelo de
decisin y mejorando nuestro nivel de conocimiento
cuando ello es tcnicamente factible, econmicamente
rentable y presupuestariamente viable.
Incertidumbre
Del nivel de
conocimiento de De los modelos
Sistemas / Procesos Matemticos
De donde viene la
Del comportamiento
Incertidumbre ?
Humano
De la variabilidad De comportamientos
inherente de Aleatorios
Sistemas / Procesos
De la heterogeneidad
de los Sistemas
Fuentes de Incertidumbre en la industria del Gas y del Petrleo
1.- Hay un Yacimiento de Hidrocarburo ?
Trampa
Roca Fuente
Prospecto Migracin Incertidumbre Geolgica
Sello
Productividad
Reservas Probadas
RESERVAS Reservas Probables
Fr Reservas Posibles
Reservas por descubrir
Fuentes de Incertidumbre en la industria del Gas y del Petrleo
4.- Cules son los mecanismos de produccin asociados a esa extraccin?
Tipo de Completacn
Incertidumbre de
Tcnicas de Tecnologa de Perforacin,
Produccin
Perforacin Tiempo de Perforacin
Incertidumbres Operacionales.
Alto Riesgo
Ignorarla y
Alto Impacto
Dependencia del Factor Suerte
Decidir
Ambiente Reactivo
Sub o Sobre Dimensionamiento
GAP DE OPCIONES
Estimar Reducir
Dimensionar Impacto Incertidumbre
Incertidumbre Incertidumbre Tcnicamente Factible
Data - Modelo sobre Modelo de y Econmicamente
Toma de Decisiones Rentable
Valor de la Informacin
Dimensionamiento
de la
Incertidumbre
Administracin de la Incertidumbre
Estimar Reducir
Dimensionar Impacto Incertidumbre
Incertidumbre Incertidumbre Tcnicamente Factible
Data - Modelo sobre Modelo de y Econmicamente
Toma de Decisiones Rentable
Dimensionamiento de la Incertidumbre Operaciones con Variables Aleatorias
Variables de Entrada Modelo Variable de Salida
(Informacin) (Informacin) (Variable de decisin)
,083
,062
E
(A+B+C)
E= ,041
D ,021
,000
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
1,000
,750
E
,500
,250
,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
1.000 Trials
F(X1) Forecast: Prueba
Algoritmo
,250 250 ,250 250 ,250 250
-1,29 1,71 4,71 7,70 10,70 -1,29 1,71 4,71 7,70 10,70 -1,29 1,71 4,71 7,70 10,70
Si
j< m ? j = j+1
f(Y)
No
Con los mvalores calculados de Yj (desde Y1 hasta Ym) construir un
histograma de frecuencias y realizar una prueba de bondad de ajuste para
definir el modelo de distribucin de probabilidad que mejor ajusta al
0,00 20,00 40,00 60,00 80,00
histograma.
Dimensionamiento de la Incertidumbre Operaciones con Variables Aleatorias
Ejemplo No 9
Se propone realizar un Mantenimiento Nivel B y el equipo de ingenieros necesita estimar el tiempo total de la
actividad, con la finalidad de optimizar la programacin de recursos.
Suponga que para realizar este nivel de mantenimiento se realizan tres actividades bsicas (Act.1,Act.2,Act.3). En
las siguientes tablas se presentan los tiempos para cada una de las actividades, a partir de dos fuentes de
informacin, datos histricos de pozos de estructura similar y opinin de expertos.
Act.1 Act.2
12,805 Mnimo 4
Con esta informacin conteste las siguientes preguntas:
11,603 Mas Probable 10
12,634 Mximo 17 1.- Cul es la probabilidad que el mantenimiento se complete
10,243
6,572
antes de 30 das.
15,218
Act.3
14,397 Mnimo 2 2.- Si tuviese que suministrar sus estimados sobre el Tiempo
17,782
25,959
Mas Probable
Mximo
8
32
para realizar un Mantenimiento Nivel B" , cual sera su respuesta
19,044 . Justifquela
19,926
19,311
19,578
18,365
9,778
15,345
11,222 Consultar Lectura No 9- Procedimiento para efectuar Operaciones con Variables
18,483 Random apoyados en Crystal Ball
14,091 Ver Ejemplo No 9 Operacin con Variables (Tiempo Actividad).xls
11,778
Dimensionamiento de la Incertidumbre Operaciones con Variables Aleatorias
Ejemplo No 9 - Solucin
Modelo Matemtico
Caracterizacin Probabilstica de las
Variables de Entrada TT t ACT 1 t ACT 2 t ACT 3
Actividad No 1
Actividad No 2
Actividad No 3
Se recopilaron datos de las diversas variables necesarias para estimar el Gasto de produccin de un nuevo pozo a
perforar; para lo cual se recolectaron los resultados de algunos registros tomados en "pozos vecinos", y la opinin de
expertos en el yacimiento bajo anlisis. El Modelo de afluencia a seguir es el planteado por Darcy:
Lectura No.11: Simulacin de Montecarlo Qo Ver Ejemplo No. 11 Simulacin de Montecarlo - Qo.xls
Dimensionamiento de la Incertidumbre Operaciones con Variables Aleatorias
Ejemplo No 11 Estimacin de la Produccin Inicial de un Pozo
Pozos H Pwf Pe Permeabilidad Viscosidad Dao
Pozo 1 25 600 1200 300 220 -2
Pozo 2 30 650 1111 310 220 -1
Pozo 3 43 700 1110 400 220 0.5
Pozo 4 18 640 1125 298 240 -3
Pozo 5 16 620 1350 350 220 2
Pozo 6 22 610 1400 345 230 1
Pozo 7 35 600 1345 356 220 1 Pozo 1 Pozo 2 Nuevo Pozo
Pozo 8 38 650 1234 367 240 2
Dao
50.00 162.50 275.00 387.50 500.00
Dimensionamiento de la Incertidumbre Operaciones con Variables Aleatorias
Dependencia Probabilstica y Factores de Correlacin
Se dice que dos variables aleatorias o distribuidas tienen dependencia probabilstica o estn correlacionadas si existe una relacin
monotnica entre ambas. Una relacin monotnica entre dos variables existe cuando cualquier incremento en una de las variables
esta invariablemente asociada con un incremento o decrecimiento en la otra variable.
Para detectar la posible existencia de correlacin entre dos variables X y Y, se grafican los valores de las muestras
independientemente colectadas de ambas variables, para identificar si existe algn tipo de tendencia.
Algunos ejemplos de correlaciones entre variables que la experiencia ha permitido detectar son los siguientes
Y
Y
0 1 0
15 20 25 30 35 40 0 500 1000 1500 2000 2500 0 200 400 600 800 1000 1200 1400
X X X
Dimensionamiento de la Incertidumbre Operaciones con Variables Aleatorias
Dependencia Probabilstica y Factores de Correlacin
Factor de Correlacin: La intensidad de la dependencia probabilstica se mide con un indicador estadstico
conocido como Factor de Correlacin, cuyos valores varan entre -1 y 1.
La correlacin entre variables que son dbiles no afecta el resultado del modelo de simulacin, ms an
moderadas y altas correlaciones pueden producir un error significante si este no es considerado explcitamente en
el modelo de simulacin.
Dimensionamiento de la Incertidumbre Operaciones con Variables Aleatorias
Dependencia Probabilstica y Factores de Correlacin Ejemplo No 12
Porosidad - Fraccin Sw - Fraccin
Correlaciones Probabilsticas en la
Simulacin de Montecarlo
L1 : H m1 xSw b1
Mtodo del Sobre 0,26
0,24 L2 : L m2 xSw b2
H i
0,22
0,2
L
0,18
i 0,16
0,14
0,12
0,12 0,17 0,22 0,27 Sw
Sw i
Correlaciones Probabilsticas en la
Simulacin de Montecarlo
1. Apropiada seleccin de las distribuciones que caracterizan las variables de entrada y los parmetros del
modelo.
3. Verificar la dependencia probabilstica entre las variables y considerar los correspondientes factores de
correlacin.
4. Modelar las variables probabilsticamente una sola vez en todas las etapas del desarrollo del modelo.
Estimar Reducir
Dimensionar Impacto Incertidumbre
Incertidumbre Incertidumbre Tcnicamente Factible
Data - Modelo sobre Modelo de y Econmicamente
Toma de Decisiones Rentable
Valor de la Informacin
Estimacin del Impacto de la Incertidumbre Anlisis de Sensibilidad
El anlisis de sensibilidad permite cuantificar la contribucin relativa de cada una de las variables aleatorias de
entrada a un modelo, a la dispersin o varianza del resultado o variable de salida del modelo. Obviamente es un
procedimiento que debe realizarse despus de haber completado la propagacin de incertidumbre ya sea por el
Mtodo de los Momentos o por Simulacin de Montecarlo.
Este anlisis es de vital importancia para gerenciar la incertidumbre ya que permite identificar las variables de
entrada al modelo en las que debe centrarse la atencin y tomar las acciones necesarias (compra de informacin,
toma de datos, anlisis causa raz, etc) para mejorar el nivel de conocimiento sobre las mismas, (de ser
tcnicamente factible y econmicamente rentable), porque solo as se lograr reducir la incertidumbre de la variable
de salida.
Existen diversos tipos de anlisis de sensibilidad, cada uno de los cuales tiene un grfico de resultados
caracterstico. En los siguientes puntos se ampliar en detalles los tipos de anlisis de sensibilidad mas conocidos.
Variables Sensibles del Proceso
Identificar
Anlisis de
Sensibilidad
Dagramas de
Sensibilidad Tipo II Tornado
Sensibilidad de la Variable de Salida a
la posicin de la MeDa de las
Variables de Entrada Dagramas de
Araa
Estimacin del Impacto de la Incertidumbre Anlisis de Sensibilidad Tipos
Anlisis de Sensibilidad por Contribucin a la Varianza
% Contribucin a la Varianza de Y
X1
X3
X2
Xn
En este diagrama la contribucin de cada variable de entrada a la dispersin de la variable de salida se cuantifica
a travs del calculo del Coeficiente de Correlacin por Ranking o Coeficiente de Spearman entre cada una de las
variables de entrada.
CovRank ( X i ,Y )
r( X i ,Y ) Coeficiente de Spearman
RankX i . RankY
RankX i
1 m
Rank ( X ij ) RankX i 2 RankX i
1 m
Rank ( X ij )
1 m
CovRank ( X i ,Y ) Rank ( X ij ) RankX i Rank (Y j ) RankY m j 1 m j 1
m j 1 m
2
1 m
RankY
1 Rank (Y j ) RankY RankY Rank(Y j )
m j 1 m j 1
TORNADO POES
ANP .93
Porosidad .77
Saturacin -.70
Bo -.12
Area .11
-1 -0.5 0 0.5 1
Correlacin por Ranking
Estimacin del Impacto de la Incertidumbre Anlisis de Sensibilidad Tipos
Anlisis de Sensibilidad Diagrama de Tornado
asumiendo que todos las dems permanecen sin 0,0000 20,0000 40,0000 60,0000 80,0000
alteracin alguna.
ANP (Pies) 26,5085 88,9662
valor mximo que puede seleccionarse como su percentil POES MONTECARLO Input
El Grfico de Araa, es una herramienta muy til que representa exactamente los mismos resultados del
Diagrama de Tornado, pero empleando una representacin grfica diferente.
PARTE 3: Realizar el Anlisis de Sensibilidad de la Cuota Inicial (Qo(bpd)) - Correlacin por Ranking.
Estimar Reducir
Dimensionar Impacto Incertidumbre
Incertidumbre Incertidumbre Tcnicamente Factible
Data - Modelo sobre Modelo de y Econmicamente
Toma de Decisiones Rentable
Administracin de la Incertidumbre Reduccin de la Incertidumbre
$
Costo Informacin
Incertidumbre
Se justifica la compra de informacin.
Si Reduccin del Riesgo asociada a la reduccin del Nivel de Incertidumbre <
Costo Informacin
Costo de la
No se justifica la compra de informacin.
Informacin
Modelo Probabilstico
de pozos
Modelos Probabilstico de Pozos
p1=84%
Intento= 1 p1=probabilidad de 40.00 45.00 50.00 55.00
.087
Distribucin Probabilstica de la Qoi(superficie)
Q(t)
Qoi(superficie)= 1233.63 bpd
.065
Binomial 2 % de Prdidas por Friccin
Probabilidad
.043
100
Qo
p2.p3=13.76%
Intento= 1 .022
Q1
Q Lreal Q Kplan
Q oi (fondo)=2499.8 bpd
.084
.000 Funci n de Dens idad
%Desv2
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
p3=probabilidad de QKplan .042
) x( e Fd .t )
completar en otro objetivo
Qt ( Q 0Q(t)=Q
.021
-Fd.t
oe
p2=probabilidad de
.000
no alcanzar el objetivo 610.25 1917.36 3224.46 4531.57 5838.67
F d: Facto r d e Declinaci n
p2=16% p4=probabilidad de
abandono % Factor de Declinacin
p4=14%
-100%
t=0 t=1 t=2 t=3
2 0.0 0 2 2.5 0 2 5.0 0 2 7.5 0 3 0.0 0
Pronstico de Produccin
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)
Evaluacin Econmica
Produccin Inicial o Gasto Inicial
Dao
50.00 162.50 275.00 387.50 500.00
Produccin Inicial o Gasto Inicial
Para la estimacin probabilstica de la Produccin Inicial de un Pozo, deben utilizarse ecuaciones de afluencia
apropiadas, considerando la configuracin del pozo y las condiciones del yacimiento. Entre las mas utilizadas se
tienen:
Pozos productor de Aceite:
Ecuacin de Vogel
Ecuacin de Vogel (Pb<Pws)
Ecuacin de Darcy
Ecuacin de Darcy Modificado para Yacimientos Naturalmente Fracturados
Ecuacin de Babu and Obeh (Pozos Horizontales)
Ecuacin de Joshi (Anisotrpico para pozos Horizontales)
Pozos productor de Gas
Modelo de Pozo Modelos de Calculo Gasto Inicial
Vertical Fracturado Selectivo
Modelo para Gasto en Estados Estable para Fracturamiento Hidrulico - Ecuacin de M. Economides
Vertical Commingled Fracturado
Modelo para Produccin Commingled de Arenas Fracturadas
Horizontal con Fractura
Modelo para Caudal en Estados Estable - Pozo Horizontal con Fractura - Ecuacin de Joshi
Vertical Yac. Naturalmente Fracturados
Modelo para Caudal en Estado Estable para Yacimientos Naturalmente Fracturados - Pozo Vertical
Horizontal Yac. Naturalmente Fracturados Modelo para Caudal en Estado Estable para Yacimientos Naturalmente Fracturados - Pozo Horizantal
Produccin Inicial o Gasto Inicial
Ejm: Pozo de Gas - Vertical Fracturado
re
703 .10 6 .K .h .( Ps 2 Pwf 2 )
T:
Qsc
0.472 .re
g .Z .T .ln Sf
Kg:
538.00 577.33
Z:
616.67 656.00 rw
Percentiles Qo
Percentile (MMPCGD)
0% 0.78
10% 1.32
0.12 0.15 0.18 0.22 0.25 0.28 0.92 0.94 0.96 0.99 1.01 1.03 20% 1.48
30% 1.62
Pr: g:
40% 1.75
50% 1.89
60% 2.03
70% 2.19
80% 2.4
90% 2.68
100% 4.82
2,200.00 3,800.00 0.02 0.02 0.02 0.02 0.02 0.02
p1=84%
Intento= 1 p1=probabilidad de 40.00 45.00 50.00 55.00
.087
Distribucin Probabilstica de la Qoi(superficie)
Q(t)
Qoi(superficie)= 1233.63 bpd
.065
Binomial 2 % de Prdidas por Friccin
Probabilidad
.043
100
Qo
p2.p3=13.76%
Intento= 1 .022
Q1
Q Lreal Q Kplan
Q oi (fondo)=2499.8 bpd
.084
.000 Funci n de Dens idad
%Desv2
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
p3=probabilidad de QKplan .042
) x( e Fd .t )
completar en otro objetivo
Qt ( Q 0Q(t)=Q
.021
-Fd.t
oe
p2=probabilidad de
.000
no alcanzar el objetivo 610.25 1917.36 3224.46 4531.57 5838.67
F d: Facto r d e Declinaci n
p2=16% p4=probabilidad de
abandono % Factor de Declinacin
p4=14%
-100%
t=0 t=1 t=2 t=3
2 0.0 0 2 2.5 0 2 5.0 0 2 7.5 0 3 0.0 0
Pronstico de Produccin
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)
Evaluacin Econmica
Probabilidad de xito de la Actividad
Binomial 1
p1=84%
Intento= 1 p1=probabilidad de
alcanzar el objetivo
Distribucin Probabilstica
.087
Qoi(s
.065
Binomial 2
Probabilidad
.043
p2.p3=13.76%
.022
Intento= 1
Q Lreal Q Kplan .000
%Desv2
142.51 811.75 1480.9
p3=probabilidad de QKplan
p2=probabilidad de completar en otro objetivo
no alcanzar el objetivo
Q
-100.00 -43.75 12.50 68.75 125.00
F d: Facto r d e De
p2=16% p4=probabilidad de
abandono % Factor de Declinacin
p4=14%
-100%
2 0.0 0 2 2.5 0 2 5.0 0
Pronostico de Produccin
p1=84%
Intento= 1 p1=probabilidad de 40.00 45.00 50.00 55.00
.087
Distribucin Probabilstica de la Qoi(superficie)
Q(t)
Qoi(superficie)= 1233.63 bpd
.065
Binomial 2 % de Prdidas por Friccin
Probabilidad
.043
100
Qo
p2.p3=13.76%
Intento= 1 .022
Q1
Q Lreal Q Kplan
Q oi (fondo)=2499.8 bpd
.084
.000 Funci n de Dens idad
%Desv2
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
p3=probabilidad de QKplan .042
) x( e Fd .t )
completar en otro objetivo
Qt ( Q 0Q(t)=Q
.021
-Fd.t
oe
p2=probabilidad de
.000
no alcanzar el objetivo 610.25 1917.36 3224.46 4531.57 5838.67
F d: Facto r d e Declinaci n
p2=16% p4=probabilidad de
abandono % Factor de Declinacin
p4=14%
-100%
t=0 t=1 t=2 t=3
2 0.0 0 2 2.5 0 2 5.0 0 2 7.5 0 3 0.0 0
Pronstico de Produccin
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)
Evaluacin Econmica
Pronstico de Produccin
El Pronstico Estocstico de Produccin en el ciclo de vida til del pozo se obtiene a partir de una tasa inicial de
tipo probabilstica, que declinada a una velocidad equivalente al factor (D), se convierte en una banda de valores
probables de produccin como la que se muestra en el grfico siguiente:
Variables Yacimiento
Variables Yacimiento- Pozo
- Pozo Modelo
Modelosde
deAfluencia
Afluencia Caudal oGasto
Produccin
Inicial Inicial
Q( t ) Qo e Dt
Pronstico de Produccin
Histrico Comportamiento de Produccin Pozos Modelo Probabilsta Pronsticos de Produccin Pozos
D1: Declinacin 1 D2: Declinacin 2
Perfil de Produccin de Gas
qsc(MMPCD))
2.00
1.80
1.60
1.40
1.20 P5
MMPCD
1.00
P50
0.80
0.60 P95
0.40
Med
0.20 ia
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1.20 P5
debe cotejar con los pozos nuevos para los que se 0.60 P95
0.40
realiz el pronstico. 0.20
Med
ia
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Pronstico de Produccin
Ejemplo No 19
En este ejemplo, se requiere el clculo del Gasto o Caudal Inicial de Produccin de un Pozo y el Perfil o Pronstico
de Produccin de un nuevo pozo, apoyados en el software Crystal Ball.
PARTE 2: Determinacin del perfil de produccin del pozo a lo largo de su vida til esperada (10 aos), indicando
los percentiles 10, 50 y 90.
Pwf Pwf
2
Q(t) Q0 eD.t
Tiempos y Costos de la Actividad
p1=84%
Intento= 1 p1=probabilidad de 40.00 45.00 50.00 55.00
.087
Distribucin Probabilstica de la Qoi(superficie)
Q(t)
Qoi(superficie)= 1233.63 bpd
.065
Binomial 2 % de Prdidas por Friccin
Probabilidad
.043
100
Qo
p2.p3=13.76%
Intento= 1 .022
Q1
Q Lreal Q Kplan
Q oi (fondo)=2499.8 bpd
.084
.000 Funci n de Dens idad
%Desv2
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
p3=probabilidad de QKplan .042
) x( e Fd .t )
completar en otro objetivo
Qt ( Q 0Q(t)=Q
.021
-Fd.t
oe
p2=probabilidad de
.000
no alcanzar el objetivo 610.25 1917.36 3224.46 4531.57 5838.67
F d: Facto r d e Declinaci n
p2=16% p4=probabilidad de
abandono % Factor de Declinacin
p4=14%
-100%
t=0 t=1 t=2 t=3
2 0.0 0 2 2.5 0 2 5.0 0 2 7.5 0 3 0.0 0
Pronstico de Produccin
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)
Evaluacin Econmica
Modelo de Tiempos de la Actividad
Manejar los riesgos de perforacin o reparacin significa no dejar que los problemas crezcan, reducir
las sorpresas.
Acumulacin de
Pega Inestabilidad Zona Formacin Vibracin de la
Diferencial desconsolidada sarta ripios
de hoyo reactiva
Este modelo se sustenta en un anlisis estadstico del comportamiento histrico de los tiempos y las desviaciones por
actividad, del plan de perforacin y terminacin para lo cual debe crease una base de datos a partir de los registros
y bitcoras de las actividades de perforacin y reparacin mayor.
La salida del modelo es una distribucin probabilstica de todos los posibles valores del tiempo que podra tener el
trabajo planificado. Este resultado es la base fundamental del modelo de estimacin de costos.
Programa de Perforacin Base de datos (Histrica) Pozo1 Pozo2 Pozo 3 Pozo 4 Pozo n
ACE Acondicionar Equipo RAP Recuperar Aparejo de Produccin 46 105 78 50 30
ACP Acondicionar Pozo RAP-01 Espera por Transporte 10 12 - 8 13
APB Alinear Pozo a Batera RAP-03 Pesca no programada 8 21 10 8
AZA Aislar Zona Abierta RAP-05 Falla de Equipo 12 - 2 - 6
COP Control de Pozo RAP-12 Tubera Atascada 10 13 21 - -
DAB Desmantelar Arbol e Instalar BOPS Trisk RAP-01
DIS Disparar
EST Estimular p1 x
T - RAP
ILP Inducir y Limpiar Pozo Trisk RAP-03
T Productive RAP
MAP Meter Aparejo de Produccin
.041
metros _ perforados
ROP .021
tiempo _ efectivo _ perforacion
.000
1.87 3.33 4.80 6.26 7.73
tcompl = Incluye las actividades complementarias de la perforacin. Tales como: Armar sarta, viajes cortos,
circulacin, bombeo de baches, entre otros.
triesgo = Incluye las desviaciones que se han presentado y se puedan presentar en el transcurso de la
perforacin.
Opinin
de
Modelo de Tiempos de Perforacin y Reparacin de Pozos
Expertos
m
T ACTi t Li p j t R j
Conocimiento Genrico (Bases de Datos de
tPERFORACION
bitacoras de las actividades de perforacin y reparacin mayor
j 1
Experiencias Internacionales
.
DIS Disparar
EST Estimular i 1
0% 10% 20% 30% 40% 50% 60% 70%
IEC 0.20%
0,92 0,93 0,95 0,96 0,98
Teorema
Programa de Perforacin
de Bayes
Modelo de Tiempos de Perforacin y Reparacin de Pozos - Resultados
Distribucin de Tiempos (das)
Tiempo (das)
0.00 5.00 10.00 15.00 20.00 25.00 30.00
27.6
PEF
27.5
5.2
REG
3.6 Tiempo Total (das): 107
4.4
ILP
6.9
4.0
IEC
0.1
3.6
RCC
0.0
Actividad
3.6
CMT
0.0
3.2
EST
2.0
3.1
MTR
2.0
2.7
ACE
0.0
2.6
TIN
0.0
1.8
MAP
0.0
1.5
APB
0.0 Evaluacin Post-Morten por pozo.
RBA
0.0
1.1
Seguimiento Operacional
0.5 Tiempo Productivo (Das) Identificacin de los tiempos productivos e
RGI
0.4 improductivos por pozo
DES
0.3 Tiempo Improductivo (Das) Establecimiento del Lmite Tcnico
0.0
Modelo de Tiempos de Perforacin y Reparacin de Pozos - Resultados
Distribucin de Tiempos Improductivos Distribucin de Desviaciones
por Actividad IEC-03
RGI-08 , 9
0% 10% 20% 30% 40% 50% 60% 70% MTR-14 , 47 IEC-01 , 1
EST-02 , 48
PEF 64.86%
REG-16 , 21
MTR 4.62%
ILP-04 , 70
RGI 0.88%
PEF-12 , 6
PEF-17 , 38
IEC PEF-03 , 169
0.20%
PEF-08 , 91
PEF-23 - Espera por lodo, PEF-03 - Condiciones Climticas, PEF-08 - Falla de equipo, PEF-17 - Problemas en hoyo/Arrastres, PEF-12 -
Atascamiento de tubera, ILP-04 - Condiciones Climticas, ILP-08 - Espera por transporte, ILP-07 - Espera por Produccin, REG-07 -
Problemas en hoyo/Pozo, REG-16 - Pesca no programada, EST-02 - Condiciones Climaticas, MTR-14 - Pesca no programada, RGI-08 -
Espera por compaa de servicio, IEC-03 - Espera por Produccin, IEC-01 - Falla de equipo
Ejemplo No 21 - Estimacin Probabilstica del Tiempo de la Actividad
Dentro de la cartera de intervenciones a pozos 2008, el Activo R2M tiene programada la Reparacin Mayor (Profundizacin) del pozo R2M-
102 , es por ello que requiere realizar la estimacin probabilstica del tiempo de la actividad, con el fin de establecer su duracin y riesgos,
y proponer luego los planes de mitigacin de los riesgos identificados.
A continuacin se presenta el plan de actividades:
Metros Objetivo General
Codigo Actividad Dimetro
a Perforar Prolongar la vida productiva del pozo mediante la
1 DES DES Deslizar
profundizacin en la formacin Cretcico Inferior
2 DEB DEB - Desmantelar bajantes ACTUAL
.00
MD
RIL 3/4 01
MD
.00
13
7/8 22
11
TR /8"
R 95
DO T E
CA N 5/8
"
P A A NE .7
EM RM
14
PE
/8"
95
TR D
9M
26
64
MV
.00
MD
17
25
D
/8" 6 5M
75 . 26
TR P.T
p1=84%
Intento= 1 p1=probabilidad de 40.00 45.00 50.00 55.00
.087
Distribucin Probabilstica de la Qoi(superficie)
Q(t)
Qoi(superficie)= 1233.63 bpd
.065
Binomial 2 % de Prdidas por Friccin
Probabilidad
.043
100
Qo
p2.p3=13.76%
Intento= 1 .022
Q1
Q Lreal Q Kplan
Q oi (fondo)=2499.8 bpd
.084
.000 Funci n de Dens idad
%Desv2
142.51 811.75 1480.99 2150.23 2819.47
.063
Q2
Probabilidad
p3=probabilidad de QKplan .042
) x( e Fd .t )
completar en otro objetivo
Qt ( Q 0Q(t)=Q
.021
-Fd.t
oe
p2=probabilidad de
.000
no alcanzar el objetivo 610.25 1917.36 3224.46 4531.57 5838.67
F d: Facto r d e Declinaci n
p2=16% p4=probabilidad de
abandono % Factor de Declinacin
p4=14%
-100%
t=0 t=1 t=2 t=3
2 0.0 0 2 2.5 0 2 5.0 0 2 7.5 0 3 0.0 0
Pronstico de Produccin
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Tiempo (Dias)
Evaluacin Econmica
Modelo de Evaluacin Econmica
Ingresos 1. Estimacin probabilstica Gasto Inicial de Produccin (Qo)
2. Estimacin Probabilstica Tasa de Declinacin y Perfil Produccin (Q1,, Q2,, Q3,, ... Q20)
Inversin Inicial 3. Estimacin probabilstica del Costo de Perforacin
Egresos 4. Costos de Produccin y Mantenimiento
5. Estimacin probabilstica del Riesgo (Egresos Potenciales por Fallas)
Qo x Precio de Venta
VPNE
Factor de Rentabilidad
Qi x Precio de Venta
Ingresos
VPN
0 1 2 3 4 5
Pr (VPN<0)
Factor de Riesgo
Costos de Produccin
Egresos
0.75 0.9
Probabilidad de alcanzar el objetivo
VPN Costo Variable (Dls/barril de petroleo) 2.345 2.100
4.93 7.46
Precio de Venta del Gas (Dls/mpcd)
1031389.83 923335.28
Costo Perforacin
-100% +85%
% Error Gasto.
85 92
Tiempo de Aparicin Frente de Agua
92 98
Disponibilidad del Pozo
87%
MOV (horas)
5.49
Pr (VPN<0) MOV-01 (horas)
22.70
Factor de Riesgo MOV-06 (horas)
TR
M537
M787
19.01
17.76
90.57
79.43
Portafolio de Acciones
M622 32.70 85.54 Vlvula BN
M239
M945
M696
16.03
17.51
17.13
67.46
68.23
66.81
de Mitigacin del Riesgo Lnea de Flujo
COP (horas)
M816
17.38
16.89
64.74
56.25
Empaque
M190
M154
26.09
20.64
62.45
54.22
Libranza Downside
Upside
Integrar vincular resultados de los Ejercicios No 6,No 10, No 11 en el archivo Ejemplo 22 Eval.
Econ. Pozo. xls y generar los siguientes resultados:
Factor de Riesgo: probabilidad de que el VPN sea menor que Factor de Rentabilidad: media, esperanza matemtica o
0 (rea azul) y coordenada x de cada proyecto. valor esperado de la distribucin del VPN (VPNE), y
coordenada y de cada proyecto.
...En una poca de cambios permanentes,
el futuro pertenece a los que siguen
aprendiendo...
...los que ya aprendieron,
se encuentran equipados para vivir
en un mundo que ya no existe.
Eric Hoffer